一种钞票面额识别方法及系统与流程

1.本发明涉及图像识别技术领域，尤其涉及一种钞票面额识别方法及系统。


背景技术：

2.在金融机具产品应用中，钞票的面额识别是其核心功能，所有点钞和鉴伪功能都是建立在正确识别钞票面额的基础上，严格来说是不允许出现面额识别错误。传统的基于图像的面额识别方法对被识别的图像质量要求很高，当采集到的图像出现形变时，该识别方法很难有效应对，特别是面对塑料钞票时，面额识别不准的问题则更加突出。另外，随着金融机具产品对点钞速度的要求与日俱增，普遍要求在900张/分钟以上，因此要求在更短的时间内提升钞票的面额识别准确率。
3.现有的识别技术中一种是采用基于图像直方图匹配的钞票面额识别方法，该方法基于图像颜色分量的直方图信息，然后进行平均，得到面额识别的模板，训练过程包括：获取图像训练样本的二维矩阵；对每张图像训练样本进行滤波；提取每张图像训练样本的红绿蓝三色分量的第一直方图向量；分别获取多张图像训练样本中每种颜色分量的直方图的平均值作为该种面额纸币的模板；识别过程具体包括：获取待识别图像的二维矩阵；对待识别图像进行滤波；提取带识别图像的红绿蓝三色分量的第二直方图，分别获取第二直方图与每一种面额纸币模板之间的距离并进行比对，距离第二直方图最小的面额纸币模板对应的面额即判定为待识别纸币的面额。该方案的识别准确率一般，且无法适应很多颜色信息并不丰富的钞票，通用性一般，且需要计算3个颜色通道的特征，算法效率也一般。
4.还有一种通用钞票面额识别方法，包括训练和识别两部分，包括训练、识别两个部分，训练部分通过收集足够的样本后能自行进行特征提取，无需人为干预，大大提高了识别效率；识别部分包括获取图形边缘信息；通过边缘信息拟合找到图形坐标，根据坐标信息进行平面变换，得到变换图形坐标；按预设方法获取并计算图像的一维特征信息；并与标准图像一维特征信息进行匹配，判定匹配特征是否异常可以快速解决一种币种的面额识别问题，但是当钞票图像发生形变以及对算法耗时要求极其严格的情况时，则处理效果不佳。
5.因此，针对钞票面额识别，提出更高识别准确率，使通用性和扩展性更强，以及能适应各种钞票发生形变和对检测耗时要求较高的检测算法，成为亟待解决的问题。


技术实现要素：

6.本发明提供一种钞票面额识别方法及系统，用以解决现有技术中针对钞票面额识别普遍存在识别准确率不高、运算速度慢和扩展性较差的缺陷。
7.第一方面，本发明提供一种钞票面额识别方法，包括：
8.获取待识别钞票，提取待识别钞票的频域特征；
9.获取钞票分类特征算子，将所述待识别钞票的频域特征与所述钞票分类特征算子进行预设运算，得到钞票类别得分集合；
10.确定所述钞票类别得分集合中得分最大的类别对应的钞票分类为所述待识别钞
票的识别结果。
11.根据本发明提供的一种钞票面额识别方法，所述获取待识别钞票，提取待识别钞票的频域特征，包括：
12.确定所述待识别钞票的任一正面预设可见光通道图像和任一背面预设可见光通道图像；
13.分别对所述任一正面预设可见光通道图像和所述任一背面预设可见光通道图像进行线性平面仿射变换，得到具有相同预设幅面大小的正面仿射图像和背面仿射图像；
14.分别提取所述正面仿射图像和所述背面仿射图像的离散余弦变换特征，并对所述离散余弦变换特征截取预设大小区域范围的特征数组，得到正面特征数组和背面特征数组；
15.连接所述正面特征数组和所述背面特征数组，得到所述频域特征。
16.根据本发明提供的一种钞票面额识别方法，连接所述正面特征数组和所述背面特征数组，得到所述频域特征，之后还包括：
17.若所述频域特征存在数据长度异常，则基于方形矩阵数据形式将所述频域特征进行特征数据补齐。
18.根据本发明提供的一种钞票面额识别方法，所述任一正面预设可见光通道图像和所述任一背面预设可见光通道图像为相同可见光通道图像。
19.根据本发明提供的一种钞票面额识别方法，所述获取钞票分类特征算子，包括：
20.获取钞票分类样本图像，提取所述钞票分类样本图像的频域特征；
21.基于支持向量机svm对所述钞票分类样本图像的频域特征进行多分类训练，得到所述钞票分类特征算子。
22.根据本发明提供的一种钞票面额识别方法，所述钞票分类特征算子的长度为钞票类别数量乘以所述待识别图像的频域特征长度。
23.根据本发明提供的一种钞票面额识别方法，所述将所述待识别钞票的频域特征与所述钞票分类特征算子进行预设运算，得到钞票类别得分集合，包括：
24.将所述待识别钞票的频域特征与所述钞票分类特征算子进行乘加运算，得到多个钞票类别得分，将多个钞票类别得分作为所述钞票类别得分集合。
25.第二方面，本发明还提供一种钞票面额识别系统，包括：
26.提取模块，用于获取待识别钞票，提取待识别钞票的频域特征；
27.计算模块，用于获取钞票分类特征算子，将所述待识别钞票的频域特征与所述钞票分类特征算子进行预设运算，得到钞票类别得分集合；
28.识别模块，用于确定所述钞票类别得分集合中得分最大的类别对应的钞票分类为所述待识别钞票的识别结果。
29.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述钞票面额识别方法的步骤。
30.第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述钞票面额识别方法的步骤。
31.第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序
被处理器执行时实现如上述任一种所述钞票面额识别方法的步骤。
32.本发明提供的钞票面额识别方法及系统，通过采用机器学习的方法进行钞票的面额识别，具有通用性强和执行效率高的特点，尤其针对发生形变和污损的钞票具有更优的识别效果。
附图说明
33.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1是本发明提供的钞票面额识别方法的流程示意图；
35.图2是本发明提供的钞票面额识别方法的实施原理示意图；
36.图3是本发明提供的钞票面额识别系统的结构示意图；
37.图4是本发明提供的电子设备的结构示意图。
具体实施方式
38.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.针对现有技术存在的缺陷，本发明提出一种基于机器学习的钞票面额识别方法，图1是本发明提供的钞票面额识别方法的流程示意图，如图1所示，包括：
40.步骤s1，获取待识别钞票，提取待识别钞票的频域特征；
41.首先确定需要识别钞票的种类，例如人民币、美元或欧元等，通过图像变换提取其频域特征，一般采用离散余弦变换特征进行提取。
42.步骤s2，获取钞票分类特征算子，将所述待识别钞票的频域特征与所述钞票分类特征算子进行预设运算，得到钞票类别得分集合；
43.在对待识别钞票进行识别之前，需要采集大量的钞票图像，按不同的面额版本方向进行分类，然后选择可见光通道，提取其频域特征，接着使用机器学习方法svm(support vector machine，支持向量机)训练得到特征算子，如图2的实施原理图中，该部分特征算子均是提前在上位机中完成。这里针对钞票样本图像提取频域特征的方法和步骤s1中提取待识别钞票的频域特征的方法是相同的，区别是对待识别钞票的特征提取和运算均在金融机具端完成，即dsp(digital signal process，数字信号处理)部分。
44.进一步将待识别钞票对应通道图像的频域特征，与特征算子进行预设的运算，得到每种钞票分类的得分，即钞票类别得分集合。
45.步骤s3，确定所述钞票类别得分集合中得分最大的类别对应的钞票分类为所述待识别钞票的识别结果。
46.将钞票类别得分集合中得分最高对应的面额版本作为该待识别钞票的识别结果。
47.需要说明的是，本发明所提取的钞票图像特征并不局限于频域特征，也可为其它
域的特征。
48.本发明所提出的基于机器学习的钞票面额识别方法，具有运算速度快，兼容性强，识别准确率高以及运行稳定的特点；本发明解决了现有方法无法广泛适应不同的钞票及图像质量的问题，也解决检出不稳定且耗时多的问题；本发明在钞票面额识别的过程中，只需要采集单一通道的可见光图像，然后提取频域特征，与已经训练好的特征算子进行乘加运算即可得到分类结果，而特征算子的训练和学习在上位机上完成，样本的多样性不仅不影响耗时，反而可以提升准确率。
49.基于上述实施例，所述获取待识别钞票，提取待识别钞票的频域特征，包括：
50.确定所述待识别钞票的任一正面预设可见光通道图像和任一背面预设可见光通道图像；
51.分别对所述任一正面预设可见光通道图像和所述任一背面预设可见光通道图像进行线性平面仿射变换，得到具有相同预设幅面大小的正面仿射图像和背面仿射图像；
52.分别提取所述正面仿射图像和所述背面仿射图像的离散余弦变换特征，并对所述离散余弦变换特征截取预设大小区域范围的特征数组，得到正面特征数组和背面特征数组；
53.连接所述正面特征数组和所述背面特征数组，得到所述频域特征。
54.其中，连接所述正面特征数组和所述背面特征数组，得到所述频域特征，之后还包括：
55.若所述频域特征存在数据长度异常，则基于方形矩阵数据形式将所述频域特征进行特征数据补齐。
56.其中，所述任一正面预设可见光通道图像和所述任一背面预设可见光通道图像为相同可见光通道图像。
57.具体地，针对待识别钞票，本发明选取币种为人民币，首先选取其正面图像的任一可见光图像，通常以前景图像的绿通道为例，由于本发明对识别的运算效率要求较高，因此需要先进行图像的线性平面仿射变换，将该前景图像变换到一个合适的足够小的幅面(设定长为m，宽为n)。
58.此处，仿射变换是一种二维坐标之间的线性变化，通过仿射变换能保持二维图像的“平直性”，即直线经过变换之后仍然是直线，以及保持“平行性”，即二维图形之间的相对位置关系保持不变，平行线依然是平行线，且直线上点的位置顺序不会发生变化，放射变换的通常表达式为：
[0059][0060]
然后在仿射变换后得到的m*n大小的仿射图上提取频域特征，即通过离散余弦变换得到的频域特征，这里使用频域变换用于将数据或图像的压缩，能够将空域的信号转换到频域上，具有良好的去相关性的性能，离散余弦变换的通常表达式为：
[0061]
[0062][0063]
在经过频域变换之后，针对图像等相关性较大的处理对象，系数较大的集中在左上角，而右下角几乎都是0，左上角都是低频分量，右下角则是高频分量，高频系数体现的是目标形状的细节信息，低频系数则体现的是图像中目标轮廓和灰度分布特性，即图像的能量主要集中在上述低频分量处，也就是使用仿射变换后的小图进行面额识别时所需的关键信息。因此，本发明在频域变化后的图像中截取总大小为t(长为p，宽为q)的左上角区域，得到钞票某一面图像的特征数组。
[0064]
可以理解的是，在得到钞票正面图像经过频域变换后长度为t的正面特征数组x1，x2，x3…
x
t
之后，同样针对背面图像的绿通道图像，进过同样的处理步骤后得到长度为t的背面特征数组y1，y2，y3…yt
，将正面特征数组和背面特征数组进行连接得到2*t大小的数组x1，x2，x3…
x
t
，y1，y2，y3…yt
，2*t大小的数组如下所示：
[0065][0066]
此处，考虑到二维频域变换针对的通常是方形矩阵的情形，如果转换后出现数据长度异常的情况，可以将实际图像进行补齐，以满足方阵形式要求。
[0067]
本发明中针对钞票正面的任一可见光通道图像和钞票背面的任一可见光通道图像是同一类型的可见光通道，例如绿通道图像，否则若提取不同可见光通道图像，得到的正面和背面特征数组对应的数据特征是不同的，因此也就无法连接形成长度为2t的特征数组。
[0068]
本发明通过提取可见光通道的仿射图像的频域特征，便于提升后续钞票识别准确率和稳定性。
[0069]
基于上述任一实施例，所述获取钞票分类特征算子，包括：
[0070]
获取钞票分类样本图像，提取所述钞票分类样本图像的频域特征；
[0071]
基于支持向量机svm对所述钞票分类样本图像的频域特征进行多分类训练，得到所述钞票分类特征算子。
[0072]
其中，所述钞票分类特征算子的长度为钞票类别数量乘以所述待识别图像的频域特征长度。
[0073]
具体地，在上位机部分，预先获取到大量的已分类好的钞票样本，对钞票样本提取频域特征的处理方法和前述实施例中提取待识别钞票的频域特征处理方法一致，上位机部分需要将大量分类好的样本提取的频域特征使用svm方式进行多分类训练学习，从而得到特征算子。
[0074]
如果一共有nclass个类别，考虑到每个频域特征的长度为2*t大小，则总的特征算子的大小为2*t*nclass。
[0075]
本发明在上位机部分获取大量的钞票样本图像训练得到特征算子，通过大量样本的多样性训练能提高样本分类识别的准确性和效率
[0076]
基于上述任一实施例，所述将所述待识别钞票的频域特征与所述钞票分类特征算
子进行预设运算，得到钞票类别得分集合，包括：
[0077]
将所述待识别钞票的频域特征与所述钞票分类特征算子进行乘加运算，得到多个钞票类别得分，将多个钞票类别得分作为所述钞票类别得分集合。
[0078]
具体地，在金融机具一侧，即下位机部分提取完待识别钞票的频域特征后，与具有2*t*nclass大小的总的特征算子进行乘加计算后，得到每一类别的得分，将其中得分最大的类别所对应的钞票分类信息即作为待识别钞票的识别结果。
[0079]
本发明采用机器学习的方法进行钞票面额识别，通用性强，算法效率高，并可以学习迭代，具有很强的可扩展性。
[0080]
下面对本发明提供的钞票面额识别系统进行描述，下文描述的钞票面额识别系统与上文描述的钞票面额识别方法可相互对应参照。
[0081]
图3是本发明提供的钞票面额识别系统的结构示意图，如图3所示，包括：提取模块31、计算模块32和识别模块33，其中：
[0082]
提取模块31用于获取待识别钞票，提取待识别钞票的频域特征；计算模块32用于获取钞票分类特征算子，将所述待识别钞票的频域特征与所述钞票分类特征算子进行预设运算，得到钞票类别得分集合；识别模块33用于确定所述钞票类别得分集合中得分最大的类别对应的钞票分类为所述待识别钞票的识别结果。
[0083]
本发明通过采用机器学习的方法进行钞票的面额识别，具有通用性强和执行效率高的特点，尤其针对发生形变和污损的钞票具有更优的识别效果。
[0084]
基于上述实施例，所述提取模块31包括：确定子模块311、变换子模块312、提取子模块313和连接子模块314，其中：
[0085]
所述确定子模块311用于确定所述待识别钞票的任一正面预设可见光通道图像和任一背面预设可见光通道图像；所述变换子模块312用于分别对所述任一正面预设可见光通道图像和所述任一背面预设可见光通道图像进行线性平面仿射变换，得到具有相同预设幅面大小的正面仿射图像和背面仿射图像；所述提取子模块313用于分别提取所述正面仿射图像和所述背面仿射图像的离散余弦变换特征，并对所述离散余弦变换特征截取预设大小区域范围的特征数组，得到正面特征数组和背面特征数组；所述连接子模块314用于连接所述正面特征数组和所述背面特征数组，得到所述频域特征。
[0086]
基于上述任一实施例，所述提取模块31还包括补齐子模块315，所述补齐子模块315用于若所述频域特征存在数据长度异常，则基于方形矩阵数据形式将所述频域特征进行特征数据补齐。
[0087]
基于上述任一实施例，所述确定子模块311中的所述任一正面预设可见光通道图像和所述任一背面预设可见光通道图像为相同可见光通道图像。
[0088]
基于上述任一实施例，所述计算模块32包括获取子模块321和计算子模块322，其中：
[0089]
所述获取子模块321用于获取钞票分类样本图像，提取所述钞票分类样本图像的频域特征；基于支持向量机svm对所述钞票分类样本图像的频域特征进行多分类训练，得到所述钞票分类特征算子。
[0090]
其中，所述钞票分类特征算子的长度为钞票类别数量乘以所述待识别图像的频域特征长度。
[0091]
所述计算子模块322用于将所述待识别钞票的频域特征与所述钞票分类特征算子进行乘加运算，得到多个钞票类别得分，将多个钞票类别得分作为所述钞票类别得分集合。
[0092]
本发明采用机器学习的方法进行钞票面额识别，通用性强，算法效率高，并可以学习迭代，具有很强的可扩展性。
[0093]
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行钞票面额识别方法，该方法包括：获取待识别钞票，提取待识别钞票的频域特征；获取钞票分类特征算子，将所述待识别钞票的频域特征与所述钞票分类特征算子进行预设运算，得到钞票类别得分集合；确定所述钞票类别得分集合中得分最大的类别对应的钞票分类为所述待识别钞票的识别结果。
[0094]
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0095]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的钞票面额识别方法，该方法包括：获取待识别钞票，提取待识别钞票的频域特征；获取钞票分类特征算子，将所述待识别钞票的频域特征与所述钞票分类特征算子进行预设运算，得到钞票类别得分集合；确定所述钞票类别得分集合中得分最大的类别对应的钞票分类为所述待识别钞票的识别结果。
[0096]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的钞票面额识别方法，该方法包括：获取待识别钞票，提取待识别钞票的频域特征；获取钞票分类特征算子，将所述待识别钞票的频域特征与所述钞票分类特征算子进行预设运算，得到钞票类别得分集合；确定所述钞票类别得分集合中得分最大的类别对应的钞票分类为所述待识别钞票的识别结果。
[0097]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0098]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该
计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0099]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。