磁信号识别方法与流程

1.本发明涉及信号识别技术领域，尤其是涉及一种磁信号识别方法。


背景技术：

2.钞票是一种重要的价值符号，如何对钞票图像的磁信号进行有效性识别成为亟待解决的技术问题。
3.在钞票磁信号的识别装置中，由于摩钞、走钞等各种问题，会出现磁信号采样倾斜的现象。另外磁信号在采样过程中由于振动、磁信号干扰等原因，会导致基波中掺杂谐波和噪声干扰，使信号识别存在困难。因此在磁特征前对磁信号的有效处理是后续纸币识别的关键。本技术提出了将倾斜磁信号扭正、磁信号去干扰等方法，准确还原磁信号标准波形。
4.此外，钞票上的磁信号特征分为两种，一种是特定的磁编码特征，包括磁码幅值、磁码宽度、磁码间距等。另一种是钞票图像的表磁特征，扫描出来的磁信号没有特定的信号特征。美元磁信号就是满篇幅的图像表磁特征，本技术主要对美元的磁信号的有效性进行识别。
5.对于美元这种图像表磁特征的磁信号处理，使用现有的信号处理、逻辑判断等方式会出现抗干扰能力弱，判断准确率低，性能较差等问题。本技术提出一种将现有信号处理方法与改进的bp(back propagation，误差反向传播)神经网络进行信号检测相结合的方式。本技术对磁信号强度、磁信号分布做整体判断，然后使用改进的bp神经网络对磁信号特征进行准确识别。


技术实现要素：

6.本发明的目的在于提供一种磁信号识别方法，以精确地对美元的磁信号进行识别。
7.第一方面，一种磁信号识别方法，所述方法包括：步骤s102，提取样本纸币的样本磁信号，根据所述样本磁信号，确定样本纸币各个特征区域的磁信号阈值；步骤s104，若待测纸币的各个特征区域的实时的磁信号均符合所述磁信号阈值的数值范围，则待测纸币的磁信号的第一结果resultsignal为有效磁信号；步骤s106，将样本纸币的样本磁信号data-result[u,v]带入改进的误差反向传播神经网络模型进行迭代训练，得到训练参数数组；其中，所述训练参数数组包括：谐波权重ω、谐波频率k、谐波相位步骤s108，根据所述训练参数数组，确定最终网络模型，将待测纸币的磁信号输入至最终网络模型，得到识别结果，若识别结果大于预设的理想阈值y
sd
(to)，则待测纸币的磁信号的第二结果resultnetwork为有效磁信号；步骤s110，若第一结果、第二结果均为有效磁信号，则待测纸币的磁信号最终结果为有效磁信号。
[0008]
进一步地，步骤s102包括：s102-1：采集n张样本纸币的初始磁信号data[u,v]；其中，n＝2000-5000；s102-2：将样本纸币的初始磁信号进行预处理，得到样本磁信号data-result[u,v]；s102-3：按照预设的划分规则，将data-result[u,v]划分为p个磁特征区域；
s102-4：根据统计学原理以及预设的阈值确定规则，确定p个特征区域的磁信号阈值，其中，所述磁信号阈值包括：磁信号强度阈值、磁信号周期阈值和磁信号斜率阈值。
[0009]
进一步地，步骤s104包括：s104-1：采集待测纸币的初始磁信号；
[0010]
s104-2：将待测纸币的初始磁信号进行预处理，得到待测磁信号real-data-result[u,v]；s104-3：基于real-data-result[u,v]，提取待测纸币的p个区域的实时的磁信号datafeature，其中，所述实时的磁信号包括实时磁信号强度、实时磁信号周期和实时磁信号斜率；s104-4：分别比较待测纸币实时磁信号强度、实时磁信号周期、实时磁信号斜率与步骤s102-4确定的磁信号强度阈值、磁信号周期阈值、磁信号斜率阈值的数值关系；s104-5：若实时的磁信号均符合磁信号阈值范围，则待测纸币的磁信号的第一结果resultsignal为有效磁信号。
[0011]
进一步地，步骤s106包括：s106-1：将n张样本纸币的样本磁信号data-result[u,v]作为t(o)，其中，o＝1，2，
…
，n，此仅为赋值过程；将t(o)作为神经元的激励函数输入信号，其中，o代表第o张样本纸币，n为样本纸币的总张数，n为2000-5000；s106-2：神经网络的神经元的激励函数为：其中，h代表第h谐波次数，n为最高谐波次数，1＜h＜n，kh、分别是谐波的频率和相位，二者共同作为激励函数的参数，是可变参数；w选择固定的常数，w＝1；s106-3：神经网络模型的输出为:3：神经网络模型的输出为:其中，kh、ωh分别为谐波的相位、频率和权重；s106-4：计算神经网络的输出误差，输出误差为:e
(o)
＝y
sd
(to)-y
out
(to)(3)，其中，y
sd
(to)为预设的理想结果值；s106-5：计算性能指标，性能指标为:其中，o代表第o张样本纸币；s106-6：根据上述n个性能指标v(o)，引入基本惯性算法，作为改进后的bp神经网络中激励函数和权值学习算法，来修正谐波的权重、频率和相位，修正过程如公式(5)-(7)：(7)：其中，η为学习率，a为动量因子，二者取舍的合适与否直接影响收敛速度；δω
l
(o)、δk
l
(o)、分别为权重、频率、相位的修正量；在此公式(5)-(7)是同时进行的，不分先后；s106-7：根据公式(5)-(7)得到训练参数数组ω、k(8)。
[0012]
进一步地，步骤s108包括：s108-1：将所述训练参数数组输入至公式(2)得到最终网络模型；s108-2：将待测纸币的神经元的激励函数输入信号t带入最终神经网络模型，得到最新的y
out
；s108-3：若最新的y
out
大于预设的理想结果值y
sd
，则该待测纸币的第二结果为真。
[0013]
进一步地，步骤s102的提取样本纸币的样本磁信号的过程包括预处理过程，预处理包括：上述扭正过程的步骤包括：扭正过程和去干扰处理过程。
[0014]
进一步地，所述扭正过程包括：1)假设纸币磁信号的初始的磁数据矩阵为data[u,v]，u为通道数，v为每通道采集的点数；2)提取每通道纸币磁信号的左边界lb[i]和右边界
rb[i]，其中(0《＝i《u)，在此，i为第i通道；3)选择磁信号完整的两个通道的左边界或右边界，根据选择的边界,得到磁信号的斜率dslope；4)根据磁信号的斜率dslope、左边界lb[i]和右边界rb[i]，将数据data[u,v]的每一通道平移变换，实现扭正，得到扭正后的磁信号矩阵data-rotate[u,v]。
[0015]
进一步地，所述去干扰处理过程包括：1)对扭正磁信号数据data-rotate[u,v]进行离散信号的快速傅里叶变换(fast fourier transform，fft)，得到所有通道磁信号中不同谐波出现频率的大致分布数据s(x,y)，其中，x为幅值，y为频率；2)根据大量样本的分布数据s(x,y)，确认一个合适的小波函数，以及小波的分解层数f，在此基础上对信号data_rotate[u,v]进行f层的小波分离,得到低频小波分布数组与高频小波分布数组各f组；其中所述小波函数为db4，f＝3；3)利用小波去噪原理，将得到的小波分解的高频小波分布数组的系数全部置零，去除高频噪声；4)将小波分解得到的低频小波分布数组，利用异步采样方法-加窗插值fft算法，得到f组精准的低频小波分布数组；5)利用fft反变换原理，对f组精准的低频小波分布数组，进行fft反变换，得到f组低频稳态部分的磁信号数组，将f组磁信号数组叠加后得到样本磁信号data-result[u,v]。
[0016]
本发明实施例的有益效果如下：
[0017]
1、利用扭正过程，实现对倾斜纸币的扭正，从而提取到更准确的磁信号。
[0018]
2、利用去干扰过程，实现对纸币磁信号的降噪，从而提取到更准确的磁信号。
[0019]
3、利用磁信号区域划分、阈值的设置，实现第一层的磁信号的有效性识别。
[0020]
4、利用改进的bp神经网络的识别方法，实现第二层的磁信号的有效性识别。
[0021]
5、结合两层过程，得到更加精确的结果；具体来说，本方案采用现有信号处理方法和改进的bp神经网络相结合的方式。第一层首先划分磁信号特征区域，提取磁信号特征点如信号强度、信号变化程度、信号宽度等，使用信号处理、逻辑计算、阈值比较的方式进行判断。第二层提取n个训练样本，使用改进bp神经网络进行识别判断。两层识别均判定待测的磁信号为有效信号，则最终认为该磁信号为有效磁信号，否则为无效磁信号。通过2层识别，以提高图像表磁特征信号检测的准确性。
[0022]
本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。
[0023]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。
附图说明
[0024]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
[0025]
图1为本发明实施例提供的一种磁信号识别方法的流程图；
[0026]
图2为本发明实施例提供的磁信号图像对应的磁信号的示意图；
[0027]
图3为本发明实施例提供的倾斜磁信号示意图；
[0028]
图4为本发明实施例提供的扭正后的磁信号示意图；
[0029]
图5为本发明实施例提供的磁特征区域划分图；
[0030]
图6为本发明实施例提供的改进的bp神经网络模型工作示意图。
具体实施方式
[0031]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0032]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
[0033]
随着钞票的大范围使用，如何准确识别钞票中的磁信号的有效性成为亟待解决的技术问题。
[0034]
基于此，本发明提供一种磁信号识别方法。该技术应用于对美元的磁信号进行有效性识别的技术场景中。
[0035]
实施例一
[0036]
本发明提供一种磁信号识别方法。下表为各个字母与物理意义的对应关系：
[0037]
[0038][0039]
如图1所示，该磁信号识别方法包括：
[0040]
步骤s102，提取样本纸币的样本磁信号，根据所述样本磁信号，确定样本纸币各个特征区域的磁信号阈值。
[0041]
具体地，本专利中的纸币一般为美元，本技术即为一种有效识别美元的磁信号的方法。美元磁信号就是满篇幅的图像表磁特征。图2为样本磁信号示意图。
[0042]
具体地，无论提取样本纸币的样本磁信号，还是提取待测纸币的待测磁信号，在提取过程中均需对纸币进行预处理，以得到更加精准的磁信号。预处理过程包括：扭正过程与干扰处理过程。在此，将预处理后的样本纸币的样本磁信号定义为data-result[u,v]；将预
处理后的待测纸币的待测磁信号定义为real-data-result[u,v]。
[0043]
对于样本纸币预处理过程如下：
[0044]
一、扭正过程
[0045]
该过程也即是倾斜处理过程，主要步骤是先计算钞票(即纸币)的倾斜角度，然后根据倾斜角度将磁信号的每一通道进行平移扭正。
[0046]
上述扭正过程的步骤包括：
[0047]
1)假设纸币磁信号的初始的磁数据矩阵为data[u,v]，u为通道数，v为每通道采集的点数。
[0048]
2)提取每通道纸币磁信号的左边界lb[i]和右边界rb[i]，其中(0《＝i《u)，在此，i为第i通道。
[0049]
3)选择磁信号完整的两个通道的左边界或右边界，根据选择的边界,得到磁信号的斜率dslope。
[0050]
4)根据磁信号的斜率dslope、左边界lb[i]和右边界rb[i]，将数据data[u,v]的每一通道平移变换，实现扭正，得到扭正后的磁信号矩阵data-rotate[u,v]。
[0051]
如图3所示为倾斜磁信号data[u,v]，图4为扭正后的磁信号data-rotate[u,v]。
[0052]
二、去干扰处理
[0053]
信号干扰的处理方法大体为：使用傅里叶变换、小波等算法进行信号去干扰处理。
[0054]
具体为：
[0055]
1)对扭正磁信号数据data-rotate[u,v]进行离散信号的快速傅里叶变换(fast fourier transform，fft)，得到所有通道磁信号中不同谐波出现频率的大致分布数据s(x,y)，其中，x为幅值，y为频率。
[0056]
2)根据大量样本的分布数据s(x,y)，确认一个合适的小波函数，以及小波的分解层数f，在此基础上对信号data_rotate[u,v]进行f层的小波分离,得到低频小波分布数组与高频小波分布数组各f组，本发明小波函数选择db4，f等于3。
[0057]
3)利用小波去噪原理，将得到的小波分解的高频小波分布数组的系数全部置零，去除高频噪声。
[0058]
4)将小波分解得到的低频小波分布数组，利用异步采样方法-加窗插值fft算法，得到f组精准的低频小波分布数组，本技术加窗方法为汉宁窗。
[0059]
具体地，此步骤可以减少传统fft算法存在的频谱泄露、栅栏效应等缺点。
[0060]
5)利用fft反变换原理，对f组精准的低频小波分布数组，进行fft反变换，得到f组低频稳态部分的磁信号数组，将f组磁信号数组叠加后得到最终低频稳态磁信号data-result[u,v]，此又称为样本磁信号。
[0061]
到此，预处理完毕，采用此预处理方法，能够得到样本纸币的样本磁信号，即data-result[u,v]。
[0062]
具体地，采用同样的预处理方法可得到待测纸币的待测磁信号real-data-result[u,v]。
[0063]
然后根据预处理得到的样本磁信号data-result[u,v]，确定样本纸币各个特征区域的磁信号阈值。
[0064]
步骤s102中“根据所述样本磁信号，确定样本纸币各个特征区域的磁信号阈值”的
具体操作为：
[0065]
s102-1：采集n张样本纸币的初始磁信号data[u,v]。
[0066]
其中，n＝2000-5000。
[0067]
s102-2：将样本纸币的初始磁信号进行预处理，得到data-result[u,v]。
[0068]
s102-3：按照预设的划分规则，将data-result[u,v]划分为p个磁特征区域。
[0069]
具体地，不同面值、版本的钞票的特征区域不同，以某一特定纸币为例，可以将该纸币划分成7个矩形的特征区域，即p＝7，如图5所示。
[0070]
s102-4：根据统计学原理以及预设的阈值确定规则，确定p个特征区域的磁信号阈值，磁信号阈值包括：磁信号强度阈值、磁信号周期阈值和磁信号斜率阈值。
[0071]
具体地，大量采集在不同区域的样本纸币的磁信号阈值，根据统计学原理即能确定正常阈值的数值范围。即，根据采集的批量数据统计，确定各个区域不同检测点阈值thresholdgg(g代表特征区域一、二、三
…
p，g代表每个区域检测点1、2、3
…
)。
[0072]
步骤s104，若待测纸币的各个特征区域的实时的磁信号均符合磁信号阈值范围，则待测纸币的磁信号的第一结果resultsignal为有效磁信号。
[0073]
具体的，上述步骤s104包括：
[0074]
s104-1：采集待测纸币的初始磁信号。
[0075]
s104-2：将待测纸币的初始磁信号进行预处理(与对样本纸币的预处理过程相同)，得到real-data-result[u,v]。
[0076]
s104-3：基于real-data-result[u,v]，提取待测纸币的p个区域的实时的磁信号datafeature，实时的磁信号包括实时磁信号强度、实时磁信号周期和实时磁信号斜率。
[0077]
具体地，s104-3中提取实时的磁信号特征区域一、二、三
…
p的磁信号数据定义为datafeature1、datafeature2......，对每一个磁信号特征区域进行数据处理，处理过程包括信号提取与信号统计，输出各个检测点实时的数据，如实时磁信号强度、实时磁信号周期、实时磁信号斜率。
[0078]
s104-4：分别比较待测纸币实时磁信号强度、实时磁信号周期、实时磁信号斜率与步骤s102-4确定的磁信号强度阈值、磁信号周期阈值、磁信号斜率阈值的数值关系。
[0079]
s104-5：若实时的磁信号均符合磁信号阈值范围，则待测纸币的磁信号的第一结果resultsignal为有效磁信号，即resultsignal＝1。
[0080]
对于s104-5，具体地，将各个特征区域的各个检测点的的实时磁信号datafeature1、datafeature2等与磁信号阈值thresholdgg进行比较操作，分别得出各个检测点的检测结果，datafeature若在相应的thresholdgg范围内，则检测结果为1，若所有区域、所有检测点的检测结果均为1，得出信号处理的第一结果resultsignal＝1，即第一次判定样本纸币的磁信号为有效信号。
[0081]
步骤s106，将样本纸币的样本磁信号data-result[u,v]带入改进的误差反向传播(bp)神经网络模型进行迭代训练，得到训练参数数组；所述训练参数数组包括：谐波权重ω、谐波频率k、谐波相位
[0082]
具体地，步骤s106，包括：
[0083]
s106-1：将n张样本纸币的样本磁信号data-result[u,v]作为t(o)，其中，o＝1，2，
…
，n，此仅为赋值过程；将t(o)作为神经元的激励函数输入信号，其中，o代表第o张样本
纸币，n为样本纸币的总张数，一般为2000-5000。t(o)即为data-result[u,v]。
[0084]
s106-2：神经网络的神经元的激励函数为：2：神经网络的神经元的激励函数为：其中，h代表第h谐波次数，n为最高谐波次数，1＜h＜n，kh、分别是谐波的频率和相位，二者共同作为激励函数的参数，是可变参数；w选择固定的常数，本技术w＝1。
[0085]
具体地，分别代表第1个到第n个神经元的激励函数，如图6所示。
[0086]
s106-3：神经网络模型的输出为:3：神经网络模型的输出为:其中，kh、ωh分别为谐波的相位、频率和权重。
[0087]
s106-4：计算神经网络的输出误差，输出误差为:e
(o)
＝y
sd
(to)-y
out
(to)(3)，其中，y
sd
(to)为预设的理想结果值。
[0088]
s106-5：计算性能指标，性能指标为:其中，o代表第o张样本纸币。
[0089]
s106-6：根据上述n个性能指标v(o)，引入基本惯性算法，作为改进后的bp神经网络中激励函数和权值学习算法，来修正谐波的权重、频率和相位，修正过程如公式(5)-(7)：
[0090][0091][0092][0093]
其中，η为学习率，a为动量因子，二者取舍的合适与否直接影响收敛速度。δω
l
(o)、δk
l
(o)、分别为权重、频率、相位的修正量；在此公式5-7是同时进行的，不分先后；
[0094]
以公式(5)为例，进行迭代参数说明，包括说明1)-3)，公式(6)与公式(7)的参数迭代法则与公式(5)相同，不再赘述。
[0095]
η
ω
、a
ω
、分别代表学习率可调节参数和动量因子可调节参数，本发明修正后的规律为(即调节η
ω
、a
ω
的规律为)：
[0096]
说明1：当o＝1和2时，将η1和η2的值都赋值为预设的η0＝0.005，将a1和a2都赋值为预设的a0＝0.003。
[0097]
说明2：当o＞2时，定义：说明2：当o＞2时，定义：此为数学的赋值过程，无物理含义。
[0098]
说明3：若sw(o-2)，sw(o-1)，sw(o)三者的符号相同，则η
ω
(o 1)＝pη
ω
(o-1)(12)；a
ω
(o 1)＝qa
ω
(o-1)(13)；其中，p》1,0《q《1；p、q为预设的常量参数。
[0099]
在此，设定η
ω
(o)、a
ω
(o)的上端阈值与下端阈值，当η
ω
(o)、a
ω
(o)超出上端阈值与下端阈值时，按照其最接近的端阈值为其赋值。
[0100]
s106-7：根据公式(5)得到训练后的参数ω，其中ω＝[ω1,ω2,
…
,ωn](8)。
[0101]
根据说明1)-3)同样的处理方法对公式(6)、(7)进行处理，得到k＝[k1,k2,
…
,kn](9)；
[0102]
具体地，公式(8)-(10)称为训练参数数组。
[0103]
步骤s108，根据所述训练参数数组，确定最终网络模型，将待测纸币的磁信号输入至最终网络模型，得到识别结果，若识别结果大于预设的理想阈值y
sd
(to)，则待测纸币的磁信号的第二结果resultnetwork为有效磁信号，即resultnetwork＝1。
[0104]
具体地，步骤s108包括：
[0105]
s108-1：将所述训练参数数组输入至公式(2)得到最终网络模型。
[0106]
s108-2：将待测纸币的神经元的激励函数输入信号t带入最终神经网络模型，得到最新的y
out
。
[0107]
s108-3：若最新的y
out
大于预设的理想结果值y
sd
，则该待测纸币的第二结果为真，即resultnetwork＝1。
[0108]
具体地，计算第二结果的过程(即步骤s106-s108)为第二层识别过程，如图6所示，为改进的bp神经网络模型工作示意图，该图即为第二层识别的示意图。
[0109]
图6中的c指的是激励函数，ω为谐波的权重。
[0110]
步骤s110，若第一结果、第二结果均为有效磁信号，则待测纸币的磁信号最终结果为有效磁信号。
[0111]
下表为识别率与漏识率对比，改进后的算法依据实验数据分析，识别率上涨约4％，漏识率为0％，实验数据如下：
[0112][0113]
本发明实施例的有益效果如下：
[0114]
本发明实施例的有益效果如下：
[0115]
1、利用扭正过程，实现对倾斜纸币的扭正，从而提取到更准确的磁信号。
[0116]
2、利用去干扰处理过程，实现对纸币磁信号的降噪，从而提取到更准确的磁信号。
[0117]
3、利用磁信号区域划分、阈值的设置，实现第一层的磁信号的有效性识别。
[0118]
4、利用改进的bp神经网络的识别方法，实现第二层的磁信号的有效性识别。
[0119]
5、结合两层过程，得到更加精确的结果；具体来说，本方案采用现有信号处理方法和改进的bp神经网络相结合的方式。第一层首先划分磁信号特征区域，提取磁信号特征点如信号强度、信号变化程度、信号宽度等，使用信号处理、逻辑计算、阈值比较的方式进行判断。第二层提取n个训练样本，使用改进bp神经网络进行识别判断。两层识别均判定待测的磁信号为有效信号，则最终认为该磁信号为有效磁信号，否则为无效磁信号。通过2层识别，以提高图像表磁特征信号检测的准确性。
[0120]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部技术特征进
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范围。