人民幣傾斜校正與面值識(shí)別方法的研究

張明舉 李聲鋒

摘 要：在獲得人民幣紙幣圖像的基礎(chǔ)上，本文先對圖像預(yù)處理，然后提取特征參數(shù)，最后進(jìn)行面值識(shí)別.在圖像預(yù)處理中，比較重要的一個(gè)環(huán)節(jié)就是圖像的傾斜校正處理，它的處理效果直接影響到提取的特征參數(shù)值的準(zhǔn)確性.在面值識(shí)別中，用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行面值識(shí)別，這種方法具有很強(qiáng)的魯棒性，能較好地實(shí)現(xiàn)人民幣面值的識(shí)別.

關(guān)鍵詞：傾斜校正;Radon變換;BP神經(jīng)網(wǎng)絡(luò);面值識(shí)別

中圖分類號：TP391.4 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號：1673-260X（2020）08-0039-04

眾所周知，隨著現(xiàn)代社會(huì)的科學(xué)技術(shù)進(jìn)步，為了更好地節(jié)約人力成本，人們已在很多無人收費(fèi)系統(tǒng)中采用了人民幣紙幣面值識(shí)別技術(shù).人民幣紙幣面值識(shí)別是手機(jī)營業(yè)廳的自動(dòng)交費(fèi)機(jī)、銀行的自動(dòng)存取款機(jī)以及自動(dòng)售貨售票機(jī)等設(shè)備中一個(gè)不可或缺的的功能模塊，應(yīng)用前景廣闊.本文就我國人民幣紙幣自身的參數(shù)特征，設(shè)計(jì)了基于人民幣面值特征參數(shù)提取以及面值識(shí)別技術(shù)的人民幣面值識(shí)別方法，并給出了實(shí)驗(yàn)結(jié)果.

1 預(yù)處理紙幣圖像

在人民幣紙幣圖像識(shí)別時(shí)，我們約定獲取的紙幣圖像必須是無失真的和無變形的.但在實(shí)際操作時(shí)，獲取的紙幣圖像有可能受到外界因素的干擾和影響，常見的影響有以下三個(gè)方面：一是采集到的紙幣圖像上有一些無關(guān)面值識(shí)別的圖像信息（如人為的手寫字圖像等），二是采集到的紙幣圖像一般含有噪聲，三是常見的采集到的圖像會(huì)是傾斜的.因此，為了達(dá)到正確識(shí)別人民幣紙幣圖像，我們首先需要先對采集到的人民幣紙幣圖像進(jìn)行預(yù)處理，具體包括圖像讀入、去燥、邊緣檢測、傾斜校正等基本操作，圖1為紙幣圖像預(yù)處理流程圖.

2 傾斜校正紙幣圖像

通常，在人民幣紙幣圖像采集中，獲得的紙幣圖像或多或少都會(huì)出現(xiàn)某種程度的傾斜.這時(shí)要把紙幣圖像進(jìn)行校正，否則會(huì)影響接下來的圖像識(shí)別工作.在紙幣圖像校正時(shí)，我們首先定位紙幣圖像，然后利用圖像的定位信息對傾斜圖像進(jìn)行校正.在本文中，研究人民幣圖像主要是矩形圖像，拍攝紙幣時(shí)也都是正向拍攝，因此出現(xiàn)的紙幣圖像傾斜一般也是屬于水平傾斜，如圖2所示.本文采用Radon變換的方法來計(jì)算出傾斜紙幣圖像與x軸的傾斜角.

2.1 Radon變換

在數(shù)字圖像處理中，我們常常用到一些積分變換，如Radon變換、Hough變換等.在本文中，紙幣圖像的處理需要用到Radon變換.Radon變換的本質(zhì)是一種積分變換，從數(shù)學(xué)的角度看，給定一個(gè)定義在二維平面上的二元函數(shù)f（x，y），Radon變換將此二元函數(shù)f（x，y）沿著平面上的任意一條直線做線積分，亦即將此二元函數(shù)f（x，y）沿著平面上確定方向做的投影.比如，二元函數(shù)f（x，y）在水平方向上的線積分就是f（x，y）在y軸上的投影，對應(yīng)地，二元函數(shù) 在垂直方向上的二維線積分就是f（x，y）在x軸上的投影.圖3直觀地說明了一個(gè)簡單二維函數(shù)的水平和垂直投影.事實(shí)上，我們可以沿任意角度θ方向上計(jì)算函數(shù)的投影，即在任意角度上都存在函數(shù)的Radon變換.在任意角度上Radon變換的幾何原理，如圖4.

2.2 水平傾斜角度的計(jì)算以及校正

給定一幅紙幣圖像，我們分四步進(jìn)行水平傾斜角度的計(jì)算并完成校正.具體步驟如下：

Step 1：為了能用Radon變換檢測圖像中的直線，首先利用邊緣檢測將原始紙幣圖像轉(zhuǎn)化為二值圖像，如圖6所示.

Step 2：計(jì)算二值圖像的Radon變換.在圖7中，圖中最亮的點(diǎn)是紙幣圖像中的邊緣直線部分經(jīng)Radon變換后的曲線相交的點(diǎn)，這些交點(diǎn)和圖中直線部分是一一對應(yīng)的關(guān)系.

Step 3：Radon變換矩陣中峰值的計(jì)算.在進(jìn)行Radon變換后，原二值紙幣圖像中的直線段對應(yīng)Radon空間中的點(diǎn)，而且線段上點(diǎn)越多（即線段越長），Radon空間中的點(diǎn)亮度越大，因此容易計(jì)算出Radon空間中圖像的峰值點(diǎn).我們將傾斜角記為？茁，那么水平方向調(diào)整角度為？琢=90°-？茁.

Step 4：在水平方向?qū)垘艌D像進(jìn)行旋轉(zhuǎn)無損校正.將紙幣圖像旋轉(zhuǎn)？琢度，我們約定當(dāng)？琢<0時(shí)順時(shí)針旋轉(zhuǎn)，當(dāng)？琢>0時(shí)逆時(shí)針旋轉(zhuǎn).在圖7中，顏色越亮的表示系數(shù)越大，對本例的紙幣圖像來說，我們可以計(jì)算Radon變換系數(shù)最大值近似為角86°，于是將元圖像逆時(shí)針旋轉(zhuǎn)4°進(jìn)行校正.

在本文中，具體應(yīng)用結(jié)果如圖8和圖9所示，程序流程圖如圖10所示.

3 紙幣圖像特征參數(shù)提取

3.1 判定正反面向

紙幣面向大致分為四種：（1）正面正向;（2）正面倒向;（3）反面正向;（4）反面倒向.在紙幣面向的判定中，我們采用經(jīng)典的灰度值法[3]，該方法是一個(gè)識(shí)別速度快、準(zhǔn)確率比較高的方法.在本文的紙幣面向判定中，我們做了稍微的改進(jìn)，具體操作方法是將紙幣圖像分割成6塊方形區(qū)域，如圖11所示，然后我們選取這六塊圖像區(qū)域中的左右兩邊的四塊圖像區(qū)域，僅針對所選取的左右兩邊的四個(gè)區(qū)域進(jìn)行灰度值比較，從而能夠快速得出紙幣的面向.

3.2 面值區(qū)域圖像提取

在紙幣圖像經(jīng)過一系列預(yù)處理后，我們可以判斷出紙幣的上下和左右邊界，亦即基本上可以標(biāo)定人民幣在整幅圖像中的準(zhǔn)確位置，從而得到目標(biāo)圖像（幣值區(qū)域），這為下一步提取圖像特征值做好了準(zhǔn)備.針對不同擺放時(shí)的固定區(qū)域的紙幣圖像，為了能夠準(zhǔn)確地提取該紙幣面值，我們采用的方法是在紙幣中設(shè)固定區(qū)域.以正面正放100元面值的紙幣為例，本文提取的固定區(qū)域如圖12所示：

3.3 提取特征參數(shù)

前面我們已經(jīng)獲得了目標(biāo)圖像，但直接對其進(jìn)行分類還有些困難.因?yàn)榧垘艌D像所包含的像素是很豐富的，這就意味著所含有的的數(shù)據(jù)量也是很大的，我們?nèi)绻苯訉ζ溆?jì)算處理，這是很不現(xiàn)實(shí)的;而且，這些豐富的信息當(dāng)中，只有一部分對我們的識(shí)別是有用的，其它的大量的信息是與識(shí)別無關(guān)的.因此我們必須對紙幣進(jìn)行特征的分析與提取.

3.3.1 面值區(qū)域顏色特征參數(shù)

顏色特征提取算法包括：一般直方圖法，全局累加直方圖法和局部累加直方圖法.但是上訴直方圖法在顏色的表達(dá)中沒有考慮到人眼的視覺感受，比較單一，忽略了顏色參量的含義和顏色參量對圖像像素間的關(guān)系，為了彌補(bǔ)上述直方圖法的不足，對顏色特征進(jìn)行提取，再對顏色參量進(jìn)行一系列的分析、統(tǒng)計(jì)和處理，這在應(yīng)用中表現(xiàn)出比較好的效果.RGB和HIS顏色空間在顏色參量的統(tǒng)計(jì)特征中起著重要的作用.在實(shí)際的圖像處理中，RGB顏色系統(tǒng)的r，g，b值計(jì)算公式如下[5]：

r=R（R+G+B） ? （1）

g=G（R+G+B） ?（2）

b=B（R+G+B） ?（3）

從公式（1）（2）（3）中可以得到RGB顏色系統(tǒng)的r，g，b只是比值，與光照強(qiáng)度的變化無關(guān).

本文是通過上式對不同面值，不同面向時(shí)提取的面值區(qū)域求解RGB顏色系統(tǒng)的r，g，b值作為特征參數(shù)，研究時(shí)以100元紙幣為例來提取r，g，b值.如表1所示：

3.3.2 面值區(qū)域二值化后的灰度值（n）

在本文中，不但用了顏色特征，還增加了面值區(qū)域二值化后的灰度值，因?yàn)轭伾珔?shù)比較容易受到外界的影響，比如，紙幣的新舊的影響.增加面值區(qū)域二值化后的灰度值（n）這個(gè)參數(shù)，可以有效的增加識(shí)別的能力.為了能在BP神經(jīng)網(wǎng)絡(luò)中使用，用的是面值區(qū)域圖像二值化圖像中1的像素值與面值區(qū)域圖像像素值之比.仍然以100元為例，灰度值如表2所示.

4 面值識(shí)別

4.1 基于BP神經(jīng)網(wǎng)絡(luò)的紙幣面值識(shí)別

眾所周知，BP神經(jīng)網(wǎng)絡(luò)有很多優(yōu)點(diǎn).首先，BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力.對于不管是三層還是三層以上的BP神經(jīng)網(wǎng)絡(luò)，如果我們有中間層神經(jīng)元存在，那么就可以去逼近任意一個(gè)非線性函數(shù).其次，BP神經(jīng)網(wǎng)絡(luò)由于采用了并行的信息處理方式，所以有對外界的激勵(lì)和輸入的信息進(jìn)行聯(lián)想記憶的能力.再次，BP神經(jīng)網(wǎng)絡(luò)由于具有強(qiáng)大的非線性處理能力，因此對外界輸入樣本，它有很強(qiáng)的識(shí)別與分類能力.最后，BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)化計(jì)算的能力.因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的本質(zhì)就是用來解決非線性優(yōu)化問題的.所以本文選擇基于BP神經(jīng)網(wǎng)絡(luò)對紙幣進(jìn)行面值識(shí)別.

4.1.1 網(wǎng)絡(luò)訓(xùn)練樣本集的設(shè)計(jì)

對網(wǎng)絡(luò)的性能起著至關(guān)重要的作用的是網(wǎng)絡(luò)訓(xùn)練樣本集，它不僅要較高的質(zhì)量，還需要一定規(guī)模的大小.

本文研究的是人民幣紙幣的幣值識(shí)別.實(shí)驗(yàn)中，我們只對100元和50元兩種面值的紙幣的進(jìn)行識(shí)別，顯然，本方法可以應(yīng)用到其它紙幣圖像的面值識(shí)別.本文取100元、50元紙幣各10張，每張有4種擺放方向，所以有80個(gè)樣本，每個(gè)樣本有4個(gè)特征值，共有320個(gè)特征值.

本文建立一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)，由于每個(gè)樣本特征值有4個(gè)，所以輸入層神經(jīng)元數(shù)設(shè)計(jì)為4個(gè)，根據(jù)實(shí)驗(yàn)中間層神經(jīng)元數(shù)設(shè)計(jì)為15個(gè)，而本文只判斷100元和50元兩種紙幣，所以用一個(gè)二進(jìn)制數(shù)便可以表達(dá)，用“0”表示50元，“1”表示100元.網(wǎng)絡(luò)傳輸函數(shù)選用常用的Sigmoid函數(shù)和purelin函數(shù)[6].在實(shí)驗(yàn)中，最大訓(xùn)練次數(shù)取為5000次，在訓(xùn)練要求精度不大于10-6時(shí)，網(wǎng)絡(luò)被認(rèn)為是收斂的.

4.1.2 訓(xùn)練網(wǎng)絡(luò)與實(shí)驗(yàn)測試

經(jīng)過前面的步驟，網(wǎng)絡(luò)已經(jīng)設(shè)計(jì)完成.下一步我們將對其進(jìn)行訓(xùn)練.從樣本集中隨機(jī)抽取樣本，正向運(yùn)行一次，然后修正其權(quán)值，便完成了一次訓(xùn)練.一個(gè)成熟的網(wǎng)絡(luò)往往需要上萬次訓(xùn)練.

網(wǎng)絡(luò)的泛化能力是判斷一個(gè)網(wǎng)絡(luò)好壞的一個(gè)重要標(biāo)準(zhǔn).對于泛化能力的測試，我們需要使用不同于訓(xùn)練樣本的數(shù)據(jù).因此，我們可以將樣本集分成兩部分.一部分用于訓(xùn)練，另外的一部分用作測試樣本.判斷泛化能力好壞的標(biāo)準(zhǔn)是訓(xùn)練樣本集的誤差與測試樣本集的誤差的大小.如果前者很小，后者很大，那么網(wǎng)絡(luò)的泛化能力較差[7].

在本文中，用80個(gè)訓(xùn)練樣本來訓(xùn)練網(wǎng)絡(luò).這個(gè)樣本集首先要進(jìn)行測試，判斷網(wǎng)絡(luò)對訓(xùn)練樣本的識(shí)別如何，以此來判斷是否達(dá)到了訓(xùn)練的預(yù)期效果;其次.我們利用訓(xùn)練已經(jīng)完成后得到的神經(jīng)網(wǎng)絡(luò)對預(yù)先選取的測試樣本進(jìn)行測試，以判斷網(wǎng)絡(luò)的泛化能力.訓(xùn)練測試結(jié)果如圖13所示.

4.2 分析試驗(yàn)結(jié)果

通過實(shí)驗(yàn)，我們看到，上文所設(shè)計(jì)出的識(shí)別系統(tǒng)可以正確的識(shí)別出紙幣的面額，也不產(chǎn)生噪聲.更為重要的是，對于那些在流通過程中感染了一些噪聲或者有些許磨損的紙幣，本系統(tǒng)也能夠比較準(zhǔn)確的識(shí)別出來.但是不得不承認(rèn)，我們所設(shè)計(jì)出的識(shí)別系統(tǒng)有些時(shí)候不能達(dá)到完全識(shí)別，這是由于無法識(shí)別紙幣的類型，以及不能正確的識(shí)別出擺放位置所引起的.通過分析，出現(xiàn)這種不能識(shí)別的情況，其可能的原因有：（1）圖像受污染比較嚴(yán)重，也就是說圖像中含有的噪聲太大;（2）紙幣殘缺，導(dǎo)致其圖像分布比較復(fù)雜，從而使系統(tǒng)無法識(shí)別紙幣圖像.解決這一問題的有效辦法可以使用較大的訓(xùn)練樣本集，即訓(xùn)練樣本集包含各種類型的紙幣;（3）紙幣圖像的預(yù)處理不到位，如圖像傾斜沒有正確的校正.

5 結(jié)論

本文設(shè)計(jì)BP網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)為三層，各層節(jié)點(diǎn)數(shù)如下：輸入層4個(gè)神經(jīng)元，中間層15個(gè)神經(jīng)元，輸出層1個(gè)神經(jīng)元.輸出模式有兩種，即50元和100元.為了提高識(shí)別準(zhǔn)確度，特征值提取了RGB和灰度值，這兩類參數(shù)同時(shí)使用，避免了單獨(dú)使用時(shí)的局限性.訓(xùn)練完成以后，本系統(tǒng)能夠正確的識(shí)別出2種紙幣的面額.

參考文獻(xiàn)：

〔1〕秦潔，張明舉.人民幣面值特征參數(shù)提取及面值識(shí)別方法的研究[J].長春師范大學(xué)學(xué)報(bào)，2019，38（02）：50-53.

〔2〕鞏玉濱，楊紅娟，張運(yùn)楚，等.一種數(shù)顯儀表數(shù)字字符識(shí)別方法研究[J].山東建筑大學(xué)學(xué)報(bào)，2011， 26（02）：134-137+177.

〔3〕韓賀磊.人民幣紙幣面額的機(jī)器視覺識(shí)別方法研究[D].大連理工大學(xué)碩士學(xué)位論文，2007.

〔4〕燕鯤鵬.基于DWT變換的分塊數(shù)字圖像水印算法研究[D].西北大學(xué)碩士學(xué)位論文，2017.

〔5〕王棲榕，黃樟燦.基于顏色特征的畫家藝術(shù)風(fēng)格提取方法[J].計(jì)算機(jī)應(yīng)用，2019，35（12）：1-8.

〔6〕Mark Hudson Beale， Martin T. Hagan， Howard B. Demuth. Neural Network Toolbox7 [EB/OL]. www.mathworks.com，2019-12-1.

〔7〕楊曉燕.紙幣卡把計(jì)數(shù)與面值識(shí)別的算法改進(jìn)及程序?qū)崿F(xiàn)[D].東北大學(xué)碩士學(xué)位論文，2012.