基于紙幣透射圖像的新舊檢測

摘 "要： 紙幣新舊檢測是紙幣清分機中的一個重要功能，與傳統的基于紙幣反射圖像檢測紙幣新舊等級不同，采用了紙幣的透射圖像進行紙幣新舊檢測。根據紙幣的新舊程度人工劃分為3個等級，分別使用了基于灰度圖像整體亮度的新舊檢測法和傳統的模式識別的方法，采用紙幣透射圖像直方圖分布作為紙幣新舊特征，分別使用了KNN、SVM分類器進行分類，并且提出一種簡單的級聯分類器。實驗結果表明級聯分類器比KNN和SVM的單獨使用有更好的表現。

關鍵詞： 透射圖像; 模式識別; SVM; 級聯分類器

中圖分類號： TN919?34; TP391.41 " " " " " " " 文獻標識碼： A " " " " " " " " " 文章編號： 1004?373X（2015）06?0101?04

New and old banknotes′ classification based on transmission images

QI Lei， REN Ming?wu

（School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract： Classification of new or old banknotes is a important function in the banknote sorter. The transmission image is adopted in this paper to detect new or old banknotes. It is different from the traditional new or old banknote detection based on reflection images. According to the new or old degree of banknotes， all banknote samples are divided into three grades. The new or old banknote detection method based on gray level image brightness and pattern recognition method are used respectively. The histogram distribute of transmission image is used as feature of new or old banknotes. The KNN and SVM classifier are employed to carry out classification. A new cascade classifier which combines SVM and KNN is put forward. Test proves the new cascade classifier is more effective than SVM and KNN in detection of new or old banknotes.

Keywords： transmission image; pattern recognition; SVM; cascade classifier

0 "引 "言

紙幣清分機是一種集光機電磁于一體的高端金融現金處理設備，其主要功能是對紙幣進行面值、面向、新舊程度及紙幣序列號的識別。紙幣清分機挑選適合在市場中流通的紙幣、高效地代替了人工選擇可流通紙幣的工作。當紙幣流通時間過長時，表面會出現粗糙、模糊、磨損等現象。過舊的紙幣影響了紙幣的真偽鑒別、冠字號識別等，導致貨幣在市場中的流通帶來了不便。根據中國人民銀行發布的《不宜流通人民幣挑剔標準》，過舊的紙幣不宜流通，因此紙幣清分機中需要具有檢測紙幣新舊的功能來滿足這樣的需求。

早期國外曾根據紙幣在清分機中與傳送帶的摩擦聲音來判別新舊[1]，但該技術已被數字圖像技術[2]所代替。目前，國內紙幣清分機產品多采用基于數字圖像技術做相關研究[3]。紙幣新舊識別成為紙幣清分算法的核心和難點，而且新舊等級分的越多，難度越大。目前國內外現有的紙幣新舊檢測方法有基于紙幣反光強度的新舊判別[4?5]，基于多光譜彩色圖像的新舊判別[2]，基于標準圖像進行灰度直方圖匹配來判斷紙幣新舊[6] 等。目前，對于紙幣的新舊檢測大多基于反射圖像的亮度。近年來也出現了將紙幣的新舊檢測轉換為模式識別的問題，首先提取紙幣圖像上的有效特征，然后使用分類器來進行新舊識別[7?8]。

本文將紙幣的新舊程度劃分為3個等級，使用紙幣的透射圖像對紙幣進行新舊判斷，分別采用了紙幣透射圖像平均亮度劃分圖像等級和傳統的模式識別的方法，提取了紙幣透射圖像的灰度直方圖分布作為紙幣新舊檢測特征，并分別采用了KNN（k近鄰），SVN（Support Vector Machine支持向量機）分類器，并提出了一種簡單的級聯分類器。

1 "圖像數據說明

本文通過人工劃分的方式將100元人民幣劃分為新舊程度不同的3個等級，并且對于新舊程度不同的紙幣分別收集了170張，其中100張作為訓練樣本，70張作為測試樣本。將所有收集得到的紙幣采用圖像傳感器進行雙面采樣，獲得兩張圖像，白背景圖像中的奇偶行分別對應紙幣的透射圖像和反射圖像，黑背景圖像中的奇偶行分別對應圖像的反射圖像和彩色圖像如圖1所示。本文只使用了紙幣的透射圖像，只需要將白色背景的圖像提取出來，無需判斷紙幣圖像的正反面。本文采集到的所有紙幣透射圖像都已確定4個角的坐標位置。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼14T1.tifgt;

圖1 原始采樣數據分割

2 "基于圖像亮度的紙幣新舊檢測

目前，針對于紙幣的新舊檢測提出的大多數方法都與紙幣的亮度有關，因為新舊紙幣在圖像采集的時候反光的強弱不同，所得圖像的明暗有差異，因此可以根據紙幣圖像的亮度判定紙幣的新舊等級。常用的方法有使用紙幣空白區域的平均亮度，紙幣反射圖像某固定區域的平均灰度值。使用反射圖像進行新舊檢測時，必須先確定紙幣圖像的面向，還要定位到紙幣的固定的區域。對于紙幣透射圖像，無論采集到的圖像是紙幣的正面或反面，所得的透射圖像都一樣，所以采用紙幣的透射圖像就不需要檢測紙幣的面向。采用圖像的部分區域進行檢測時，當此區域存在涂污時，對紙幣的新舊檢測結果產生影響。本文采用完整的紙幣透射圖像亮度的平均值檢測紙幣的新舊，具有更好的魯棒性。

在所有訓練樣本和測試樣本中，已經準確標記了紙幣的4個頂點的坐標。這樣就可以得到紙幣邊緣具體位置，可以利用行掃描，來統計每張紙幣的所有點的灰度值的和，然后求得其平均值，根據平均值與自己設定的標準進行比較就可以得到紙幣的新舊等級。但由于紙幣在流通的過程中會出現磨損，完整的紙幣圖像經常存在一些噪聲，例如對于過舊的紙幣中往往存在細小的孔洞區域和圖像邊緣檢測并非很精確（會殘留一些白色背景區域），這就導致了所統計的透射圖像的像素點中存在白色的噪聲區域如圖2所示，因此首先統計紙幣透射圖像的灰色直方圖，然后將根據紙幣圖像的直方圖去除亮度前%α的點和后%α的點，最后計算所有剩余像素點的平均灰度值。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼14T2.tifgt;

圖2 原始圖像

基于紙幣透射圖像平均亮度檢測新舊，具體步驟如下：

（1） 統計訓練樣本中新舊程度最新的樣本（本文為等級1）紙幣透射圖像的灰度直方圖，并去除最亮的前%α和最暗的前%α，計算每張紙幣的平均亮度，最后計算所有樣本平均亮度設為[vmax]。同理計算得到訓練樣本中新舊程度最舊樣本（本文為等級3）的平均亮度設為[vmin]。

（2） 統計待檢測的樣本的灰度平均值，方法同（1），得到紙幣透射圖像的亮度為[v]。

step3判定新舊等級，根據以下公式：

[d=v-vminvmax-vmin "等級1， " " " " dgt;t1等級3， " " " " dlt;t2等級2， " " " "其他]

式中[t1]、[t2]根據多次實驗獲得的閾值。

3 "基于模式識別方法的紙幣新舊檢測

紙幣的新舊檢測除了采用圖像的整體平均亮度值，近年來也出現了將紙幣的新舊檢測轉換為模式識別的問題，例如文獻[9]基于BP?LVQ神經網絡的紙幣新舊識別算法研究，首先提取紙幣圖像的新舊特征，然后將特征送給分類器識別，得到識別結果，具體過程如圖3所示。

3.1 "特征提取

紙幣圖像的新舊特征一般采用灰度直方圖的分布統計，新舊紙幣的差異不僅反映在紙幣灰度圖像的平均值上，在灰度直方圖的分布中也有所差異。越新的紙幣圖像灰度直方圖波峰靠后，越舊的紙幣圖像直方圖波峰靠前。對于紙幣透射圖像也存在同樣的表現如圖4所示，分別為新舊等級一、二、三紙幣透射圖像直方圖統計分布。統計每張紙幣透射圖像的直方圖，得到256維的特征向量。所得到的特征向量中與基于亮度檢測新舊具有同樣的問題，圖像中的最亮和最暗區域存在一定的噪聲，使用上述相同的方法去除亮度前%α的點和后%α的點后統計直方圖，得到256維紙幣新舊特征，并歸一化特征向量。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼14T3.tifgt;

圖3 模式識別方法的流程

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼14T4.tifgt;

圖4 不同新舊程度的直方圖

3.2 "KNN

K近鄰法（K?nearest neighbor，KNN）是由Cover和Hart在1968年提出的[10]，它是最近鄰法的推廣形式，其主要的決策方法也是類似的，當k=1時就是最近鄰法。K?近鄰法是通過找到與待識別樣本點最近的k個樣本點，根據這k個訓練樣本的類別，通過多數表決等方式進行預測。因此k近鄰法不具有顯示的學習過程。k近鄰法實際上利用訓練數據集對特征向量空間進行劃分，并作其分類的“模型”[11]，K近鄰法中的距離度量一般選用歐式距離。

假設訓練樣本一共有[N]個，并且分為[n]個類別分別為[w1，w2，…，wn]，待識別樣本為[x]，在[N]個樣本中找出與[x]最近[k]個樣本，假設這[k]個樣本中來自[w1]類的有[k1]個，來自[w2]類的有[k2]個，以此類推，來自[wn]類的有[kn]個，其中[k=i=1nki]，定義判別函數：

[gi（x）=ki， i=1，2，…，n]

判別決策規則：如果

[gj（x）=arg maxi "ki ， i=1，2，…，n]

則待識別樣本[x∈wj]。

3.3 "支持向量機

支持向量機（Support Vector Machine，SVM）是Cortes和Vapnik于1995年首先提出的[12]，支持向量機就是能夠找出超平面并把空間中的樣本進行分類的問題，使其間隔最大化。該方法是基于結構風險最小化原理找到最優決策超平面從而實現分類。假設有訓練樣本集

[T={（x1，y1），（x2，y2），…，（xN，yN）}，xi∈RN，yi∈{-1，+1}]

式中：[xi]為第i個特征向量，[yi]為[xi]的類標記，當[yi=+1]時，[xi]為正實例，當[yi=-1]時，[xi]為負實例，[（xi，yi）]稱為樣本點。假定訓練樣本集是線性可分的，學習的目標是找到最佳決策超平面，能將實例分為不同的兩類。分離超平面方程為：

[w?x+b=0]

分類超平面將特征空間劃分為兩部分，一部分是負類，一部分是正類，法向量[w]垂直于超平面并指向正類部分。

一般情況下，當可知訓練樣本可以線性分開的時候，則幾何空間中存在了無窮多個分類超平面可以將訓練樣本分開。但是支持向量機利兩個平行向量之間距離最大化求得了最優的分類超平面，這時的解是惟一的，圖5為樣本在線性可分情況下的支持向量示意圖。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼14T5.tifgt;

圖5 SVM線性可分

從圖5可以看出，相同的樣本訓練機可以有不同的劃分，（b）圖代表著線性可分支持向量機，其中虛線代表最優的分類超平面，與分類超平面最近的樣本點稱為支持向量。從圖5中可以看出，此時兩條實線之間的間隔最大。對于線性不可分的樣本，可引入松弛變量加以解決。對于SVM分類器進行訓練就是求解[w]和[b]的過程，具體過程參考文獻[13]。

有時分類問題不是線性可分的，這時就不能用線性可分支持向量機來解決問題，如圖6所示。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼14T6.tifgt;

圖6 SVM線性不可分

非線性問題的實質就是把能夠將其轉化成線性問題。所用的方法，就是構造一個非線性變換，將樣本點的特征從一個低維線性不可分空間映射到一個高維線性可分空間。這里，就引入了核函數的概念。

設[χ]是輸入空間，H為特征空間，如果存在一個[χ]到H的映射[φ（x）：χ→H]對所有的[x，z∈χ]都成立，函數[K（x，z）]滿足條件

[K（x，z）=φ（x）?φ（z）]

則稱[K（x，z）]為核函數，[φ（x）]為映射函數，[φ（x）?φ（z）]為[φ（x）]和[φ（z）]的內積。

若直接將輸入數據映射到高維空間可能出現維度爆炸現象，可采用核函數在低維空間進行計算，不需要顯示的寫出映射后的結果，其處理后的結果與高維映射等效。

3.4 "級聯分類器

為得到更高的紙幣新舊檢測的準確率，本文設計了一種級聯分類器SVM?KNN來判定紙幣新舊等級如圖7所示，第一級分類器采用SVM，第二級分類器采用KNN，首先使用訓練樣本對SVM分類器進行訓練，得到SVN分類器的模型參數。

當對待檢測樣本[x]進行分類時，先經過SVM分類器進行分類，獲得分類概率最大的兩類分別為[w1]，[w2]，概率分別為[p1]、[p1]，當[p1-p2lt;T]（其中[T]為設定閾值）進入下一級分類器KNN，分類得到分類結果，否則直接在本級分類器中分類，分類結果為[w1]，[w2]中可能性最大的一類。

lt;E：＼王芳＼現代電子技術201506＼現代電子技術15年38卷第6期＼Image＼14T7.tifgt;

圖7 級聯分類器

4 "實驗結果與分析

本文將紙幣新舊程度人工劃分成三個等級，一共有300張紙幣透射圖像用于訓練，210張紙幣透射圖像用于測試。其中每個等級紙幣透射圖像分別有100張訓練樣本和70張測試樣本，本文分別實驗了基于透射圖像亮度的新舊判別和傳統的模式識別方法，本文采用紙幣透射圖像灰度直方圖的分布作為新舊判別的特征，使用了KNN，SVM，和級聯分類器分別實驗。基于透射圖像亮度檢測紙幣新舊時參數α，[t1]，[t2]分別設為5，0.65，0.2。SVM分類器使用了臺灣大學LIBSVM[14]，并選用RBF核，閾值[T]設為0.2。實驗具體結果如表1所示。

表1 實驗結果

實驗結果表明在檢測紙幣的新舊等級實驗中使用模式識別的方法明顯優于使用圖像亮度特征的方法，將SVM分類器和KNN線性級聯使用的效果要優于它們單獨使用，由于人工選擇紙幣新舊程度還存在一定偏差，在一定程度上也影響了新舊檢測的整體結果。經試驗分析誤識別結果一般為相鄰的兩類新舊等級之間。

5 "結 "語

與傳統使用紙幣反射圖像檢測新舊等級不同，本文使用了紙幣的透射圖像對紙幣的新舊等級進行檢測，分別采用了基于圖像整體平均亮度的方法和傳統的模式識別方法，選用紙幣透射圖像灰度直方圖的分布作為紙幣新舊判別特征，分別使用了KNN，SVM和SVM?KNN線性級聯的分類器。由于人工劃分紙幣新舊等級存在一定的誤差，對于具體的新舊等級判別的界定比較模糊，如何解決這些問題并提高分類等級的準確性是本文后續研究的重點。

參考文獻

[1] TERANISHI M， OMATU S， KOSAKA T. Neuro?classification of currency fatigue levels based on acoustic cepstrum patterns [J]. JACIII， 2000， 4（1）： 18?23.

[2] 李朝.紙幣清分機圖像處理系統研究[D]. 湘潭：湘潭大學，2012.

[3] 譚家國.紙幣圖像高速采集系統設計[D].鞍山：遼寧科技大學，2012.

[4] 魏巍.CF1000型紙幣清分機圖像識別系統的設計與實現[D].哈爾濱：哈爾濱工業大學，2011.

[5] 郭玉佳.紙幣圖像處理技術研究[D].哈爾濱：哈爾濱工業大學，2009.

[6] 許萬征.紙幣多光譜圖像分析方法[D].哈爾濱：哈爾濱工業大學，2010.

[7] 李慶峰.基于圖像處理的紙幣清分系統關鍵算法研究[D].北京：中國科學院，2006.

[8] 魏軍.紙幣動態檢測識別算法研究[D].哈爾濱：哈爾濱理工大學，2009.

[9] 王洪，陳麗，肖思寧.基于BP?LVQ神經網絡的紙幣識別算法研究[J].光學與光電技術，2010，8（4）：64?67.

[10] COVER T， "HART P. Nearest neighbor pattern classification [J]. IEEE Transactions on Information Theory， 1967， 13（1）： 21?27.

[11] 李航.統計學習方法[M].北京：清華大學出版社，2012.

[12] CORTES C， VAPNIK V. Support?vector networks [J]. Machine Learning， 1995， 20（3）： 273?297.

[13] BURGES C J C. A tutorial on support vector machines for pattern recognition [J]. Data Mining and Knowledge Discovery， 1998， 2（2）： 121?167.

[14] CHANG C C， LIN C J. LIBSVM： a library for support vector machines [J]. ACM Transactions on Intelligent Systems and Technology （TIST）， 2011， 2（3）： 27?30.