基于BP神經(jīng)網(wǎng)絡(luò)的有價(jià)證券序列號(hào)識(shí)別

劉曉雅

摘要：有價(jià)證券快速鑒偽一直是金融領(lǐng)域重點(diǎn)研究課題，本文針對(duì)有價(jià)證券序列號(hào)識(shí)別速度慢、效率低的問題，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的有價(jià)證券序列號(hào)模式識(shí)別算法。算法首先通過中值濾波降噪、二值化等等方法將光學(xué)傳感設(shè)備獲得的有價(jià)證券原始圖像進(jìn)行預(yù)處理，然后采用基于網(wǎng)格的八方向梯度特征對(duì)序列號(hào)進(jìn)行特征提取，最后通過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對(duì)有價(jià)證券序列號(hào)圖像進(jìn)行識(shí)別，得到有價(jià)證券序列號(hào)。仿真結(jié)果對(duì)比表明了該方法的有效性。

關(guān)鍵詞：徑向基，神經(jīng)網(wǎng)絡(luò)，特征提取，有價(jià)證券識(shí)別

中圖分類號(hào)：G64 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2015）05（c）-0000-00

1引言

隨著我國經(jīng)濟(jì)快速發(fā)展，有價(jià)證券在日常經(jīng)濟(jì)活動(dòng)中的流通也更加頻繁，如何對(duì)有價(jià)證券進(jìn)行快速鑒偽越來越重要。每張有價(jià)證券都具有獨(dú)一無二的序列號(hào)，是每張有價(jià)證券的“身份證”，金融領(lǐng)域常采用有價(jià)證券序列號(hào)來進(jìn)行有價(jià)證券的鑒偽，因此，如何對(duì)有價(jià)證券序列號(hào)進(jìn)行快速識(shí)別是有價(jià)證券鑒偽工作的關(guān)鍵，也成為圖像識(shí)別與人工智能領(lǐng)域研究的熱點(diǎn)問題[1]。

傳統(tǒng)的有價(jià)證券序列號(hào)主要采取人工識(shí)別，人工識(shí)別不但浪費(fèi)大量的人力成本，而且識(shí)別效率低，已經(jīng)不能適應(yīng)快速發(fā)展的經(jīng)濟(jì)活動(dòng)需求。隨著計(jì)算機(jī)技術(shù)與自動(dòng)驗(yàn)鈔技術(shù)的發(fā)展，有價(jià)證券序列號(hào)自動(dòng)識(shí)別系統(tǒng)引起了廣大學(xué)者的廣泛關(guān)注，新的算法與技術(shù)不斷涌現(xiàn)出來。有價(jià)證券序列號(hào)識(shí)別主要為序列號(hào)圖像特征的提取與分類兩個(gè)階段，其中分類器算法的設(shè)計(jì)是整個(gè)識(shí)別過程的關(guān)鍵。目前分類器算法主要采取模式匹配法。模式匹配算法是一種數(shù)字統(tǒng)計(jì)方法，在識(shí)別過程中由于有價(jià)證券自身的殘缺、特征提取不夠明顯的前提下，會(huì)出現(xiàn)錯(cuò)識(shí)別現(xiàn)象，影響了整個(gè)系統(tǒng)的識(shí)別精度。同時(shí)模式匹配算法也缺乏智能性，無法適應(yīng)整個(gè)清分系統(tǒng)的發(fā)展需求[2]。近年隨著人工智能算法的不斷發(fā)展，在不同領(lǐng)域得到了廣泛應(yīng)用，其中人工神經(jīng)網(wǎng)絡(luò)更是在模式識(shí)別算法中得到了重要應(yīng)用，也為有價(jià)證券序列號(hào)識(shí)別提供了新的解決思路。

本文基于人工神經(jīng)網(wǎng)絡(luò)算法，提出了一種快速的有價(jià)證券序列號(hào)模式識(shí)別算法，并運(yùn)用模擬仿真與模式識(shí)別算法進(jìn)行了對(duì)比分析。

2 有價(jià)證券序列號(hào)碼識(shí)別流程

有價(jià)證券序列號(hào)識(shí)別系統(tǒng)通常有硬件部分與軟件部分組成。硬件部分包括計(jì)算機(jī)、光學(xué)圖像傳感器與數(shù)字信號(hào)處理單元，軟件部分包括圖像預(yù)處理、序列號(hào)特征提取與序列號(hào)識(shí)別等[3]。本文算法主演研究軟件部分，識(shí)別系統(tǒng)如圖1所示。

圖1 有價(jià)證券序列號(hào)識(shí)別流程圖

3 有價(jià)證券圖像預(yù)處理與序列號(hào)特征提取

3.1有價(jià)證券圖像預(yù)處理

圖像預(yù)處理是機(jī)器視覺實(shí)際應(yīng)用中非常重要的一個(gè)環(huán)節(jié)，能有效提高有價(jià)證券序列號(hào)的識(shí)別準(zhǔn)確率。預(yù)處理包括對(duì)圖像進(jìn)行噪聲抑制、信號(hào)增強(qiáng)及目標(biāo)提取等。

有價(jià)證券放入驗(yàn)鈔機(jī)后，通過CIS采集序列號(hào)正反兩面圖像，通常序列號(hào)的透射圖像與反射圖像位置信息基本一致，但由于有價(jià)證券在流通過程中會(huì)不可避免出現(xiàn)磨損、污染、缺損等現(xiàn)象，加上圖像傳感器本身存在的噪聲源，因此圖像采集過程中噪聲會(huì)加載到原始圖像上而影響后期處理。抑制噪聲通常采用濾波操作，本文采用中值濾波法去除圖像噪聲。中值濾波法是基于鄰域的算法，不僅可以有效清除脈沖噪聲，同時(shí)能較好地保護(hù)圖像邊沿。其核心思想是為待處理像素點(diǎn)選取一個(gè)鄰域，然后將鄰域中所有的像素點(diǎn)按灰度級(jí)排序，再取中間值作為該點(diǎn)輸出的像素。中值濾波的效果通常由鄰域的空間范圍和中值計(jì)算中所涉及的像素個(gè)數(shù)決定。去噪后的圖像采用基于占空比的二值化方法對(duì)序列號(hào)圖像進(jìn)行二值化，同時(shí)利用Hough變換對(duì)序列號(hào)碼圖像進(jìn)行了傾斜校正[4]。

基于有價(jià)證券圖像特征，采用垂直投影法對(duì)字符上下邊界及左右邊界進(jìn)行了準(zhǔn)確定位與切分。切分好的序列號(hào)圖像采用線性歸一化方法，通過最近鄰域插值法縮放成32x48的字符圖像。

3.2有價(jià)證券序列號(hào)特征提取

特征提取是整個(gè)字符識(shí)別系統(tǒng)中十分重要的步驟，其基本任務(wù)是從原始數(shù)據(jù)中找到最能代表同類數(shù)據(jù)的特征及同類數(shù)據(jù)中的差異，從而有效提高識(shí)別率[5]。通過對(duì)比分析，本文采用基于網(wǎng)格的八方向梯度特征作為序列號(hào)字符的識(shí)別特征，網(wǎng)格特征能有效降低圖像的維度并具有較好地區(qū)分性能，而梯度信息能反映出圖像的輪廓信息。

4基于BP神經(jīng)網(wǎng)絡(luò)的有價(jià)證券序列號(hào)識(shí)別

人工神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元的節(jié)點(diǎn)相互連接構(gòu)成，通常采用基本的BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)或其衍生網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是單向傳播的多層前饋網(wǎng)絡(luò)，第一層為輸入節(jié)點(diǎn)，最后一層為輸出節(jié)點(diǎn)，中間有一層或多層隱藏節(jié)點(diǎn)。一般中間層采用Sigmoid傳遞函數(shù)，而輸出層一般采用線性變換函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是各神經(jīng)元僅與相鄰層神經(jīng)元有連接而與本層神經(jīng)元無連接，如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的特性，其初始值與激勵(lì)函數(shù)對(duì)模型的識(shí)別性能有較大的影響。初始值選取不當(dāng)可能造成神經(jīng)網(wǎng)絡(luò)的早熟或不收斂。本文采用遺傳算法確定BP神經(jīng)網(wǎng)絡(luò)初值，激勵(lì)函數(shù)采用經(jīng)典Sigmoid函數(shù)，其模型如下式：

其中Θ為閾值，T為網(wǎng)絡(luò)溫度常數(shù)。

本文針對(duì)有價(jià)證券序列號(hào)包含字符與數(shù)字的特征，采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表1所示，識(shí)別基本步驟如下：

1） 按照3.1所示方法對(duì)有價(jià)證券圖像進(jìn)行預(yù)處理；

2） 按照3.2所示方法對(duì)有價(jià)證券序列號(hào)圖像進(jìn)行字符分割與特征提取；

3） 對(duì)特征向量采取BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立有價(jià)證券序列號(hào)識(shí)別模型；

4） 對(duì)待識(shí)別有價(jià)證券序列號(hào)模型進(jìn)行識(shí)別，輸出結(jié)果。

5仿真分析

為驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)在有價(jià)證券序列號(hào)識(shí)別中的有效性，選擇了500張有價(jià)證券進(jìn)行仿真測(cè)試，其中450張用于學(xué)習(xí)建模，50張用于測(cè)試，檢驗(yàn)?zāi)Ｐ托阅埽\(yùn)行結(jié)果表明，該方法能夠很好對(duì)有價(jià)證券進(jìn)行識(shí)別。該仿真采用PC機(jī)配置為：CPU PⅣ 2.4G，內(nèi)存為2G，操作系統(tǒng)為Windows XP，編程語言Matlab，調(diào)用Matlab人工神經(jīng)網(wǎng)絡(luò)工具箱。同時(shí)以識(shí)別率和耗時(shí)最為指標(biāo)對(duì)識(shí)別模型進(jìn)行評(píng)估，并與模式匹配算法和向量機(jī)作為對(duì)比算法[6]，樣本測(cè)試結(jié)果如表2所示。

從表2結(jié)果分析，采用BP神經(jīng)網(wǎng)絡(luò)算法正確率達(dá)到96%，高于其他兩種算法的識(shí)別效果，識(shí)別速度也有較大的提升，更加符合有價(jià)證券序列號(hào)的在線、實(shí)時(shí)識(shí)別，結(jié)果表明了算法的有效性。

6 結(jié)論

本文以圖像處理技術(shù)為基礎(chǔ)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的有價(jià)證券序列號(hào)識(shí)別算法。首先通過中值濾波降噪、二值化等技術(shù)對(duì)圖像預(yù)處理，然后采用基于網(wǎng)格的八方向梯度特征對(duì)序列號(hào)進(jìn)行特征提取，最后采用BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行識(shí)別，并運(yùn)用MATLAB進(jìn)行仿真分析。仿真結(jié)果表明，本文算法具有識(shí)別準(zhǔn)確率高，識(shí)別速度快的優(yōu)點(diǎn)，驗(yàn)證了算法的有效性。

參考文獻(xiàn)

[1]胡學(xué)娟阮雙琛等.基于改進(jìn)梯度方向直方圖的有價(jià)證券識(shí)別.深圳大學(xué)學(xué)報(bào)理工版.2014（9）Vol.31

[2]涂豫.神經(jīng)網(wǎng)絡(luò)的有價(jià)證券序列號(hào)識(shí)別算法.計(jì)算機(jī)仿真.2011（12）

[3]劉洋.有價(jià)證券紙幣號(hào)碼識(shí)別算法的研究.遼寧工程技術(shù)大學(xué).2012

[4]朱雪嬌.圖像清分的有價(jià)證券序列號(hào)碼識(shí)別關(guān)鍵技術(shù)研究.南京理工大學(xué)2014

[5]蓋杉劉鵬等.新的紙幣圖像特征提取方法.通信學(xué)報(bào).2010（4）

[6]蓋杉羅立民.基于退化四元小波變換的紙幣識(shí)別.數(shù)據(jù)采集與處理.2014（9）