基于LBP 特征的人民幣水印圖像的識別與檢測

劉貫偉， 江浩然， 張云峰， 王 偉

（恒銀金融科技股份有限公司， 天津 300308）

0 引言

水印是紙幣的重要組成部分， 也是紙幣的重要防偽特征之一， 對水印進行識別與檢測也是紙幣檢測的重要環(huán)節(jié)。常見的人民幣水印圖像包括毛澤東頭像、面額數(shù)字等。 然而，在紙幣的流通過程中，由于磨損、彎折、污損等情況的發(fā)生， 導(dǎo)致圖像采集系統(tǒng)采集得到的水印圖像存在大量的噪聲，采集得到的水印圖像特征不穩(wěn)定。 由于上述情況常有發(fā)生，基于機器視覺的檢測平臺難以判斷水印圖像是否存在，也難于辨別水印圖像的類別。

目前已有的水印識別方法可以分為以下幾類： 模板匹配、邊緣檢測與支持向量機相結(jié)合、水印特征提取與決策分類相結(jié)合， 以及基于相似系數(shù)的識別方法。 文獻[1]利用白水印區(qū)域顏色比較簡單、背景單調(diào)的特點，利用圖像投影作為水印圖像特征， 將待測圖像與自主建立的標(biāo)準(zhǔn)模板圖像庫中的圖像進行模板匹配， 該方法具有一定實現(xiàn)性，但是抗干擾性較差。 文獻[2]利用支持向量機方法實現(xiàn)紙幣水印圖案的識別，先利用canny 算子提取水印圖案的邊緣信息， 再將不同水印圖案的邊緣特征的矩陣向量作為訓(xùn)練輸入，最終實現(xiàn)了水印圖像的分類判別。 該方法時效性較高， 但也沒能解決復(fù)雜背景條件下的水印識別問題。 文獻[3]設(shè)計了一種快速模板匹配算法，實驗驗證其方法的可能性， 但對于其方法的計算效率還有待于提升。 上述不同方法具有各自的優(yōu)勢，對于水印圖像也具有一定分辨力， 但對于包含噪聲的水印圖像識別效果尚存在較大的問題。

局部二值模式（Local Binary Pattern，LBP）是一種圖像紋理特征描述算子， 在實際工業(yè)和生產(chǎn)生活領(lǐng)域， 基于LBP 特征對目標(biāo)進行檢測也得到了廣泛應(yīng)用。 本文采用LBP 算子對人民幣水印圖像進行特征提取， 利用LBP 算子的特性，有效解決了水印圖像識別困難的問題，達到識別精度高、識別速度快的要求。

1 局部二值模式和水印識別

1.1 LBP 算子

LBP 算子是一種用于描述圖像紋理特征的算法[4]，LBP 算法在設(shè)計之初將像素鄰域定義為的矩形鄰域。LBP算子首先以采樣點p 為中心， 分別對中心像素的像素鄰域點進行采樣處理，具體實現(xiàn)方法見圖1。

圖1 鄰域LBP 算子示意圖Fig.1 Neighborhood LBP operator schematic graph

LBP 算子以中心點像素灰度值grayc為閾值對鄰域各像素點grayi（i=1，2）進行二值化處理，再將中心點像素鄰域的二值化值與自定義權(quán)重值相乘， 再將各鄰域像素相乘結(jié)果相加后得到LBP 特征值。計算式如式（1）和式（2）。

式中：grayi—中心點鄰域的第i 個采樣點的灰度值，grayc—該鄰域中心像素的灰度值，其中f 為自定義符號函數(shù)。

由于基本LBP 算子無法提取大尺度紋理特征， 有學(xué)者提出了改進的LBP 算法，將原始鄰域擴展，擴展鄰域半徑用R 表示，同時設(shè)置半徑為R 的鄰域像素共包含P 個，表示P 個鄰域像素點均勻分布在半徑為R 的鄰域圓上，見圖2，分別表示半徑為2，鄰域像素點為8 或16 的像素分布情況。

圖2 LBP 鄰域像素分布圖Fig.2 LBP neighborhood pixel distribution graph

對于改進的LBP算法，可采用與原始LBP 算法相同的二值化處理方式，計算采樣中心像素的LBP 特征值。

1.2 等價模式LBP

通過觀察LBP 算子的定義不難發(fā)現(xiàn)，一個LBP 算子可以采用多種二進制模式，隨著采樣半徑的增大、采樣點的增多，二進制模式的種類數(shù)量也逐漸龐大。 然而，過多的二進制模式在特征提取與識別中都會使得計算量增大，對實際應(yīng)用而言更是不利。 于是，學(xué)者Ojala 提出一種“等價模式”（Uniform Patterns）[5]對LBP 算子進行降維。

等價模式LBP 算子可以定義為，當(dāng)局部二值模式對應(yīng)的循環(huán)二進制數(shù)從0 到1 或從1 到0 最多有兩次跳變時，該局部二值模式對應(yīng)的二進制數(shù)稱為一個等價模式，可以用式（3）判斷一個局部二值模式是否是等價模式。

式中，若計算得到的U（LBPP，R）不大于2，則該模式是一個等價局部二值模式。 經(jīng)改進，原始等價局部二值模式類別由2p降低到P（P-1）+2 種。 利用等價模式LBP 極大地降低了特征維度， 提升特征提取速度的同時可以更好地提取圖像的本質(zhì)特征。

不同LBP 算子將得到各不相同的LBP 特征圖像，圖3 為采用不同LBP 算子求得的特征圖像。

圖3 不同LBP 算子特征圖像對比Fig.3 Image comparison of different LBP operators

1.3 水印識別BP 神經(jīng)網(wǎng)絡(luò)模型

誤差逆?zhèn)鞑ィ‥rror Back Propagation），簡稱BP 神經(jīng)網(wǎng)絡(luò)， 是一種按誤差反向傳播算法進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練的反饋型神經(jīng)網(wǎng)絡(luò)，具有很強的非線性映射能力[6]。 BP 神經(jīng)網(wǎng)絡(luò)中間層個數(shù)與各層神經(jīng)元個數(shù)均可根據(jù)其應(yīng)用對象任意設(shè)定，常用的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，見圖4。BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入層、隱藏層和輸出層。

圖4 常用BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 BP neural network structure graph

輸入層節(jié)點個數(shù)為樣本特征向量的元素個數(shù)， 隱藏層節(jié)點個數(shù)可根據(jù)計算得到， 輸出層節(jié)點個數(shù)為樣本的總類別數(shù)。Nhidden=log2Ninput（4）利用BP 神經(jīng)網(wǎng)絡(luò)實現(xiàn)水印存在性判別， 通過不斷計算實際輸出與期望輸出之間的差值，調(diào)整隱藏層神經(jīng)元權(quán)值，逐漸減小輸出差值，不斷修正網(wǎng)絡(luò)參數(shù)。

2 基于LBP 的水印識別方法

文章提出基于LBP 特征提取的紙幣水印識別方法，主要包括三個步驟： 第一步， 利用等價LBP 算子提取圖像LBP 特征；第二步，計算并統(tǒng)計圖像歸一化LBP 特征向量；第三步，訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)，將圖像歸一化LBP 特征向量作為輸入向量，保存網(wǎng)絡(luò)模型參數(shù)。整體算法實現(xiàn)過程，見圖5。

圖5 算法實現(xiàn)過程Fig.5 Algorithm implementation process

2.1 圖像LBP 特征提取

提取水印圖像LBP 特征，利用等價模式LBP 算子計算水印圖像等價模式LBP 特征圖。 本文以2015 版100 元人民幣作為研究對象，利用CIS 圖像傳感器采集透視圖像，可得到該版本紙幣的水印圖像見圖6。

圖6 透視圖像與水印圖像Fig.6 Perspective image and watermark image

批量采集2015 版100 元人民幣圖像，提升用于訓(xùn)練的數(shù)據(jù)集圖像數(shù)量可提升BP 神經(jīng)網(wǎng)絡(luò)模型泛化能力。 因此，本文建立水印圖像數(shù)據(jù)集共包括50000張圖像，部分圖像見圖7（a），建立無水印圖像數(shù)據(jù)集17000 張圖像，部分圖像見圖7（b）。

圖7 圖像數(shù)據(jù)集Fig.7 Image dataset

利用本文建立水印圖像數(shù)據(jù)集中的圖像進行LBP 特征提取，原始LBP 特征圖像見圖8（b），圓形LBP 特征圖像見圖8（c），等價LBP 特征圖像見圖8（d）。

圖8 水印LBP 特征圖Fig.8 Watermark LBP feature image

水印圖像等價模式LBP 特征提取過程主要分為兩步： 第一步， 利用等價模式LBP 算子計算水印圖像LBP特征圖；第二步，計算歸一化LBP 特征向量。其中，歸一化LBP 特征向量計算過程如下：

（1）設(shè)置一個大小為的圖像處理模塊。

（2）設(shè)置步長為1，利用圖像處理模塊遍歷LBP 特征圖同時執(zhí)行步驟3。

（3）計算每塊LBP 特征圖子圖模塊的直方圖，依次保留子圖模塊直方圖統(tǒng)計結(jié)果。

通過上述操作，得到用于BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入特征向量。

2.2 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

通過批量提取水印圖像數(shù)據(jù)集LBP 特征圖并保存歸一化特征向量， 同樣批量提取不包含水印圖像數(shù)據(jù)集的LBP 特征圖、 計算并保存其歸一化特征向量。 將兩類樣本特征向量作為輸入，開始訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)。

本文設(shè)計的水印識別BP 神經(jīng)網(wǎng)絡(luò)具有多層結(jié)構(gòu)，包含輸入層、隱藏層與輸出層。 采用logsig 函數(shù)作為激活函數(shù)，其函數(shù)表達式見式（5）。

采用變學(xué)習(xí)率動量梯度下降算法進行訓(xùn)練， 設(shè)置最大訓(xùn)練步數(shù)為20000 步，訓(xùn)練最小誤差為10-8，學(xué)習(xí)率為0.02。保留訓(xùn)練結(jié)束時各層網(wǎng)絡(luò)的權(quán)重值，搭建同樣的網(wǎng)絡(luò)結(jié)構(gòu)，利用訓(xùn)練得到的網(wǎng)絡(luò)權(quán)重值對測試圖像進行測試。

3 試驗結(jié)果與結(jié)果分析

在基于機器視覺的紙幣水印識別實際過程中， 由于鈔票新舊程度不一、圖像采集傳感器不一致，極易產(chǎn)生紙幣水印圖像亮度不一致的問題。 不同光照條件下水印圖像見圖9。

圖9 不同光照條件下的水印圖像Fig.9 Watermark image under different illumination conditions

針對上述問題，提取LBP 特征向量時，增加多種亮度條件下的水印圖像，可提升模型的魯棒性。本文對2015 版100元人民幣水印圖像進行測試，同時，利用支持向量機（Support Vector Machine，SVM）[7]訓(xùn)練并測試數(shù)據(jù)集圖像。 本文利用方向梯度直方圖（Histogram of Oriented Gradient，HOG）[8]提取水印特征，并采用不同尺寸特征提取算子進行對比實驗。

SVM 訓(xùn)練樣本共包含50000 張水印圖像，17000 張無水印圖像，測試樣本包含13505 張有水印圖像、6262 張無水印圖像。 為比較不同算法，水印圖像識別結(jié)果，見表1。

表1 不同算法水印圖像識別結(jié)果Tab.1 Watermark image recognition results with different algorithms

對有水印圖像， 三種算法對不同光照條件下的水印圖像都具有良好的識別效果，都能夠滿足識別要求。

本文算法對無水印圖像具有100%的分辨力，與其他參與對比的兩種算法相比， 識別準(zhǔn)確率提高了3.3%以上。 對于無水印圖像， 采用先HOG 提取特征后利用SVM 訓(xùn)練模型的方法，模型識別效果存在較大偏差，不能滿足鈔票檢測過程中水印識別的要求。

通過對比實驗，可以得出在不同光照條件下，本文算法具有較高的準(zhǔn)確率，識別準(zhǔn)確率99.96%，有效解決人民幣水印圖像識別困難的問題， 能夠被應(yīng)用于人民幣水印圖像的識別與檢測中。

4 結(jié)束語

本文以2015 版100 元人民幣為例，設(shè)計了一種基于LBP 特征的人民幣水印圖像的識別與檢測方法，解決了基于機器視覺識別紙幣水印難度大的問題。 通過對比實驗，驗證了LBP 算子對不同新舊程度的紙幣水印特征提取具有較好的魯棒性，采用增加樣本圖像種類的方法，提升算法對不同光照條件下水印圖像識別與檢測的準(zhǔn)確率。