CN104851183A - 纸币面向识别方法及装置 - Google Patents

Abstract

本发明公开了一种纸币面向识别方法及装置。所述方法包括：获取待识别纸币的纸币图像；按照设定划分规则，将所述纸币图像划分为第一设定数量的区域；计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列；将所述数列输入BP神经网络的识别器进行识别，以识别得到待识别纸币的面向，其中，所述BP神经网络的识别器的网络参数已通过训练得到。本发明实现了对不同币值版本的纸币面向的识别，只要对不同币值版本的纸币面向各进行一次训练得到网络参数，便可以通用的识别各个币值版本的面向，采用BP神经网络进行识别的方式提高了纸币面向的识别效率。

Description

纸币面向识别方法及装置

技术领域

本发明实施例涉及纸币识别技术，尤其涉及一种纸币面向识别方法及装置。

背景技术

在纸币自动识别过程中，纸币的面向是所有后续识别判断的基础，如果纸币版本面向识别错误，将直接导致后面所有识别算法的误检，因此纸币面向识别在纸币识别过程中是基础和必要的识别步骤。

现有技术中，纸币面向识别是根据纸币的特征进行提取和识别，针对不同的纸币的币值版本需要进行不同的特征提取，识别部分也需要根据币值版本等的不同进行相应的修改，同时在采集环境改变的时候(如亮度改变等)也会导致进行相应的技术方案的修改，因此导致纸币面向识别的不通用性。

发明内容

有鉴于此，本发明实施例提供一种纸币面向识别方法及装置，以通用的识别各个币值版本的面向。

第一方面，本发明实施例提供了一种纸币面向识别方法，所述方法包括：

获取待识别纸币的纸币图像；

按照设定划分规则，将所述纸币图像划分为第一设定数量的区域；

计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列；

将所述数列输入BP神经网络的识别器进行识别，以识别得到待识别纸币的面向，其中，所述BP神经网络的识别器的网络参数已通过训练得到。

进一步地，在将所述数列输入BP神经网络的识别器之前，还包括：

对所述数列进行归一化处理，得到归一化数列。

进一步地，按照设定划分规则，将所述纸币图像划分为第一设定数量的区域包括：

按照矩阵形式，将所述纸币图像划分为第一设定数量的等分区域。

进一步地，计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列，包括：

以每个区域中的像素点为单位，进行设定步长的像素点灰度间隔抽样；

计算抽样后的每个区域的灰度和，形成一个具有第一设定数量的灰度和数列。

进一步地，还包括：

对待识别纸币的币值版本的多个面向分别选取第二设定数量的灰度和数列样本；

采用BP神经网络对所述样本进行训练，得到BP神经网络的识别器的网络参数。

第二方面，本发明实施例还提供了一种纸币面向识别装置，所述装置包括：

纸币图像获取模块，用于获取待识别纸币的纸币图像；

图像区域划分模块，用于按照设定划分规则，将所述纸币图像划分为第一设定数量的区域；

灰度和数列形成模块，用于计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列；

纸币面向识别模块，用于将所述数列输入BP神经网络的识别器进行识别，以识别得到待识别纸币的面向，其中，所述BP神经网络的识别器的网络参数已通过训练得到。

进一步地，还包括：

数列归一化模块，用于在将所述数列输入BP神经网络的识别器之前，对所述数列进行归一化处理，得到归一化数列。

进一步地，所述图像区域划分模块具体用于：

按照矩阵形式，将所述纸币图像划分为第一设定数量的等分区域。

进一步地，所述灰度和数列形成模块包括：

像素点抽样单元，用于以每个区域中的像素点为单位，进行设定步长的像素点灰度间隔抽样；

灰度和计算单元，计算抽样后的每个区域的灰度和，形成一个具有第一设定数量的灰度和数列。

进一步地，还包括：

灰度和数列样本选取模块，用于对待识别纸币的币值版本的多个面向分别选取第二设定数量的灰度和数列样本；

网络参数训练模块，用于采用BP神经网络对所述样本进行训练，得到BP神经网络的识别器的网络参数。

本发明实施例提供的纸币面向识别方法及装置，通过获取待识别纸币的纸币图像，按照设定划分规则将所述纸币图像划分为具有第一设定数量的个数的区域，并计算每个区域的灰度和，形成一个具有第一设定数量的灰度和的数列，将所述数列输入具有训练完成的网络参数的BP神经网络的识别器中进行识别，得到待识别纸币的面向，实现了对不同币值版本的纸币面向的识别，只要对不同币值版本的纸币面向各进行一次训练得到网络参数，便可以通用的识别各个币值版本的面向，采用BP神经网络进行识别的方式提高了纸币面向的识别效率。

附图说明

图1是本发明实施例一提供的一种纸币面向识别方法的流程图；

图2是本发明实施例二提供的一种纸币面向识别方法的流程图；

图3是本发明实施例三提供的一种纸币面向识别装置的示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

实施例一

图1是本发明实施例一提供的一种纸币面向识别方法的流程图，本实施例可适用于ATM(Automatic Teller Machine，自动柜员机)上对纸币面向的识别，该方法可以由ATM来执行，具体包括如下步骤：

步骤110，获取待识别纸币的纸币图像。

通过图像采集装置(如摄像头等)采集待识别纸币的纸币图像。

步骤120，按照设定划分规则，将所述纸币图像划分为第一设定数量的区域。

其中，所述设定划分规则规定了如何对纸币图像进行划分，即划分纸币图像的方式，并规定了纸币图像划分后形成的区域的数量为第一设定数量。其中，所述第一设定数量可以为20。

步骤130，计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列。

通过待识别纸币的纸币图像获取所述纸币图像中像素点的灰度，通过计算所述纸币图像中的每个区域中的像素点的灰度之和，得到所述纸币图像中每个区域的灰度和，将所述纸币图像中每个区域的灰度和按照区域顺序存储到一个数列中，形成一个具有第一设定数量的灰度和数列。

步骤140，将所述数列输入BP神经网络的识别器进行识别，以识别得到待识别纸币的面向。

其中，BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。

所述网络参数即BP神经网络的权值和阈值，包括：输入层到隐含层的权值和阈值、隐含层到输出层的权值和阈值及隐含层的层数。

将步骤130形成的灰度和数列输入到BP神经网络的识别器中进行识别，便可以得到待识别纸币的面向。其中，所述BP神经网络的识别器的网络参数已通过训练得到。对所述BP神经网络进行训练时，对每一个纸币面向的样本都是按照步骤120-步骤130进行特征提取的。

本实施例通过获取待识别纸币的纸币图像，按照设定划分规则将所述纸币图像划分为具有第一设定数量的个数的区域，并计算每个区域的灰度和，形成一个具有第一设定数量的灰度和的数列，将所述数列输入具有训练完成的网络参数的BP神经网络的识别器中进行识别，得到待识别纸币的面向，实现了对不同币值版本的纸币面向的识别，只要对不同币值版本的纸币面向各进行一次训练得到网络参数，便可以通用的识别各个币值版本的面向，采用BP神经网络进行识别的方式提高了纸币面向的识别效率。

在上述技术方案的基础上，按照设定划分规则，将所述纸币图像划分为第一设定数量的区域，优选包括：

按照矩阵形式，将所述纸币图像划分为第一设定数量的等分区域。

按照所述纸币图像的像素点矩阵形式，将所述纸币图像进行等分，划分为具有第一设定数量的等分区域，其中，所述第一设定数量可以为20，即可以将所述纸币图像的宽等分为5，将所述纸币图像的高等分为4，从而将所述纸币图像划分为20个等分区域。对纸币图像进行等分，利于后续的处理，提高处理效率。

在上述技术方案的基础上，计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列，优选包括：

以每个区域中的像素点为单位，进行设定步长的像素点灰度间隔抽样；

计算抽样后的每个区域的灰度和，形成一个具有第一设定数量的灰度和数列。

其中，所述设定步骤为5个像素点。对每个区域进行像素点灰度间隔抽样，可以降低每个区域的分辨率，减少数据量，有利于提高数据处理效率。

在上述技术方案的基础上，可预先完成训练操作，即还优选包括：

对待识别纸币的币值版本的多个面向分别选取第二设定数量的灰度和数列样本；

采用BP神经网络对所述样本进行训练，得到BP神经网络的识别器的网络参数。

任何一种纸币的面向都有四种情况，即正面正向、正面反向、反面正向和反面反向。对待识别纸币的币值版本的每个面向分别选取第二设定数量的灰度和数列样本，采用BP神经网络对所述样本进行训练，得到BP神经网络的识别器的网络参数。其中，所述第二设定数量为大于或者等于100的整数。每个面向可以选取第二设定数量的样本进行训练，每个样本按照实施例一中的步骤110-步骤130的方式进行处理得到灰度和数列样本，所有灰度和样本组合在一起形成一个输入特征值矩阵。将该输入特征值矩阵利用BP神经网络进行训练，得到训练完成的BP神经网络的识别器的网络参数。

实施例二

图2是本发明实施例二提供的一种纸币面向识别方法的流程图，具体包括如下步骤：

步骤210，获取待识别纸币的纸币图像。

步骤220，按照设定划分规则，将所述纸币图像划分为第一设定数量的区域。

步骤230，计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列。

步骤240，对所述数列进行归一化处理，得到归一化数列。

由步骤230可知，所述数列中的数据表示灰度。首先查找所述数列中的最大灰度值，将所述数列中的除最大灰度值以外的其他灰度值除以所述最大灰度值，再将所述最大灰度值改为1，保持各个灰度值在数列中的位置不变，从而得到归一化数列，所述归一化数列中的数据为归一化后的相对灰度值。通过对灰度和数列进行归一化，可以自动适应纸币场景，避免对纸币亮度和缺陷等识别时的敏感性。

步骤250，将所述数列输入BP神经网络的识别器进行识别，以识别得到待识别纸币的面向。

将步骤240得到的归一化后的数列输入BP神经网络的识别器中进行识别，以识别得到待识别纸币的面向。其中，所述BP神经网络的识别器的网络参数已通过训练得到。对所述BP神经网络进行训练时，对每一个纸币面向的样本都是按照步骤210-步骤240进行特征提取的。

本实施例通过按照设定划分规则将待识别纸币的纸币图像划分为具有第一设定数量的个数的区域，计算每个区域的灰度和，将所述纸币图像的所有区域的灰度和进行组合，形成一个具有第一设定数量的灰度和数列，并对所述数列进行归一化处理，得到归一化后的数列，将归一化后的数列输入BP神经网络的识别器中进行识别，便可以识别得到待识别纸币的面向，实现了对不同币值版本的纸币面向的识别，只要对不同币值版本的纸币面向各进行一次训练得到网络参数，便可以通用的识别各个币值版本的面向，采用BP神经网络进行识别的方式提高了纸币面向的识别效率，与实施例一相比，本实施例在特征提取部分对灰度和数列进行了归一化，可以适应各种纸币场景，避免了对纸币亮度和缺陷等识别时的敏感性。

实施例三

图3是本发明实施例三提供的一种纸币面向识别装置的示意图，如图3所示，本实施例提供的纸币面向识别装置包括：纸币图像获取模块310、图像区域划分模块320、灰度和数列形成模块330和纸币面向识别模块340。

其中，纸币图像获取模块310用于获取待识别纸币的纸币图像；

图像区域划分模块320用于按照设定划分规则，将所述纸币图像划分为第一设定数量的区域；

灰度和数列形成模块330用于计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列；

纸币面向识别模块340用于将所述数列输入BP神经网络的识别器进行识别，以识别得到待识别纸币的面向，其中，所述BP神经网络的识别器的网络参数已通过训练得到。

优选的，还包括：

数列归一化模块，用于在将所述数列输入BP神经网络的识别器之前，对所述数列进行归一化处理，得到归一化数列。

优选的，所述图像区域划分模块具体用于：

按照矩阵形式，将所述纸币图像划分为第一设定数量的等分区域。

优选的，所述灰度和数列形成模块包括：

像素点抽样单元，用于以每个区域中的像素点为单位，进行设定步长的像素点灰度间隔抽样；

灰度和计算单元，计算抽样后的每个区域的灰度和，形成一个具有第一设定数量的灰度和数列。

其中，所述设定步长可以为5个像素点。

优选的，还包括：

灰度和数列样本选取模块，用于对待识别纸币的币值版本的多个面向分别选取第二设定数量的灰度和数列样本；

网络参数训练模块，用于采用BP神经网络对所述样本进行训练，得到BP神经网络的识别器的网络参数。

其中，所述第一设定数量可以为20。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种纸币面向识别方法，其特征在于，所述方法包括：

获取待识别纸币的纸币图像；

按照设定划分规则，将所述纸币图像划分为第一设定数量的区域；

计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列；

将所述数列输入BP神经网络的识别器进行识别，以识别得到待识别纸币的面向，其中，所述BP神经网络的识别器的网络参数已通过训练得到。

2.根据权利要求1所述的方法，其特征在于，在将所述数列输入BP神经网络的识别器之前，还包括：

对所述数列进行归一化处理，得到归一化数列。

3.根据权利要求1所述的方法，其特征在于，按照设定划分规则，将所述纸币图像划分为第一设定数量的区域包括：

按照矩阵形式，将所述纸币图像划分为第一设定数量的等分区域。

4.根据权利要求1所述的方法，其特征在于，计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列，包括：

以每个区域中的像素点为单位，进行设定步长的像素点灰度间隔抽样；

计算抽样后的每个区域的灰度和，形成一个具有第一设定数量的灰度和数列。

5.根据权利要求1-4任一所述的方法，其特征在于，还包括：

对待识别纸币的币值版本的多个面向分别选取第二设定数量的灰度和数列样本；

采用BP神经网络对所述样本进行训练，得到BP神经网络的识别器的网络参数。

6.一种纸币面向识别装置，其特征在于，所述装置包括：

纸币图像获取模块，用于获取待识别纸币的纸币图像；

图像区域划分模块，用于按照设定划分规则，将所述纸币图像划分为第一设定数量的区域；

灰度和数列形成模块，用于计算所述纸币图像中每个区域的灰度和，形成一个具有第一设定数量的灰度和数列；

纸币面向识别模块，用于将所述数列输入BP神经网络的识别器进行识别，以识别得到待识别纸币的面向，其中，所述BP神经网络的识别器的网络参数已通过训练得到。

7.根据权利要求6所述的装置，其特征在于，还包括：

数列归一化模块，用于在将所述数列输入BP神经网络的识别器之前，对所述数列进行归一化处理，得到归一化数列。

8.根据权利要求6所述的装置，其特征在于，所述图像区域划分模块具体用于：

按照矩阵形式，将所述纸币图像划分为第一设定数量的等分区域。

9.根据权利要求6所述的装置，其特征在于，所述灰度和数列形成模块包括：

像素点抽样单元，用于以每个区域中的像素点为单位，进行设定步长的像素点灰度间隔抽样；

灰度和计算单元，计算抽样后的每个区域的灰度和，形成一个具有第一设定数量的灰度和数列。

10.根据权利要求6-9任一所述的装置，其特征在于，还包括：

灰度和数列样本选取模块，用于对待识别纸币的币值版本的多个面向分别选取第二设定数量的灰度和数列样本；

网络参数训练模块，用于采用BP神经网络对所述样本进行训练，得到BP神经网络的识别器的网络参数。