论文部分内容阅读
纸币清分机是银行等金融机构用于纸币清分归类、计数、真伪鉴别的一种重要工具。它能够代替人工快速、高效的完成纸币的清分工作。纸币清分系统的关键技术是基于纸币图像的分析及处理。本文针对人民币反射、透射和彩色图像,结合数字图像处理、机器学习和神经网络等理论知识,实现了人民币图像的预处理、面值面向识别、新旧检测和冠字号码识别模块的算法,主要内容如下：(1)在图像预处理模块中,对于纸币的边界线检测,首先根据目标与背景间的灰度差异,快速找到纸币图像有效的边界点,然后采用最小二乘法进行直线拟合,最终得到纸币图像的四条边界线。针对纸币图像倾斜矫正,本文采用直接平移纸币图像的像素点达到纸币图像矫正的效果,与传统旋转法相比,该方法计算量小,速度快。(2)在纸币面值面向模块中,采用了纸币图像的网格特征,分别针对纸币的灰度图像和彩色图像进行特征提取。当提取彩色图像网格特征时,分别在RGB颜色空间和HSV颜色空间的H分量上获取面值面向特征,然后采用学习向量量化(LVQ)神经网络,进行训练与识别。本文对纸币的面值和面向进行先后识别,设计了一种简单可靠的纸币识别系统。(3)在新旧检测模块中,针对纸币的透射图像进行研究与分析,提取透射图像的灰度直方图作为纸币新旧特征,并使用支持向量机(SVM)和K近邻(KNN)分类器进行纸币新旧识别。(4)在冠字号识别模块中,针对字符特征,采用了八方向梯度特征和Gabor特征,并使用线性判别分析法(LDA)对所提取的字符特征进一步降维。在字符识别的分类器上,采用卷积神经网络(CNN)、支持向量机(SVM)和改进的二次判别函数(MQDF),设计了一个三层级联分类器,并拒绝识别可信度不高的样本,以保证字符识别系统的准确性和可靠性。在NUST-RMB2013数据集上,当拒绝识别率为2.61%的情况下,字符识别准确率能够达到100%。