摘 "要： 紙幣新舊檢測(cè)是紙幣清分機(jī)中的一個(gè)重要功能，與傳統(tǒng)的基于紙幣反射圖像檢測(cè)紙幣新舊等級(jí)不同，采用了紙幣的透射圖像進(jìn)行紙幣新舊檢測(cè)。根據(jù)紙幣的新舊程度人工劃分為3個(gè)等級(jí)，分別使用了基于灰度圖像整體亮度的新舊檢測(cè)法和傳統(tǒng)的模式識(shí)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(jìn)行分類，并且提出一種簡(jiǎn)單的級(jí)聯(lián)分類器。實(shí)驗(yàn)結(jié)果表明級(jí)聯(lián)分類器比KNN和SVM的單獨(dú)使用有更好的表現(xiàn)。

關(guān)鍵詞： 透射圖像; 模式識(shí)別; SVM; 級(jí)聯(lián)分類器

中圖分類號(hào)： TN919?34; TP391.41 " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " " 文章編號(hào)： 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(jī)是一種集光機(jī)電磁于一體的高端金融現(xiàn)金處理設(shè)備，其主要功能是對(duì)紙幣進(jìn)行面值、面向、新舊程度及紙幣序列號(hào)的識(shí)別。紙幣清分機(jī)挑選適合在市場(chǎng)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(dāng)紙幣流通時(shí)間過長(zhǎng)時(shí)，表面會(huì)出現(xiàn)粗糙、模糊、磨損等現(xiàn)象。過舊的紙幣影響了紙幣的真?zhèn)舞b別、冠字號(hào)識(shí)別等，導(dǎo)致貨幣在市場(chǎng)中的流通帶來了不便。根據(jù)中國(guó)人民銀行發(fā)布的《不宜流通人民幣挑剔標(biāo)準(zhǔn)》，過舊的紙幣不宜流通，因此紙幣清分機(jī)中需要具有檢測(cè)紙幣新舊的功能來滿足這樣的需求。

早期國(guó)外曾根據(jù)紙幣在清分機(jī)中與傳送帶的摩擦聲音來判別新舊[1]，但該技術(shù)已被數(shù)字圖像技術(shù)[2]所代替。目前，國(guó)內(nèi)紙幣清分機(jī)產(chǎn)品多采用基于數(shù)字圖像技術(shù)做相關(guān)研究[3]。紙幣新舊識(shí)別成為紙幣清分算法的核心和難點(diǎn)，而且新舊等級(jí)分的越多，難度越大。目前國(guó)內(nèi)外現(xiàn)有的紙幣新舊檢測(cè)方法有基于紙幣反光強(qiáng)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(biāo)準(zhǔn)圖像進(jìn)行灰度直方圖匹配來判斷紙幣新舊[6] 等。目前，對(duì)于紙幣的新舊檢測(cè)大多基于反射圖像的亮度。近年來也出現(xiàn)了將紙幣的新舊檢測(cè)轉(zhuǎn)換為模式識(shí)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(jìn)行新舊識(shí)別[7?8]。

本文將紙幣的新舊程度劃分為3個(gè)等級(jí)，使用紙幣的透射圖像對(duì)紙幣進(jìn)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(jí)和傳統(tǒng)的模式識(shí)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(cè)特征，并分別采用了KNN（k近鄰），SVN（Support Vector Machine支持向量機(jī)）分類器，并提出了一種簡(jiǎn)單的級(jí)聯(lián)分類器。

1 "圖像數(shù)據(jù)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(gè)等級(jí)，并且對(duì)于新舊程度不同的紙幣分別收集了170張，其中100張作為訓(xùn)練樣本，70張作為測(cè)試樣本。將所有收集得到的紙幣采用圖像傳感器進(jìn)行雙面采樣，獲得兩張圖像，白背景圖像中的奇偶行分別對(duì)應(yīng)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(duì)應(yīng)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(gè)角的坐標(biāo)位置。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T1.tifgt;

圖1 原始采樣數(shù)據(jù)分割

2 "基于圖像亮度的紙幣新舊檢測(cè)

目前，針對(duì)于紙幣的新舊檢測(cè)提出的大多數(shù)方法都與紙幣的亮度有關(guān)，因?yàn)樾屡f紙幣在圖像采集的時(shí)候反光的強(qiáng)弱不同，所得圖像的明暗有差異，因此可以根據(jù)紙幣圖像的亮度判定紙幣的新舊等級(jí)。常用的方法有使用紙幣空白區(qū)域的平均亮度，紙幣反射圖像某固定區(qū)域的平均灰度值。使用反射圖像進(jìn)行新舊檢測(cè)時(shí)，必須先確定紙幣圖像的面向，還要定位到紙幣的固定的區(qū)域。對(duì)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(cè)紙幣的面向。采用圖像的部分區(qū)域進(jìn)行檢測(cè)時(shí)，當(dāng)此區(qū)域存在涂污時(shí)，對(duì)紙幣的新舊檢測(cè)結(jié)果產(chǎn)生影響。本文采用完整的紙幣透射圖像亮度的平均值檢測(cè)紙幣的新舊，具有更好的魯棒性。

在所有訓(xùn)練樣本和測(cè)試樣本中，已經(jīng)準(zhǔn)確標(biāo)記了紙幣的4個(gè)頂點(diǎn)的坐標(biāo)。這樣就可以得到紙幣邊緣具體位置，可以利用行掃描，來統(tǒng)計(jì)每張紙幣的所有點(diǎn)的灰度值的和，然后求得其平均值，根據(jù)平均值與自己設(shè)定的標(biāo)準(zhǔn)進(jìn)行比較就可以得到紙幣的新舊等級(jí)。但由于紙幣在流通的過程中會(huì)出現(xiàn)磨損，完整的紙幣圖像經(jīng)常存在一些噪聲，例如對(duì)于過舊的紙幣中往往存在細(xì)小的孔洞區(qū)域和圖像邊緣檢測(cè)并非很精確（會(huì)殘留一些白色背景區(qū)域），這就導(dǎo)致了所統(tǒng)計(jì)的透射圖像的像素點(diǎn)中存在白色的噪聲區(qū)域如圖2所示，因此首先統(tǒng)計(jì)紙幣透射圖像的灰色直方圖，然后將根據(jù)紙幣圖像的直方圖去除亮度前%α的點(diǎn)和后%α的點(diǎn)，最后計(jì)算所有剩余像素點(diǎn)的平均灰度值。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)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(cè)新舊，具體步驟如下：

（1） 統(tǒng)計(jì)訓(xùn)練樣本中新舊程度最新的樣本（本文為等級(jí)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(jì)算每張紙幣的平均亮度，最后計(jì)算所有樣本平均亮度設(shè)為[vmax]。同理計(jì)算得到訓(xùn)練樣本中新舊程度最舊樣本（本文為等級(jí)3）的平均亮度設(shè)為[vmin]。

（2） 統(tǒng)計(jì)待檢測(cè)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(jí)，根據(jù)以下公式：

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

式中[t1]、[t2]根據(jù)多次實(shí)驗(yàn)獲得的閾值。

3 "基于模式識(shí)別方法的紙幣新舊檢測(cè)

紙幣的新舊檢測(cè)除了采用圖像的整體平均亮度值，近年來也出現(xiàn)了將紙幣的新舊檢測(cè)轉(zhuǎn)換為模式識(shí)別的問題，例如文獻(xiàn)[9]基于BP?LVQ神經(jīng)網(wǎng)絡(luò)的紙幣新舊識(shí)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(shí)別，得到識(shí)別結(jié)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(tǒng)計(jì)，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(duì)于紙幣透射圖像也存在同樣的表現(xiàn)如圖4所示，分別為新舊等級(jí)一、二、三紙幣透射圖像直方圖統(tǒng)計(jì)分布。統(tǒng)計(jì)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(cè)新舊具有同樣的問題，圖像中的最亮和最暗區(qū)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(diǎn)和后%α的點(diǎn)后統(tǒng)計(jì)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(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T3.tifgt;

圖3 模式識(shí)別方法的流程

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)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(dāng)k=1時(shí)就是最近鄰法。K?近鄰法是通過找到與待識(shí)別樣本點(diǎn)最近的k個(gè)樣本點(diǎn)，根據(jù)這k個(gè)訓(xùn)練樣本的類別，通過多數(shù)表決等方式進(jìn)行預(yù)測(cè)。因此k近鄰法不具有顯示的學(xué)習(xí)過程。k近鄰法實(shí)際上利用訓(xùn)練數(shù)據(jù)集對(duì)特征向量空間進(jìn)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(shè)訓(xùn)練樣本一共有[N]個(gè)，并且分為[n]個(gè)類別分別為[w1，w2，…，wn]，待識(shí)別樣本為[x]，在[N]個(gè)樣本中找出與[x]最近[k]個(gè)樣本，假設(shè)這[k]個(gè)樣本中來自[w1]類的有[k1]個(gè)，來自[w2]類的有[k2]個(gè)，以此類推，來自[wn]類的有[kn]個(gè)，其中[k=i=1nki]，定義判別函數(shù)：

[gi（x）=ki， i=1，2，…，n]

判別決策規(guī)則：如果

[gj（x）=arg maxi "ki ， i=1，2，…，n]

則待識(shí)別樣本[x∈wj]。

3.3 "支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是Cortes和Vapnik于1995年首先提出的[12]，支持向量機(jī)就是能夠找出超平面并把空間中的樣本進(jìn)行分類的問題，使其間隔最大化。該方法是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理找到最優(yōu)決策超平面從而實(shí)現(xiàn)分類。假設(shè)有訓(xùn)練樣本集

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

式中：[xi]為第i個(gè)特征向量，[yi]為[xi]的類標(biāo)記，當(dāng)[yi=+1]時(shí)，[xi]為正實(shí)例，當(dāng)[yi=-1]時(shí)，[xi]為負(fù)實(shí)例，[（xi，yi）]稱為樣本點(diǎn)。假定訓(xùn)練樣本集是線性可分的，學(xué)習(xí)的目標(biāo)是找到最佳決策超平面，能將實(shí)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(fù)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(dāng)可知訓(xùn)練樣本可以線性分開的時(shí)候，則幾何空間中存在了無窮多個(gè)分類超平面可以將訓(xùn)練樣本分開。但是支持向量機(jī)利兩個(gè)平行向量之間距離最大化求得了最優(yōu)的分類超平面，這時(shí)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(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)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(xùn)練機(jī)可以有不同的劃分，（b）圖代表著線性可分支持向量機(jī)，其中虛線代表最優(yōu)的分類超平面，與分類超平面最近的樣本點(diǎn)稱為支持向量。從圖5中可以看出，此時(shí)兩條實(shí)線之間的間隔最大。對(duì)于線性不可分的樣本，可引入松弛變量加以解決。對(duì)于SVM分類器進(jìn)行訓(xùn)練就是求解[w]和[b]的過程，具體過程參考文獻(xiàn)[13]。

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

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)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(shí)質(zhì)就是把能夠?qū)⑵滢D(zhuǎn)化成線性問題。所用的方法，就是構(gòu)造一個(gè)非線性變換，將樣本點(diǎn)的特征從一個(gè)低維線性不可分空間映射到一個(gè)高維線性可分空間。這里，就引入了核函數(shù)的概念。

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

[K（x，z）=φ（x）?φ（z）]

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

若直接將輸入數(shù)據(jù)映射到高維空間可能出現(xiàn)維度爆炸現(xiàn)象，可采用核函數(shù)在低維空間進(jìn)行計(jì)算，不需要顯示的寫出映射后的結(jié)果，其處理后的結(jié)果與高維映射等效。

3.4 "級(jí)聯(lián)分類器

為得到更高的紙幣新舊檢測(cè)的準(zhǔn)確率，本文設(shè)計(jì)了一種級(jí)聯(lián)分類器SVM?KNN來判定紙幣新舊等級(jí)如圖7所示，第一級(jí)分類器采用SVM，第二級(jí)分類器采用KNN，首先使用訓(xùn)練樣本對(duì)SVM分類器進(jìn)行訓(xùn)練，得到SVN分類器的模型參數(shù)。

當(dāng)對(duì)待檢測(cè)樣本[x]進(jìn)行分類時(shí)，先經(jīng)過SVM分類器進(jìn)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(dāng)[p1-p2lt;T]（其中[T]為設(shè)定閾值）進(jìn)入下一級(jí)分類器KNN，分類得到分類結(jié)果，否則直接在本級(jí)分類器中分類，分類結(jié)果為[w1]，[w2]中可能性最大的一類。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T7.tifgt;

圖7 級(jí)聯(lián)分類器

4 "實(shí)驗(yàn)結(jié)果與分析

本文將紙幣新舊程度人工劃分成三個(gè)等級(jí)，一共有300張紙幣透射圖像用于訓(xùn)練，210張紙幣透射圖像用于測(cè)試。其中每個(gè)等級(jí)紙幣透射圖像分別有100張訓(xùn)練樣本和70張測(cè)試樣本，本文分別實(shí)驗(yàn)了基于透射圖像亮度的新舊判別和傳統(tǒng)的模式識(shí)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(jí)聯(lián)分類器分別實(shí)驗(yàn)。基于透射圖像亮度檢測(cè)紙幣新舊時(shí)參數(shù)α，[t1]，[t2]分別設(shè)為5，0.65，0.2。SVM分類器使用了臺(tái)灣大學(xué)LIBSVM[14]，并選用RBF核，閾值[T]設(shè)為0.2。實(shí)驗(yàn)具體結(jié)果如表1所示。

表1 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明在檢測(cè)紙幣的新舊等級(jí)實(shí)驗(yàn)中使用模式識(shí)別的方法明顯優(yōu)于使用圖像亮度特征的方法，將SVM分類器和KNN線性級(jí)聯(lián)使用的效果要優(yōu)于它們單獨(dú)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(cè)的整體結(jié)果。經(jīng)試驗(yàn)分析誤識(shí)別結(jié)果一般為相鄰的兩類新舊等級(jí)之間。

5 "結(jié) "語(yǔ)

與傳統(tǒng)使用紙幣反射圖像檢測(cè)新舊等級(jí)不同，本文使用了紙幣的透射圖像對(duì)紙幣的新舊等級(jí)進(jìn)行檢測(cè)，分別采用了基于圖像整體平均亮度的方法和傳統(tǒng)的模式識(shí)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(jí)聯(lián)的分類器。由于人工劃分紙幣新舊等級(jí)存在一定的誤差，對(duì)于具體的新舊等級(jí)判別的界定比較模糊，如何解決這些問題并提高分類等級(jí)的準(zhǔn)確性是本文后續(xù)研究的重點(diǎn)。

參考文獻(xiàn)

[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(jī)圖像處理系統(tǒng)研究[D]. 湘潭：湘潭大學(xué)，2012.

[3] 譚家國(guó).紙幣圖像高速采集系統(tǒng)設(shè)計(jì)[D].鞍山：遼寧科技大學(xué)，2012.

[4] 魏巍.CF1000型紙幣清分機(jī)圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2011.

[5] 郭玉佳.紙幣圖像處理技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，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(yè)大學(xué)，2010.

[7] 李慶峰.基于圖像處理的紙幣清分系統(tǒng)關(guān)鍵算法研究[D].北京：中國(guó)科學(xué)院，2006.

[8] 魏軍.紙幣動(dòng)態(tài)檢測(cè)識(shí)別算法研究[D].哈爾濱：哈爾濱理工大學(xué)，2009.

[9] 王洪，陳麗，肖思寧.基于BP?LVQ神經(jīng)網(wǎng)絡(luò)的紙幣識(shí)別算法研究[J].光學(xué)與光電技術(shù)，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(tǒng)計(jì)學(xué)習(xí)方法[M].北京：清華大學(xué)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.