（通信与信息系统专业论文）人民币智能分捡器软件系统设计.pdf

中山人学硕士学位论文 摘要 人民币智能分捡器是近年来得到快速发展的金融光机电一体化设各。论文针 对纸币清分机产品的特点，基于数字图像处理、模式识别、神经网络理论及数字 信号处理等先进理论，结合当今在相应领域的最新发展应用技术，提出了人民币 智能分捡器系统的解决方案，其中包括新 日识别算法和a t 8 9 c 5 1 + d s p 双核的系统 平台构架的两个创新点，并得以使系统高性价比的实现。 本文在详细研究国内外纸币分捡器设计思路的基础上，取长补短。针对现有 分捡器存在的清分功能少和清分效果不好的缺陷，利用荧光鉴伪、磁性鉴伪、外 鉴伪三种理论技术进行鉴伪识别。对面额、版次、新旧识别方法进行了深的研究。 基于模式识别、数字图像处理、计算机控制等检测控制技术，在纸币清分机中的 广泛应用：提出了基于a t 8 9 c 5 1 单片机和t m s 3 2 0 v c 5 4 0 2 d s p 双c p u 高速图像处理 和识别判断的系统架构。阐述了数字图像处理在本系统中的应有，简要论述了数 字图像的表示及预处理，包括图像的去噪声、倾斜校正，分析了纸币的灰度直方 图特征。设计了图像中值滤波、倾斜校正、轮廓提取算法实现策略。神经网络有 很强的分类能力，非常适合用于纸币图像识别。在人民币的面额识别上，结合了 神经网络的优点，提取人民币图像轮廓点个数作为特征向量，设计了5 0 * 3 0 * 5 的 3 层b p 神经网络的识别方法，给出了b p 神经网的学习规则：在人民币的新旧识别 上，提取人民币图像灰度统计值作为特征量，设计了2 5 5 * 8 * 3 的v l q 神经网络的 识别方法，给出了v l q 神经网络的学规则，并论述了基于彩色h s i 格式的新旧识 别方法。最后，设计了系统软件总体结构及各功能模块的程序，并调试了源程序。 关键词：人民币，分捡器，图像采集，图像处理，神经网络 中山人学硕士学位论文 a b s t r a c t d e v e l o p m e n to fi n t e l l i g e n tr _ m bs o r t e r , w h i c hh a sf a s tb e e nd e v e l o p i n gl a t e ly ，i sa n o p t i a e l 。m e c h a n i a cl a n d e l e c t r i c a lf m a n c i a lf a c i l i t y i nt h i sp a p e ra g a i n s tt h ec h a r a c t e ro ft h eb i l l s o r t e o nt h eb a s i so f t h ed i g i t a li m a g ep r o c e s s i n g ，p a t t e mr e c o g m z i t i o n ，d i g i t a ls i g n a lp r o c e s s i n g ， t h en e u r a ln e t w o r kt h e o r y ，a n ds oo n ，c o m b i n e dw i t ht h ea d v a n c e da n dt h em o s tu pt od a t e t e c h n o l o g yi nt h er e l a t i v ea p p l i c a t i o nf i e l d ，a u t h o rm a k e sat h o r o u 曲s t u d yo nt h ek e y t e c h n o l o g y b r i n g sf o r w a r dan e w s o l u t i o nf o rt h ei n t e l l i g e n tr m bs o r e r ss y s t e m ，t h et w on e w i n n o v a t i o n so ft h ec l a s s i f i c a t i o na r i t h m e t i co ft h en e wa n du s e db i l l sa n da t 8 9 c 5 i + d s pd u a l k e r n e ls y s t e mi n c l u d e d ，a n dr c a l i z ei tw i t hh i g hr a t eb e t w e e np e r f o r m a n c ew i t hv a l u e t 1 1 i sd i s s e r t a t i o ni sb a s e do nd e t a i l e ds t u d yt h ed e s i g nm e t h o d so fb a k n n o t e s s o r t e ri nd o m e s t i ca n d f o r e i n g l e a r n i n ga d v n a t a g e sa n da v o i d i n gs h o r t c o m i n g st o b ed i r e c t e da g a i n s tt h ed r a w b a c k so fl i t t l e f u n c t i o n sa n dl o w e f f e c t ，u s i n g f l u o r e s c e n c e ，m a g n e t i ca n di n f r a r e di d e n t i f i c a t i o no fa u t h e n t i c i t y , t h et h r e et h e o r y t e c h n i u q e st oi d e n t i f y t h ep a p e rm a k e sat h o r o u g hr e s e a r c ho n t h er e c o g n i t i o n m e t h o d p a t t e rr e c o g n i t i o n ，d i g i t a li m a g e p r o c e s s i n ga n dc o m p u t e rc o n t r o l l i n g t e e h n o l o g i e sa r ew i d e l yu s e di nt h ec u r r e n c ys o r t e r h i 曲一s p e e di m a g ep r o c e s s i n g a n dr e c o n g i t i o ns y s t e m a r c h i t e c t u r ew h i c hb a s e do nt h ea t 8 9 c 51a n d t m $ 3 2 0 v c 5 4 0 2i sb r o u g h to u t 1 1 1 eu s eo f d i g i t al i m a g ep r o c e s s i n gi nt h i ss y s e t mi s e x p a t i a t e d d i g i t a li m a g e d e n o t a t i o na n dp r e t r e a t m e n ti sr e c i t e d ，i n c l u d i n gd i s p o s i n g n o i s e 。e m e n d a t i n gi n c l i n e b a n k n o t e s h i s t o g r a mc h a r a c t e r i s t i c i sa n a l y z e d 。t h e r e a l i z a t i o nt a c t i co f m e d i a nf i l t e r ，e m e n d a t i n gi n c l i n e ，o u t l i n ep i c k u 口a r i t h m e t i ci s d e s i g n e d n e u r a ln e t w o r kh a v e sb e t t e rs o r tc a p a b i l i t y ，a d a p t i n gt ob a n k n o t e si m a g e r e c o g n i t i o n i nt h er e c o g n i t i o no ft h ed e n o m i n a t i o n ，w i t ht h en e u r a ln e l w o r k a d a v a n t a g ef r o mt h ep o i n to fd e l i v e r ya s af e a t t i r ev e c t o ri m a g e sc o n t o u r s t h e 5 0 * 3 0 * 5b pn e u r a ln e t w o r kr e c o n g i t i o nm e t h o d sj sd e s i n g e d ，t h eb pn e u a r ln e t w o r k l e a r n i n gr u l e s i sg i v e n i nt h er e c o g n i t i o no fn e wa n do l d ，u s i n gn o t e si n t e n s i t y s t a t i s t i c a lv a l n ea s af e a t u r ev e c t o r t h e2 5 5 + 8 + 3l v qn e u r a ln e t w o r ki sd e s i g n e d ， t h e 工on e u r a ln e t w o r kl e a r i n gr u l e si sg i v e n t h en e wa n do l dr e c o g n i t i o nm e t h o d s b a s e do nt h ec o l o r i z e dh i sf o t r e a t si sd i s c u s s e d f i n a l l y ，t h eo v e r a l ls o f t w a r e s n u c t i l r ef u n e f i o n a lr o o d u l ep r o g r a m ，a n ds o m eo t h e l - s o u r c ec o d ea r ed e b u g g e d k e yw o r d s ：l i m b ，s o r t e r , c o l l e c t i o no fi m a g e ，d i g i t a ti m a g ep r o c e s s i n g , n e u r a l n e t w o r k 中山大学硕士学位论文 原创性及学位论文使用授权声明 论文原创必声明： 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作 所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集 体已经发表或撰写过的作品成果。对本能文的研究作出重要贡献的个人和集体， 均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：幺乏厕溺 日期： 山0 7 年1 1 月 ， 日 学位论文使用授权声明： 本人完全了解中山大学有关保留、使用学位论文的规定，即：学校有权保留学位 论文并向国家主管部门或其指定机构送交论文的电子版和纸质版，有权将学位论 文用于非赢利目的的少量复制并允许论文进入学校图书馆、院系资料室被查阅， 有权将学位论文的内容编入有关数据库进行检索，可以采用复印、缩印或其他方 法保存学位论文。保密的学位论文在解密后使用本规定。 学位论文作者签名：灰翻确 日期：加产，月p 日 导师签名： 同期：年月日 中山人学硕士学位论文 i 1 课题研究背景 第1 章：绪论 国内现金流通规模庞大，银行出纳柜台现金处理工作繁重，点钞机已成为不 可缺少的设备。然而，在银行内部，对破旧钞票进行回收处理，要求上缴的钞票 新、旧分类存放，仍然是依靠人工处理。而这种人工分类是一项单调、繁重、重 复性较高的体力劳动，不但占用较多的人员，而且速度、分选质量都存在很大问 题。 人民币智能分捡器的处理速度、相对成本、鉴伪识别率都远胜于老式的人工 劳作，实现了纸币清分的自动化处理。在这种背景下，对银行来说，广泛使用人 民币智能分捡器是必然的趋势。 目前国内的点钞机大多只具有简单的计数和辨伪功能，因而在实际应用中存 在较多的局限性。市场要求点钞机要除具有计数点钞功能外，还应根据各种纸币 的特点进行鉴伪判别，同时还应具备按面额、版次、新旧分捡等功能 1 。 由于纸币智能分捡器技术含量较高，世界上只有英国得利来、劳雷尔、日本 的东芝、光荣等几家公司生产，国内银行大都采用进口产品。国外有些点钞机功 能非常强大，像美国、日本等国家已研制出能鉴别多国纸币真伪的点钞机。它们 运用了多种辨伪技术和检测手段，提高了其辨伪的准确度，并能按面额、版次等 对钞票进行分捡，而且有很多实用的功能，比如按张数清点，按面值清点，按新 旧清点等功能。虽然国外有这些功能强大的点钞机，但是它们价格昂贵，而且不 是专门针对人民币制造的，其辨伪功能没有针对性，产生误判断的可能性很大。 因此，有必要专门针对人民币研制出功能也比较强大的人民币分捡器。 为此，本人结合自身专业特点，在导师的指导下选择了人民币智能分捡器的 研制课题。此课题的研究不但具有学术研究价值，而且具有工程实用价值： 人民币智能分捡器采用实时图像识别技术，对人民币的面值、版次、破损、 拼接等情况进行分捡，采用电气控制系统运用多种传感器技术和神经网络技术， 对采集的钞票数据进行运算处理，同时实现多种验钞方法，提高系统的可靠性。 由于智能分捡器的应用前景比较美好，同时适合于各种场合使用，包括现金流动 量比较大的金融机构，也包括一般商场销售人员，因此具有极大市场潜力。 由于一般的分捡器本身具有机电一体的特点，结合单片机的优点，使得电子 点钞机更具智能性。人民币智能分捡器的采用光电转化和光电识别技术，由单片 中山人学硕士学位论文 机控制相应的外围电路部分，外围则是指各种光电、磁性、图像传感器。单片机 担负着有关的数据采集和处理、对送钞电机、异常情况报警、以及设备本身故障 监测任务，如在光电信号进行预处理、逻辑处理、a d 采样后进行有效的识别与 处理；同时驱动和控制电机等执行器件，对点钞过程中可能出现的半张，粘张， 重张等情况进行相应判断与处理，有效防止错点、漏点的可能，具有相当高的可 靠性。 本课题从市场需要出发，利用d s p 芯片高速的数字处理能力，采用图像识别 的方法分捡人民币；而且还通过对人民币图像的采集与鉴别来划分质量等级，同 时将神经网络技术用于其中，加强了检测信号的准确性、增强了系统准确性，使 得系统功能更加全面，达到了整个机器的智能化，并且系统始终处于最佳运行状 态。采用c p l d 逻辑芯片对系统的整体逻辑关系进行全局处理，不仅简化了电路， 也将d s p 从一些琐碎的逻辑控制解放出来，使得其处理速度更快，系统的工作效 率更高。 1 2 相关技术发展现状 1 2 1 国外研究现状 纸币清分机是科技含量很高的电子产品。只有英、日、德等西方发达国家有 比较成熟的产品。在技术上多采用模式识别、图像处理、计算机控制等检测控制 技术。其发展趋势是采用各个学科最新技术不断提高整个系统的功能、质量和工 作效率。目前纸币清分机国外主要厂家有德国的c g 、英国的德利来、日本的东 芝、光荣、劳雷尔等公司。g & g 、东芝、德利来等公司主要以生产大型清分机为 主，大型清分机主要应用于银行清分中心。中小型清分机则以日本的光荣u w 一 1 2 0 和劳雷尔t d u s o c 为代表，适用于省级、总行级专业银行，以及分布于广大 中小城市的二级以下专业银行 2 】。 把计算机技术应用到纸币清分上面，很早以前就引起了国外研究者的广泛兴 趣，目前国外在纸币识别领域技术已经较为成熟。对于面额、面向的识别率已经 接近1 0 0 ，而对于新旧清分，国外也陆续采用过一些方法，如声音识别、图像 识别等。同时，作为这些技术的应用，一些产品也已经产生，如英国劳雷尔的 t d u s o c ，日本光荣的g r u 一2 0 0 、东芝f s 一8 0 0 等。 u w 1 2 0 小型现钞清分机是日本光荣公司研制的最新一代现钞清分机，它有 三个分类出钞口和一个接钞口，一次就能清分出三类不同要求的钞票，如选出 a t m ( a u t o m a t i ct e l l e rm a c h i n e ) 适用钞、流通钞、待销毁钞( 旧钞、残钞) 并剔除伪钞。此外u w 一1 2 0 具备最新排列钞票面向功能，使钞票处理动作更完善， 2 中山人学硕士学位论文 它还能完整记录清分过程并打印出审计报告。该产品具备高速现钞清分功能，采 用独特快速“图像识别”技术，能对钞票的两面同时做质量、完整性的检测。采 用业界完善的独特设计，处理大量的现钞时不卡钞。智能化程度高，有自动分析 钞票特性和学习的功能，能很快适应新币种的扩充。 国外产品大多是专门针对国外货币进行设计的，但由于在国内流通领域中， 软、旧、残纸币较多，现金流量大，因此直接引进的国外产品适应性差，大都存 在对待清分纸币质量要求较高，清分效果不理想的问题。为了解决上述问题，国 外产品开始针对人民币的特点开发专门用于处理人民币的纸币清分机。t d u s o c 纸币清分机就是劳雷尔公司针对人民币，采用最新技术开发出来的多功能人民币 专用清分机，可同时处理3 种不同面额的人民币，对纸币进行全面的质量分析和 控制。通过1 0 个清分等级的自由设定，判断是否可以继续流通或适合a t m 的使 用。可将3 种不同面额的人民币同时进行张数，金额的点算和清分。 1 2 2 国内研究现状 目前，国内市面上流行的点钞机大多功能都比较单一，仅有简单的计数和辨 伪功能，而且辨伪检测只用了两三种检测方法，大多只对1 0 0 元和5 0 元等大面 额钞票具有辨伪能力。 点钞机的单一鉴伪功能对有些假钞鉴别己无能为力。如点钞机对钞票进行磁 性识别，只能对无磁的假钞进行鉴别，对有磁性的假钞，要进行磁分布的检测以 及钞票的水印真假识别，才能判别是否是真假。一般，点钞机的辨伪有荧光检测、 磁性检测、红外检测和激光检测等手段。第四套人民币的磁性检测辨伪最初是检 测钞票有无磁性，后来提高到对钞票的磁性分布和强弱进行分析，从而判断真伪， 但由于客观的原因，要进一步提高辨伪水平就比较困难了。第五套人民币的磁性， 最初是通过检测横号码、安全线有无磁性来判别真伪，由于只是定性的检测，这 种检测方法不够准确。经研究发现第五套人民币安全线中的磁信号很有规律，利 用这一特点可准确地判断钞票的真伪。 从事纸币清分机研究、开发的机构也是近几年殖逐渐增多。国产清分机目前 投放市场的主要有哈尔滨彼绍特公司的松花江c f 2 0 0 0 和沈阳信达的x d 2 1 8 8 系列 小型纸币清分机。清华同方与东芝合作的s - 1 0 0 c n ，鞍山聚龙公司的j l 5 0 1 a 等 产品也已经或即将上市。为了更好的了解清分机的发展形势，下面对目前市场上 的主要产品进行比较【2 】。 松花江c f 2 0 0 0 型纸币清分机是国内最早以人民币特性为基准，并首次采用 c i s ( c o n t a c ti m a g es e n s o r ) 图像处理技术、模糊智能控制技术、精密机械制 造技术研制的适合国情的小型现会处理设备。采用先进的快速图像识别技术、伪 中山人学硕十学位论文 币鉴别技术对钞票质量进行检测。智能化程度高，具有自动分析钞票特征和学习 功能，能快速适应新币种钞票的清分处理。设备具有自检功能，并能自动显示工 作状态和故障位置。 信达x d 2 1 8 8 系列清分机在人民币鉴伪方面甚至比其点钞机更胜一筹。采用 了磁图像和纸质分析技术，清分速度高达每分钟9 0 0 多张，且仍能准确地鉴别纸 币真伪。此外，它在设计上还有很多独到而又人性化的设计。比如灵活小巧的外 观设计，便于摆放和移动：l c d ( l i q u i dc r y s t a ld i s p l a y ) 液晶汉字显示，易 于观察；1 0 0 级可调参数，使新旧钞的清分更加细化。 清华同方c s - 1 0 0 c n 小型人民币纸币清分机起点高、标准严，从软件到硬件 都力求达到目前世界最先进的水平，尤其是他们第一次将强大的c c d ( c h a r g e c o u p l e dd e v i c e s ) 图像检测功能用于小型纸币清分机，可实现对票面污渍、折 角、破洞、撕裂、尺寸短缺、贴胶布，尤其是人民币上非常普遍的涂写痕迹( 据 不完全统计，有近2 0 的人民币大额钞票上有各种书写痕迹) 等的检测和清分。 鞍山聚龙j l 5 0 1 a 的突出特点是点钞速度快，点数模式可达1 2 0 0 张分，清 分模式可达1 0 0 0 张分；它可以分捡第四套、第五套两种版次各种面额的纸币， 并可识别出可疑钞票；可按钞票质量状况清分，新旧清分级别达到了1 0 级；可 捡出不适合流通应当销毁的纸币。 国内这几款产品，由于研发时间短，生产数量有限，以及受一些技术的限制， 目前问世的国产清分机的普遍存在的问题就是清分效果及其稳定性都不够理想。 1 3 课题研究内容 本课题所研究的人民币智能分捡器具备人民币的点钞、验钞、分捡三大功能， 可以代替人工完成以下任务：纸币清点：伪钞鉴别；根据面额分类；根据人民币 版次分类；按照质量新旧等级分类，把破损的纸币清分出来，使纸币按照一个方 向排放整齐输出。 根据国外同类产品的情况，人民币智能分捡器的基本功能和部分指标规定 如下： ( 1 ) 快速清点功能：能够进行纸币张数统计，速度必须达到9 0 0 张分钟以 上。清点算是最基本的功能，现在在简单的点钞机上已经得到很好的实现，一股 是通过一个对射或反射式的红外传感器来完成的。当纸币到来时，遮挡住红外传 感器的光路，传感器输出电平会产生高低变化，有脉冲输出，通过计算输出的脉 冲个数即可计算走过的纸币张数。 ( 2 ) 鉴伪功能：鉴伪主要是通过检测纸币上的防伪标记来实现的，根据纸 币的防伪特征主要的鉴伪方法有如下几种： 4 中山人学硕十学位论文 荧光鉴伪、红外鉴伪、磁性油墨鉴伪、水印鉴伪、金属线鉴伪 ( 3 ) 面额分捡：能够识别出规定的类型的纸币面额，把不同面额的纸币分 类输出，以第一张人民币面额为准，相同面额输送到上层票台，并计数，不同面 额纸币输送到下层票台，其中可以分捡的人民币面额：人民币1 0 0 元、5 0 元、 2 0 元、1 0 元。 ( 4 ) 版次分捡：能够把不同版次的人民币分类输出，以第一张人民币版次 为准，相同版次输送到上层票台，并计数，不同版次人民币输送到下层票台，速 度达到6 0 0 张分钟以上；分捡的版次包括：人民币第四版和第五版。 ( 5 ) 新旧分捡：能够正确识别纸币新旧，主要分拣出三种类型的人民币： 不能在市场上流通的人民币；可以流通但是不能在a t m 中使用的人民币；可 以在a t m 中使用的人民币。 本文首先介绍了分捡器的设计目标和基本的计数、鉴伪、分捡的基本原理。 在简述了图像的几种基本的表示方法后，给出了纸币图像的滤波、倾斜校正等预 处理算法。并给出了图像处理核心算法的实现策略。本文采用神经网络作为分类 器。在研究分析了纸币图像特征的基础上提出了有利于提高识别效率的基于神经 网络的纸币面额和新旧识别算法。在研究面额识别算法时，通过分析比较确定了 提取1 5 0 的轮廓点特征向量，最终选定了一个5 0 * 3 0 * 5 的三层b p ( e r r o rb a c k p o r p a g a t i n o ) 网络作为面额识别分类器。在研究新旧识别算法时，在分析了新旧 纸币灰度特征后，提出了2 5 5 * 8 * 3 的l v q ( l e a r n i n g v e c t o r q u a n t i z a t i o n ) * 网络 识别方法；介绍了基于h s i ( h u es a t u r a t i o ni n t e n s i t y ) 彩色图像的新旧识别方法。在 系统硬件设计上提出了基于a t 8 9 c 5 1 单片机和t m s 3 2 0 v c 5 4 0 2 d s p 的高速图像 处理和识别判断的系统架构。在系统的软件设计上首先阐明了编程语言的选择原 理，提出了模块化编程的程序设计思想，分别给出了单片机和d s p ( d i # t a ls i g n a l p r o c e s s o r ) 的部分模块的程序流程框图和部分源程序。 中山大学硕士学位论文 第2 章：系统总体方案设计 2 1 系统基本组成环节 按照人民币运动轨迹的不同，人民币点钞机一般分为卧式和立式两种， 人民币智能分捡器采用的是卧式的方法，以每秒十张以上的速度对人民币进行清 点、辨伪，同时还具有自动开停机、防双张、防粘张等辅助功能。验钞辨伪手段 采用荧光鉴别、磁性鉴别、红外线穿透三种方法。人民币智能分捡器是一种包含 多领域的智能信息产品，其功能较多，结构较复杂，主要包括以下几个部分： ( 1 ) 出钞部分：主要由出钞胶轮、出钞对轮组成，其作用是出钞胶轮以捻钞 胶轮两倍线速度把连续送过来先到的人民币与后到人民币有效分开； ( 2 ) 接钞部分：主要是由接钞爪轮、托钞板、挡钞板构成。点、验之后的人 民币一张张分别卡入爪轮的不同爪，由脱钞板将人民币取下并堆放整齐； ( 3 ) 传动部分：主要部件是电机，其负责人民币从上之下的运动： ( 4 ) 电子电路部分；由主控部件( 如d s p ，单片机) ，传感器部件，l c d 显示 部分等组成双c p u 控制的系统，通过多个接口把紫光、磁性、红外穿透、计数等 信号引入主控制器，有主控制器对采集到的信号进行统计处理，并作出相应的判 断，如停机报警； ( 5 ) 控制设定部分：这部分主要是一些功能键，包括：点钞、验钞、分版次、 分质量新旧或者是设定先分捡出来人民币的面值为多少。 从整体结构上讲，系统采用硬、软件相结合的办法，先利用硬件电路完成信息的 收集、整理；例如：利用图像传感器实现对纸币图像的采集；光电器件进行点钞； 电磁信号进行验钞，然后再使用软件对所有信号进行编程处理，从而实现人民币 智能分捡器的点钞、验钞、分钞各个功能。本文主要论述的是人民币智能分捡器 的硬件电路部分。 。 2 2 硬件系统设施 人民币智能分捡器系统由两部分构成，一部分是由d p s 控制的图像采集 与处理系统，这一部分涉及到c c d 图像采集、视频解码器对图像的预处理 以及c p l d ( c o m p l e xp r o g r a m m a b l el o g i cd e v i c e ) 可编程逻辑控制器件等部 分：另一部分是用主控制器控制的点钞、验钞环节，这一部分就包括各种验 钞电路、功能键选择以及l c d 显示等部分。整个系统涉及到电学、光学、 6 中山人学硕士学位论文 磁学等多个领域，经过综合考虑，系统采用双c p u 的工作模式，即d s p + 单 片机，利用d s p 高速的数字处理能力进行图像的识别与处理，利用单片机的 控制能力很强的优点，控制处理由各种验钞传感器出来的信号等，其系统框 架如图2 1 所示。 人民币 图像预处理l 一c p l d 卜一 图像缓存器 s a a 7 1 1 3 。 单片柳 d ( x ) ，= 1 2 ，形：，i ( 4 5 ) 换句话说，一个未知的模式x 被称为第i 个模式类，只有把当x 代入所有判 别函 数后能得到d i ( x ) 的最大值才成立。因此常用的分类器有以下几种： 最小距离分类器：这种方法要计算( 在欧几里得空间中) 未知量和每一个原型 矢量间的距离，选择其中的最小距离来决策。假设我们把模式类的原型定义为 m j 决定未知模式矢量x 的类别成员的方式是将它分配给最近的原型类，用欧几 里得空间距断化了计距测的问题。 d ，= 忙一m8 j = 1 ，2 ，w( 4 6 ) di ( x ) 的值是最小距离时，把x 划归给类。j 当每个类的均值分布在n 维 模式空间中呈现一种球形的“超级云团”状态时，最小距离分类器会得到最佳性 能( 从错误分类的平均损失的最小水平上来说) 。 。 最佳统计分类器：典型的有贝叶斯分类器，分类器对每一个模式x 计算平均 失效率，并且以最低的失效率对每一个模式制定相应的类，使得所有判决的总体 平均失效率降至最低。 神经网络分类器：人工神经网络是通过结点间的连接来存储信息并完成分 类计算的。a n n ( a r t i f i e i a l n e u r a l n e t w o r k s ) 分类器通过学习，根据训练样本集来调 整连接的权值，找出相应的分类曲面。a n n 所具有的学习能力使其能够在复杂 的分布中提取人脑还不能理解的规律。 4 2 神经网络识别 目前国外普遍采用神经网络方法实现纸币的识别，在与传统的基于差异判 别的人工方法的比较基础上，证实了神经网络技术的很强的推广能力，非常适合 用于纸币图像处理。因此研究发展适合纸币识别问题的人工神经网络算法是提高 识别精确度的有效途径。 神经网络模式识别的过程分为两步；首先是学习过程，通过大量的训练样本， 对网络进行训练，根据某种学习现则不断对连接权值进行调节，最后使网络具有 期望的输出，这种输出即是可以将训练样本正确分类到共所属类别中去，此时可 以认为网络是学习到了输入数据或样本回的内在规律。接下来是分类过程，应用 中山大学硕士学位论文 前面学习过程所训练好的权值对送入网络的样本进行分类。 神经网络能在很短的时间内在模式识别领域里得到广泛应用，是与其下面 的特点分不开的。 第一，它具有自组织和自学习能力，能够直接输入数据并进行学习。在学 习过程小，它可以自适应地发现蕴含在样本数据中的内在的特性及规律性。 第二，神经网络具有推广能力。它可以根据样本间的相似性，对那些与原 始训练样本相似的数据进行正确处理。 第三，网络是非线性的，即它可以找到系统输入变量之间复杂的相互作用， 在一个线性系统中，改变输入往往产生一个成比例的输出，而且这种影响关系是 一个高阶函数，这一特点很适合于实时系统，因为实时系统通常是非线性的。 第四，神经网络是高度并行的，即其大量的相似或独立的运算都可以同时 进行。这种并行能力，使它在处理问题时比传统的微处理器及数字信号处理器快 成百上千倍，这就为提高系统的处理速度，并为实时处理提供了必要的条件。 神经网络上述的几个特点，使得它在纸币识别、语音识别、图像处理和文 字识别等诸多模式识别领域有很广泛的应用。因此，神经网络分类器就成为主要 研究的对象。 4 3b p 神经网络 b p 神经网络是目前人工神经网络中研究最深入、应用最广泛的一种模型。 它是一种单向传播的多层前向网络，其结构如图4 4 所示i 输入层隐吉层 毛 毛 y m 图4 - 4b p 神经网络 在反向传播算法中通常采用梯度法修正权值，为此要求输出函数可微，通 常采用s i g m o d i 函数作为输出函数。不失其普遍性，我们研究处于某一层的第j 个计算单元，脚标i 代表其前层第i 个单元，脚标k 代表后层第k 个单元，0 j 代 表本层输出，w j 是前层到本层的权值。 中山人学硕士学位论文 当输入某个样本时，从前到后对每层各单元作如下计算( 正向算法) n“=d(4-7) d ，= 如甜，) ( 4 8 ) 对于输出而y = 0言，是实际输出值，y 是理想输出值， ljj 此样本下的误差 e 毛莓饥一；夕 为使式子简化，定义局部梯度 占：生 锄e t ， 考虑权值w i j 对误差的影响，可得 旦：旦笠：6d d wo n e t0 w ， fjf 权值修正应使误差以最快的速度减小，修正量为 v = 一叩口d f g + 1 ) = + v ) 如果节点j 是输出单元，则 驴y , - 哆2 号普吨劫( n a ， 如果节点j 不是输出单元，o j 对后层的全部节点都有影响。因此 占：旦：y 旦a n e t 墨旦 i o n e t j 锄d kj & e t j - - z 8 k w k f ( n e t j ) 对于s i g m o i d 函数 y = m ) = 专 有b ) = 孟叫1 一) 或者当y = 厂( 工) = r k = 事i ；时 有= 1 一t h 2 x = l y 2 ( 4 9 ) ( 4 1 0 ) ( 4 1 7 ) ( 4 1 8 ) d ” 钔 d 件 中山大学硕士学位论文 在实际计算时，为了加快收敛速度， 值修正量，一般称之为惯性项，即 w o ( t ) 一叩id + a v w , j ( t 一1 ) 往往在权值修正量中加上前一次的权 综上所述，反向传播算法步骤如下： ( 1 ) 选定权值初始值； ( 2 ) 重复下述过程直至收敛( 对各样本依次计算) ； 1 ) 依次计算每层各单元d 。 n e t j = q ，1 1 g 2 鬲酉 2 ) 输出层计算6 ， q = ( y - q ) q ( 卜q ) 3 ) 从后向前计算各隐层 4 i = q ( 1 一g ) 瓯 4 ) 计算并保存各权值修芷量 ( 4 2 0 ) ( 4 2 1 ) ( 4 2 2 ) ( 4 2 3 ) ( 4 2 4 ) v o ) = 口啊p i ) + , 7 8 j o , ( 4 2 5 ) 5 ) 修正权值 ( f + 1 ) = ( f ) + v o ) 以上算法是对每个样本作权值修正， 误差修正权值。 ( 4 - 2 6 ) 也可以对各样本计算i j 后求和，按总 反向传播算法解决了隐层权值修正问题，但它是用梯度法求非线性函数极 值的，因而有陷入局部极小点可能性。 二层前馈网络的收敛性不受初始值影响，各权值的初始值可以全设定为零； 但三层以上的前馈网络( 含有一个以上隐层) 使用反向传播算法时，如果权值初始 值都为零或都相同，隐层单元不能出现差异，运算不能正常进行。因此，通常用 较小的随机数作为权初始值。初始值对收敛有影响，当计算不收敛时，可以改变 初始值试算。 反向传播算法中有两个参数叮和a 。步长叮对收敛性影响很大，而且对于不 同的问题其最佳值相差也很大，通常可在o 1 0 3 之间试探，对于较复杂的问题 应用较大的值。惯性项系数a 影响收敛速度，在很多应用中其值可在o 9 1 之间 选择，a 1 时不收敛；有些情况下也可不用惯性项( 即铲o ) 。 中山人学硕士学位论文 4 4l v o 神经网络 l v q 神经网络是在监督状态下对竞争层进行训练的一种算法。所以在介绍 l v q 之前，有必要先了解竞争神经网络。 1 、竞争神经网络及学习算法 实际的神经网络中，存在着一种“侧抑制”现象。即一个神经细胞兴奋后， 通过它的分支会对周围其他神经细胞产生抑制作用。这种“侧抑制”使神经细胞 之间出现了竞争，当受到某种刺激时在开始阶段各个神经细胞都处于不同程度的 兴奋状态，但由于“侧抑制”作用，其中兴奋最强的神经细胞对周围神经细胞产 生的抑制作用也最强，最后，它战胜其他神经细胞“赢”了，而其周围的其他神 经细胞则全“输”了。 竞争神经网络就是对实际神经细胞这种“侧抑制”现象的模拟。基本的竞 争学习网络由两层组成：即输入层和竞争层。输入层接收输入样本：竞争层对 输入样本进行分类。这两层神经元是全互联接的，即每一层的每个神经元 与另一层的每个神经元均联接，如图4 5 所示。 出 输入层 圈4 - 5 竞争神经网络结构示意图 用于识别的竞争网络的学习规则是，假设输出为“a = f ( p w f ) 。其中，p 是输入向量；w 是任一神经元的权向量；f 表示当p 与w 之间的距离最小 时，神 经元的输出为1 ，否则为0 。训练开始时，随机设置每一神经元的w ，当p 与w ： 之间的距离最小，这一神经元激活，其输出值为1 ，其余神经元则被抑制， 输 中山大学硕士学位论文 出值为0 。权向量调整按下式： vw=lra(p一)(4-27) l r 是学习率。每进行一步竞争学习，就是对竞争层中竞争获胜的神经元相 联接的输入权值作一次调整，只有竞争胜利的神经元才修改对应的权值。 调整权植的目的是为了使权值与其输入矢量之间的差别越来越小，从而使 训练后的竞争网络的权值能够代表所对应输入矢量的特征，把相似的输入矢量分 成同一类，并由输出来指示所代表的类别。 2 l v q 神经网络及其学习算法 竞争层一般是自动学习对输入向量的分类，其分类的根据是输入向量之间 的距离。如果两个输入向量距离近，竞争层就把它们分为同类。l v q 则是在监 督状态下对竞争层进行训练的一种学习算法。通过学习l v q 将输入向量中与目 标向量相近的分离一出来。 l v q 神经网络由3 部分组成：输入层、竞争层和线性输出层。前两层实际上 就是竞争网络。根据上面所述学习方法，学习对输入向量进行分类，线性输出层 则将分类结果传递到期望的分类中。 l v q 神经网络结构如图4 6 所示。该网络是基于竞争层和线性层的基础 上设计的，并将k o h o n e n 规则应用于该网络中对竞争层权值进行调整。 图4 - - 6l v q 网络结构示意图 l v q 神经网络是通过竞争和有监督学习来形成分类的。在l v q 网络中，第 一层是竞争层，第二层是线性层( 即输出层，以下称输出层) 。这里，输入层的输 入向量为：x = x l ，x 2 ，x m ，m 为输入层神经元的数目；输入层与竞争层神 经元之间的权值矩阵为：w l = ( w 1 1 ，w 2 1 ，w p i ) ，其中分量w i l = ( w j l l ， w i 2 1 ，嘣1 ) w 日( i = 1 ，2 ，p ；j - 1 ，2 ，m ) 表示输入层第i 个神经元与竞争层第 i 个神经元之间的连接权值，p 为竞争层神经元的数目；竞争层的输出向量为： v = v 1 ，v 2 ，v p ；竞争层与输出层神经元之间权值矩阵为：w 2 = ( w 1 2 ， 中山大学硕士学位论文 w 2 2 ，w n l ) 1 ， 其中分量w k 2 = w k l 2 ，w k 2 2 ，w k p 2 ) ，w k r 2 ( k = 1 ，2 ，n ； r = l ，2 ，p ) 表示竞争层第k 个神经元与输出层第r 个神经元之间的连接权值， y 为输出向量，y = ( y l ，y 2 ，y n 。 竞争层每个神经元通过学习原型向量，并对输入空间进行分类。将竞争层 学习得到的类称为子类，将输出层学习得到的类称为目标类。 l v q 网络的第二层是输出层，它将子类组合成一个类。这是通过矩阵w 2 来实现的。w 2 矩阵的列表示子类，而行表示类。w 2 的每一列仅有一个1 出现 的行表明这个子类属于那个类。即： w k r 2 = 1 当且仅当子类r 属于类k w l 盯2 = 旬子类r 不属于类k( 4 2 8 ) l v q 神经网络的学习结合了竞争学习和有监督的学习，即需要一组正确网 络行为例子来训练该网络，也就是说l v q 神经网络是采用有教师学习方法 训练。 5 1 面额识别算法 5 1 1 尺寸识别法 第5 章人民币识别算法 要识别纸币的面额首先要找出不同币值纸币的差异，因此，可利用人民币的一些 特殊的特征对其进行识别。不同面额的人民币其票面尺寸都有明显的差别。表5 1 列出了第4 套和第5 套几种不同面额的人民币的尺寸 表5 - 1 部分人民币尺寸 面颧( 7 1 5 ) 1 0 05 02 02 0 版次旧版新版旧版新版 旧版新版 长( m m ) 1 6 51 5 51 6 01 5 01 4 51 5 51 4 0 宽( 册) 7 77 77 77 07 07 07 0 从上表中可以看出，不同面额的人民币尺寸是不同的，长宽相差几个毫米，再 换算到面积上则相差更大，对于精确到像素级的扫描精度来说，完全可以通过计 算图像尺寸( 像素数) 来识别。在相关的报道中，利用计算像素个数( 纸币面积) 的方法进行多种面额人民币的面值识别，正确率到达1 0 0 ，而且速度很快。可 见此种方法对于尺寸随面额不同而不同的纸币是非常有效的。 中山大学硕士学位论文 5 1 2 特征块识别法 尺寸识别法对尺寸相近面额不同的纸币来说就不行了。任何纸币都含有表明 其面额的特征，只要能够识别这个特征，无论什么纸币都可以识别。特征块识别 法是一个更加通用的方法，它根据纸币上标明面额的数值识别面额岬1 。 指而对于特征图像识别一种通用的方法就是“对于特征图像识别一种通用的方法 就是“模板匹配法”。所谓模板匹配指的是利用己知特征图像作为模板，在目标 图像中寻找与模板相似的图像块，而判定相似的主要工具就是相关性。因此， 通过计算目标图像与模板图像的相关系数就可以确定是否匹配。具体的步骤如 下： ( 1 ) 准备一模板特征块，一般为包含纸币面额的图像块，进行二值化处理： ( 2 ) 提取完整的纸币图像并进行位置旋转校正： ( 3 ) 从图像中提取包含面额信息的图像块，称为目标块，尺寸一般要大于等 于特征块，对目标块也进行二值化处理，去掉背景信息： ( 4 ) 把模板块与目标块依照某一点对齐，计算相关系数，然后按照一定方向 移动一个步长，继续计算。依次搜索下去，取其中的最大值所对应的位置即为当 前最佳匹配： ( 5 ) 将相关系数与规定值比较，如果大于则说明匹配成功，否则不成功： ( 6 ) 如果成功，则可判定币值即为模板块的值，否则另换模板块继续 ( 2 ) ( 5 ) ，直至4 成功或所有模板块匹配失