一种基于局部二值模式的纸币鉴伪方法.pdf

本发明公开了一种基于局部二值模式的纸币鉴伪方法，它通过采用局部二值模式的方法，将采集到的样本图像分块并计算每块图像的特征向量，从而训练出特征向量模板，再计算出特征向量模板与样本的特征向量的余弦值，从而得到这个特征值的取值范围，当采集到任一张纸币图像，计算出每块区域的特征向量，再求得两个向量的余弦值，看这个值是否在训练的范围之内即可判断真假。本发明方法采用分块后全局鉴伪的方法，使识别过程不需要人工参与寻找特征；使用局部二值模式算法提取出的图像纹理特征明显、稳定，适于鉴伪；采用的分块全局鉴伪不仅能识别各种假币以及污损币，并且能返回在鉴别过程中是纸币的哪一部分出现了问题，在很好的满足点钞机、清分机、自动取款机、鉴伪仪等金融设备的需求。

权利要求书
1.  一种基于局部二值模式的纸币鉴伪方法，其特征在于，所述方法包括如下步骤：
(1)通过图像采集设备，针对任一种面额的纸币真币图像采集正反两面图像作为训练样本，所述训练样本中训练图像的个数以足够训练分类器为宜；先对训练样本中各个训练图像的大小按照预设尺寸进行归一化，再对各个训练图像按照预先设定的对应面额的分块规则进行分块，并对各个训练图像中的每个图像块进行纹理特征提取；
(2)针对各种面额的纸币，根据步骤(1)得到各个面额纸币对应的各图像块区域特征值的取值范围(cosθmin，cosθmax)n，从而形成一个分类器对真假币进行区分；当采集到任一张待检验纸币图像，利用步骤(1)得到待检验纸币图像的特征向量νh，计算该特征向量νh与对应面额纸币的特征向量模板T(νh)的余弦值，判断该余弦值是否在训练的范围之内从而判断真假。

2.  如权利要求1所述的方法，其特征在于，所述步骤(1)具体包括：
(1.1)利用图像采集设备针对任一种面额的纸币真币图像采集正反两面图像；
(1.2)将从步骤(1.1)得到的训练样本中各个训练图像的大小按照预设尺寸进行归一化；
(1.3)对归一化后的图像按照预先设定的对应面额的分块规则进行分块；
(1.4)对各个训练图像中的每个图像块使用局部二值模式算法进行纹理特征提取；
(1.5)针对每个图像块，将该图像块中的每个像素点的特征值按位累加，获得一个8维向量νh，计算训练样本中所有训练图像的的特征向量νh， 得到真币各个图像块区域的特征向量模板T(νh)，并计算每一个训练图像的特征向量νh与特征向量模板T(νh)的余弦值cosθ，获得该图像块区域特征值的最大值cosθmax与最小值cosθmin,最终得到该面额纸币真币的各图像块区域特征值的取值范围(cosθmin，cosθmax)n；其中特征向量模板T(νh)在本例中是所有训练图像的的特征向量νh的平均。

3.  如权利要求1或2所述的方法，其特征在于，所述步骤(2)具体包括：
(2.1)根据步骤(1)计算出待检验纸币图像的各图像块区域特征值
(2.2)分别计算每块图像的特征向量与相应的特征向量模板T的余弦值，并判断该值是否在该图像块特征值的取值空间(cosθmin，cosθmax)n，若是则为真币，不是则为假币。

4.  如权利要求1或2所述的方法，其特征在于，在所述步骤(1.4)中，每个图像块的局部二值模式算法处理过程为，对图像块的每个像素利用下式求其特征值，
LBP(P,R)=Σp=0P=1s(qp-qc)2p]]>
这里p＝8，代表中心像素点qc周围八个像素点的标号，R＝1，其中qp是以中心像素点为中心、半径为R的圆上等分的第p个像素点；如果qp-qc大于或等于0，则s(qp-qc)＝0；否则为1；将每个像素点的特征值用一个8位的二进制数表示。

5.  如权利要求1或2所述的方法，其特征在于，在所述步骤(1.2)中，所述预设尺寸根据芯片的处理能力确定。

6.  如权利要求1或2所述的方法，其特征在于，在所述步骤(1.3)中，所述分块规则预定根据不同面额纸币中特征分布进行确定。

7.  如权利要求1或2所述的方法，其特征在于，在所述步骤(1.3) 中，还对各个图像块编号；在所述步骤(2.2)中，判断为假币时，还返回有问题图像块区域的编号N。

8.  如权利要求1或2所述的方法，其特征在于，在所述步骤(1.2)中，归一化的过程即为将原始训练图像缩放成预设尺寸，归一化后图像的每一个像素点，按照缩放关系对应原始训练图像中的像素点。

9.  如权利要求2或3所述的方法，其特征在于，所述局部二值模式算法为原始LBP,或者完整局部二值模式(Complete Local Binary Pattern，CLBP)。

10.  如权利要求2或3所述的方法，其特征在于，所述纸币为人民币或欧元。

说明书一种基于局部二值模式的纸币鉴伪方法
技术领域
本发明属于金融机具技术领域，更具体地，涉及一种基于局部二值模式的纸币鉴伪方法。
背景技术
随着经济的繁荣发展，纸币的流通量越来越大，也使得人民币流通变得越来越容易，而国内许多银行使用的多光谱点钞机、清分机、自动取款机、鉴伪仪的核心技术都是来自国外，价格昂贵且危及金融安全。多光谱点钞机、清分机、自动取款机要的核心技术基础是实时的纸币图像处理和识别。国内银行所使用的多光谱点钞机、清分机、自动取款机、鉴伪仪所采用的图像面额识别技术，多采用人工局部特征，由于难以避免图像偏移及所取鉴伪特征有限，其稳定性和识别能力都难以达到要求。因此研究出识别稳定性好、识别效率高、可进行全局识别的纸币纸币方法是很有必要的。
现在已有的对纸币鉴伪专利如下：
1)题目为“一种纸币鉴伪方法和装置”，申请号为：20110088920.x,此方法的思想是利用采集装置获取纸币上开窗式安全线压痕特征所在的区域被光束透射的透射图像，分析识别透射图低层中的压痕特征，从而判断纸币真伪。此方法属于局部特征鉴伪，对于变色油墨假币、拼接币等无能为力。
2)题目为“一种基于冠字号特征的人民币鉴伪方法”，申请号为：201310027700.5，此方法根据冠字号码的颜色和字体大小鉴别真伪，受纸币新旧和折皱的影响，此方法的识别率较低且无法识别右半部分为假的拼 接币。
综上，现有的人民币鉴伪的主要技术难点有以下几点：1、识别速度要求高；2、图像特征因为受外界光照环境影响不稳定；3、假币在各个光谱下的图像没有规律。
发明内容
针对现有技术中的不足，本发明的目的在于提供一种纸币鉴伪方法，采用局部二值模式的方法，找到每块图像的特征向量，训练出特征向量模板，并计算出特征向量模板与样本的特征向量的余弦值，根据这个特征值来区出分真币和假币。
为了解决上述技术问题，本发明提供了一种基于局部二值模式的纸币鉴伪方法，包括如下步骤：
(1)通过图像采集设备，针对任一种面额的纸币真币图像采集正反两面图像作为训练样本，所述训练样本中训练图像的个数以足够训练分类器为宜；先对训练样本中各个训练图像的大小按照预设尺寸进行归一化，再对各个训练图像按照预先设定的对应面额的分块规则进行分块，并对各个训练图像中的每个图像块进行纹理特征提取；
(2)针对各种面额的纸币，根据步骤(1)得到各个面额纸币对应的各图像块区域特征值的取值范围(cosθmin，cosθmax)n，从而形成一个分类器对真假币进行区分；当采集到任一张待检验纸币图像，利用步骤(1)得到待检验纸币图像的特征向量νh，计算该特征向量νh与对应面额纸币的特征向量模板T(νh)的余弦值，判断该余弦值是否在训练的范围之内从而判断真假。
在本发明的一个实施例中，所述步骤(1)具体包括：
(1.1)利用图像采集设备针对任一种面额的纸币真币图像采集正反两面图像；
(1.2)将从步骤(1.1)得到的训练样本中各个训练图像的大小按照预设尺寸进行归一化；
(1.3)对归一化后的图像按照预先设定的对应面额的分块规则进行分块；
(1.4)对各个训练图像中的每个图像块使用局部二值模式算法进行纹理特征提取；
(1.5)针对每个图像块，将该图像块中的每个像素点的特征值按位累加，获得一个8维向量νh，计算训练样本中所有训练图像的的特征向量νh，得到真币各个图像块区域的特征向量模板T(νh)，并计算每一个训练图像的特征向量νh与特征向量模板T(νh)的余弦值cosθ，获得该图像块区域特征值的最大值cosθmax与最小值cosθmin,最终得到该面额纸币真币的各图像块区域特征值的取值范围(cosθmin，cosθmax)n；其中特征向量模板T(νh)在本例中是所有训练图像的的特征向量νh的平均。
在本发明的一个实施例中，所述步骤(2)具体包括：
(2.1)根据步骤(1)计算出待检验纸币图像的各图像块区域特征值
(2.2)分别计算每块图像的特征向量与相应的特征向量模板的余弦值，并判断该值是否在该图像块特征值的取值空间(cosθmin，cosθmax)n，若是则为真币，不是则为假币。
在本发明的一个实施例中，在所述步骤(1.4)中，每个图像块的局部二值模式算法处理过程为，对图像块的每个像素利用下式求其特征值，
LBP(P,R)=Σp=0P-1s(qp-qc)2p]]>
这里p＝8，代表中心像素点qc周围八个像素点的标号，R＝1，其中qp是以中心像素点为中心、半径为R的圆上等分的第p个像素点；如果qp-qc大于或等于0，则s(qp-qc)＝0；否则为1；将每个像素点的特征值用一个8位 的二进制数表示。
在本发明的一个实施例中，在所述步骤(1.2)中，所述预设尺寸根据芯片的处理能力确定。
在本发明的一个实施例中，在所述步骤(1.3)中，所述分块规则预定根据不同面额纸币中特征分布进行确定。
在本发明的一个实施例中，在所述步骤(1.3)中，还对各个图像块编号；在所述步骤(2.2)中，判断为假币时，还返回有问题图像块区域的编号N。
在本发明的一个实施例中，在所述步骤(1.2)中，归一化的过程即为将原始训练图像缩放成预设尺寸，归一化后图像的每一个像素点，按照缩放关系对应原始训练图像中的像素点。
在本发明的一个实施例中，所述局部二值模式算法为原始LBP,或者完整局部二值模式(Complete Local Binary Pattern，CLBP)。
在本发明的一个实施例中，所述纸币为人民币或欧元。
本发明方法采用分块后全局鉴伪的方法，使识别过程不需要人工参与寻找特征；使用局部二值模式算法提取出的图像纹理特征明显、稳定，适于鉴伪；采用的分块全局鉴伪不仅能识别各种假币以及污损币，并且能返回在鉴别过程中是纸币的哪一部分出现了问题，能很好的满足点钞机、清分机、自动取款机、鉴伪仪等金融设备的需求。
附图说明
图1为本发明所述一种基于局部二值模式的人民币鉴伪方法。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可 以相互组合。
本发明实施例中基于局部二值模式的纸币鉴伪方法，主要针对人民币或欧元处理，人民币主要针对第五套各个面额的纸币，即100元、50元、20元、10元和5元；需要区分的假币有普通假币、拼接币、残缺币以及污损币。当然其他版本的人民币也适用本方法处理。如图1所示，本发明基于局部二值模式的纸币鉴伪方法，包括如下步骤：
步骤(1)通过图像采集设备，针对任一种面额的人民币真币图像采集正反两面图像作为训练样本，所述训练样本中训练图像的个数以足够训练分类器为宜。先对训练样本中各个训练图像的大小按照预设尺寸进行归一化，再对各个训练图像按照预先设定的对应面额的分块规则进行分块，并对各个训练图像中的每个图像块进行纹理特征提取。所述预设尺寸可以根据芯片的处理能力确定，所述分块规则预定根据不同面额纸币中特征分布进行确定。本步骤具体过程如下：
(1.1)图像采集设备针对任一种面额的纸币真币图像采集正反两面图像；
(1.2)将从步骤(1.1)得到的训练样本中各个训练图像的大小按照预设尺寸进行归一化。归一化的过程即为将原始训练图像缩放成预设尺寸，归一化后图像的每一个像素点，按照缩放关系对应原始训练图像中的像素点；
(1.3)对归一化后的图像按照预先设定的对应面额的分块规则进行分块。
预先判断该训练图像所对应的面额，并根据该面额对应的分块规则对各个训练图像进行分块。各个面额的分块规则预先根据该面额对应纸币的特征分布确定。
为了在后续纸币检验过程中便于定位有问题图像块，这里可以对各个图像块编号，在检验出某图像块存在问题时返回该图像块编号便于定位。
(1.4)对各个训练图像中的每个图像块使用局部二值模式(Local Binary Patterns，LBP)算法进行纹理特征提取。
每个图像块的局部二值模式算法处理过程为，对图像块的每个像素利用下式求其特征值，
LBP(P,R)=Σp=0P-1s(qp-qc)2p]]>
这里p＝8，代表中心像素点qc周围八个像素点的标号，R＝1，其中qp是以中心像素点为中心、半径为R的圆上等分的第p个像素点。如果qp-qc大于或等于0，则s(qp-qc)＝0；否则为1。将每个像素点的特征值用一个8位的二进制数表示。
上述所采用的局部二值模式算法为原始局部二值模式,当然也可以是完整局部二值模式(Complete Local Binary Pattern，CLBP)。
(1.5)针对每个图像块，将该图像块中的每个像素点的特征值按位累加，获得一个8维向量νh，计算训练样本中所有训练图像的的特征向量νh，得到真币各个图像块区域的特征向量模板T(νh)，并计算每一个训练图像的特征向量νh与特征向量模板T(νh)的余弦值cosθ，获得该图像块区域特征值的最大值cosθmax与最小值cosθmin,最终得到该面额纸币真币的各图像块区域特征值的取值范围(cosθmin，cosθmax)n。其中特征向量模板T(νh)在本例中是所有训练图像的的特征向量νh的平均。
步骤(2)针对各种面额的纸币，根据步骤(1)可得到各个面额纸币对应的各图像块区域特征值的取值范围(cosθmin，cosθmax)n，从而形成一个分类器对真假币进行区分。当采集到任一张待检验纸币图像，利用步骤(1)得到待检验纸币图像的特征向量νh，计算该特征向量νh与对应面额纸币的特征向量模板T(νh)的余弦值，判断该余弦值是否在训练的范围之内从而判断真假，具体过程如下：
(2.1)根据步骤(1)计算出待检验纸币图像的各图像块区域特征值
(2.2)分别计算每块图像的特征向量与相应的特征向量模板的余弦值，并判断该值是否在该图像块特征值的取值空间(cosθmin，cosθmax)n，若是则为真币，不是则为假币，并返回该区域的编号N。
以下以具体实施例说明本发明纸币鉴伪方法，具体地：
步骤1：
(1.1)采集真币100张红外图，图像采集设备获取的图像是2维矩阵，如下所示：

(1.2)将从步骤(1.1)得到的训练样本中各个训练图像的大小按照预设尺寸进行归一化，重新生成200*100像素的图像；
(1.3)对归一化后的图像按照预先设定的对应面额的分块规则进行分块并且编号，如下图所示：
12345678910111213141516
(1.4)对各个训练图像中的每个图像块使用局部二值模式算法进行纹理特征提取。每个图像块的局部二值模式算法处理过程为，对图像块的每个像素利用下式求其特征值，
LBP(P,R)=Σp=0P-1s(qp-qc)2p]]>
这里p＝8，代表中心像素点qc周围八个像素点的标号，R＝1，其中qp是以中心像素点为中心、半径为R的圆上等分的第p个像素点。如果qp-qc大 于或等于0，则s(qp-qc)＝0；否则为1。将每个像素点的特征值用一个8位的二进制数表示。
(1.5)针对每个图像块，将该图像块中的每个像素点的特征值按位累加，获得一个8维向量νh，计算训练样本中所有训练图像的的特征向量νh，得到真币各个图像块区域的特征向量模板T(νh)，并计算每一个训练图像的特征向量νh与特征向量模板T(νh)的余弦值cosθ，获得该图像块区域特征值的最大值cosθmax与最小值cosθmin,最终得到该面额纸币真币的各图像块区域特征值的取值范围(cosθmin，cosθmax)n。其中特征向量模板T(νh)在本例中是所有训练图像的的特征向量νh的平均。
步骤(2)：
针对各种面额的纸币，根据步骤(1)可得到各个面额纸币对应的各图像块区域特征值的取值范围(cosθmin，cosθmax)n，从而形成一个分类器对真假币进行区分。当采集到任一张待检验纸币图像，利用步骤(1)得到待检验纸币图像的特征向量νh，计算该特征向量νh与对应面额纸币的特征向量模板T(νh)的余弦值，判断该余弦值是否在训练的范围之内从而判断真假，具体过程如下：
(2.1)根据步骤(1)计算出待检验纸币图像的各图像块区域特征值
(2.2)分别计算每块图像的特征向量与相应的特征向量模板的余弦值，并判断该值是否在该图像块特征值的取值空间(cosθmin，cosθmax)n，若是则为真币，不是则为假币，并返回该区域的编号N。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。