CH684856A5 - Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens. - Google Patents

Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens. Download PDF

Info

Publication number
CH684856A5
CH684856A5 CH3657/92A CH365792A CH684856A5 CH 684856 A5 CH684856 A5 CH 684856A5 CH 3657/92 A CH3657/92 A CH 3657/92A CH 365792 A CH365792 A CH 365792A CH 684856 A5 CH684856 A5 CH 684856A5
Authority
CH
Switzerland
Prior art keywords
target
vector
pattern
input
output
Prior art date
Application number
CH3657/92A
Other languages
English (en)
Inventor
Gaston Baudat
Original Assignee
Mars Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=4260725&utm_source=***_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CH684856(A5) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Mars Inc filed Critical Mars Inc
Priority to CH3657/92A priority Critical patent/CH684856A5/de
Priority to ES94900952T priority patent/ES2099571T3/es
Priority to JP6512940A priority patent/JPH08507394A/ja
Priority to US08/448,360 priority patent/US5678677A/en
Priority to DE69332692T priority patent/DE69332692T2/de
Priority to ES96201804T priority patent/ES2188714T3/es
Priority to AU55716/94A priority patent/AU677025B2/en
Priority to PCT/GB1993/002468 priority patent/WO1994012951A1/en
Priority to EP96201804A priority patent/EP0737946B1/de
Priority to EP94900952A priority patent/EP0671040B1/de
Priority to EP96201805A priority patent/EP0742538A3/de
Priority to DE69309300T priority patent/DE69309300T2/de
Publication of CH684856A5 publication Critical patent/CH684856A5/de
Priority to AU28509/97A priority patent/AU706764B2/en
Priority to HK98106219A priority patent/HK1007020A1/xx

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
    • G07D7/06—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency using wave or particle radiation
    • G07D7/12—Visible light, infrared or ultraviolet radiation
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
    • G07D7/20—Testing patterns thereon

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Inspection Of Paper Currency And Valuable Securities (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Description

5
10
15
20
25
30
35
40
45
50
55
CH 684 856 A5
Beschreibung
Die Erfindung bezieht sich auf ein Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - sowie auf eine Einrichtung zur Durchführung des Verfahrens gemäss den Oberbegriffen der Ansprüche 1 und 6.
Solche Verfahren werden vorteilhaft in Verkaufsautomaten, Geldwechselautomaten und dergleichen mehr angewendet, wo einerseits nach dem Wert, beispielsweise zwischen Ein-, Zwei- und Fünf-Dollar-Noten, und/oder anderseits zwischen Originalen und deren Kopien bzw. Fälschungen klassifiziert wird.
Es versteht sich von selbst, dass das Verfahren ganz allgemein zur Klassifizierung von Prüflingen, beispielsweise von Bildern, Graphen, Dokumenten, Wertzeichen oder Signalen anwendbar ist.
Es ist bekannt, Intensitätswerte einer von Bildpartien eines Prüflings reflektierten elektromagnetischen Strahlung so aufzubereiten, dass der Prüfling mit einer Pixelmatrix (EP 0 067 898 B1) eines Originals verglichen werden kann, oder dass Unterschiede zu einem Original in Form eines Winkels zwischen zwei n-dimensionalen Vektoren (DE 3 040 963 A1) oder als Kreuzkorrelationsfunktion (EP 0 084 137 A2) ausgedrückt und ausgewertet werden.
Weiter ist bekannt, dass gültige Wertebereiche von mindestens zwei Messwerten einer Münze oder einer Banknote ein Rechteck/Rechtkant (GB 2 238 152 A) oder eine Ellipse (GB 2 254 949 A) darstellen und dass die Münze oder die Banknote angenommen wird, wenn ein aus mindestens zwei Messwerten gebildeter Punkt innerhalb des Rechtecks/Rechtkants oder der Ellipse liegt.
Es ist auch bekannt (CH 640 433 A5), verschiedene physikalische Messgrössen eines Prüflings mit entsprechenden gespeicherten Grenzwerten jeweils im wesentlichen unabhängig voneinander zu vergleichen und nach einer erfolgreichen Klassifizierung die Grenzwerte mit Hilfe der Messgrössen des akzeptierten Prüflings zu verbessern.
Es sind im weiteren verschiedene Ansätze für lernende Klassifikatoren bekannt (H. Niemann: Klassifikation von Mustern - Berlin, Heidelberg, Berlin, Tokyo: Springer 1983), bei denen die Klassenbereiche mit klassifizierten Mustern laufend verändert werden und die bei der Klassifikation einen erheblichen Rechenaufwand erfordern, was bei praktischem Einsatz zu unannehmbaren Antwortzeiten führen kann.
Bei einer Klassifizierung ist insbesonders ein Unterscheiden zwischen Originalen und deren Kopien/ Fälschungen problematisch, da einerseits Originale und deren Kopien/Fälschungen einander äusserst ähnlich sind bzw. sich in ihren Merkmalen nur gering unterscheiden und anderseits nur wenige verschiedene Kopien/Fälschungen eines Originals verfügbar sind. Ein weiteres Problem liegt darin, dass die Merkmale eines Originals - beispielsweise die Merkmale aller echten Zehn-Franken-Noten verschiedener Auflagen - stark streuen können.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Klassifizierung eines Musters anzugeben, mit dem ein Muster auch dann sicher klassifizierbar ist, wenn Merkmale einer Klasse sich wenig von den entsprechenden Merkmalen mindestens einer anderen Klasse unterscheiden und/oder wenn Merkmale der Klasse stark streuen, und eine Einrichtung zu schaffen, mit der das Verfahren durchführbar ist.
Die genannte Aufgabe wird erfindungsgemäss durch die Merkmale der Ansprüche 1 und 6 gelöst. Vorteilhafte Ausgestaltungen ergeben sich aus den abhängigen Ansprüchen.
Nachfolgend werden Ausführungsbeispiele der Erfindung anhand der Zeichnung näher erläutert.
Es zeigen:
Fig. 1 ein Blockschaltbild einer Einrichtung zur Klassifizierung eines Musters,
Fig. 2 das Prinzip eines Klassifizierungssystems und
Fig. 3 eine Erkennungseinheit des Klassifizierungssystems.
In der Fig. 1 bedeutet 1 ein Aufnahmesystem, welches im wesentlichen einen Einlass 2 und ein nicht gezeichnetes Transportsystem für einen Prüfling 3 sowie eine Sensorgruppe 4 aufweist, mit der ein Muster des Prüflings 3 gemessen wird. Das Aufnahmesystem 1 ist durch einen Merkmalkanal 5 an einem mindestens eine Vorverarbeitungs-Aktivität 6 aufweisenden Vorverarbeitungssystem 7 angeschlossen. Ein Klassifizierungssystem 8 ist über einen Eingangskanal 9 mit dem Vorverarbeitungssystem 7 und über einen ersten Ausgangskanal 10a mit einem Dienstleistungssystem 11 verbunden. Bei Bedarf ist das Klassifizierungssystem 8 über einen zweiten Ausgangskanal 10b auch noch mit dem Aufnahmesystem 1 verbunden. Das Aufnahmesystem 1, das Vorverarbeitungssystem 7, das Klassifizierungssystem 8 und das Dienstleistungssystem 11 sind also über Kanäle im wesentlichen zu einer Kette geschaltet, die durch das Dienstleistungssystem 11 abgeschlossen ist.
Bei Bedarf ist ein Initialisierungssystem 12 über einen Initialisierungskanal 13 mit dem Klassifizierungssystem 8 verbunden.
Die Fig. 2 zeigt den prinzipiellen Aufbau des zwischen dem Vorverarbeitungssystem 7 und dem Dienstleistungssystem 11 angeordneten Klassifizierungssystems 8 anhand eines Datenflussdiagrammes. In der gewählten, aus der Literatur bekannten Darstellungsart (D. J. Hatley, I. A. Pirbhai: Stratégies for Real-Time System Spécification, Dorset House, NY 1988) bedeutet ein Kreis eine Aktivität (activity), ein Rechteck ein angrenzendes System (terminator) und ein Pfeil einen Kommunikationskanal (Channel) zur Übertragung von Daten und/oder Ereignissen, wobei die Pfeilspitze in die wesentliche Datenflussrich-tung zeigt. Im weiteren ist beispielsweise eine Anordnung aus zwei durch einen Kommunikationskanal
2
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 684 856 A5
verbundenen Aktivitäten mit einer einzigen Aktivität, welche alle Aufgaben der beiden Aktivitäten erfüllt, äquivalent.
Aktivitäten sind als elektronische Schaltung und/oder als Prozess, Programmstück oder Routine verwirklicht.
Das Klassifizierungssystem weist eine mit den beiden Ausgangskanälen 10a bzw. 10b verbundene Ausgangseinheit 14 und eine bestimmte Anzahl n mit der Ausgangseinheit 14 verbundene Erkennungseinheiten auf, wobei in der Fig. 2 zugunsten einer allgemeinen und einfachen Darstellung nur drei der n tatsächlich vorhandenen Erkennungseinheiten gezeichnet sind.
Mit 15.1 ist eine erste Erkennungseinheit bezeichnet, welche über einen ersten Eingangsdatenkanal
16.1 für einen ersten Eingangsvektor AGFi mit dem Vorverarbeitungssystem 7 und über einen ersten Ausgangsdatenkanal 17.1 für ein erstes Signal Ki verbunden ist. Weiter ist mit 15.2 eine zweite Erkennungseinheit bezeichnet, welche über einen zweiten Eingangsdatenkanal 16.2 für einen zweiten Eingangsvektor AGF2 mit dem Vorverarbeitungssystem 7 und über einen zweiten Ausgangsdatenkanal
17.2 für ein zweites Signal K2 verbunden ist. Schliesslich ist mit 15.n eine n-te Erkennungseinheit bezeichnet, welche über einen n-ten Eingangsdatenkanal 16.n für einen n-ten Eingangsvektor AGn mit dem Vorverarbeitungssystem 7 und über einen n-ten Ausgangsdatenkanal 17.n für ein n-te Signal Kn verbunden ist.
Drei Punkte 18 weisen auf die nicht gezeichneten, weiteren Erkennungseinheiten hin, welche je über einen weiteren Eingangsdatenkanal mit dem Vorverarbeitungssystem 7 verbunden sind und welche je über einen weiteren Ausgangsdatenkanal an die Ausgangseinheit 14 angeschlossen sind, wobei durch die weiteren Eingangsdatenkanäle je ein weiterer Eingangsvektor AGF und durch die Ausgangsdatenkanäle je weitere Signale K übertragbar sind.
Der Eingangskanal 9 (Fig. 1) ist in der Fig. 2 durch die n Eingangsdatenkanäle 16.1 bis 16.n dargestellt.
Eine in der Fig. 3 dargestellte vorteilhafte Ausführung der Erkennungseinheit 15.1 (Fig. 2) bis 15.n weist eine Eingangsschicht 19, eine Neuronenschicht 20 und eine Ausgangsschicht 21 auf.
Die Eingangsschicht 19 verfügt über eine festgelegte Anzahl k Eingänge und die Neuronenschicht 20 weist eine vorbestimmte Anzahl m Neuronen auf. Die Ausgangsschicht 21 verfügt mit Vorteil über ein Ausgangsglied 22, welches einen Ausgang 23 und m Eingänge aufweist.
In der Fig. 3 sind zugunsten einer allgemeinen und einfachen Darstellung nur drei der k tatsächlich vorhandenen Eingänge und nur drei der m tatsächlich vorhandenen Neuronen gezeichnet.
Mit 20.1 ist ein erstes Neuron, mit 20.2 ein zweites Neuron und mit 20.m ein m-tes Neuron bezeichnet, während ein erster Eingang der Eingangsschicht 19 mit 19.1, ein zweiter Eingang mit 19.2 und ein k-ter Eingang mit 19.k bezeichnet ist.
Mit Vorteil weist jedes der m Neuronen die Anzahl k Eingänge auf, wobei jeder Eingang jedes Neurons 20.1 bis 20.m über je ein Eingangsgewichtungsglied 24ji mit jedem der k Eingänge 19.1 bis 19.k der Eingangsschicht 19 verbunden ist, wobei sich im Bezugszeichen des Eingangsgewichtungsgliedes 24ji der Index i auf den i-ten Eingang 19.i der Eingangsschicht 19 und der Index j auf das durch das Eingangsgewichtungsglied 24ji mit dem Eingang 19.i verbundene j-te Neuron 20.j bezieht. Das zweite Neuron 20.2 - um dazu Beispiele anzugeben - ist eingangsseitig durch das Eingangsgewichtungsglied 2421 mit dem ersten Eingang 19.1 der Eingangsschicht 19 und im weiteren durch das Eingangsgewichtungsglied 242k mit dem k-ten Eingang 19.k der Eingangsschicht 19 verbunden.
Jedes Neuron 20.j der m Neuronen 20.1 bis 20.m ist ausgangsseitig über je ein Ausgangsgewich-tungsglied 25.j mit dem Ausgangsglied 22 verbunden, wobei sich der Index j im Bezugszeichen des Ausgangsgewichtungsgliedes auf das j-te Neuron 20.j bezieht.
Erste drei Punkte 26 weisen auf die in der Fig. 3 nicht gezeichneten Eingänge 19.x der Eingangsschicht 19 hin, wobei der Index x im vollständigen ganzzahligen Bereich grösser als zwei und kleiner als k verläuft, während zweite drei Punkte 27 für die nicht gezeichneten Neuronen 20.y stehen, wobei der Index y im vollständigen ganzzahligen Bereich grösser als zwei und kleiner als m verläuft.
In einem in der Schweiz mit dem Patent 684 222 eingereichten Anmeldetext wird in einem Beschreibungsteil das Aufnahmesystem 1 beschrieben und es werden Varianten eines Verfahrens zur Aufbereitung eines Merkmalvektors aus Werten gemessener Merkmale eines Prüflings dargestellt. Dieser Beschreibungsteil gehört ausdrücklich auch zur hier vorliegenden Beschreibung.
Im folgenden wird ein vorteilhaftes Verfahren zur Klassifizierung eines durch einen k-dimensionalen Merkmalvektor X beschreibbaren Musters prinzipiell vorgestellt.
Die Dimension k ist grundsätzlich frei wählbar und damit mit Vorteil auf den Prüfling 3 und/oder das Aufnahmesystem 1 und/oder das Vorverarbeitungssystem 7 und/oder das Klassifizierungssystem 8 anpassbar. Die Dimension k ist beispielsweise 60, kann aber auch wesentlich kleiner oder auch grösser sein. Im folgenden wird für die Dimension k die festgelegte Anzahl k (Fig. 3) angenommen.
Der Merkmalvektor X stellt einen Punkt in einem k-dimensionalen Raum dar. Im Verfahren wird von der vorteilhaften Annahme ausgegangen, dass der Merkmalvektor X einer Fälschung grundsätzlich im k-dimensionalen Raum liegt.
Im Verfahren wird ein Original - bzw. dessen Merkmalvektor X - höchstens einer Zielklasse aus einer Anzahl Zielklassen zugeordnet. Kann im Verfahren ein Prüfling keiner Zielklasse zugeordnet werden, wird angenommen, dass der Prüfling eine Fälschung ist.
3
5
10
15
20
25
30
35
40
45
50
55
CH 684 856 A5
Eine Zielkiasse liegt im k-dimensionalen Raum, wobei die Zielklasse allgemein durch voneinander verschiedenen Vektoren beschreibbar ist. Der von einer Zielklasse einnehmbare Teil des k-dimensiona-len Raumes wird in einer Vorbereitungs- oder in einer Lernphase des Verfahrens mit Vorteil in Teilgebiete aufgeteilt, wobei die Teilgebiete im Raum zusammenhängend oder voneinander getrennt sind. Ein Teilgebiet wird durch einen Zielvektor W bestimmt, der vorteilhaft k-dimensional ist.
Die Zielklasse wird also allgemein durch eine Anzahl verschiedener Zielvektoren Wj beschrieben, wobei die Anzahl Zielvektoren Wj verschiedener Zielklassen unterschiedlich sein kann. Im folgenden wird für die Anzahl Zielvektoren Wj einer Zielklasse allgemein die vorbestimmte Anzahl m (Fig. 3) vorausgesetzt. Die Zielvektoren Wj einer Zielklasse werden in der Vorbereitungsphase vorteilhaft durch Lernen ermittelt und bei Bedarf laufend angepasst.
Mit Vorteil werden für ein Original einer Klasse gleichviel Zielklassen definiert, wie Abtastsinne beim Messen physikalischer Merkmale des Originals im Aufnahmesystem 1 verfügbar sind. Ist der Prüfling ein beidseitig bedrucktes Dokument, so könnten beispielsweise die vier Abtastsinne «Vorderseite vorwärts bewegt abgetastet», «Vorderseite rückwärts bewegt abgetastet», «Rückseite vorwärts bewegt abgetastet» und «Rückseite rückwärts bewegt abgetastet» verfügbar sein.
Bei einer Klassifizierung eines Prüflings, der entweder eine Zehn-Franken-Note, eine Zwanzig-Fran-ken-Note oder eine Fünfzig-Franken-Note mit je vier möglichen Abtastsinnen ist, ergeben sich beispielsweise zwölf verschiedene Zielklassen.
Im Verfahren wird der Prüfling in vorteilhafter Weise entweder einer aus n Zielklassen zugeordnet, oder dann als Fälschung klassifiziert, wobei n die bestimmte Anzahl (Fig. 2) ist.
Der durch das Vorverarbeitungssystem 7 (Fig. 1) und/oder das Aufnahmesystem 1 aus Messwerten des Prüflings 1 gebildete Merkmalvektor X wird mit b im vollständigen Bereich von 1 bis n als der Eingangsvektor AGFb (Fig. 2) durch den Eingangsdatenkanal 16.b der Erkennungseinheit 15.b zugeführt. Durch die Erkennungseinheit 15.b ist genau eine der n verschiedenen Zielklassen erkennbar, wobei die Erkennungseinheit 15.b mindestens dann ein Signal Kb über den Ausgangsdatenkanal Kb an die Ausgangseinheit 14 übermittelt, wenn der Merkmalvektor X derjenigen Zielklasse angehört, die durch die Erkennungseinheit 15.b erkennbar ist.
Bei der Klassifizierung des Prüflings 1 bzw. des Merkmalvektors X arbeiten die n Erkennungseinheiten 15.1 bis 15.n mit Vorteil mindestens teilweise zeitlich parallel (concurrent).
Die Ausgangseinheit 14 meldet dem Dienstleistungssystem 11 (Fig. 1) und/oder dem Aufnahmesystem 1 entweder die vom Klassifizierungssystem 8 ermittelte Zielklasse des Prüflings 1 oder andernfalls die Tatsache, dass der Prüfling 1 eine Fälschung ist. Mit Vorteil meldet die Ausgangseinheit dann und nur dann die Zielklasse des Prüflings 1, wenn genau eine der n Erkennungseinheiten 15.1 bis 15.n seine Zielklasse erkennt.
In jeder der Erkennungseinheiten 15.1 bis 15.n wird ein Zielvektor Wc ermittelt, der, verglichen mit den andern m Zielvektoren Wj seiner Zielklasse, den kleinsten Wert eines Abstandes d zum Merkmalvektor X aufweist. Der Abstand d ist vorteilhaft die euklidische Distanz zwischen dem Zielvektor Wj und dem Merkmalvektor X. Bei Bedarf ist der Abstand d jedoch eine andere vorteilhafte Grösse, mit welcher derjenige Zielvektor Wc ermittelbar ist, der von den m Zielvektoren Wj am nächsten beim Merkmalvektor X liegt. Ein weiteres Beispiel der vorteilhaften Grösse für den Abstand d ist die absolute Distanz zwischen einem Zielvektor Wj und dem Merkmalvektor X.
Die euklidische Distanz d zwischen zwei k-dimensionalen Vektoren Wj und X ist wie folgt definiert:
dj = [(W1-X1)2 + (W2-X2)2 + ... + (wi<—xi<)2]1/2 (G1)
In jeder der Erkennungseinheiten 15.1 bis 15.n wird mit Vorteil sowohl der ermittelte Zielvektor Wc als auch der Merkmalvektor X in weiteren Verfahrensschritten derart genau analysiert, dass mit einer erwarteten Sicherheit feststeht, ob der Merkmalvektor X der Zielklasse zuzuordnen ist.
In einem ersten vorteilhaften Verfahrensschritt wird die betragsmässig grösste Komponente des Merkmalvektors X mit einem beschränkenden Parameter qmax verglichen, wobei der Parameter qmax mit Vorteil in der Lernphase ermittelt wird. Mit einer Funktion Maximum() ergibt sich damit folgende Bedingung:
Maximum (|xi|, |X2|, ... , |xk|) < qmax (G2)
In einem zweiten vorteilhaften Verfahrensschritt wird die Differenz Wc-X komponentenweise für alle k Komponenten durchgeführt und der Betrag der Differenz zweier entsprechenden Komponenten mit einem komponentenweise zugeordneten raumbeschränkenden Parameter qcimax qckmax verglichen, wobei die k Parameter qcimax » qckmax mit Vorteil in der Lernphase ermittelt werden. Mit i von 1 bis k ergibt sich damit folgende Bedingung:
|wCi - Xi| < qi mit i von 1 .. k (G3)
Der Merkmalvektor X wird dann und nur dann der Zielklasse des Zielvektors Wc zugeordnet, wenn die Bedingungen (G2) und (G3) gelten.
4
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 684 856 A5
Das Verfahren zur Klassifizierung des durch einen k-dimensionalen Merkmalvektor X beschreibbaren Musters ist besonders vorteilhaft zeitlich parallel durchführbar, wenn das Klassifizierungssystem 8 mindestens ein neuronales Netz aufweist.
Mit Vorteil ist jede der n Erkennungseinheiten 15.1 bis 15.n durch je ein neuronales Netz verwirklicht. Mit besonderem Vorteil ist das neuronale Netz ein sogenannter Typ LVQ (Learning Vector Quantisati-on) nach Kohonen (Teuvo Kohonen et al: Statistical Pattern Récognition with Neural Networks, Procee-dings of 2th Annual IEEE International Conference on Neural Networks, volume 1, 1988, page 61 ..68), welcher die Struktur nach der Fig. 3 aufweist.
Mit j von 1..m sind die Werte der Eingangsgewichtungsglieder 24.ji .. 24.jm des Neurons 20.j vorteilhaft entsprechend einem Zielvektor Wj ausgelegt, also grundsätzlich variabel. Die Werte der Eingangsgewichtungsglieder 24.ji .. 24.jm werden mit Vorteil in der Lernphase ermittelt und bei Bedarf ange-passt. Das Neuron 20.j bestimmt mindestens den Abstand dj.
Das Neuron 20.c mit dem minimalen Abstand d0 prüft zusätzlich die beiden Bedingungen (G2) und (G3).
Mit Vorteil ist das Ausgangsglied 22 ein ODER-Gatter und es werden die Werte der Gewichtungsglieder 25.1 bis 25.m eins gesetzt.
Das Neuron 20.j - für j von 1..k - übermittelt der Ausgangsschicht den Wert logisch «1» nur dann, wenn es den minimalen Abstand dc aufweist und wenn zusätzlich die beiden Bedingungen (G2) und (G3) erfüllt sind; andernfalls übermittelt das Neuron 20.b den Wert logisch «0».
Der Zielvektoren Wj - für j von 1..k - einer Zielklasse liegen mit Vorteil in einem Raumteil Rj des k-dimensionalen Raumes, der durch Polygone eines Diagramms nach Voronoï (J. M. Chassery et al: Diagramme de Voronoï appliqué à la segmentation d'images et à la détection d'événements en imagenrie multi-sources, Traitement du Signal, volume 8, No 3) abgegrenzt ist.
Ein Aktivierungsraum des Neuron 20.j - für j von 1 ..k - ist vorteilhaft ein beschränkter Bereich des Raumteils Rj.
In einer vorteilhaften Variante des Verfahrens wird der Merkmalvektor X durch eine Transformation normalisiert, wobei die Transformation vorteilhaft im Vorverarbeitungssystem 7 durchführbar ist.
Dadurch, dass die Erkennungseinheiten 15.1 bis 15.n in bekannter Weise lernende neuronale Netze sind, sind die Werte ihrer je m mal k Eingangsgewichtungsglieder 24ji - mit j von 1 bis m und i von 1 bis k - durch Lernen in bekannter Art optimal zu ermitteln. Im weitern sind auch die einschränkenden Parameter qj bzw. qjimax - mit j von 1 bis m und i von 1 bis k für alle Zielklassen vorteilhaft durch Lernen in bekannter Art ermittelbar.
Bei Bedarf sind die für das Lernen erforderlichen Startwerte durch geeignete Prüflinge 1 einzugeben, oder sie werden dem Klassifizierungssystem 8 durch das Initialisierungssystem 12 übermittelt.

Claims (8)

Patentansprüche
1. Verfahren zur Klassifizierung eines durch einen k-dimensionalen Vektor (X) beschreibbaren Musters, insbesondere eines Musters einer Banknote oder einer Münze, innerhalb einer Anzahl (n) möglicher Zielklassen, dadurch gekennzeichnet,
[a] dass für eine Zielklasse mehrere Zielvektoren ermittelt werden,
[b] dass ein Abstand (d) eines Zielvektors (W) zum Vektor (X) berechnet wird,
[c] dass aus den Zielvektoren der Zielklasse derjenige Zielvektor (Wc) ermittelt wird, der von allen Zielvektoren der Zielklasse den kleinsten Abstand (dc) zum Vektor (X) des Musters aufweist und
[d] dass das Muster als der Zielklasse zugehörig bezeichnet wird, wenn jede einzelne Komponente des den kleinsten Abstand (d0) aufweisenden Zielvektors (Wc) in einem vorbestimmten Bereich liegt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Zielvektoren einer Zielklasse anhand eines Verfahrens mit Polygonen nach Voronoï ermittelt werden.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Abstand (d) eines Zielvektors (W) zum Vektor (X) die euklidische Distanz zwischen dem Zielvektor (W) und dem Vektor (X) ist.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass zur Klassifizierung mindestens ein neuronales Netz verwendet wird.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass für jeden Zielvektor (W) einer Zielklasse der Abstand (d) je mit einem Neuron berechnet wird.
6. Einrichtung zur Durchführung des Verfahrens nach Anspruch 1 mit einem Aufnahmesystem (1), einem Vorverarbeitungssystem (7) und einem Klassifizierungssystem (8) zur Klassifizierung eines durch einen k-dimensionalen Vektor (X) beschreibbaren Musters - insbesondere eines Musters einer Banknote oder einer Münze - innerhalb einer Anzahl (n) möglicher Zielklassen, anhand der Werte von physikalischen Merkmalen, die vom Aufnahmesystem (1) geliefert werden, wobei das Aufnahmesystem (1), das Vorverarbeitungssystem (7) und das Klassifizierungssystem (8) in der Reihenfolge der Aufzählung im wesentlichen zu einer Kette geschaltet sind, an deren Ausgang ein Dienstleistungssystem (11) angeschlossen ist, dadurch gekennzeichnet,
[a] dass das Klassifizierungssystem (8) eine Ausgangseinheit (14) und mehrere eingangsseitig je mit dem Vorverarbeitungssystem (7) und ausgangsseitig je mit der Ausgangseinheit (14) verbundene Erkennungseinheiten (15.1 bis 15.n) aufweist,
5
5
10
15
20
25
30
35
40
45
50
55
CH 684 856 A5
[b] dass mit einer Erkennungseinheit (15.1 bis 15.n) genau eine Klasse erkennbar ist und
[c] dass eine ermittelte Klasse des Musters durch die Ausgangseinheit (14) an einen Ausgangskanal
(10a; 10b) übertragbar ist.
7. Einrichtung nach Anspruch 6, dadurch gekennzeichnet, dass jede Erkennungseinheit (15.1 bis 15.n) eine Eingangsschicht (19), eine eingangsseitig über Eingangsgewichtungsglieder (24ji) mit der Eingangsschicht (19) und ausgangsseitig über Ausgangsgewichtungsglieder (25j) mit einer Ausgangsschicht (21) verbundene Neuronenschicht (20) aufweist, wobei in der Neuronenschicht (20) eine vorbestimmte Anzahl m Neuronen (20.1 bis 20.m) angeordnet sind.
8. Einrichtung nach Anspruch 7, dadurch gekennzeichnet, dass die Eingangsschicht (19) und ein Neuron (20.1 bis 20.m) je die Anzahl k durch Eingangsgewichtungsglieder (24.1 bis 24.m) variabel gewichtbare Eingänge aufweisen, wobei die Werte der Eingangsgewichtungsglieder (24.1 bis 24.m) durch Lernen ermittelbar sind.
6
CH3657/92A 1992-11-30 1992-11-30 Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens. CH684856A5 (de)

Priority Applications (14)

Application Number Priority Date Filing Date Title
CH3657/92A CH684856A5 (de) 1992-11-30 1992-11-30 Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens.
DE69309300T DE69309300T2 (de) 1992-11-30 1993-11-30 Verfahren und vorrichtung zur artikelklassifizierung
AU55716/94A AU677025B2 (en) 1992-11-30 1993-11-30 Method and apparatus for the classification of an article
EP96201804A EP0737946B1 (de) 1992-11-30 1993-11-30 Verfahren und Vorrichtung zur Artikelklassifizierung
US08/448,360 US5678677A (en) 1992-11-30 1993-11-30 Method and apparatus for the classification of an article
DE69332692T DE69332692T2 (de) 1992-11-30 1993-11-30 Verfahren und Vorrichtung zur Artikelklassifizierung
ES96201804T ES2188714T3 (es) 1992-11-30 1993-11-30 Metodo y aparato para la clasificacion de un articulo.
ES94900952T ES2099571T3 (es) 1992-11-30 1993-11-30 Metodo y aparato para la clasificacion de articulos.
PCT/GB1993/002468 WO1994012951A1 (en) 1992-11-30 1993-11-30 Method and apparatus for the classification of an article
JP6512940A JPH08507394A (ja) 1992-11-30 1993-11-30 物品の分類方法と装置
EP94900952A EP0671040B1 (de) 1992-11-30 1993-11-30 Verfahren und vorrichtung zur artikelklassifizierung
EP96201805A EP0742538A3 (de) 1992-11-30 1993-11-30 Verfahren und Vorrichtung zur Artikelklassifizierung
AU28509/97A AU706764B2 (en) 1992-11-30 1997-07-02 Method and apparatus for the classification of an article
HK98106219A HK1007020A1 (en) 1992-11-30 1998-06-23 Method and apparatus for the classification of an article

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CH3657/92A CH684856A5 (de) 1992-11-30 1992-11-30 Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens.

Publications (1)

Publication Number Publication Date
CH684856A5 true CH684856A5 (de) 1995-01-13

Family

ID=4260725

Family Applications (1)

Application Number Title Priority Date Filing Date
CH3657/92A CH684856A5 (de) 1992-11-30 1992-11-30 Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens.

Country Status (9)

Country Link
US (1) US5678677A (de)
EP (3) EP0671040B1 (de)
JP (1) JPH08507394A (de)
AU (2) AU677025B2 (de)
CH (1) CH684856A5 (de)
DE (2) DE69332692T2 (de)
ES (2) ES2099571T3 (de)
HK (1) HK1007020A1 (de)
WO (1) WO1994012951A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10029051A1 (de) * 2000-06-13 2001-12-20 Giesecke & Devrient Gmbh Verfahren zur Echtheitsprüfung von Dokumenten
DE10045360A1 (de) * 2000-09-14 2002-03-28 Giesecke & Devrient Gmbh Verfahren zur Klassifizierung von Dokumenten

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2284293B (en) * 1993-11-30 1998-06-03 Mars Inc Article classifying method and apparatus
US5485908A (en) * 1994-07-12 1996-01-23 Coin Acceptors, Inc. Pattern recognition using artificial neural network for coin validation
DE19618541A1 (de) * 1995-05-11 1996-11-14 Giesecke & Devrient Gmbh Vorrichtung und Verfahren zur Bearbeitung von Blattgut, wie z. B. Banknoten
DE19540156A1 (de) * 1995-10-27 1997-04-30 Giesecke & Devrient Gmbh Vorrichtung zur Bearbeitung eines Stapels von Blattgut, wie z. B. Banknoten oder Wertpapiere
JP3741777B2 (ja) * 1996-04-15 2006-02-01 グローリー工業株式会社 紙葉類の識別方法
US5751450A (en) * 1996-05-22 1998-05-12 Medar, Inc. Method and system for measuring color difference
US6092059A (en) * 1996-12-27 2000-07-18 Cognex Corporation Automatic classifier for real time inspection and classification
DK0935212T3 (da) 1998-02-05 2002-02-25 Intellix As n-tupel- eller RAM-baseret neuralt netværksklassifikationssystem og fremgangsmåde
GB9806914D0 (en) * 1998-03-31 1998-05-27 Rue De Int Ltd Methods and apparatus for monitoring articles
US6731788B1 (en) * 1999-01-28 2004-05-04 Koninklijke Philips Electronics N.V. Symbol Classification with shape features applied to neural network
AUPQ136299A0 (en) * 1999-07-02 1999-07-22 Microsystem Controls Pty Ltd Coin validation
AU2001226640A1 (en) * 2000-01-13 2001-07-24 Idac A method of analyzing a plurality of objects
US6587844B1 (en) * 2000-02-01 2003-07-01 At&T Corp. System and methods for optimizing networks of weighted unweighted directed graphs
ES2280179T3 (es) 2000-12-15 2007-09-16 Mei, Inc. Dispositivo para la validacion de dinero.
CN1675657B (zh) * 2002-06-19 2010-06-16 Mei公司 货币验证器
EP1376484A1 (de) * 2002-06-25 2004-01-02 Mars Incorporated Verfahren und Vorrichtung zur Signalverarbeitung in der Geldprüfung
DE10256114A1 (de) * 2002-11-29 2004-06-09 Giesecke & Devrient Gmbh Verfahren und Vorrichtung zur Prüfung von Wertdokumenten
DE10346636A1 (de) * 2003-10-08 2005-05-12 Giesecke & Devrient Gmbh Vorrichtung und Verfahren zur Prüfung von Wertdokumenten
DE102004049998A1 (de) * 2004-10-14 2006-04-20 Giesecke & Devrient Gmbh Vorrichtung und Verfahren zur visuellen Darstellung von Meßwerten
EP1868166A3 (de) * 2006-05-31 2007-12-26 MEI, Inc. Verfahren und Vorrichtung zur Validierung von Banknoten
RU2421818C1 (ru) * 2010-04-08 2011-06-20 Общество С Ограниченной Ответственностью "Конструкторское Бюро "Дорс" (Ооо "Кб "Дорс") Способ классификации банкнот (варианты)
US9336638B2 (en) * 2014-03-25 2016-05-10 Ncr Corporation Media item validation
US12008629B2 (en) 2014-03-31 2024-06-11 Monticello Enterprises LLC System and method for providing a social media shopping experience
US11004139B2 (en) 2014-03-31 2021-05-11 Monticello Enterprises LLC System and method for providing simplified in store purchases and in-app purchases using a use-interface-based payment API
US11080777B2 (en) * 2014-03-31 2021-08-03 Monticello Enterprises LLC System and method for providing a social media shopping experience
US10511580B2 (en) 2014-03-31 2019-12-17 Monticello Enterprises LLC System and method for providing a social media shopping experience
CN107862785A (zh) * 2017-10-16 2018-03-30 深圳市中钞信达金融科技有限公司 票据鉴定方法及装置
GB2586568A (en) * 2019-04-18 2021-03-03 Gerard Rohan Jayamanne Don A technique for detecting counterfeit banknotes, travelers cheques or money orders by a method to be used with smart phone applications (apps)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH640433A5 (de) * 1979-03-16 1984-01-13 Sodeco Compteurs De Geneve Vorrichtung zur unterscheidung von pruefobjekten.
JPS5665291A (en) * 1979-10-31 1981-06-02 Tokyo Shibaura Electric Co Discriminator for printed matter
US4482971A (en) * 1982-01-18 1984-11-13 The Perkin-Elmer Corporation World wide currency inspection
GB8415996D0 (en) * 1984-06-22 1984-07-25 Bank Of England Image model
US5016188A (en) * 1989-10-02 1991-05-14 Rockwell International Corporation Discrete-time optimal control by neural network
GB2238152B (en) * 1989-10-18 1994-07-27 Mars Inc Method and apparatus for validating coins
JPH03224073A (ja) * 1990-01-30 1991-10-03 Ezel Inc 位置合わせ装置
US5199543A (en) * 1990-08-22 1993-04-06 Oki Electric Industry Co., Ltd. Apparatus for and method of discriminating bill
JPH04118796A (ja) * 1990-09-10 1992-04-20 Nippon Signal Co Ltd:The 紙幣鑑別装置
US5167313A (en) * 1990-10-10 1992-12-01 Mars Incorporated Method and apparatus for improved coin, bill and other currency acceptance and slug or counterfeit rejection
JP2520331B2 (ja) * 1991-03-25 1996-07-31 株式会社エイ・ティ・アール自動翻訳電話研究所 ニュ―ラルネットワ―クの学習方法
GB2254949B (en) * 1991-04-18 1994-09-28 Mars Inc Method and apparatus for validating money

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10029051A1 (de) * 2000-06-13 2001-12-20 Giesecke & Devrient Gmbh Verfahren zur Echtheitsprüfung von Dokumenten
US7552864B2 (en) 2000-06-13 2009-06-30 Giesecke & Devrient Gmbh Method for verifying the authenticity of documents
US8006898B2 (en) 2000-06-13 2011-08-30 Giesecke & Devrient Gmbh Method for verifying the authenticity of documents
DE10045360A1 (de) * 2000-09-14 2002-03-28 Giesecke & Devrient Gmbh Verfahren zur Klassifizierung von Dokumenten

Also Published As

Publication number Publication date
DE69309300T2 (de) 1997-10-09
AU677025B2 (en) 1997-04-10
HK1007020A1 (en) 1999-03-26
EP0742538A2 (de) 1996-11-13
WO1994012951A1 (en) 1994-06-09
EP0737946A2 (de) 1996-10-16
US5678677A (en) 1997-10-21
EP0737946A3 (de) 1998-10-07
EP0671040A1 (de) 1995-09-13
EP0737946B1 (de) 2003-02-12
JPH08507394A (ja) 1996-08-06
ES2099571T3 (es) 1997-05-16
EP0671040B1 (de) 1997-03-26
AU706764B2 (en) 1999-06-24
AU2850997A (en) 1997-09-11
EP0742538A3 (de) 1998-10-07
AU5571694A (en) 1994-06-22
DE69332692D1 (de) 2003-03-20
DE69309300D1 (de) 1997-04-30
ES2188714T3 (es) 2003-07-01
DE69332692T2 (de) 2003-06-12

Similar Documents

Publication Publication Date Title
CH684856A5 (de) Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens.
EP0560023B1 (de) Einrichtung zur Klassifizierung eines Musters, insbesondere von einer Banknote oder von einer Münze
DE60208223T2 (de) Anordnung und verfahren zur gesichtserkennung unter verwendung von teilen des gelernten modells
DE2909153C2 (de) Einrichtung zur digitalen Analyse von Bild- oder Zeichenmustern
DE4437067B4 (de) Neurale Banknotenerkennungsvorrichtung
DE60130742T2 (de) Mustererkennung mit hierarchischen Netzen
DE69925155T2 (de) Verfahren und Vorrichtung zum Klassifizieren von Gegenständen
EP2143081B1 (de) Verfahren und vorrrichtung zur prüfung von wertdokumenten
EP1652153B1 (de) Vorrichtung für die ermittlung des zustands von banknoten
EP2795589B1 (de) Verfahren und vorrichtung zur prüfung eines sicherheitsmerkmals eines wertdokuments
DE2844156A1 (de) Verfahren zum verifizieren eines sprechers
EP1897067B1 (de) Verfahren und vorrichtung zur erkennung einer münze unter verwendung ihres prägebildes
DE102008041944A1 (de) Datenverarbeitungsverfahren zur Generierung eines Klassifikators und zur Überprüfung der Echtheit eines Dokuments, Vorrichtung zur Überprüfung der Echtheit eines Dokuments und Computerprogrammprodukt
EP0553402B1 (de) Einrichtung zur Klassifizierung eines Musters, insbesondere von einer Banknote oder von einer Münze
EP2795591A1 (de) Verfahren und vorrichtung zur untersuchung eines wertdokuments
WO2008034599A2 (de) Verfahren und vorrichtung zur bildverarbeitung
WO2006010559A1 (de) Verfahren für die prüfung von banknoten mittels mustererkennung
DE19942223C2 (de) Klassifikationsverfahren mit Rückweisungsklasse
DE10045360A1 (de) Verfahren zur Klassifizierung von Dokumenten
WO2013091841A1 (de) Verfahren und vorrichtung zur bestimmung von klassifizierungsparametern für die klassifizierung von banknoten
WO2004017252A1 (de) Verfahren zur signalauswertung eines elektronischen bildsensors bei der mustererkennung von bildinhalten eines prüfkörpers
DE102023107278B3 (de) Verfahren zum Authentifizieren einer auf ihrem Substrat mindestens eine bedruckte Fläche aufweisenden Banknote
DE10256114A1 (de) Verfahren und Vorrichtung zur Prüfung von Wertdokumenten
DE60223007T2 (de) Benutzung von Gruppendiversität zur automatischen Bestimmung von Merkmalen
EP0964391A2 (de) Vorrichtung zur Verifizierung von Signalen

Legal Events

Date Code Title Description
PL Patent ceased