CN105632015A - 一种基于云平台的银行票据指纹特征防伪鉴别方法 - Google Patents

Abstract

本发明公开了一种基于云平台的银行票据指纹特征防伪鉴别方法，包括如下步骤：S1，采集大张票据的多光谱图像；S2，对采集的所述多光谱图像进行预处理，得到标准的单张票据图像，并将所有的单张票据图像的指纹特征存储到云平台；S3，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过双色纤维检测、荧光图案检测、红外图像消隐特征检测分别对采集的图像信息进行检测；S4，当三种检测均判定待检测票据为真时，判定待检测票据为真，否则，判定待检测票据为假。该方法消除了单一的票据鉴别技术进行防伪鉴定的弊端，有效地提高了防伪鉴定的准确性。

Description

一种基于云平台的银行票据指纹特征防伪鉴别方法

技术领域

本发明涉及一种金融票据防伪鉴别方法，尤其涉及一种基于云平台的银行票据指纹特征防伪鉴别方法，属于防伪鉴伪技术领域。

背景技术

随着国民经济的快速发展，金融票据的应用越来越广泛。但目前金融票据在管理、使用和鉴伪方面还存在一些问题，社会上的不法分子把作案目标直接瞄准了银行，金融票据诈骗案件时有发生，给国家造成重大的经济损失。现有的金融票据鉴伪方法主要依靠人工定性分析为主，所存在的问题是人工鉴别强度大、耗时久，且容易由于疲劳或疏忽造成误检。

纤维是票据的重要防伪标志之一，而且不同票据中纤维位置的随机分布不一样。因此，在现有的票据防伪鉴别方法中，常常采用提取纤维特征进行票据防伪鉴别。在紫外光照射下，纤维有荧光效应，便于提取防伪特征。但是，在这个防伪鉴别过程中，票据表面的纤维特征提取是关键步骤和难题。由于票据表面的背景非常复杂，包括文字、边框、荧光标志和平缓区域等，灰度分布范围很广，而纤维目标比较小，虽然灰度大致分布在高亮区，但与背景灰度分布并没有明显的界限，区分比较困难。而且实践中要求对于同一张票据用结构相似的机器提取纤维特征，其结果要一致，这就要求特征提取方法的自适应性和稳定性都要好。

为了解决上述问题，在专利号为ZL201110362933.1的中国发明专利中提出了一种基于纤维个性化特征的票据防伪鉴别方法，包括如下步骤：对摄像机获取到的票据图像进行处理，得到标准化的票据图像；采用极大值滤波器进行图像滤波，将票据图像中的多类对象转化成平缓区域背景和纤维目标两类对象；采用优化的二维熵分割算法分割票据图像，检测纤维目标；提取纤维目标的防伪特征，防伪特征为质心坐标、面积、曲率和矩特征中的一个或多个；基于防伪特征进行特征匹配，鉴别票据的真伪。该方法融合了极大值滤波和改进二维熵的纤维小目标检测技术，具有很好的自适应性和稳定性。

虽然上述方法能在一定程度上提高防伪鉴别的准确性。但是，随着科学技术的发展和进步，违法分子制作假票据的水平也随着新版票据的出现而变化，造假水平也越来越高。单一的票据鉴别技术难以保证对票据进行防伪鉴定的准确性。

发明内容

针对现有技术的不足，本发明所要解决的技术问题在于提供一种基于云平台的银行票据指纹特征防伪鉴别方法。

为实现上述发明目的，本发明采用下述的技术方案：

一种基于云平台的银行票据指纹特征防伪鉴别方法，包括如下步骤：

S1，采集大张票据的多光谱图像；

S2，对所述多光谱图像进行预处理，得到标准的单张票据图像，将所有的单张票据图像的指纹特征存储到云平台；

S3，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过双色纤维检测、荧光图案检测、红外图像消隐特征检测分别对所述图像信息进行检测；

S4，当三种检测均判定待检测票据为真时，判定待检测票据为真，否则，判定待检测票据为假。

其中较优地，在步骤S2中，对所述多光谱图像进行预处理，得到标准的单张票据图像，包括如下步骤：

S21，依据畸变系数和畸变模型，对采集的大张票据的多光谱图像进行畸变校正；

S22，对进行畸变校正后得到的图像，进行定标裁剪得到标准的单张票据图像。

其中较优地，在步骤S22中，对进行畸变校正后得到的图像，进行定标裁剪得到标准的单张票据图像，包括如下步骤：

S221，对于大张票据的白光反射图像WIMG，将RGB颜色空间转换到HSV颜色空间；

S222，采用固定阈值分割方法，将白光反射图像WIMG中H、S分量分别在第一固定区间内的像素点作为目标点，得到二值分割图像；

S223，采用与票据水溶线尺寸相同的矩形窗对图像进行扫描，统计矩形窗内的目标点数目，如果目标点数据超出矩形窗尺寸的1/3，则检测到水溶线位置，记录矩形窗中心位置为(x0,y0)；

S224，以坐标点(x0-w1,y0-h1)为票据起点，依据票据尺寸进行单张票据图像的裁剪，得到标准的单张票据图像，其中，w1为票据水溶线区域中心距离票据左侧的距离，h1为票据水溶线区域中心距离票据上侧的距离。

其中较优地，在步骤S3中，采集待检测票据的图像信息，通过双色纤维检测对采集的图像信息进行检测，包括如下步骤：

S301，分别采集待检测票据的正面的紫外反射图像FIMG和背面的紫外反射图像BIMG，并将其转换成HSV格式的图片；

S302，根据票据中红蓝纤维的特点，将HSV格式的图片中H、S分量分别在第二固定区间内的像素点作为目标点，进行H、S分量粗分割，在V分量上采用OTSU阈值分割算法进行图像细分割；

S303，对分割后的图形进行纤维目标提取；

S304，获取同一条纤维分别在正面的紫外反射图像FIMG和背面的紫外反射图像BIMG中呈现的纤维，对正面的紫外反射图像FIMG和背面的紫外反射图像BIMG中的纤维进行匹配，如果两条纤维相匹配,待检测票据通过双色纤维检测；否则，待检测票据为假票。

其中较优地，在进行双色纤维检测待检测票据的真伪时，进一步通过双色特性判决待检测票据的真伪。

其中较优地，所述通过双色特性判决待检测票据的真伪包括如下步骤：

对于同一条纤维，分别提取其在正面的紫外反射图像FIMG和背面的紫外反射图像BIMG中H分量的最小值、平均值和最大值，分别记为

构建的双色特性判决函数为：

判断F的值；如果F不为零，则所述纤维满足双色特性，待检测票据为真；否则，所述纤维不满足双色特性，待检测票据为假。

其中较优地，在步骤S3中，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过荧光图案检测对采集的图像信息进行检测，包括如下步骤：

S311，分别采集待检测票据的正面的紫外反射图像FIMG和背面的紫外反射图像BIMG，并将其转换成HSV格式的图片；

S312，对正面的紫外反射图像FIMG的V分量，进行小波变换，获取变换后的低频信息FIMG0；

S313，对所述低频信息FIMG0的V分量，采用OTSU阈值分割算法进行图像细分割；

S314，从云平台提取标准的单张票据图像的指纹特征，将细分割后的图像的荧光图案特征与标准的单张票据图像的荧光图案特征进行匹配，通过相关系数的值判断票据的真假。

其中较优地，在步骤S314中，所述相关系数的计算公式为：

其中，FIMG0(x，y)为正面的紫外反射图像FIMG在V分量上的低频信息；MIMG(x，y)为标准的单张票据图像的二值模板图像；当相关系数大于荧光图案检测阈值时，判定荧光图案满足防伪要求；票据为真；否则，判定荧光图案不满足防伪要求，票据为假。

其中较优地，在步骤S3中，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过红外图像消隐特征检测对采集的图像信息进行检测，包括如下步骤：

S321，分别采集待检测票据的正面的红外反射图像RIMG和白光反射图像WIMG，并转换为灰度图像；

S322，对待检测票据的正面的红外反射图像RIMG和白光反射图像WIMG的灰度图像，分别进行小波变换，获得变换后的低频信息RIMG0和WIMG0；

S323，对低频信息RIMG0和WIMG0分别构建对应的阈值图像，进行阈值图像分割，得到对应的二值图像RIMG1和WIMG1；

S324，融合二值图像RIMG1和WIMG1，得到二值图像RWIMG1：

S325，从云平台提取标准的单张票据图像的红外图像的二值模板图像，采用相关匹配算法将所述二值图像与所述二值模板图像进行匹配，如果匹配成功，则带检测票据的红外消隐特性满足防伪要求，票据为真；否则，判定带检测票据的红外消隐特性不满足防伪要求，票据为假。

其中较优地，在步骤S323中，对低频信息RIMG0构建阈值图像，包括如下步骤：

对于任一像素点(x,y)，计算其邻域窗口内的灰度均值M1；

判断不等式RIMG0(x,y)>M1是否成立，如果成立，点(x,y)处的阈值图像TIMG(x,y)＝M1；

否则，计算最佳分割阈值t，点(x,y)处的阈值图像TIMG(x,y)＝t。

本发明所提供的基于云平台的银行票据指纹特征防伪鉴别方法，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过双色纤维检测、荧光图案检测、红外图像消隐特征检测分别对采集的图像信息进行检测；当三种检测均判定待检测票据为真时，判定待检测票据为真，当三种检测有一种判定待检测票据为假时，判定待检测票据为假。消除了单一的票据鉴别技术进行防伪鉴定的弊端，有效地提高了防伪鉴定的准确性。

附图说明

图1为本发明所提供的基于云平台的银行票据指纹特征防伪鉴别方法的流程图；

图2为银行大张票据的多光谱图像采集***的电路连接示意图；

图3为本发明所提供的防伪鉴别方法中，采用高清网络摄像机采集银行大张汇票的多光谱图像的结构示意图；

图4为本发明所提供的防伪鉴别方法中，单台摄像机与光源、汇票的位置分布示意图；

图5为本发明所提供的防伪鉴别方法中，像素灰度分布直方图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。

如图1所示，本发明所提供的基于云平台的银行票据指纹特征防伪鉴别方法，包括如下步骤：首先，通过摄像机采集大张票据的多光谱图像；其次，对采集的大张票据的多光谱图像进行预处理，得到标准的单张票据图像，并将所有的单张票据图像的指纹特征存储到云平台；然后，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过双色纤维检测、荧光图案检测、红外图像消隐特征检测分别对采集的待检测票据的图像信息进行检测；当三种检测均判定待检测票据为真时，判定待检测票据为真，当三种检测有一种判定待检测票据为假时，判定待检测票据为假。其中，在本发明所提供的实施例中，银行票据的指纹特征包括银行票据的双色纤维特征、荧光图案特征以及红外图像消隐特征等。下面对这一过程做详细具体的说明。

S1，通过摄像机采集大张票据的多光谱图像。

在本发明所提供的实施例中，大张票据由20张标准银行票据组成，通过摄像机采集大张票据的多光谱图像，是采用4台高清网络摄像机采集银行的大张汇票的多光谱图像。或者采用CMOS线阵相机模组采集大张票据的多光谱图像。在本发明所提供的实施例中，以4台高清网络摄像机采集银行的大张汇票的多光谱图像为例进行说明。其中，用4台高清网络摄像机采集银行的大张票据的多光谱图像采用银行大张票据的多光谱图像采集***进行实现。银行大张票据的多光谱图像采集***的电路连接如图2所示。

硬件设备主要包括ARM控制板、光源模块、高清网络摄像机(摄像机)三个部分。其中，ARM控制板主要用于电源控制，按照前端计算机的命令给不同的光源(红外光、紫外光和白光)和4台高清网络摄像机上电。ARM版采用了LPC2131芯片，采用LPC2131芯片的LPC2131微控制器是基于一个支持实时仿真和嵌入式跟踪的ARM7TDMI-SCPU。

在选用高清网络摄像机时，为了采集高清晰的银行票据图像，采用千万像素级的高清晰摄像机。除此之外，由于需要采集图像的红外光谱特征，需要卸除相机前端的700nm低通滤色片。

为了采集多光谱银行票据图像，光源模块采用三种LED光源，包括红外、紫外光源和白光，三种光源集成在一个光源板上，分别具有独立12V电源，由ARM控制板控制，可单独或同时上电。

下面对采用4台高清网络摄像机采集银行大张票据的多光谱图像进行说明。采集区域示意如图3所示。其中上方2台摄像机各采集4幅票据图像，下方2台摄像机各采集6幅票据图像。

光源包括红外光、紫外光和白光，分为上下两组，单台摄像机与光源、票据的位置分布如图4所示，上面一组光源板提供光源，用于采集票据反射光谱图像，下面一组光源板提供光源，用于采集票据透射光谱图像。通过红外光、紫外光和白光的不同光变换，可以采集需要的光源照射下的图像信息。

S2，对采集的大张票据的多光谱图像进行预处理，得到标准的单张票据图像，并将所有的单张票据图像的指纹特征存储到云平台。

当通过摄像机采集到大张票据的多光谱图像之后，由于摄像机镜头一般存在畸变，而且进行待检测票据的检测时需要与单张票据的指纹特征进行核对，所以需要对采集的大张票据的多光谱图像进行预处理，得到标准的单张票据图像，并提取单张票据图像的指纹特征，将所有的单张票据图像的指纹特征存储到云平台，以备后续进行核验时数据的提供。其中，对采集的大张票据的多光谱图像进行预处理，得到标准的单张票据图像，具体包括如下步骤：

S21，依据畸变系数和畸变模型，对采集的大张票据的多光谱图像进行畸变校正。

摄像机镜头一般存在畸变，因此需要对采集的大张票据的多光谱图像进行畸变校正。大张票据采集镜头的畸变以径向畸变为主，且畸变程度不大。故以一阶径向畸变为畸变模型，表示为：

$\left\{\begin{array}{c}{x}_u=x_d(k_0+k_1{r_d}^2)\\ y_u=y_d(k_0+k_1{r_d}^2)\end{array}\right.$

其中，x_u,y_u为理想图像坐标；x_d，y_d为畸变图像坐标，r_d表示点(x_d,y_d)与坐标原点的距离，即k₀、k₁为畸变系数。

上式可改写为：

$\left\{\begin{array}{c}\frac{x_u}{x_d}=k_0+k_1{r_d}^2\\ \frac{y_u}{y_d}=k_0+k_1{r_d}^2\end{array}\right.$

令r_d ²＝x，则畸变模型可表示为：

y＝k₀+k₁x

上式有两个未知的畸变参数。为了求取这两个参数，采用棋盘格对摄像机进行标定，得到n对控制点{(x_i,y_i)；i＝1,2,...,n}， 结合畸变模型，采用累加和方法，构建函数组：

$\left\{\begin{array}{c}{\underset{i=1}{\overset{n}{\Σ}}}^{\left(1\right)}{y}_i=k_0{\underset{i=1}{\overset{n}{\Σ}}}^{\left(1\right)}+k_1{\underset{i=1}{\overset{n}{\Σ}}}^{\left(1\right)}{x}_i\\ {\underset{i=1}{\overset{n}{\Σ}}}^{\left(2\right)}{y}_i=k_0{\underset{i=1}{\overset{n}{\Σ}}}^{\left(2\right)}+k_1{\underset{i=1}{\overset{n}{\Σ}}}^{\left(2\right)}{x}_i\end{array}\right.$

其中，上标(1)和(2)分别表示1阶和2阶累积和，k阶累积和的定义为

${\underset{i=1}{\overset{n}{\Σ}}}^{\left(k\right)}{x}_i=\underset{i=1}{\overset{n}{\Σ}}{\underset{j=1}{\overset{i}{\Σ}}}^{(k-1)}{x}_j$

而表示k阶基本累积和，计算公式为

${\underset{i=1}{\overset{n}{\Σ}}}^{\left(k\right)}=\frac{1}{k!}n(n+1)...(n+k-1)$

若 $\mathrm{\Δ}=\left|\begin{array}{cc}{\underset{i=1}{\overset{n}{\Σ}}}^{\left(1\right)}& {\underset{i=1}{\overset{n}{\Σ}}}^{\left(1\right)}{x}_i\\ {\underset{i=1}{\overset{n}{\Σ}}}^{\left(2\right)}& {\underset{i=1}{\overset{n}{\Σ}}}^{\left(2\right)}{x}_i\end{array}\right|\≠0,$ 可得畸变系数为：

$\left[\begin{array}{c}{k}_0\\ k_1\end{array}\right]={\left[\begin{array}{cc}{\underset{i=1}{\overset{n}{\Σ}}}^{\left(1\right)}& {\underset{i=1}{\overset{n}{\Σ}}}^{\left(1\right)}{x}_i\\ {\underset{i=1}{\overset{n}{\Σ}}}^{\left(2\right)}& {\underset{i=1}{\overset{n}{\Σ}}}^{\left(2\right)}{x}_i\end{array}\right]}^{-1}\left[\begin{array}{c}{\underset{i=1}{\overset{n}{\Σ}}}^{\left(1\right)}{y}_i\\ {\underset{i=1}{\overset{n}{\Σ}}}^{\left(2\right)}{y}_i\end{array}\right]$

依据畸变系数和畸变模型，进行畸变校正。对于畸变图像坐标(x_u,y_u)，对应的校正坐标(x_d,y_d)为

$\left\{\begin{array}{c}{x}_d=x_u\frac{r_d}{r_u}\\ y_d=y_u\frac{r_d}{r_u}\end{array}\right.$

其中，rd为点(x_u,y_u)与坐标原点的距离，即即大张票据的多光谱图像坐标到坐标原点的距离，r_d表示点(x_d,y_d)与坐标原点的距离，即校正坐标到坐标原点的距离；

r_d满足如下条件：

$r_u=(k_0+k_1{r_d}^2)\sqrt{{x_d}^2+{y_d}^2}=r_d(k_0+k_1{r_d}^2)$

对于校正后的坐标(x_d,y_d)，通过双线性插值方法计算校正后图像上(x_u,y_u)点的灰度值。

S22，对进行畸变校正后得到的图像，进行定标裁剪得到标准的单张票据图像。

考虑到票据水溶线位置相对固定，且易于检测。因此，本发明依据票据水溶线位置进行定标，按照票据尺寸的先验知识进行图像裁剪。对进行畸变校正后得到的图像，进行定标裁剪得到标准的单张票据图像，具体包括如下步骤：

S221，对于大张票据的白光反射图像WIMG，将RGB颜色空间转换到HSV颜色空间，转换公式如下：

$\left[\begin{array}{c}V\\ V_1\\ V_2\end{array}\right]=\left[\begin{array}{ccc}\frac{1}{3}& \frac{1}{3}& \frac{1}{3}\\ \frac{-1}{\sqrt{6}}& \frac{-1}{\sqrt{6}}& \frac{2}{\sqrt{6}}\\ \frac{1}{\sqrt{6}}& \frac{-1}{\sqrt{6}}& 0\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right];$

$H=arctan\left\{\frac{V_2}{V_1}\right\};$

$S={({V_1}^2+{V_2}^2)}^{\frac{1}{2}};$

其中，RGB是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色***之一。HSV(Hue,Saturation,Value)是一种颜色空间,也称六角锥体模型(HexconeModel)，这个模型中颜色的参数分别是：色调(H)、饱和度(S)、亮度(V)。V₁和V₂为亮度的中间变量。

S222，采用固定阈值分割方法，将白光反射图像WIMG中H、S分量分别在第一固定区间内的像素点作为目标点，得到二值分割图像；其中，白光反射图像WIMG中H、S分量的第一固定区间分别为[270，360]、[0.0,0.2]。

S223，采用尺寸为950×160的矩形窗对图像进行扫描，其中，采集***采集的票据图像中，水溶线区域的宽度约为950，高度约为160。统计矩形窗内的目标点数目，如果目标点数据超出矩形窗尺寸的1/3，则认为检测到水溶线位置，此时记录矩形窗中心位置为(x0,y0)；

S224，依据票据尺寸的先验知识进行单张票据图像的裁剪，票据起点坐标为(x0-w1,y0-h1)，裁剪图像尺寸为2048×1536。其中，w1为票据水溶线区域中心距离票据左侧的距离，h1为票据水溶线区域中心距离票据上侧的距离，在本发明所提供的实施例中，w1＝760,H1＝590。采集***采集的票据图像中，单张票据区域的宽度约为2048，高度约为1536。

按照上述步骤，从大张票据进行畸变校正后得到的图像中切分出所有单张票据图像，并将所有的单张票据图像以及其包含的指纹特征存储到云平台，有效地保证了标准的单张票据图像的准确性和全面性，提高了防伪检测数据来源的全面性，进而提高了检测的准确性，存储到云平台有效地节省了本地的存储空间。

S3，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过双色纤维检测、荧光图案检测、红外图像消隐特征检测分别对采集的带检测票据的图像信息进行检测。

对待检测票据进行真伪检验时，分别采用双色纤维检测、荧光图案检测、红外图像消隐特征检测对采集的图像信息进行检测，只有当三种检测均判定待检测票据为真时，判定待检测票据为真，当三种检测有一种检测判定待检测票据为假时，判定待检测票据为假。三种检测的顺序可以根据需要进行调整，下面分别进行说明。

采集待检测票据的图像信息，通过双色纤维检测对采集的图像信息进行检测，具体包括如下步骤：

S301，控制光源，分别采集待检测票据的正面的紫外反射图像FIMG和背面的紫外反射图像BIMG，并将其转换成HSV格式的图片。

控制光源，分别采集待检测票据的正面的紫外反射图像FIMG和背面的紫外反射图像BIMG，采集的图像是RGB24格式，由于RGB分量易受光源亮度影响，故将其转换为HSV颜色空间。

S302，根据票据中红蓝纤维的特点，将HSV格式的图片中H、S分量分别在第二固定区间内的像素点作为目标点，进行H、S分量粗分割，在V分量上采用OTSU阈值分割算法进行图像细分割。

2010版票据中的纤维有红蓝两种颜色，统计发现，其H分量分别在区间[270，360]和[160，240]内，S分量都在区间[0.3,0.6]内。为此，这里采用固定阈值法，将H分量的区间[270，360]和[160，240]以及S分量的区间[0.3,0.6]作为第二固定区间，对图像FIMG和BIMG的HS分量进行粗分割。

具体是，纤维区域的任意像素点(i,j)满足以下条件：

$\left\{\begin{array}{c}0.3\≤S(i,j)\≤0.6\\ 160\≤H(i,j)\≤240\end{array}\right.$ 或者270≤H(i,j)≤360

图像分割后，目标像素值记为1，背景像素值记为0，下同。

HS分量粗分割过程中，阈值设置比较宽松，这样尽管不会漏检纤维像素，但部分非纤维像素会被误检。

统计发现，在V分量上，纤维区域一般亮度较大。尽管在整幅图像中，部分背景区域的像素亮度也较大，但是在纤维附近的邻域内，纤维像素的亮度与其附近背景像素的亮度差异较大。为此，这里在粗分割得到的各个纤维区域内，针对V分量，采用分割效果稳定、自适应性强的OTSU阈值分割算法进行图像细分割，从而剔除部分被误检的非纤维像素。

其中，OTSU算法的数学描述如下：设图像区域中亮度值i出现的概率p(i)＝ni/N(i＝0,1,…,255)，N是图像区域内像素总数，ni是亮度值为i的像素点个数。针对阈值t将图像区域内像素分为目标(M)和背景(B)两类，目标亮度值大于背景亮度值。

记： $w_B\left(t\right)=\underset{i=0}{\overset{t}{\Σ}}{n}_i/N;$

$w_M\left(t\right)=\underset{i=t+1}{\overset{255}{\Σ}}{n}_i/N;$

${\mathrm{\μ}}_B\left(t\right)=(\underset{i=0}{\overset{t}{\Σ}}i\·p(i\left)\right)/w_B\left(t\right);$

${\mathrm{\μ}}_M\left(t\right)=(\underset{i=t+1}{\overset{255}{\Σ}}i\·p(i\left)\right)/w_M\left(t\right);$

则类间方差σ(t)可以表示为：

σ(t)＝w_B(t)w_M(t)(μ_B(t)-μ_M(t))²；

遍历所有灰度值，选取使σ(t)最大的阈值t，即：

$t=Arg\left\{\underset{100\≤x\≤255}{max}\mathrm{\σ}\left(t\right)\right\}$

一般地，在相似的采集结构中，纤维亮度都在100以上，为了减少误分割和时间消耗，设置纤维亮度的下限为100，此时阈值t取值为：

$t=Arg\left\{\underset{100\≤x\≤255}{max}\mathrm{\σ}\left(t\right)\right\}$

依据阈值t，将纤维区域进行细分割，亮度值大于t的像素点为目标点，剔除部分被误检的非纤维像素。

S303，对分割后的图形进行纤维目标提取。

对于分割后的图像，采用中值滤波和数学形态学相结合的方法标记纤维目标，步骤如下：

S3031，对于分割后的图像使用中值滤波消除孤立噪声点；

S3032，采用数学形态学中的膨胀和腐蚀操作，去除图像的“孔洞”；

S3033，采用8-邻接连通方法，对检测出来的二值图像进行标识。另外，由于纤维目标包含的像素数在一个有限的范围内(一般为40～200，单位：像素)，可以采用双阈值法剔除虚假目标，阈值下限设为40，上限设为200。其中，中值滤波、数学形态学中的膨胀和腐蚀操作以及8-邻接连通方法为本领域公知方法，在此便不再赘述了。

S304，获取同一条纤维分别在FIMG和BIMG中呈现的纤维，对FIMG和BIMG中的纤维进行匹配，如果两条纤维相匹配,待检测票据通过双色纤维检测；否则，待检测票据为假票。

同一条纤维在FIMG和BIMG中会呈现红蓝双色效应。因此，进行双色特性检测之前，首先要对FIMG和BIMG中的纤维进行匹配，也就是找出FIMG中的某条纤维在BIMG中对应的是哪一条纤维。

假设图像FIMG中的某条纤维的最大包围矩形为：

$R_{FIMG}=\left\{(x,y)\right|x_{\min }^{FIMG}<x<x_{\max }^{FIMG},y_{\min }^{FIMG}<y<y_{\max }^{FIMG}\}$

其中，(x,y)为该纤维上的任一像素点。

同理，假设图像BIMG中的某条纤维的最大包围矩形为：

$R_{BIMG}=\left\{(x,y)\right|x_{\min }^{BIMG}<x<x_{\max }^{BIMG},y_{\min }^{BIMG}<y<y_{\max }^{BIMG}\}$

这里定义两个函数：

其中，函数Bound用于描述点(x,y)是否在矩形R₁＝{(x,y)|x₁≤x≤x₂,y₁≤y≤y₂}内；函数Cross用于描述矩形R₂＝{(x,y)|x_l≤x≤x_r,y_t≤y≤y_b}和矩形R₁＝{(x,y)|x₁≤x≤x₂,y₁≤y≤y₂}是否呈十字交叉状态。

由于同一纤维在FIMG和BIMG的位置满足水平镜像条件，因此，这里构造如下判决函数：

$\begin{array}{c}f=Bound(W-x_{\min }^{BIMG},y_{\min }^{BIMG},x_{\min }^{FIMG},x_{\max }^{FIMG},y_{\min }^{FIMG},y_{\max }^{FIMG})\\ +Bound(W-x_{\min }^{BIMG},y_{\max }^{BIMG},x_{\min }^{FIMG},x_{\max }^{FIMG},y_{\min }^{FIMG},y_{\max }^{FIMG})\\ +Bound(W-x_{\max }^{BIMG},y_{\min }^{BIMG},x_{\min }^{FIMG},x_{\max }^{FIMG},y_{\min }^{FIMG},y_{\max }^{FIMG})\\ +Bound(W-x_{\max }^{BIMG},y_{\max }^{BIMG},x_{\min }^{FIMG},x_{\max }^{FIMG},y_{\min }^{FIMG},y_{\max }^{FIMG})\\ +Bound(W-x_{\min }^{FIMG},y_{\min }^{FIMG},x_{\min }^{BIMG},x_{\max }^{BIMG},y_{\min }^{BIMG},y_{\max }^{BIMG})\\ +Bound(W-x_{\min }^{FIMG},y_{\max }^{FIMG},x_{\min }^{BIMG},x_{\max }^{BIMG},y_{\min }^{BIMG},y_{\max }^{BIMG})\\ +Bound(W-x_{\max }^{FIMG},y_{\min }^{FIMG},x_{\min }^{BIMG},x_{\max }^{BIMG},y_{\min }^{BIMG},y_{\max }^{BIMG})\\ +Bound(W-x_{\max }^{FIMG},y_{\max }^{FIMG},x_{\min }^{BIMG},x_{\max }^{BIMG},y_{\min }^{BIMG},y_{\max }^{BIMG})\\ +Cross(W-x_{\min }^{FIMG},W-x_{\max }^{FIMG},y_{\min }^{FIMG},y_{\max }^{FIMG},x_{\min }^{BIMG},x_{\max }^{BIMG},y_{\min }^{BIMG},y_{\max }^{BIMG})\\ +Cross(W-x_{\min }^{BIMG},W-x_{\max }^{BIMG},y_{\min }^{BIMG},y_{\max }^{BIMG},x_{\min }^{FIMG},x_{\max }^{FIMG},y_{\min }^{FIMG},y_{\max }^{FIMG})\end{array}$

其中，W表示图像的宽度。

如果f不为零，表明两条纤维是相匹配的,待检测票据通过双色纤维检测；否则，表明两条纤维不匹配。

在本发明所提供的实施例中，在进行双色纤维检测待检测票据的真伪时，还可以通过双色特性判决待检测票据的真伪。对于同一条纤维，分别提取其在FIMG和BIMG中H分量的最小值、平均值和最大值，分别记为

由于纤维嵌入纸张的深度不同，故纤维上各像素点的H值也有偏差。因此，判决双色特性时，不能要求纤维上的所有像素都满足双色特性，也不能要求票据中的所有纤维都满足双色特性。这里构建的双色特性判决函数为：

如果F不为零，表明该纤维满足双色特性，待检测票据为真；否则，表明该纤维不满足双色特性，待检测票据为假。

在待检测票据的图像中，检测所有满足双色特性的纤维位置和形状，可以作为后续进一步纤维分类的依据。

采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过荧光图案检测对采集的图像信息进行检测，具体包括如下步骤：

S311，控制光源，分别采集待检测票据的正面的紫外反射图像FIMG和背面的紫外反射图像BIMG，并将其转换成HSV格式的图片。

S312，对正面的紫外反射图像FIMG的V分量，进行小波变换，保留变换后的低频信息FIMG0作为后续处理的图像信息。

小波变换的贡献有两个方面，一是在保留图像主要信息的前提下降低待处理图像的尺寸，从而降低后续图像处理各个阶段的运算量；二是减小光照和噪声的干扰，增强指纹特征检测方法的鲁棒性。在本发明所提供的实施例中，所用的小波变换的公式为：

其中，W(j,m,n)系数为在尺度j处图像f(x,y)的近似，φ为Haar小波尺度函数，用公式表示为：

S313，对低频信息FIMG0的V分量，采用OTSU阈值分割算法进行图像细分割。

对FIMG0的V分量，采用前述的OTSU阈值分割算法进行图像细分割。同样，在相似的采集结构中，荧光图案各像素的亮度都在100以上，为了减少误分割和时间消耗，设置亮度下限为100，此时阈值t取值为：

$t=Arg\left\{\underset{100\&le;x\&le;255}{max}\mathrm{\&sigma;}\left(t\right)\right\}$

在分割时，亮度值大于t的像素点为目标点，依据阈值t分割后的二值图像中，不仅包含图案，而且包含部分纤维。由于纤维目标相对于图案目标来讲非常小，对图案特征检测结果影响很小，故无需剔除纤维目标。

S314，从云平台提取标准的单张票据图像的指纹特征，将细分割后的图像的荧光图案特征与标准的单张票据图像的荧光图案特征进行匹配，通过相关系数的值判断票据的真假。

从云平台提取标准的单张票据图像的指纹特征，假设相同尺寸下标准的单张票据图像的荧光图案的二值模板图像为MIMG，在本发明所提供的实施例中，采用相关匹配方法进行模板匹配，相关系数的计算公式为：

$r=\frac{\underset{y=1}{\overset{H}{\&Sigma;}}\underset{x=1}{\overset{W}{\&Sigma;}}FIMG0(x,y)\&CenterDot;MIMG(x,y)}{\sqrt{\underset{y=1}{\overset{H}{\&Sigma;}}\underset{x=1}{\overset{W}{\&Sigma;}}FIMG0{(x,y)}^2}\&CenterDot;\sqrt{\underset{y=1}{\overset{H}{\&Sigma;}}\underset{x=1}{\overset{W}{\&Sigma;}}MIMG{(x,y)}^2}}$

由于待匹配图像(细分割后的图像)和模板图像(标准的单张票据图像)都是二值图像，背景和目标分别用0和1表示。故r可以用下式进行快速计算：

其中，&表示“与”运算。

设定荧光图案检测阈值，在本发明所提供的实施例中，荧光图案检测阈值设为70，如果r>70，判定荧光图案满足防伪要求；否则，判定荧光图案不满足防伪要求，票据为假票。

采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过红外图像消隐特征检测对采集的图像信息进行检测，具体包括如下步骤：

S321，控制光源，分别采集待检测票据的正面的红外反射图像RIMG和白光反射图像WIMG，并将其将其通过公式：转换为灰度图像。

控制光源，分别采集待检测票据的正面的红外反射图像RIMG和白光反射图像WIMG。采集的图像是RGB24格式，将其转换为灰度图像，公式如下：

$V=\frac{1}{3}(R+G+B)$

其中，RGB分别代表红、绿、蓝三个通道的颜色，V表示HSV颜色空间中的亮度(V)。

S322，对待检测票据的正面的红外反射图像RIMG和白光反射图像WIMG的灰度图像，分别进行小波变换，保留变换后的低频信息RIMG0和WIMG0作为后续处理的图像信息。

对待检测票据的正面的红外反射图像RIMG和白光反射图像WIMG的灰度图像，分别进行小波变换，保留变换后的低频信息RIMG0和WIMG0作为后续处理的图像信息。小波变换的作用和实现方法与前面的描述相同。在此便不再赘述。

S323，对低频信息RIMG0和WIMG0分别构建对应的阈值图像TIMG，进行阈值图像分割，得到对应的二值图像RIMG1和WIMG1。

从灰度分布来看，线框、印刷字体、手写字体等目标的灰度分布有差异，与票据纸张等背景的灰度差异不够显著，难以依据一个或者几个阈值来有效地分割线框、字体等目标。在本发明所提供的实施例中，提出了一种新的阈值图像分割算法，可以有效分割线框、字体等目标。具体包括如下步骤：

S3231，对低频信息RIMG0和WIMG0分别构建对应的阈值图像TIMG。在本发明所提供的实施例中，对于低频信息RIMG0或WIMG0(这里简记为f)，构建对应的阈值图像TIMG，步骤如下：

S32311，对于任一像素点(x,y)，计算其邻域窗口内的灰度均值M1；

S32312，判断不等式f(x,y)>M1是否成立，如果成立，转入步骤S32313；否则，转入步骤S32314；

S32313，点(x,y)处的阈值图像TIMG(x,y)＝M1；

S32314，计算最佳分割阈值t，点(x,y)处的阈值图像TIMG(x,y)＝t；具体包括如下步骤：

首先，计算邻域窗口(11×11)内像素灰度分布直方图p[i]＝ni/N(i＝0,1,…,255)，ni是亮度值为i的像素点个数，N是图像区域内像素总数，这里N＝11×11＝121；

然后，按照灰度值从M1到2的方向搜索直方图的第一个谷值点M2(如图5所示)；M2满足条件(p[M2+1]<p[M2-2]且p[M2-1]<p[M2+2])；

判断M1和M2的是否相等，如果M2＝M1，则TIMG(x,y)＝M1；否则，在M1和M2之间利用OTSU算法选择最佳分割阈值t：

$t=Arg\left\{\underset{M_2\&le;t\&le;M_1}{max}\mathrm{\&sigma;}\left(t\right)\right\}$

其中，利用OTSU算法选择最佳分割阈值t前已述及，在此便不再赘述了。

此时TIMG(x,y)＝t。S3232，采用如下公式进行阈值图像分割，得到对应的二值图像RIMG1和WIMG1。

这样，灰度图像RIMG0和WIMG0经过分割后，对应的二值图像分别记为RIMG1和WIMG1。

S324，融合二值图像RIMG1和WIMG1，得到二值图像RWIMG1：

RWIMG1中的目标点主要是红外图像下消隐的边框和字体。

S325，从云平台提取标准的单张票据图像的红外图像的二值模板图像MIMG2，采用相关匹配算法将二值图像RWIMG1与二值模板图像MIMG2进行匹配，如果匹配成功，则带检测票据的红外消隐特性满足防伪要求，票据为真；否则，判定带检测票据的红外消隐特性不满足防伪要求，票据为假。

从云平台获取标准的单张票据图像的指纹特征，假设相同尺寸下标准的单张票据图像的红外图像的二值模板图像为MIMG2，在本发明所提供的实施例中，采用相关匹配方法进行模板匹配，

相关系数的计算公式为：

设定荧光图案检测阈值，在本发明所提供的实施例中，荧光图案检测阈值设为70，如果r>70，判断红外消隐特性满足防伪要求，票据为真；否则，判定红外消隐特性不满足防伪要求，票据为假。

S4，当三种检测均判定待检测票据为真时，判定待检测票据为真，否则，判定待检测票据为假。

综上所述，本发明所提供的基于云平台的银行票据指纹特征防伪鉴别方法，通过摄像机采集大张票据的多光谱图像；对采集的大张票据的多光谱图像进行预处理，得到标准的单张票据图像，并将所有的单张票据图像的指纹特征存储到云平台，有效地保证了标准的单张票据图像的准确性和全面性，提高了防伪检测数据来源的全面性，进而提高了检测的准确性，存储到云平台有效地节省了本地的存储空间。另外，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过双色纤维检测、荧光图案检测、红外图像消隐特征检测分别对采集的图像信息进行检测；当三种检测均判定待检测票据为真时，判定待检测票据为真，当三种检测有一种判定待检测票据为假时，判定待检测票据为假。该方法消除了单一的票据鉴别技术进行防伪鉴定的弊端，有效地提高了防伪鉴定的准确性。

上面对本发明所提供的基于云平台的银行票据指纹特征防伪鉴别方法进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (10)

1.一种基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于包括如下步骤：

S1，采集大张票据的多光谱图像；

S2，对所述多光谱图像进行预处理，得到标准的单张票据图像，将所有的单张票据图像的指纹特征存储到云平台；

S3，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过双色纤维检测、荧光图案检测、红外图像消隐特征检测分别对所述图像信息进行检测；

S4，当三种检测均判定待检测票据为真时，判定待检测票据为真，否则，判定待检测票据为假。

2.如权利要求1所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于在步骤S2中，对所述多光谱图像进行预处理，得到标准的单张票据图像，包括如下步骤：

S21，依据畸变系数和畸变模型，对采集的大张票据的多光谱图像进行畸变校正；

S22，对进行畸变校正后得到的图像，进行定标裁剪得到标准的单张票据图像。

3.如权利要求2所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于在步骤S22中，对进行畸变校正后得到的图像，进行定标裁剪得到标准的单张票据图像，包括如下步骤：

S221，对于大张票据的白光反射图像WIMG，将RGB颜色空间转换到HSV颜色空间；

S222，采用固定阈值分割方法，将白光反射图像WIMG中H、S分量分别在第一固定区间内的像素点作为目标点，得到二值分割图像；

S223，采用与票据水溶线尺寸相同的矩形窗对图像进行扫描，统计矩形窗内的目标点数目，如果目标点数据超出矩形窗尺寸的1/3，则检测到水溶线位置，记录矩形窗中心位置为(x0,y0)；

S224，以坐标点(x0-w1,y0-h1)为票据起点，依据票据尺寸进行单张票据图像的裁剪，得到标准的单张票据图像，其中，w1为票据水溶线区域中心距离票据左侧的距离，h1为票据水溶线区域中心距离票据上侧的距离。

4.如权利要求1所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于在步骤S3中，采集待检测票据的图像信息，通过双色纤维检测对采集的图像信息进行检测，包括如下步骤：

S301，分别采集待检测票据的正面的紫外反射图像FIMG和背面的紫外反射图像BIMG，并将其转换成HSV格式的图片；

S302，根据票据中红蓝纤维的特点，将HSV格式的图片中H、S分量分别在第二固定区间内的像素点作为目标点，进行H、S分量粗分割，在V分量上采用OTSU阈值分割算法进行图像细分割；

S303，对分割后的图形进行纤维目标提取；

S304，获取同一条纤维分别在正面的紫外反射图像FIMG和背面的紫外反射图像BIMG中呈现的纤维，对正面的紫外反射图像FIMG和背面的紫外反射图像BIMG中的纤维进行匹配，如果两条纤维相匹配,待检测票据通过双色纤维检测；否则，待检测票据为假票。

5.如权利要求1所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于：

在进行双色纤维检测待检测票据的真伪时，进一步通过双色特性判决待检测票据的真伪。

6.如权利要求5所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于所述通过双色特性判决待检测票据的真伪包括如下步骤：

对于同一条纤维，分别提取其在正面的紫外反射图像FIMG和背面的紫外反射图像BIMG中H分量的最小值、平均值和最大值，分别记为 $(H_{\min }^{FIMG},H_{mean}^{FIMG},H_{max}^{FIMG}),(H_{\min }^{BIMG},H_{mean}^{BIMG},H_{\max }^{BIMG});$

构建的双色特性判决函数为：

判断F的值；如果F不为零，则所述纤维满足双色特性，待检测票据为真；否则，所述纤维不满足双色特性，待检测票据为假。

7.如权利要求1所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于在步骤S3中，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过荧光图案检测对采集的图像信息进行检测，包括如下步骤：

S311，分别采集待检测票据的正面的紫外反射图像FIMG和背面的紫外反射图像BIMG，并将其转换成HSV格式的图片；

S312，对正面的紫外反射图像FIMG的V分量，进行小波变换，获取变换后的低频信息FIMG0；

S313，对所述低频信息FIMG0的V分量，采用OTSU阈值分割算法进行图像细分割；

S314，从云平台提取标准的单张票据图像的指纹特征，将细分割后的图像的荧光图案特征与标准的单张票据图像的荧光图案特征进行匹配，通过相关系数的值判断票据的真假。

8.如权利要求7所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于：

在步骤S314中，所述相关系数的计算公式为：

其中，FIMG0(x，y)为正面的紫外反射图像FIMG在V分量上的低频信息；MIMG(x，y)为标准的单张票据图像的二值模板图像；当相关系数大于荧光图案检测阈值时，判定荧光图案满足防伪要求；票据为真；否则，判定荧光图案不满足防伪要求，票据为假。

9.如权利要求1所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于在步骤S3中，采集待检测票据的图像信息，结合云平台存储的单张票据图像的指纹特征，通过红外图像消隐特征检测对采集的图像信息进行检测，包括如下步骤：

S321，分别采集待检测票据的正面的红外反射图像RIMG和白光反射图像WIMG，并转换为灰度图像；

S322，对待检测票据的正面的红外反射图像RIMG和白光反射图像WIMG的灰度图像，分别进行小波变换，获得变换后的低频信息RIMG0和WIMG0；

S323，对低频信息RIMG0和WIMG0分别构建对应的阈值图像，进行阈值图像分割，得到对应的二值图像RIMG1和WIMG1；

S324，融合二值图像RIMG1和WIMG1，得到二值图像RWIMG1：

S325，从云平台提取标准的单张票据图像的红外图像的二值模板图像，采用相关匹配算法将所述二值图像与所述二值模板图像进行匹配，如果匹配成功，则带检测票据的红外消隐特性满足防伪要求，票据为真；否则，判定带检测票据的红外消隐特性不满足防伪要求，票据为假。

10.如权利要求1所述的基于云平台的银行票据指纹特征防伪鉴别方法，其特征在于在步骤S323中，对低频信息RIMG0构建阈值图像，包括如下步骤：

对于任一像素点(x,y)，计算其邻域窗口内的灰度均值M1；

判断不等式RIMG0(x,y)>M1是否成立，如果成立，点(x,y)处的阈值图像TIMG(x,y)＝M1；

否则，计算最佳分割阈值t，点(x,y)处的阈值图像TIMG(x,y)＝t。