CN108734850A - 纸币识别方法、纸币识别装置及终端设备 - Google Patents
纸币识别方法、纸币识别装置及终端设备 Download PDFInfo
- Publication number
- CN108734850A CN108734850A CN201810392194.2A CN201810392194A CN108734850A CN 108734850 A CN108734850 A CN 108734850A CN 201810392194 A CN201810392194 A CN 201810392194A CN 108734850 A CN108734850 A CN 108734850A
- Authority
- CN
- China
- Prior art keywords
- layer
- grader
- image
- bank note
- money
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Classifications
-
- 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
- G07D7/2008—Testing patterns thereon using pre-processing, e.g. de-blurring, averaging, normalisation or rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种纸币识别方法、纸币识别装置、终端设备及计算机可读存储介质,所述纸币识别方法包括:获取待识别纸币的图像,将所述图像输入预设的分类器中,基于所述分类器的输出,确定所述待识别纸币的币值和面向。本发明能够提高纸币币值和纸币面向的识别效率。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种纸币识别方法、纸币识别装置、终端设备及计算机可读存储介质。
背景技术
目前,金融设备在识别纸币时,识别纸币的面向和识别纸币的币值是两个分开的、独立的过程。对于识别纸币的面向,传统做法是通过比对纸币的左右两侧、上下两侧的亮度,或者通过计算纸币上特定区域的像素来实现;而对于识别纸币的币值,一般是通过获取纸币的尺寸大小,或者识别纸币上特定区域的字符来实现。
可见,上述识别纸币的面向和纸币的币值的方式较为复杂,并且需要分开识别以及进行两次识别,故识别效率不高。
发明内容
有鉴于此,本发明提供了一种纸币识别方法、纸币识别装置、终端设备及计算机可读存储介质,能够提高纸币币值和纸币面向的识别效率。
本发明的第一方面提供了一种纸币识别方法,所述纸币识别方法包括:
获取待识别纸币的图像;
将所述图像输入预设的分类器中;
基于所述分类器的输出,确定所述待识别纸币的币值和面向。
基于第一方面,在第一方面第一种可能的实现方式中,在获取待识别纸币的图像之前,还包括:
基于预设的训练集对所述分类器进行训练,其中,所述训练集的训练样本包括各种币值的纸币图像,以及,每种币值对应的各种面向的纸币图像。
基于第一方面第一种可能的实现方式,在第一方面第二种可能的实现方式中,所述基于预设的训练集对所述分类器进行训练,包括:
计算所述训练集的训练样本均值;
通过所述训练集的各训练样本与所述训练样本均值的差值,对所述分类器进行训练。
基于第一方面,或者,基于第一方面上述第一种或第二种可能的实现方式,在第三种可能的实现方式中,所述分类器为包括局部响应归一化层的卷积神经网络模型。
基于第一方面第三种可能的实现方式,在第四种可能的实现方式中,所述卷积神经网络模型的输入层和输出层之间依次连接有:第一卷积层、第一池化层、第一局部响应归一化层、第二卷积层、第二池化层、第二局部响应归一化层、第三卷积层、第三池化层和分类层,其中,所述第一池化层、所述第二卷积层和所述第三卷积层后分别对应连接激活函数,所述激活函数为Relu激活函数。
基于第一方面,或者,基于第一方面上述第一种或第二种可能的实现方式,在第五种可能的实现方式中,所述分类器为采用包括批次归一化层的卷积神经网络模型。
基于第一方面第五种可能的实现方式,在第六种可能的实现方式中,所述卷积神经网络模型的输入层和输出层之间依次连接有:第一卷积层、第一池化层、第一批次归一化层、第二卷积层、第二批次归一化层、第二池化层、第三卷积层、第三批次归一化层、第三池化层和分类层,其中,所述第一批次归一化层、所述第二批次归一化层和所述第三批次归一化层后分别对应连接激活函数,所述激活函数为Sigmoid激活函数。
本发明的第二方面提供了一种纸币识别装置,所述纸币识别装置包括:
图像获取单元,用于获取待识别纸币的图像;
图像输入单元,用于将所述图像输入预设的分类器中;
币值面向确定单元,用于基于所述分类器的输出,确定所述待识别纸币的币值和面向。
本发明的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如任一项所述纸币识别方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如任一项所述纸币识别方法的步骤。
本发明与现有技术相比存在的有益效果是:
通过获取待识别纸币的图像,将所述图像输入预设的分类器中,基于所述分类器的输出,确定所述待识别纸币的币值和面向;也即,本发明通过预设的分类器进行纸币图像的鉴别分类,从而实现对纸币面向和纸币币值的同时识别,简化了识别过程,提高了识别效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的纸币识别方法的实现流程图;
图2是本发明实施例提供的第一种卷积神经网络模型的连接结构示意图;
图3是本发明实施例提供的第一种卷积神经网络模型的损失曲线和精度曲线示意图;
图4是本发明实施例提供的第二种卷积神经网络模型的连接结构示意图;
图5是本发明实施例提供的第二种卷积神经网络模型的损失曲线和精度曲线示意图;
图6是本发明实施例提供的纸币识别装置的结构示意图;
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的纸币识别方法的实现流程图,详述如下:
步骤101、获取待识别纸币的图像;
在本发明实施例中,获取待识别纸币的图像,具体的,将待识别纸币通过包括图像传感器的设备,基于图像传感器采集该待识别纸币对应的图像。
需要说明的是,由于该待识别纸币可能为正面正向、正面反向、反面正向和反面反向四种放置方式之一,相应的,所获取的图像也可能为正面正向、正面反向、反面正向和反面反向等四种面向之一的纸币图像。
以人民币为例,人民币包括1元,5元,10元,20元,50元和100元六种币值,当待识别纸币为人民币时,所获取的图像可能为上述任一种币值的人民币图像,并且,所获取的图像可能为上述任一种币值的人民币的相应的四种面向之一的图像,也即,所获取的图像包括6种币值、每种币值包括4种面向,共计包括24种可能。
步骤102、将所述图像输入预设的分类器中;
在本发明实施例中,预先构建用于识别纸币的币值和面向的分类器,将获取的待识别纸币的图像输入该分类器中,通过该分类器对待识别纸币的图像进行鉴别和分类,以输出该待识别纸币可能的币值及面向。
可选的,为了使所述分类器的输出结果更加准确,在上述步骤101之前,收集训练样本,组成训练集,通过训练集对所述分类器进行训练,其中,所述训练集的训练样本包括各种币值的纸币图像,以及,每种币值对应的各种面向的纸币图像。
示例性的,将包括6种币值、每种币值包括4种面向的人民币的24类图像作为训练样本,并按照0-23的顺序标注所有训练样本的标签,将初始图像重定义尺寸至256×128,并进行灰度化处理,再将训练样本的顺序打乱后,得到识别人民币币值和面向的训练集。
可选的,为了提高训练速度,基于训练集对分类器进行训练的实现过程如下:
计算所述训练集的训练样本均值;
通过所述训练集的各训练样本与所述训练样本均值的差值,对所述分类器进行训练。
本发明实施例中,将各训练样本减去训练样本均值,通过所述训练集的各训练样本与所述训练样本均值的差值,对所述分类器进行训练,能够减少数据处理量,提高训练速度。
可选的,为了提高测试准确度,可以采用包括局部响应归一化层(Local ResponseNormalization,简称LRN)的卷积神经网络模型作为预设的分类器。
该卷积神经网络模型通过对局部神经元(图像的局部特征)的活动创建竞争机制,使其中响应比较大的值变得相对更大,并抑制其他反馈较小的神经元,也即使图像的明显特征变得更加明显,并忽略图像的不明显特征,能够增强模型的泛化能力。
可选的,该卷积神经网络模型包括三层卷积层和两层局部响应归一化层,其具体连接结构如下:
如图2所示,为本发明实施例提供的第一种卷积神经网络模型的连接结构示意图,所述卷积神经网络模型的输入层和输出层之间依次连接有:第一卷积层conv1、第一池化层pool1、第一局部响应归一化层norm1、第二卷积层conv2、第二池化层pool2、第二局部响应归一化层norm2、第三卷积层conv3、第三池化层pool3和分类层ip1,其中,所述第一池化层pool1、所述第二卷积层conv2和所述第三卷积层conv3后分别对应连接激活函数,所述激活函数为Relu激活函数,分别为第一激活函数层relu1、第二激活函数层relu2和第三激活函数层relu3。
本发明实施例中,卷积层通过其卷积核与输入图像的卷积得到该层输出的特征图;池化层通过将输入池化层的特征图进行压缩,进而提取特征图的主要特征;局部响应归一化层用于完成一种“临近抑制”的操作,实现对局部输入区域的归一化;激活函数层用于加入非线性因素,以解决线性模型表达能力不够的问题。
本发明实施例中,在对所述分类器进行网络训练前,需设置进行网络训练的超参数,本实施例中,通过多次比较,最终确定的较优超参数设置为:
base_lr:0.001
momentum:0.9
weight_decay:0.004
lr_policy:"step"
gamma:1
stepsize:5000
solver_mode:GPU
通过本发明实施例提供的第一种卷积神经网络模型,采用上述超参数配置,每迭代一定次数测试一次并输出日志,可以得到卷积神经网络模型的损失(Loss)曲线和精度(Accurancy)曲线。
例如,基于上述第一种卷积神经网络模型,采用上述超参数配置,每迭代200次测试一次,并输出日志,基于输出的日志得到第一种卷积神经网络模型的损失曲线和精度曲线,如图3所示,为本发明实施例提供的第一种卷积神经网络模型的损失曲线和精度曲线示意图,可见,在达到4000次训练以后,该卷积神经网络模型输出的损失较小,精度较高,能够稳定输出较为准确的识别结果。
可选的,为了减少梯度消失,加快收敛速度,可以采用包括批次归一化层(BatchNormalization,简称BN)的卷积神经网络模型作为预设的分类器。
可选的,该卷积神经网络模型包括三层卷积层、三层激活函数层和三层批次归一化层,其具体连接结构如下:
如图4所示,为本发明实施例提供的第二种卷积神经网络模型的连接结构示意图,所述卷积神经网络模型的输入层和输出层之间依次连接有:第一卷积层conv1、第一池化层pool1、第一批次归一化层bn1、第二卷积层conv2、第二批次归一化层bn2、第二池化层pool2、第三卷积层conv3、第三批次归一化层bn3、第三池化层pool3和分类层ip1,其中,所述第一批次归一化层bn1、所述第二批次归一化层bn2和所述第三批次归一化层bn3后分别对应连接激活函数,所述激活函数为Sigmoid激活函数,分别为第一激活函数层sigmoid1、第二激活函数层sigmoid2和第三激活函数层sigmoid3。
本发明实施例中,卷积层通过其卷积核与输入图像的卷积得到该层输出的特征图;池化层通过将输入池化层的特征图进行压缩,来提取特征图的主要特征;批次归一化层用于使非线性变换函数的输入值落入对输入比较敏感的区域,来避免梯度消失问题,使得梯度可以一直都能保持比较大的状态,提高对神经网络的参数调整效率,从而加快了收敛速度。
本发明实施例中,在对所述分类器进行网络训练前,需设置进行网络训练的超参数,本实施例中,通过多次比较,最终确定的较优超参数设置为:
base_lr:0.0001
momentum:0.9
weight_decay:0.0005
lr_policy:"inv"
Gamma:0.0001
Power:0.75
solver_mode:GPU
通过本发明实施例提供的第一种卷积神经网络模型,采用上述超参数配置,每迭代一定次数测试一次并输出日志,可以得到卷积神经网络模型的损失(Loss)曲线和精度(Accurancy)曲线。
例如,基于上述第一种卷积神经网络模型,采用上述超参数配置,每迭代200次测试一次,并输出日志,基于输出的日志得到第二种卷积神经网络模型的损失曲线和精度曲线,参见图5,为本发明实施例提供的第二种卷积神经网络模型的损失曲线和精度曲线示意图,可知,在达到2000次训练以后,该卷积神经网络模型输出的损失较小,精度较高,可以稳定输出较为准确的识别结果,并且,该第二种卷积神经网络模型的收敛速度较快。
步骤103、基于所述分类器的输出,确定所述待识别纸币的币值和面向。
本发明实施例中,通过分类器对输入的待识别纸币的图像进行鉴别和分类,并输出每种可能的币值和面向结果,以及,每种可能的结果的可能性大小;基于其输出结果,可以选取可能性最大的一种币值和面向作为所述待识别纸币的币值和相向。
本发明实施例中,基于第一种卷积神经网络模型结构和第二种卷积神经网络模型结构,在达到一定迭代次数后,能够以较高的准确率输出识别结果;经试验可知,在迭代20000次后得到的模型,其准确率可保持在99.99%以上。相比于传统方法,本发明实施例从一定程度上既提高了识别效率,也保证了识别的稳定性。
由上可知,本发明通过获取待识别纸币的图像,将所述图像输入预设的分类器中,基于所述分类器的输出,确定所述待识别纸币的币值和面向;也即,本发明通过预设的分类器进行纸币图像的鉴别分类,从而实现对纸币面向和纸币币值的同时识别,简化了识别过程,提高了识别效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图6示出了本发明实施例提供的纸币识别装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图6所示,纸币识别装置6包括:图像获取单元61,图像输入单元62和币值面向确定单元63。
图像获取单元61,用于获取待识别纸币的图像;
图像输入单元62,用于将图像获取单元61获取的图像输入预设的分类器中;
币值面向确定单元63,用于基于所述分类器的输出,确定所述待识别纸币的币值和面向。
可选的,纸币识别装置6包括还包括训练单元,用于在对待识别纸币图像进行识别之前,基于预设的训练集对所述分类器进行训练,其中,所述训练集的训练样本包括各种币值的纸币图像,以及,每种币值对应的各种面向的纸币图像。
可选的,所述训练单元包括计算子单元,用于计算所述训练集的训练样本均值;
所述训练单元还用于,通过所述训练集的各训练样本与所述训练样本均值的差值,对所述分类器进行训练。
可选的,所述分类器为包括局部响应归一化层的卷积神经网络模型。
可选的,所述卷积神经网络模型的输入层和输出层之间依次连接有:第一卷积层、第一池化层、第一局部响应归一化层、第二卷积层、第二池化层、第二局部响应归一化层、第三卷积层、第三池化层和分类层,其中,所述第一池化层、所述第二卷积层和所述第三卷积层后分别对应连接激活函数,所述激活函数为Relu激活函数。
可选的,所述分类器为采用包括批次归一化层的卷积神经网络模型。
可选的,所述卷积神经网络模型的输入层和输出层之间依次连接有:第一卷积层、第一池化层、第一批次归一化层、第二卷积层、第二批次归一化层、第二池化层、第三卷积层、第三批次归一化层和第三池化层,其中,所述第一批次归一化层、所述第二批次归一化层和所述第三批次归一化层后分别对应连接激活函数,所述激活函数为Sigmoid激活函数。
由上可知,本发明通过获取待识别纸币的图像,将所述图像输入预设的分类器中,基于所述分类器的输出,确定所述待识别纸币的币值和面向;也即,本发明通过预设的分类器进行纸币图像的鉴别分类,从而实现对纸币面向和纸币币值的同时识别,简化了识别过程,提高了识别效率。
图7是本发明一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个纸币识别方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示单元61至63的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如,所述计算机程序72可以被分割成图像获取单元,图像输入单元和币值面向确定单元,各单元具体功能如下:
图像获取单元,用于获取待识别纸币的图像;
图像输入单元,用于将所述图像获取单元获取的图像输入预设的分类器中;
币值面向确定单元,用于基于所述分类器的输出,确定所述待识别纸币的币值和面向。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种纸币识别方法,其特征在于,所述纸币识别方法包括:
获取待识别纸币的图像;
将所述图像输入预设的分类器中;
基于所述分类器的输出,确定所述待识别纸币的币值和面向。
2.根据权利要求1所述的纸币识别方法,其特征在于,在获取待识别纸币的图像之前,还包括:
基于预设的训练集对所述分类器进行训练,其中,所述训练集的训练样本包括各种币值的纸币图像,以及,每种币值对应的各种面向的纸币图像。
3.根据权利要求2所述的纸币识别方法,其特征在于,所述基于预设的训练集对所述分类器进行训练,包括:
计算所述训练集的训练样本均值;
通过所述训练集的各训练样本与所述训练样本均值的差值,对所述分类器进行训练。
4.根据权利要求1至3任一项所述的纸币识别方法,其特征在于,所述分类器为包括局部响应归一化层的卷积神经网络模型。
5.根据权利要求4所述的纸币识别方法,其特征在于,所述卷积神经网络模型的输入层和输出层之间依次连接有:第一卷积层、第一池化层、第一局部响应归一化层、第二卷积层、第二池化层、第二局部响应归一化层、第三卷积层、第三池化层和分类层,其中,所述第一池化层、所述第二卷积层和所述第三卷积层后分别对应连接激活函数,所述激活函数为Relu激活函数。
6.根据权利要求1至3任一项所述的纸币识别方法,其特征在于,所述分类器为采用包括批次归一化层的卷积神经网络模型。
7.根据权利要求6所述的纸币识别方法,其特征在于,所述卷积神经网络模型的输入层和输出层之间依次连接有:第一卷积层、第一池化层、第一批次归一化层、第二卷积层、第二批次归一化层、第二池化层、第三卷积层、第三批次归一化层、第三池化层和分类层,其中,所述第一批次归一化层、所述第二批次归一化层和所述第三批次归一化层后分别对应连接激活函数,所述激活函数为Sigmoid激活函数。
8.一种纸币识别装置,其特征在于,所述纸币识别装置包括:
图像获取单元,用于获取待识别纸币的图像;
图像输入单元,用于将所述图像输入预设的分类器中;
币值面向确定单元,用于基于所述分类器的输出,确定所述待识别纸币的币值和面向。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810392194.2A CN108734850A (zh) | 2018-04-27 | 2018-04-27 | 纸币识别方法、纸币识别装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810392194.2A CN108734850A (zh) | 2018-04-27 | 2018-04-27 | 纸币识别方法、纸币识别装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734850A true CN108734850A (zh) | 2018-11-02 |
Family
ID=63939982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810392194.2A Pending CN108734850A (zh) | 2018-04-27 | 2018-04-27 | 纸币识别方法、纸币识别装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734850A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610575A (zh) * | 2019-09-20 | 2019-12-24 | 北京百度网讯科技有限公司 | 硬币识别方法及装置、收银机 |
CN111310628A (zh) * | 2020-02-10 | 2020-06-19 | 武汉科技大学 | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 |
CN111553430A (zh) * | 2020-04-30 | 2020-08-18 | 中国银行股份有限公司 | 一种外币识别方法及装置 |
CN111599081A (zh) * | 2020-05-15 | 2020-08-28 | 上海应用技术大学 | 人民币纸币收藏划分方法及*** |
CN111627146A (zh) * | 2020-06-05 | 2020-09-04 | 中国银行股份有限公司 | 一种用户行为识别方法及装置 |
CN111667002A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 一种币种识别方法、识别装置、以及电子设备 |
WO2020233270A1 (zh) * | 2019-05-20 | 2020-11-26 | 京东方科技集团股份有限公司 | 票据分析方法、分析装置、计算机设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011040073A (ja) * | 2003-02-28 | 2011-02-24 | Aperio Technologies Inc | 画像パターン認識システム及び方法 |
CN102034108A (zh) * | 2010-12-06 | 2011-04-27 | 哈尔滨工业大学 | 基于多分辨网格特征配准的清分机纸币面值面向分类方法 |
CN102722708A (zh) * | 2012-05-16 | 2012-10-10 | 广州广电运通金融电子股份有限公司 | 一种薄片类介质分类方法及其装置 |
CN105894656A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 一种纸币图像识别方法 |
CN106548202A (zh) * | 2016-10-25 | 2017-03-29 | 深圳怡化电脑股份有限公司 | 纸币币值识别方法和*** |
-
2018
- 2018-04-27 CN CN201810392194.2A patent/CN108734850A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011040073A (ja) * | 2003-02-28 | 2011-02-24 | Aperio Technologies Inc | 画像パターン認識システム及び方法 |
CN102034108A (zh) * | 2010-12-06 | 2011-04-27 | 哈尔滨工业大学 | 基于多分辨网格特征配准的清分机纸币面值面向分类方法 |
CN102722708A (zh) * | 2012-05-16 | 2012-10-10 | 广州广电运通金融电子股份有限公司 | 一种薄片类介质分类方法及其装置 |
CN105894656A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 一种纸币图像识别方法 |
CN106548202A (zh) * | 2016-10-25 | 2017-03-29 | 深圳怡化电脑股份有限公司 | 纸币币值识别方法和*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233270A1 (zh) * | 2019-05-20 | 2020-11-26 | 京东方科技集团股份有限公司 | 票据分析方法、分析装置、计算机设备和介质 |
CN110610575A (zh) * | 2019-09-20 | 2019-12-24 | 北京百度网讯科技有限公司 | 硬币识别方法及装置、收银机 |
US11354887B2 (en) | 2019-09-20 | 2022-06-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Coin identification method, device, and cash register |
CN111310628A (zh) * | 2020-02-10 | 2020-06-19 | 武汉科技大学 | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 |
CN111553430A (zh) * | 2020-04-30 | 2020-08-18 | 中国银行股份有限公司 | 一种外币识别方法及装置 |
CN111553430B (zh) * | 2020-04-30 | 2023-08-18 | 中国银行股份有限公司 | 一种外币识别方法及装置 |
CN111599081A (zh) * | 2020-05-15 | 2020-08-28 | 上海应用技术大学 | 人民币纸币收藏划分方法及*** |
CN111627146A (zh) * | 2020-06-05 | 2020-09-04 | 中国银行股份有限公司 | 一种用户行为识别方法及装置 |
CN111667002A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 一种币种识别方法、识别装置、以及电子设备 |
CN111667002B (zh) * | 2020-06-05 | 2023-11-24 | 中国银行股份有限公司 | 一种币种识别方法、识别装置、以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734850A (zh) | 纸币识别方法、纸币识别装置及终端设备 | |
CN106709800B (zh) | 一种基于特征匹配网络的社团划分方法和装置 | |
CN108960833B (zh) | 一种基于异构金融特征的异常交易识别方法,设备及存储介质 | |
CN107767021A (zh) | 一种风险控制方法及设备 | |
CN110175903A (zh) | 一种商票融资方法及装置 | |
CN108154105A (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
CN109165950A (zh) | 一种基于金融时间序列特征的异常交易识别方法,设备及可读存储介质 | |
CN111539733B (zh) | 基于全中心损失函数的欺诈交易识别方法、***、装置 | |
CN104915879A (zh) | 基于金融数据的社会关系挖掘的方法及装置 | |
CN108932585A (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
Suryanarayana et al. | Machine learning approaches for credit card fraud detection | |
CN104715240A (zh) | 基于灰度共生矩阵的港币纹理图像的分版方法 | |
Cencini et al. | Economic and financial crises: A new macroeconomic analysis | |
CN113657896A (zh) | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 | |
Aseffa et al. | Ethiopian banknote recognition using convolutional neural network and its prototype development using embedded platform | |
CN109670927A (zh) | 信用额度的调整方法及其装置、设备、存储介质 | |
CN108717744A (zh) | 识别金融单据上的***序号的方法、装置及终端设备 | |
CN108665603A (zh) | 识别纸币币种的方法、装置及电子设备 | |
WO2023064906A1 (en) | Multi-model system for electronic transaction authorization and fraud detection | |
CN111753913B (zh) | ***分类的方法及装置、电子设备及计算机可读存储介质 | |
CN112365352B (zh) | 一种基于图神经网络的反套现方法及装置 | |
CN113378609B (zh) | 代理商代签名的识别方法及装置 | |
CN107358717B (zh) | 一种纸币识别方法、***及其终端设备 | |
CN108765691A (zh) | 检测脱墨纸币的方法、装置及电子设备 | |
CN108492445A (zh) | 纸币分类的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |