CN110120118A - 一种拼接币的识别*** - Google Patents

Abstract

本发明公开了一种拼接币的识别***，属于***识别技术领域，包括通过扫描仪和摄像机输入图像数据，获取扫描灰度图像和胶带RGB图像；从扫描灰度图像中截取左、右编号区并进行预处理；对左、右编号区进行二值形态学分析和分割编号后利用模板匹配算法识别左右编号是否匹配；若左、右编号匹配，再识别是否有胶带，从而可判定是否为拼接币等步骤；所述模板匹配算法采用一维灰度投影模板匹配算法。本发明采用模板匹配算法和图像三基色分割法提取亮度图像中的左编号区域、右编号区域及胶带区域，并利用相关性原理和门限法对拼接币进行检测与识别，能够高精度识别出2015版的拼接币，为自动存款机识别拼接币奠定了基础。

Description

一种拼接币的识别***

技术领域

本发明涉及***识别技术领域，具体的涉及一种拼接币的识别***。

背景技术

拼接币是一种利用拼凑方式合成的***。它是将部分***和部分真币用胶带粘起来合成一张伪钞，这类拼接币人眼很容易识别，自动存款机却无能为力。犯罪分子利用这类“半***”的拼接币存入自动存款机，再从其他取款机取出真币，以这种方式完成“洗假钱”。此类案件最早是在广州发现的，并且迅速蔓延到全国各地。各省的自动存款机中都发现了大量这样的拼接币，致使有关商业银行停止了这些自动存款机的使用，给银行和广大人民群众带来了极大的损失。

由于市场上流通的人民币不可能都是十成新的，为了使人们方便的使用存款机，几乎所有的自动存款机都降低了验钞的识别参数标准，一般只要与标准样本数据库的数据匹配达到70％到80％，就受理自动存款业务。而且现在港版伪钞和台版伪钞也有荧光反应，如果用这类伪钞和真币进行拼接就使得自动存款机识别拼接币难上加难了。同时，由于每台自动存款机的造价昂贵，最少要几十万，如果全部更换的话会给银行造成很大的负担。

发明内容

1.要解决的技术问题

本发明要解决的技术问题在于提供一种拼接币的识别***，其根据2015版百元币的图像特征采用图像处理技术提取拼接币的图像，通过边界提取和图像特征匹配等运算来识别拼接币，并进行仿真验证，给出一套识别拼接币的算法方案，以改进自动存款机的验钞***。2.技术方案

为解决上述问题，本发明采取如下技术方案：

针对目前的主要流通百元币(即2015版百元币)，本发明提出一种拼接币的识别***，采用模板匹配算法和图像三基色分割法提取亮度图像中的左编号区域、右编号区域及胶带区域，并利用相关性原理和门限法对拼接币进行检测与识别，具体过程包括如下步骤：

S1：对待识别纸币进行扫描和拍摄，并应用边缘检测法分割出纸币区域，以减少处理的数据量和运算速度，获取扫描灰度图像和胶带RGB图像；

S2：通过大区间定位分割法从步骤S1中的扫描灰度图像中分割出左编号区域和右编号区域，对左编号区和右编号区的图像分别进行预处理，去除背景图像，突出字符特征，以使后面的处理更加简单、结果更加精确；

S3：将步骤S2中处理后的左编号区和右编号区的图像进行二值形态学处理，使文字区域扩大并使文字边界光滑；

S4：计算左编号和右编号的一维水平灰度投影曲线和一维垂直灰度投影曲线，再以此为依据，通过精准定位法对左编号和右编号进行号码区的精准定位，并分割精准定位后号码区中的每一个字母或数字，得到左编号各字符和右编号各字符；

S5：进行模板匹配，求出左编号和右编号的每个对应字符的一维水平灰度投影互相关系数和一维垂直灰度投影互相关系数，得到左编号和右编号的一维水平灰度投影互相关系数序列和一维垂直灰度投影互相关系数序列，将相应序列的最大值与相应预先设定的最佳阈值比较，如果相应序列的最大值不小于最佳阈值就说明两个字符匹配，即两个字符相等；如果相应序列的最大值小于最佳阈值，则说明两字符不相等，即左右编号不匹配，可判定待识别的纸币为拼接币；

S6：在步骤S5中未判定为拼接币后，对步骤S1中的胶带RGB图像进行RGB三分量的分割，获得每个分量图像；

S7：选择纸币整体与背景图像形成鲜明对比的分量图像一，用Canny算子检测出纸币区域；

S8：采用整体阈值法对纸币区域亮度远远小于胶带区域亮度的分量图像二进行二值化，得到分量图像二的二值化图像，从该图像中分割出胶带和背景图像，计算胶带的面积区域，并与预先设定的最佳阈值比较，若计算得到的面积区域大于最佳阈值，则判断纸币表面粘有胶带，从而判定待识别的纸币为拼接币；若计算得到的面积区域不大于最佳阈值，则判定待识别的纸币不是拼接币。

进一步地，步骤S2中所述大区间定位分割法为先根据预测定位编号区进行初定位，然后基于初定位增加偏移量扩大范围进行大区间定位，以保证编号落在整个定位区域内。大区间定位偏移量的选取非常重要，太大将造成过多的干扰信息落入区间而给定位带来困难，太小则号码可能不能完全落入区间内，而造成定位分割时不能找出完整的号码。

更进一步地，左编号的定位大区间为(60:460横向，660:750纵向)，右编号的定位大区间为(1660:1750横向，370:770纵向)。

进一步地，步骤S2中所述预处理包括依次进行的图像二值化、反色及平滑滤波处理，在对右编号区进行图像二值化之前先进行了图像增强处理。图像增强处理可使图像突出其字符区的灰度值，初步增大字符区与背景的差别；图像二值化处理可使图像呈现为白底黑字的状态，进一步增大字符区与背景的差别；反色处理可使图像呈现为黑底白字的状态，可简化对字符区的处理和分析；平滑滤波处理可使各个字符的边界变得连续，无间断点，充分达到了保护边界的目的。经过上述方法处理的图像呈像清晰，线条顺畅，为之后的字符分析处理打下良好的基础。

进一步地，步骤S3中所述二值形态学处理具体为：采用结构元素为sa的矩阵，利用腐蚀运算将左编号和右编号的每个字符区域缩小，字符竖划中较细的笔划在腐蚀的过程中被消除，使文字中的孤立点分离出来；然后采用相同的结构元素对字符进行膨胀运算；所述结构元素sa为：采用二值形态学中的腐蚀和膨胀运算简化图像数据，可保持基本形状特性并除去不相干的结构，达到光滑字符边界的目的。

进一步地，步骤S4的具体过程为：

A1：计算出左编号和右编号的一维水平灰度投影曲线和一维垂直灰度投影曲线；

A2：根据一维水平灰度投影曲线计算出灰度零点，并根据一维垂直灰度投影曲线计算出两个零点；

A3：分别以一维水平灰度投影曲线中的第一个零点和最后一个零点，一维垂直灰度投影曲线的两个零点为边界点截取相应编号区中的字符部分，即完成精准定位；

A4：将一维水平灰度投影曲线的零点按顺序两两分组，字符数作为分组数；再以一维水平灰度投影曲线的每一组零点和，一维垂直灰度投影曲线的零点为边界点截取精准定位后号码区中的相应字符，得到左编号各字符和右编号各字符。

精准定位在大区间定位确定的区域内，进一步分析号码和干扰，而将干扰排除掉，准确找出实际号码所在的区间，完成号码区的定位分割。

进一步地，步骤S5中所述模板匹配的算法采用一维灰度投影模板匹配算法，具体为：分别将模板和待匹配的二维图像灰度值投影迭加到一维数轴上，并在一维数轴上分别从横轴和纵轴两个方向进行匹配判断；运算量降低到：O'(H-M+1)×(H×W+(H-N+1)×N)；一维灰度投影匹配的相关函数为：

式中f_a(i)、f_b(i)为i点模板和目标图像投影灰度值，f'_a(i)、f'_b(i)为i点模板和目标投影平均灰度值。

经试验结果表明，利用一维灰度投影模板匹配算法识别拼接币左右编号是否一致是一种快速高效的方法，并且识别正确率可以达到100％

进一步地，步骤S6中所述分量图像的背景为表面是黑色的不锈钢板。黑色的背景更便利于所得分量图像的处理，实验结果和数据表明，以黑色为背景采集到的图像，胶带识别率达到了100％。

进一步地，在步骤S8中得到分量图像二的二值化图像后，选择结构元素sb对二值化图像进行腐蚀运算，再采用相同结构元素sb对字符进行膨胀运算，结构元素sb为：

3.有益效果

本发明提供了一套应用于自动存款机识别拼接币的***流程，其采用模板匹配算法和图像三基色分割法提取亮度图像中的左编号区域、右编号区域及胶带区域，并利用相关性原理和门限法对拼接币进行检测与识别。重点提出采用图像处理技术对于采集纸币图像的处理，使得图像中各字符呈像清晰，线条顺畅，便于分析处理；并提出一种通过一维灰度投影模板匹配算法识别左右编号的方法，通过仿真和实验证明，该算法识别的正确率可达到100％，可以准确识别出左右编号不一致的拼接币；然后通过对胶带RGB图分析处理，可识别拼接币上带有的胶带，且胶带识别率达到了100％，则本发明能够高精度识别出拼接币。另外，识别程序在内存4GB、CPU为2.4GHz(两核)的PC上，运行时间为3.325s。将程序语言转化和优化处理后下载到DSP硬件***中，其运行时间为0.52s，处理过程快速简单，满足自动存款机快速高效的特点，方案切实可行，为自动存款机识别拼接币奠定了基础，不用更换自动存款机。

附图说明

图1为本发明的流程图；

图2为2015版百元币的展示图；

图3为大区间定位分割出来的编号区的示意图；其中，图a)为大区间定位分割出来的左编号区，图b)为大区间定位分割出来的右编号区经顺时针旋转90度后的图像；

图4为左、右编号区的灰度直方图；其中，图a)为左编号区的灰度直方图，图b)为右编号区的灰度直方图；

图5为右编号区经灰度衡化后的表示图；其中，图a)为右编号区经灰度衡化后的图像，图b)为右编号区经灰度均衡化后的灰度直方图；

图6为图5中所示的左、右编号区经图像二值化后的图像；其中，图a)为左编号区的二值化图像，图b)为右编号区的二值化图像；

图7为图6中所示的左、右编号区经反色后的图像；其中，图a)为左编号区的反色图像，图b)为右编号区的反色图像；

图8为图7中所示的左、右编号区经平滑滤波后的图像；其中，图a)为左编号区的平滑滤波图像，图b)为右编号区的平滑滤波图像；

图9为图8中所示的左、右编号区经二值形态学处理后的图像；其中，图a)为左编号区的腐蚀结果，图b)为右编号区的腐蚀结果；图c)为图a)的膨胀结果，图d)为图b)的膨胀结果；

图10为图9c)、d)中所示的左、右编号的一维灰度投影曲线；其中，图a)表示左编号的一维水平灰度投影曲线，图b)表示右编号的一维水平灰度投影曲线；图c)表示左编号的一维垂直灰度投影曲线，图d)表示右编号的一维垂直灰度投影曲线；

图11为图9中所示的左、右编号经过精准定位分割后的图像；其中，图a)为左编号区的精准定位分割图像，图b)为右编号区的精准定位分割图像；

图12为图11表示的左、右编号经过字符分割后的图像；其中，图a)为左编号区的字符分割图像，图b)为右编号区的字符分割图像；

图13为一维灰度投影匹配示意图；

图14为一维灰度投影模板匹配示意图；其中，图a)为模板的水平和垂直灰度投影，图b)为待匹配图像的水平和垂直灰度投影；

图15为摄取的纸币的胶带RGB图像；

图16为图15所示的图像进行RGB三分量后所得的分量图像；其中，图a)表示B分量图像，图b)表示G分量图像；图c)表示R分量图像；

图17为Canny边界检测算子检测处的纸币边界的示意图；

图18为R分量图像的灰度直方图；

图19为图16c)经二值形态学处理后的图像；其中，图a)为图16c)所示图像的二值化图像，图b)为图a)的腐蚀结果；图c)为图b)的膨胀结果。

具体实施方式

下面结合附图和实施例对本发明作进一步详细的说明。

观察可知拼接币的图像特征主要有以下两点：1.有胶带，2.左右编号不一致。基于这两点图像特征作为识别拼接币的主要依据，运用数字图像处理技术检测并识别。

左右编号和纸币图像的采集通过扫描仪可以精确获取，胶带可以通过数码相机获取，并储存为JPEG图像格式。因为处理的编号区是纸币的细节特征，要求扫描仪采用高分辨率设备。本发明先以真币为目标，处理后得到256级灰度图，再推广到拼接币。人民币样本的扫描分辨率是1830*920像素，扫描速率是30帧/s。

实施例

如图1所示的一种拼接币的识别***，包括如下步骤：

一、输入图像数据

对图2中所示的待识别的2015版的百元币进行扫描和拍摄，并应用边缘检测法分割出纸币区域(以减少处理的数据量和运算速度)，获取扫描灰度图像和胶带RGB图像。

二、左右编号的识别

1.编号区的大区间定位分割

由于人民币的设计相当规范，虽然编号区不尽相同，但大致都在一个固定的区域，因此可以先对编号区进行初定位。初定位是根据预测定位编号区，只是一个参考值。大区间定位则是在初定位的基础上增加区域的偏移量，使区域加大，以保证编号落在整个定位区域内。大区间定位偏移量的选取非常重要，太大将造成过多的干扰信息落入区间而给定位带来困难，太小则编号可能不能完全落入区间内，而造成定位分割时不能找出完整的编号。

在本实施例中，如图3所示，左编号的大区间定位为(60:460横向,660:750纵向)，右编号的大区间定位为(1660:1750横向,370:770纵向)。

2.编号区图像的预处理

由图3可以看出，分割出的左编号区的背景图像简单清晰，只有一些简单的独立点和低灰度值的背景区域，可直接进行图像二值化；而右编号区的背景图像则相当复杂，且与字符紧密地连接，使提取字符特征变得复杂，需要对其进行图像增强处理。

(1)图像增强

图3b)中所示右编号的背景图像相对较复杂且与字符的灰度级数相差不大，这一点还可以从左编号的灰度直方图(见图4a))和右编号的灰度直方图(见图4b))相比较得出。因此，可采用图像增强中的直方图均衡法对右编号区进行灰度增强，将背景和字符区的灰度值进行延拓，突出字符区的灰度值。结果如图5a)、b)，右编号区的字符区相对于背景的灰度值明显变小了。

(2)图像二值化

图像二值化是将多级灰度图像转换成只有两个灰度值的图像，是一种简化了的灰度图像。经过图像均衡化后的右编号存在两个明显的峰值和一个谷值，且字符区的灰度范围就在低灰度值范围内。因此采用整体阈值法对左右编号区二值化，门限值为0.5，灰度值大于0.5的为“1”，反之为“0”，结果如图6所示。

(3)反色

左右编号经过二值化后，背景区域值为“1”，字符区域值为“0”，这样给处理字符区域带来不便，且存储的数据量大。因此，根据反色的原理，将背景区域的值转换为“0”，字符区转换为“1”，方便对字符区的处理和分析。反色结果如图7所示。

(4)平滑滤波

在获取和传输图像过程中，噪声干扰也容易使图像质量变差，采用图像增强中的平滑滤波技术可以消除噪声。本文采用平滑滤波中的中值滤波算法，具体步骤为：

1)选取4×4模板，将模板在图像中漫游，并将模板中心与图中某个像素位置重合；

2)读取模板下各对应像素的灰度值，将这些灰度值从小到大排成1列；

3)找出中间值并将这个中间值赋给对应模板中心位置的像素。

中值滤波的方法易于实现，且较好的保护了边界。图8是经过中值滤波后的图像，与图7中各个字符的边界进行比较，可以发现图8各个字符的边界变得连续，无间断点，充分达到了保护边界的目的。

3.二值形态学分析

从图8中可以看出，左右编号各个字符的边界存在着一些非边界的点，当图像的质量比较差，还会有大量的噪声孤立点。可以根据二值形态学中的腐蚀和膨胀运算简化图像数据，保持基本形状特性并除去不相干的结构，来达到光滑字符边界的目的。

如图9a)、b)所示，采用结构元素为sa的矩阵，利用腐蚀运算将左右编号的每个字符区域缩小，字符竖划中较细的笔划在腐蚀的过程中被消除。利用这一点，可以使文字中的孤立点分离出来。然后采用相同的结构元素对字符进行膨胀运算，文字区域扩大且达到光滑文字边界的目的，如图9c)、d)。

结构元素sa：

4.分割编号

(1)精准定位

精准定位则是在大区间定位确定的区域内，进一步分析号码和干扰，而将干扰排除掉，准确找出实际号码所在的区间，完成号码区的定位分割。对图9中的c)、d)进行精准定位。具体过程如下：

1)计算出左右编号的一维水平灰度投影和一维垂直灰度投影，如图10中的a)、b)、c)、d)所示；

2)根据水平灰度投影曲线计算出灰度零点，并计算出垂直灰度投影曲线的两个零点；

3)分别以水平灰度投影中的第一个零点和最后一个零点，垂直灰度投影的两个零点为边界点截取左右编号中的字符部分，完成精准定位运算。结果如图11所示。

(2)字符分割

将图10a)、b)中的零点按顺序两两分组，字符数作为分组数；再以图10a)中的每一组零点和图10c)零点为边界点截取得到左编号各字符，同理得到右编号各字符。结果如图12所示。

5.模块匹配识别拼接币

匹配对象是具有固定形状的字符，且字符间存在一定的空白间距，本发明提出了一种新的算法：一维灰度投影模板匹配算法。一维灰度投影模板匹配算法是分别将模板和待匹配图像的二维图像灰度值投影迭加到一维数轴上，并在一维数轴上分别从横轴和纵轴两个方向进行匹配判断，运算量降低到：

O'(H-M+1)×(H×W+(H-N+1)×N)

结合图13分析其基本原理：灰度投影曲线充分反映了其在水平和垂直方向的上的灰度分布特征。首先求出待匹配图像S第j层图像和模板图像T的两个方向的灰度投影，得到待匹配图像投影序列X[i]、Y[i]和模板图像投影序列X1[i]、Y1[i]。然后将模板投影曲线滑动经过第j层投影曲线，计算滑动过程中每个位置的互相关函数R[i]，由此产生一组互相关系数序列。选取最佳门限值，并用序列的最大值与该值比较，如果R[i]大于门限值，说明该子图与模板图像匹配。最后，对待匹配图像S的[1，H-M+1]层依次进行如上运算，最终求出匹配子图的位置。

一维灰度投影匹配的相关函数为：

式中f_a(i)、f_b(i)为i点模板和目标图像投影灰度值，f_a'(i)、f_b'(i)为i点模板和目标投影平均灰度值。

采用一维灰度投影模板匹配算法。同样以字符“8”为例，首先分别求出模板图像和待匹配图像的水平和垂直灰度投影序列，做出投影曲线见图14中a)、b)所示；其次根据一维灰度投影匹配的相关函数分别计算两者的水平和垂直灰度投影曲线序列的互相关函数序列；最后将序列最大值与最佳阈值比较，如果大于最佳阈值就说明两个字符匹配，即两字符相等，需要识别纸币中是否有胶带；如果小于最佳阈值，则说明两字符不相等，即左右编号不匹配，可判定待识别的纸币为拼接币。

图14中字符“8”一维模板匹配的水平灰度投影互相关系数值为0.9681，垂直灰度投影互相关系数值为0.9707，而整个左右编号的一维水平灰度投影互相关系数序列为0.9757、0.9792、0.9640、0.9733、0.9820、0.9771、0.9908、0.9681、0.9754、0.9641，一维垂直灰度投影互相关系数序列为0.9578、0.9284、0.9903、0.9680、0.9559、0.9876、0.9485、0.9707、0.9941、0.9792。同样，本实施例根据采集到的100组互相关系数序列，选择0.85为水平一维灰度投影模板匹配的互相关系数最佳阈值，选择0.90为垂直一维灰度投影模板匹配的互相关系数最佳阈值。

结果表明，利用一维灰度投影模板匹配算法识别拼接币左右编号是否一致是一种快速高效的方法，并且识别正确率可以达到100％。在这里应该注意，只有字符的水平和垂直灰度投影都满足大于阈值的条件才可以判定左右编号匹配，只要一个方向不满足，均视为拼接币。

三、胶带的识别

待识别的纸币在左右编号的模块匹配识别中未判定为拼接币后，需要判别纸币上是否有胶带，具体操作为：

在输入图像数据时，用摄像头拍摄待识别的纸币，摄像头拍摄的图像的分辨率一般是不高的，在进行胶带检测和识别时用的是总体特征，对分辨率的要求也不是很高，因此本实施例采用256*192图像大小，且得到的图像是256级灰度图像，如图15所示。在这里要注意的是，胶带图像的采集必须是可见光源以特殊角度照射获取，这样，胶带就可以反射光源的能量，使胶带所在位置最亮。本实施例中选取普通的照明灯作为光源。

1.对胶带RGB图像进行RGB三分量的分割，获得获得每个分量图像

图像的亮度主要取决于图像中物体的反射率和光源的发光强度，物体的反射率主要取决于物体表面的明暗程度和物体质地。当物体为完全黑体时，它将吸收所有入射到它表面上的光，使物体表面灰度最小；当物体为雪白色则反射率为1，发生全反射现象，物体表面灰度最大。当物体密度非常大时，通过物体表面的光通量很少，光被反射。

从图15可以看出，胶带反射光的能力强于纸币反射光的能力，但是纸币区域和胶带区域的灰度变化不是很明显，胶带特征也不是很明显，并且从图16中可以看出，B、G、R三分量的反射率也不相同。因此，从B、G、R三分量对原始图像进行分割，获得B分量图像、G分量图像及R分量图像，如图16a)、b)、c)所示。

2.选择合适的分量图像获取纸币区域

为了处理方便，所选背景为表面是黑色的不锈钢板。但是不锈钢的反射率为0.6，对光线还是有一定反射能力，因此，需要从图像中分割出背景区域和纸币区域，缩小处理图像的范围，去除不必要的干扰。

从图16a)、b)、c)可以看出，B分量图像纸币和胶带对光源的反射能力均很强，亮度与背景图像形成鲜明的对比；G分量图像次之；R分量图像中的纸币区域反射率很小，且吸收了大量的光能量，纸币区域的亮度远远小于胶带区域，达到了图像增强的目的。

采用图像分割中的基于边界的分割，它依赖于边界检测法得到的图像边界，将边界合并为边界链，并依据灰度相关性分割物体所在的区域。边界检测算子中的Canny边界检测法是一种检测性能很好的算法，它利用高斯函数的一阶微分，能在噪声抑制和边界检测之间取得较好的平衡。

从图16a)可以看出，B分量图像中的纸币和胶带图像区域对光源的反射能力均很强，亮度与背景图像形成鲜明的对比。因此选取B分量图像作为边界检测的目标图像，运用canny算子对边界进行检测和连通,得到图17所示连通的纸币边界。处于边界内的像素保留原灰度值，边界之外的像素判定为背景区域，灰度值全部为0。

3.对纸币区域亮度远远小于胶带区域亮度的R分量图像进行预处理，以突出胶带区域

由图16c)可知，纸币区域的亮度远远小于胶带区域，达到了图像增强的目的，选择R分量图像为目标图像。

绘制R分量图像的灰度直方图，如图18所示，采用整体阈值法对R分量图像进行二值化处理，选取门限值为0.51，灰度值大于0.51的为“1”，反之为“0”，得R分量图像的二值化图像，如图19a)所示。同时，消除了噪声对图像质量的干扰。

由图19a)可知，二值化后的R分量图像存在大量非胶带区域的孤立点和孤立分枝，影响识别胶带区域的准确性。因此，本实施例根据二值形态学中的腐蚀和膨胀运算保留图像的基本形状特性并除去不相干的点和分枝结构。首先，选择结构元素sb对二值化后的图像进行腐蚀运算，去除一部分干扰点和分枝，腐蚀结果如图19b)所示；然后利用去除孤立点和孤立枝的算法将分支和点除去；最后采用相同的结构元素sb对字符进行膨胀运算，膨胀结果如图19c)所示。

结构元素sb为:

4.计算胶带区域的面积，判定是否为拼接币

由图19c)可以看出，经过图像预处理和二值形态学分析后的R分量图像中，胶带区域已经相当明显和精确。然后只要统计胶带区域的像素个数，并选择最佳阈值判定此区域是否符合胶带区域判定的条件。本实施例选择最佳阈值为1.0e+003，当所统计的胶带区域像素个数大于该阈值时，判定纸币表面存在胶带，则纸币为拼接币；反之则判定为不存在胶带，判定纸币为真币。本实施例中胶带区域像素个数为1.43e+003，大于最佳阈值，判定纸币为拼接币。

在实验中，一共采集了60张背景为黑色的图像，图像中三分之二为粘有胶带的拼接币，三分之一为不粘胶带的真币，并且拍摄图像的角度各不相同。实验结果和数据表明，以黑色为背景采集到的图像，胶带识别率达到了100％，并且处理过程快速简单，满足自动存款机快速高效的特点。

综上，本发明设计了一套自动存款机识别拼接币的***流程，重点提出采用图像处理技术对于采集纸币图像的处理，并提出一种通过一维灰度投影模板匹配算法识别左右编号的方法，通过仿真和实验证明，识别正确率达到了100％。识别程序在内存4GB、CPU为2.4GHz(两核)的PC上，运行时间为3.325s。将程序语言转化和优化处理后下载到DSP硬件***中，其运行时间为0.52s，满足实时性要求，方案切实可行，为自动存款机识别拼接币奠定了基础。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求范围内。

Claims (9)

1.一种拼接币的识别***，其特征在于，采用模板匹配算法和图像三基色分割法提取亮度图像中的左编号区域、右编号区域及胶带区域，并利用相关性原理和门限法对拼接币进行检测与识别，具体过程包括如下步骤：

S1：对待识别纸币进行扫描和拍摄，并应用边缘检测法分割出纸币区域，获取扫描灰度图像和胶带RGB图像；

S2：通过大区间定位分割法从步骤S1中的扫描灰度图像中分割出左编号区域和右编号区域，对左编号区和右编号区的图像分别进行预处理，去除背景图像，突出字符特征；

S3：将步骤S2中处理后的左编号区和右编号区的图像进行二值形态学处理，使文字区域扩大并使文字边界光滑；

S4：计算左编号和右编号的一维水平灰度投影曲线和一维垂直灰度投影曲线，再以此为依据，通过精准定位法对左编号和右编号进行号码区的精准定位，并分割精准定位后号码区的每一个字母或数字，得到左编号各字符和右编号各字符；

S5：进行模板匹配，求出左编号和右编号的每个对应字符的一维水平灰度投影互相关系数和一维垂直灰度投影互相关系数，得到左编号和右编号的一维水平灰度投影互相关系数序列和一维垂直灰度投影互相关系数序列，将相应序列的最大值与相应预先设定的最佳阈值比较，如果相应序列的最大值不小于最佳阈值就说明两个字符匹配，即两个字符相等；如果相应序列的最大值小于最佳阈值，则说明两字符不相等，即左右编号不匹配，可判定待识别的纸币为拼接币；

S6：在步骤S5中未判定为拼接币后，对步骤S1中的胶带RGB图像进行RGB三分量的分割，获得每个分量图像；

S7：选择纸币整体与背景图像形成鲜明对比的分量图像一，用Canny算子检测出纸币区域；

S8：采用整体阈值法对纸币区域亮度远远小于胶带区域亮度的分量图像二进行二值化，得到分量图像二的二值化图像，从该图像中分割出胶带和背景图像，计算胶带的面积区域，并与预先设定的最佳阈值比较，若计算得到的面积区域大于最佳阈值，则判断纸币表面粘有胶带，从而判定待识别的纸币为拼接币；若计算得到的面积区域不大于最佳阈值，则判定待识别的纸币不是拼接币。

2.根据权利要求1所述的一种拼接币的识别***，其特征在于，步骤S2中所述大区间定位分割法为先根据预测定位编号区进行初定位，然后基于初定位增加偏移量扩大范围进行大区间定位。

3.根据权利要求2所述的一种拼接币的识别***，其特征在于，左编号的定位大区间为(60:460横向，660:750纵向)，右编号的定位大区间为(1660:1750横向，370:770纵向)。

4.根据权利要求1所述的一种拼接币的识别***，其特征在于，步骤S2中所述预处理包括依次进行的图像二值化、反色及平滑滤波处理，在对右编号区进行图像二值化之前先进行了图像增强处理。

5.根据权利要求1所述的一种拼接币的识别***，其特征在于，步骤S3中所述二值形态学处理具体为：采用结构元素为sa的矩阵，利用腐蚀运算将左编号和右编号的每个字符区域缩小，字符竖划中较细的笔划在腐蚀的过程中被消除，使文字中的孤立点分离出来；然后采用相同的结构元素对字符进行膨胀运算；所述结构元素sa为：

6.根据权利要求1所述的一种拼接币的识别***，其特征在于，步骤S4的具体过程为：

A1：计算出左编号和右编号的一维水平灰度投影曲线和一维垂直灰度投影曲线；

A2：根据一维水平灰度投影曲线计算出灰度零点，并根据一维垂直灰度投影曲线计算出两个零点；

A3：分别以一维水平灰度投影曲线中的第一个零点和最后一个零点，一维垂直灰度投影曲线的两个零点为边界点截取相应编号区中的字符部分，即完成精准定位；

A4：将一维水平灰度投影曲线的零点按顺序两两分组，字符数作为分组数；再以一维水平灰度投影曲线的每一组零点和一维垂直灰度投影曲线的零点为边界点截取精准定位后号码区中的相应字符，得到左编号各字符和右编号各字符。

7.根据权利要求1所述的一种拼接币的识别***，其特征在于，步骤S5中所述模板匹配的算法采用一维灰度投影模板匹配算法，具体为：分别将模板和待匹配的二维图像灰度值投影迭加到一维数轴上，并在一维数轴上分别从横轴和纵轴两个方向进行匹配判断；一维灰度投影匹配的相关函数为：

式中f_a(i)、f_b(i)为i点模板和目标图像投影灰度值，f′_a(i)、f′_b(i)为i点模板和目标投影平均灰度值。

8.根据权利要求1所述的一种拼接币的识别***，其特征在于，步骤S6中所述分量图像的背景为表面是黑色的不锈钢板。

9.根据权利要求1所述的一种拼接币的识别***，其特征在于，在步骤S8中得到分量图像二的二值化图像后，选择结构元素sb对二值化图像进行腐蚀运算，再采用相同结构元素sb对字符进行膨胀运算，结构元素sb为：