CN110598699A - 一种基于多光谱图像的防伪票据鉴伪***和方法 - Google Patents

Abstract

本发明属于金融安全鉴伪与识别技术领域，公开了一种基于多光谱图像的防伪票据鉴伪***和方法，通过图像采集模块对防伪票据进行图像采集，获得不同光谱下的防伪票据图像；对获取的多幅票据图像进行预处理，包括色彩补偿、几何校正、滤波降噪；在红外和紫外图像上提取防伪特征，并融合多特征判断防伪票据真伪；在白光图像上检测文本区域，并识别票面文本信息，票面文本信息包括票据种类、所属机构、票号、账号、金额。本发明利用多模态多特征融合的方式进行票据鉴伪提高了鉴伪的准确率和可靠性；本发明能够捕获防伪标记的细节信息，实现特征点的准确匹配。而且匹配速度较快，能够达到在线检测实时性的要求。

Description

一种基于多光谱图像的防伪票据鉴伪***和方法

技术领域

本发明属于公共安全鉴伪与识别技术领域，尤其涉及一种基于多光谱图像的防伪票据鉴伪***和方法。

背景技术

目前，最接近的现有技术：

防伪票据是指具有防伪标识或特征的各种有价证券和凭证，包括支票、汇票、存单、股票、企业债券、***、门票等。防伪票据是国家金融市场流通过程中的重要凭证之一，承担了个人、企业、银行等社会主体间资金流通业务。随着我国经济的快速发展，各类票据业务也得到了迅猛发展。随之而来的是票据造假导致的违法案件增加，严重危害了我国金融安全和公共安全。相比于现金，票据的涉及金额往往更大，伪造票据严重损害了个人、企业和银行的利益。防伪票据种类繁多、流通范围相对较窄，而且票据鉴伪知识普及度低，大多数人无法准确判断出票据的真伪，这使得伪造票据能够流通并导致一系列金融诈骗案件。相比于人民币和身份证等其他票证，目前市面上针对防伪票据的专业鉴伪设备较少，无法对票据进行全面的防伪检测和信息识别，往往需要人工核验，这样不仅效率较低，而且鉴别的可靠性严重依赖于工作人员的经验和能力。

随着防伪票据在市场上的广泛使用以及涉及金额的快速增长，依赖人工经验的鉴伪手段已无法满足需求，急需设计稳定可靠的鉴伪方法与***，以实现防伪票据真伪的精确识别，解决现有防伪票据在流通过程中存在的安全风险，保障金融安全，并提高服务效率。

目前已存在的一些防伪票据鉴伪识别***，主要目的在于检测防伪票据的真伪，而票据信息识别部分的研究相对不足。而在防伪票据鉴伪上，部分方法通过构造新型防伪特征进行鉴伪，部分方法通过特征模板匹配进行鉴伪。

申请号为CN103679242A，名称为“应用为金融票据的图像防伪识别方法”的专利文献，通过构造新型的防伪标识(将一种存储防伪信息的标识，通过印刷或打印的方式固化于金融票据表面)，然后利用识别仪器对其进行识别，从而达到鉴伪的目的。但该方案不是在当前金融票据的制定规范下进行鉴伪，而是通过增加防伪标识解决问题，实施难度大、适用性较差。

申请号为CN102542660A，名称为“基于票据水印分布特征的票据防伪鉴别方法”的专利文献，将不同的票据水印构造联合模板，然后通过模板与待处理票据进行匹配，从而鉴别票据的真伪。但该方案中防伪票据的水印是在白光透射下获得的，而没有利用其他光谱下的防伪特征，可能影响到票据鉴伪的准确性和可靠性。

综上所述，现有技术存在的问题是：

(1)现有技术利用防伪特征种类单一，导致鉴伪的准确率和可靠性差。

(2)现有技术采用防伪特征的全局信息，匹配时未利用其细节信息，导致匹配速度慢、在线检测实时性差。

(3)现有技术对票面信息识别不全、且识别准确率差。

(4)现有技术没有建立票据数据库，不便于防伪票据数据的统一管理。

由于图像采集技术的不够完善，限制了提取防伪特征的种类；由于票据种类多样、票面信息繁多，提高了识别难度。因此研究出实时性好、鉴伪效率高、能识别多种票据的防伪票据鉴伪***是很有必要的。

发明内容

针对现有技术存在的问题，本发明提供了一种基于多光谱图像的防伪票据鉴伪***和方法。

本发明是这样实现的，一种基于多光谱图像的防伪票据鉴伪方法，包括：

步骤一，通过图像采集模块对防伪票据进行图像采集，获得不同光谱下的防伪票据图像。

步骤二，对获取的多幅票据图像进行预处理，包括色彩补偿、几何校正、滤波降噪。

步骤三，在红外和紫外图像上提取防伪特征，并融合多特征判断防伪票据真伪。

步骤四，在白光图像上检测文本区域，并识别票面文本信息，所述票面文本信息包括票据种类、所属机构、票号、账号、金额。

进一步，步骤二对获取的多幅票据图像进行预处理的方法具体包括：

第一步，对防伪票据图像进行色彩补偿：利用黑白校正纸，确定校正系数，对白光正面反射图像逐点进行色彩补偿，对色彩补偿后的防伪票据图像进行几何校正。

第二步，防伪票据图像几何校正：基于目标区域的四个角点与校正后的四个角点获得透视变换矩阵，并进行透视变换，得到校正后的票据图像。

第三步，对校正后的防伪票据图像进行滤波降噪处理。

进一步，第一步具体包括：

1)利用黑白校正纸，确定校正系数，CIS传感器感光元器件有N个,利用线性模型y＝kx+b对图像的每个像素点进行色彩补偿，其中k，b均为校正系数，x为采集到的像素值，y表示实际的像素值，对每一个感光元器件，计算校正系数ki和bi，产生2N个校正系数。

首先采集校正纸黑色部分图像，获得对应图像，即获得当x＝0时，y的像素值，然后采集校正纸白色部分图像，获得对应图像，获得当x＝255时，y的像素值，再计算获得对应像素的校正系数。

2)对白光正面反射图像逐点进行色彩补偿，

根据校正系数和线性模型y＝kx+b，对白光正面反射图像逐点进行色彩补偿，计算得出实际的像素值，其中x为采集到的像素值，y为色彩补偿后的像素值。

进一步，第二步具体包括：

a)获取色彩补偿后的防伪票据图像，并对其进行灰度化处理；

b)对原始灰度图像，沿着四条边的垂直方向以一定间隔进行采样搜索，确定目标区域即票据图像区域的边界采样点；

c)对每一个方向的边界采样点进行最小二乘拟合，确定目标区域的边界直线。

d)求取四条边界直线的交点，即为目标区域的四个角点；

e)基于目标区域的四个角点与校正后的四个角点获得透视变换矩阵，并进行透视变换，得到校正后的票据图像。

进一步，第三步，对校正后的防伪票据图像进行滤波降噪处理中，利用自适应中值滤波对校正后的防伪票据图像进行滤波处理。

进一步，步骤三具体包括：

A)获取预处理后的防伪票据图像，包括红外光正面反射图像、红外光透射图像、紫外光正面反射图像、紫外光透射图像、白光正面反射图像。

B)在红外图像上提取待检测区域的特征，并与模板图像进行SURF特征点匹配，若匹配点数超过给定的第一阈值，则判断匹配成功，该处存在真实的防伪特征；否则防伪检测不通过，返回上层应用并提示报错信息；

C)在紫外图像上提取待检测区域的特征，并与模板图像进行SURF特征点匹配，若匹配点数超过给定的第二阈值，则判断匹配成功，该处存在真实的防伪特征；否则防伪检测不通过，返回上层应用并提示报错信息；

D)将紫外图像转换到HSV通道，提取红蓝颜色分量并进行阈值分割，然后在二值图像上使用形态学开运算滤除细小物体，并采用连通域分析法搜索定位目标，计算每个可能目标的尺寸参数，并与给定阈值比较，判断是否为荧光纤维丝；

E)若上述所有防伪特征均检测通过，则进行下一步票面信息识别，否则提示报错信息，并将错误信息和对应防伪票据图像传输至票据数据库进行备份。

进一步，步骤四中，防伪票据信息识别的具体步骤包括：

I)建立防伪票据类型识别数据库,根据银行和票据类型建立信息类型数据库；

II)将所采集的防伪票据可见光图像与防伪票据类型识别数据库进行匹配，从而确定待识别票据的具体类型与所属机构；

III)对票据的可见光图像进行版面分析，采用最大稳定极值区域MSER定位文本并根据坐标先验分割出每个待识别的文本行，包括票号、账号、大小写金额；

IV)对每个文本行图像进行二值化处理，采用连通域分析法分割出单个字符图像，并缩放至固定尺寸；

V)对于印刷体字符图像，提取HOG特征和圆形LBP特征，并融合两种特征用于离线训练SVM分类器，得到印刷体字符识别模型。实际测试时，加载训练好的模型对分割出的字符进行识别；

VI)对于手写体字符图像，采用轻量级的CNN网络在手写体字符数据集mnist上离线训练模型。实际测试时，加载训练好的网络模型对分割出的手写字符进行识别；

VII)显示识别出的文本信息，并将文本信息和对应防伪票据图像传输到票据数据库进行备份。

进一步，步骤I)建立防伪票据类型识别数据库具体步骤包括：

i)利用图像采集工具采集防伪票据标志，获得防伪票据标志图像；

ii)利用形态学方法对防伪票据标志图像进行处理，方便后续的特征点检测与匹配；

iii)分别使用不同尺度的高斯滤波模板对标志图像进行处理，获得一系列响应图像；

iv)在不同尺度的高斯滤波图像上分别计算Hessian矩阵的行列式，得到Hessian变换后的多尺度金字塔图像；

v)在多尺度图像空间进行特征点检测，考虑每个像素点的3×3×3邻域，同一尺度层的8邻域像素和两个相邻尺度层的9个邻域像素点，如果某个像素点在其空间邻域范围内为极大值点，则认为该像素点为该区域的局部特征点；

vi)对检测到的每个特征点生成一个特征向量描述子，考虑特征点的一个邻域范围，并将邻域范围划分为若干个大小相同的子块，然后在每个子块内统计Haar小波响应值，并统计∑dx，∑|dx|，∑dy，∑|dy|得到特征向量；

vii)对不同防伪票据图像重复步骤S411-S416，获得对应的防伪票据标志特征，并将代表所属机构的特征和代表票据类型的特征进行融合，获得融合特征表示，从而构成防伪票据标志特征数据集。

本发明的另一目的在于提供一种实施所述基于多光谱图像的防伪票据鉴伪方法的基于多光谱图像的防伪票据鉴伪检测与信息识别***，所述基于多光谱图像的防伪票据防伪检测与信息识别***包括：

数据处理模块2和信息存储模块3。

图像采集模块，通过CIS图像采集管对防伪票据进行多光谱图像采集，同时通过USB数据接口将图像传输给数据处理模块，进行防伪检测和信息识别。

数据处理模块，处理完防伪票据图像后，将处理结果传输至信息存储模块进行备份。

信息存储模块，通过票据数据库存储真实的防伪票据图像与其文本信息以及伪造的防伪票据图像。

进一步，图像采集模块包括：CIS图像采集模块、模数转换模块、FPGA模块、存储模块、电源模块、采集速度匹配模块、图像输出模块；

CIS图像采集模块对下方经过的防伪票据进行图像采集并输出一系列模拟数据，经过模数转化器转化为数字信号，FPGA负责整个***的时序控制，采集速度匹配模块根据传送装置的传送速度调整CIS图像采集模块的采图速率，FPGA将采集到的数字图像数据缓存到存储模块中；通过图像输出模块将采集到的防伪票据图像传输至数据处理模块，电源模块为整个***供电，需要外部5V供电。

综上所述，本发明的优点及积极效果为：

本发明利用防伪票据在不同光谱图像下的防伪特征，并将多种不同的防伪特征进行融合对防伪票据进行防伪检测，并进一步识别票面信息例如票据的种类、所属机构、票号、账号、金额等。

本发明利用多模态多特征融合的方式进行票据鉴伪：首先使用图像采集模块采集多幅光谱图像，然后在不同光谱图像(即多种模态)下分别提取特征，然后将这些特征进行融合，最后进行全面的防伪检测，从而提高鉴伪的准确率和可靠性。

本发明采用SURF特征点匹配的方法具有良好的灰度不变性、空间不变性和旋转不变性，并且对光照鲁棒，能够捕获防伪标记的细节信息，实现特征点的准确匹配。而且匹配速度较快，能够达到在线检测实时性的要求。

本发明实现了票面信息的有效识别，包括票据类型、所属机构、票号、账号、大小写金额。并且针对印刷体和手写体字符的差异，分别采用针对性的方法提取特征并训练分类模型，有效地提升了字符识别的准确率。

本发明建立票据数据库，将处理获得的数据传输到数据库中，实现防伪票据数据的统一管理。

附图说明

图1为本发明实施例提供的基于多光谱图像的防伪票据防伪检测与信息识别***的示意图。

图2为本发明实施例提供的CIS图像采集单元的原理框图。

图3为本发明实施例提供的基于多光谱图像的防伪票据防伪检测与信息识别方法的控制流程示意图；

图4为本发明实施例提供的防伪票据预处理方法流程示意图。

图5为本发明实施例提供的防伪票据几何校正方法流程示意图。

图6为本发明实施例提供的防伪票据防伪检测方法流程示意图。

图7为本发明实施例提供的防伪票据信息识别方法流程示意图。

图8为本发明实施例提供的防伪票据类型识别数据库建立流程示意图。

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。

现有技术，没有利用多模态多特征融合的方式进行票据鉴伪，造成鉴伪的准确率和可靠性差。现有技术没有采用SURF特征点匹配的方法不能够捕获防伪标记的细节信息，造成匹配速度慢，不能够达到在线检测实时性的要求。现有技术没有进行票面信息的有效识别准确率差。现有技术没有建立票据数据库，不便于防伪票据数据的统一管理。

针对现有技术存在的问题，本发明提供了一种基于多光谱图像的防伪票据鉴伪***和方法，下面结合具体方案及附图对本发明作详细的描述。

如图1所示，本发明实施例提供的基于多光谱图像的防伪票据防伪检测与信息识别***。从图中可以看出，本***包括：图像采集模块1，数据处理模块2和信息存储模块3。具体流程如下：CIS图像采集管对防伪票据进行多光谱图像采集，同时通过USB数据接口将图像传输给数据处理模块，进行防伪检测和信息识别。当数据处理模块处理完防伪票据图像后，将处理结果传输至信息存储模块进行备份。

图像采集模块1，数据处理模块2和信息存储模块3。图像采集模块通过USB数据接口与数据处理模块2连接，防伪票据通过传送装置1进行传输，当防伪票据通过图像采集模块时，CIS图像采集单元11对防伪票据进行图像采集(分别采集防伪票据正反面的图像)，同时透射光源12提供透射光，从而获得多光谱图像(白光正面反射图、白光反面反射图、红外光正面反射图、红外光反面反射图、红外光透射图、紫外光正面反射图、紫外光反面反射图、紫外光透射图)，然后将图像传输给数据处理模块2，数据处理模块2对其进行防伪检测和信息识别，最后将处理的结果传输至信息存储模块3进行备份。

如图2，在本发明图像采集模块1包括：CIS图像采集模块、模数转换模块、FPGA模块(Field-Programmable Gate Array，现场可编程门阵列)、存储模块、电源模块、采集速度匹配模块、图像输出模块。***工作时，CIS图像采集模块对下方经过的防伪票据进行图像采集并输出一系列模拟数据，经过模数转化器转化为数字信号，FPGA负责整个***的时序控制，采集速度匹配模块根据传送装置的传送速度调整CIS图像采集模块的采图速率，FPGA将采集到的数字图像数据缓存到存储模块中，然后通过图像输出模块将采集到的防伪票据图像传输至数据处理模块，电源模块为整个***供电，需要外部5V供电。

在本发明提供的一种基于多光谱图像的防伪票据防伪检测与信息识别***中，通过图像采集模块，获得防伪票据在不同光谱下的图像。并对图像进行预处理包括色彩补偿、几何校正、滤波降噪等。然后分别在防伪票据的红外图像、紫外图像上进行防伪检测，判断票据的真伪。若为假，则提示错误信息并将数据传输到信息存储模块；若为真，则在防伪票据的可见光图像上进行信息识别，获得其票面信息(票据类型、所属机构、票号、账号、大小写金额等)，然后显示结果，并将数据传输到信息存储模块。

如图3所示，本发明实施例提供一种基于多光谱图像的防伪票据防伪检测与信息识别方法，包括：

S1、通过图像采集模块对防伪票据进行图像采集，获得不同光谱下的防伪票据图像。

S2、防伪票据图像预处理。

S3、防伪票据的防伪检测。即在红外和紫外图像上提取防伪特征，并融合多特征判断防伪票据真伪。

S4、防伪票据的信息识别。即在白光图像上检测文本区域，并识别票面文本信息，所述票面文本信息包括票据种类、所属机构、票号、账号、金额。

S5、利用由票据数据库组成的信息存储模块用于存储真实的防伪票据图像与其文本信息以及伪造的防伪票据图像。

如图4所示，步骤S2中，预处理防伪票据的具体步骤包括：票据图像的色彩补偿、票据图像的几何校正、票据图像的滤波降噪。

S21对防伪票据图像进行色彩补偿。

由于图像采集模块的传感器CIS的每个感光元器件的感光灵敏度存在差异，会使得采集的图像出现明暗相间的条纹噪声，这种噪声是由于CIS管的特性产生的，并且从硬件层面无法消除，但可以根据其产生机制，从软件层面来消除。下面以白光正面反射图为例说明色彩补偿的方法。

S211利用黑白校正纸，确定校正系数。

假设CIS传感器感光元器件有N个,利用线性模型y＝kx+b(其中k，b均为校正系数，x为采集到的像素值，y表示实际的像素值)对图像的每个像素点进行色彩补偿，针对每一个感光元器件(一个感光元器件对应一个像素)，计算其校正系数ki和bi，因此会产生2N个校正系数。

首先采集校正纸黑色部分图像，获得对应图像(即获得当x＝0时，y的像素值)，然后采集校正纸白色部分图像，获得对应图像(即获得当x＝255时，y的像素值)，最后计算获得对应像素的校正系数。

S212对白光正面反射图像逐点进行色彩补偿。

根据校正系数和线性模型y＝kx+b，对白光正面反射图像逐点进行色彩补偿，计算得出实际的像素值(其中x为采集到的像素值，y为色彩补偿后的像素值)。

S22对色彩补偿后的防伪票据图像进行几何校正。

防伪票据在图像采集模块中是任意摆放的，导致CIS图像采集单元采集到的图像中票据区域的位置与方向也是任意的。为了之后更方便地处理图像，需要将防伪票据在图像中的区域截取出来并校正。

如图5所示，步骤S22中，防伪票据图像几何校正的具体步骤包括：

S221获取色彩补偿后的防伪票据图像，并对其进行灰度化处理。

S222对原始灰度图像，沿着四条边的垂直方向以一定间隔进行采样搜索，确定目标区域即票据图像区域的边界采样点。

S223对每一个方向的边界采样点进行最小二乘拟合，确定目标区域的边界直线。

S224求取四条边界直线的交点，即为目标区域(票据图像区域)的四个角点。

S225基于目标区域的四个角点与校正后的四个角点获得透视变换矩阵，并进行透视变换，得到校正后的票据图像。

校正后的图像的四个角点坐标是固定的，分别为(0，0)(0，width-1)，(height-1，0)，(width-1，heigt-1)(width，height分别为校正图像的宽高)。

透视变换是一种空间变换方法，也称作投影映射。通用的变换公式为：(u，v，w为原始图像的空间坐标、x′，y′，w′为透视变换后图像对应像素点的空间坐标，为透视变换矩阵)。由于处理的图像是二维的，所以令w＝1。变换后的图像坐标为即

S23对校正后的防伪票据图像进行滤波降噪处理。

由于CIS图像采集单元采集防伪票据图像时，容易产生椒盐噪声，所以利用自适应中值滤波对校正后的防伪票据图像进行滤波处理，以抑制噪声对后续鉴伪识别的影响。

如图6所示，步骤S3中，防伪票据防伪检测的具体步骤包括：

S31获取预处理后的防伪票据图像(红外光正面反射图像、红外光透射图像、紫外光正面反射图像、紫外光透射图像、白光正面反射图像)。

防伪票据在不同光谱下表现出的防伪特征不同。在红外图像上检测的防伪特征主要包括新型水印，红外防伪油墨；在紫外图像上检测的防伪特征包括有色荧光油墨(荧光Logo)、无色荧光油墨(主题图案、背景花纹)、荧光纤维丝。

S32在红外图像上提取待检测区域(新型水印)的特征，并与模板图像进行SURF特征点匹配，若匹配点数超过给定的第一阈值，则判断匹配成功，即该处存在真实的防伪特征。否则防伪检测不通过，返回上层应用并提示报错信息。

S33在紫外图像上提取待检测区域(银行行徽、主题图案、背景花纹)的特征，并与模板图像进行SURF特征点匹配，若匹配点数超过给定的第二阈值，则判断匹配成功，即该处存在真实的防伪特征。否则防伪检测不通过，返回上层应用并提示报错信息。

S34将紫外图像转换到HSV通道，提取红蓝颜色分量并进行阈值分割，然后在二值图像上使用形态学开运算滤除细小物体，并采用连通域分析法搜索定位目标，计算每个可能目标的尺寸参数，并与给定阈值比较，判断是否为荧光纤维丝。

S35若上述所有防伪特征均检测通过，则进行下一步票面信息识别，否则提示报错信息，并将错误信息和对应防伪票据图像传输至票据数据库进行备份。

如图7所示，步骤S4中，防伪票据信息识别的具体步骤包括：

S41建立防伪票据类型识别数据库。

防伪票据的所属机构、票据类型不同，导致票据样式存在些许差异。为了更方便地识别出防伪票据的类型，根据银行和票据类型建立信息类型数据库,若之后增加新的防伪票据，只需更新防伪票据类型识别数据库即可。建立票据类型识别数据库提高了信息识别的针对性、增强了***的适用性和实用性。

S42将所采集的防伪票据可见光图像与防伪票据类型识别数据库进行匹配，从而确定待识别票据的具体类型与所属机构。

S43对票据的可见光图像进行版面分析，采用最大稳定极值区域MSER定位文本并根据坐标先验(步骤S42得出的防伪票据类型和所属机构提供对应防伪票据各个部分的先验坐标)分割出每个待识别的文本行，包括票号、账号、大小写金额等。

S44对每个文本行图像进行二值化处理，采用连通域分析法分割出单个字符图像，并缩放至固定尺寸。

S45对于印刷体字符图像，提取HOG特征和圆形LBP特征，并融合两种特征用于离线训练SVM分类器，得到印刷体字符识别模型。实际测试时，加载训练好的模型对分割出的字符进行识别。

S46对于手写体字符图像，采用轻量级的CNN网络在手写体字符数据集mnist上离线训练模型。实际测试时，加载训练好的网络模型对分割出的手写字符进行识别。

S47显示识别出的文本信息，并将文本信息和对应防伪票据图像传输到票据数据库进行备份。

如图8所示，步骤S41中，建立防伪票据类型识别数据库具体步骤包括：

S411利用图像采集工具(CCD相机或CIS图像采集单元)采集防伪票据标志(银行行徽、银行名称如“中国银行”、票据类型如“支票”、“存单”、“汇票”)，获得防伪票据标志图像。

S412利用形态学方法对防伪票据标志图像进行处理，方便后续的特征点检测与匹配。

S413分别使用不同尺度的高斯滤波模板对标志图像进行处理，获得一系列响应图像。

S414在不同尺度的高斯滤波图像上分别计算Hessian矩阵的行列式，得到Hessian变换后的多尺度金字塔图像。

S415在多尺度图像空间进行特征点检测，考虑每个像素点的3×3×3邻域，即同一尺度层的8邻域像素和两个相邻尺度层的9个邻域像素点(一共26个像素)，如果某个像素点在其空间邻域范围内为极大值点，则认为该像素点为该区域的局部特征点。

S416对检测到的每个特征点生成一个特征向量描述子，考虑特征点的一个邻域范围，并将邻域范围划分为若干个大小相同的子块，然后在每个子块内统计Haar小波响应值，并统计∑dx，∑|dx|，∑dy，∑|dy|得到特征向量。

S417对不同防伪票据图像重复步骤S411-S416，获得对应的防伪票据标志特征，并将代表所属机构的特征和代表票据类型的特征进行融合，获得融合特征表示，从而构成防伪票据标志特征数据集。

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。

Claims (10)

1.一种基于多光谱图像的防伪票据鉴伪方法，其特征在于，所述基于多光谱图像的防伪票据鉴伪方法包括：

步骤一，对防伪票据进行图像采集，获得不同光谱下的防伪票据图像；

步骤二，对获取的多幅票据图像进行预处理，包括色彩补偿、几何校正、滤波降噪；

步骤三，在红外和紫外图像上提取防伪特征，并融合多特征判断防伪票据真伪；

步骤四，在白光图像上检测文本区域，并识别票面文本信息，所述票面文本信息包括票据种类、所属机构、票号、账号、金额。

2.如权利要求1所述的基于多光谱图像的防伪票据鉴伪方法，其特征在于，步骤二对获取的多幅票据图像进行预处理的方法具体包括：

第一步，对防伪票据图像进行色彩补偿：利用黑白校正纸，确定校正系数，对白光正面反射图像逐点进行色彩补偿，对色彩补偿后的防伪票据图像进行几何校正；

第二步，防伪票据图像几何校正：基于目标区域的四个角点与校正后的四个角点获得透视变换矩阵，并进行透视变换，得到校正后的票据图像；

第三步，对校正后的防伪票据图像进行滤波降噪处理。

3.如权利要求2所述的基于多光谱图像的防伪票据鉴伪方法，其特征在于，

第一步具体包括：

1)利用黑白校正纸，确定校正系数，CIS传感器感光元器件有N个,利用线性模型y＝kx+b对图像的每个像素点进行色彩补偿，其中k，b均为校正系数，x为采集到的像素值，y表示实际的像素值，对每一个感光元器件，计算校正系数ki和bi，产生2N个校正系数；

首先采集校正纸黑色部分图像，获得对应图像，即获得当x＝0时，y的像素值，然后采集校正纸白色部分图像，获得对应图像，获得当x＝255时，y的像素值，再计算获得对应像素的校正系数；

2)对白光正面反射图像逐点进行色彩补偿，

根据校正系数和线性模型y＝kx+b，对白光正面反射图像逐点进行色彩补偿，计算得出实际的像素值，其中x为采集到的像素值，y为色彩补偿后的像素值。

4.如权利要求2所述的基于多光谱图像的防伪票据鉴伪方法，其特征在于，第二步具体包括：

a)获取色彩补偿后的防伪票据图像，并对其进行灰度化处理；

b)对原始灰度图像，沿着四条边的垂直方向以一定间隔进行采样搜索，确定目标区域即票据图像区域的边界采样点；

c)对每一个方向的边界采样点进行最小二乘拟合，确定目标区域的边界直线；

d)求取四条边界直线的交点，即为目标区域的四个角点；

e)基于目标区域的四个角点与校正后的四个角点获得透视变换矩阵，并进行透视变换，得到校正后的票据图像。

5.如权利要求2所述的基于多光谱图像的防伪票据鉴伪方法，其特征在于，第三步，对校正后的防伪票据图像进行滤波降噪处理中，利用自适应中值滤波对校正后的防伪票据图像进行滤波处理。

6.如权利要求1所述的基于多光谱图像的防伪票据鉴伪方法，其特征在于，

步骤三具体包括：

A)获取预处理后的防伪票据图像，包括红外光正面反射图像、红外光透射图像、紫外光正面反射图像、紫外光透射图像、白光正面反射图像；

B)在红外图像上提取待检测区域的特征，并与模板图像进行SURF特征点匹配，若匹配点数超过给定的第一阈值，则判断匹配成功，该处存在真实的防伪特征；否则防伪检测不通过，返回上层应用并提示报错信息；

C)在紫外图像上提取待检测区域的特征，并与模板图像进行SURF特征点匹配，若匹配点数超过给定的第二阈值，则判断匹配成功，该处存在真实的防伪特征；否则防伪检测不通过，返回上层应用并提示报错信息；

D)将紫外图像转换到HSV通道，提取红蓝颜色分量并进行阈值分割，然后在二值图像上使用形态学开运算滤除细小物体，并采用连通域分析法搜索定位目标，计算每个可能目标的尺寸参数，并与给定阈值比较，判断是否为荧光纤维丝；

E)若上述所有防伪特征均检测通过，则进行下一步票面信息识别，否则提示报错信息，并将错误信息和对应防伪票据图像传输至票据数据库进行备份。

7.如权利要求1所述的基于多光谱图像的防伪票据鉴伪方法，其特征在于，步骤四中，防伪票据信息识别的具体步骤包括：

I)建立防伪票据类型识别数据库,根据银行和票据类型建立信息类型数据库；

II)将所采集的防伪票据可见光图像与防伪票据类型识别数据库进行匹配，从而确定待识别票据的具体类型与所属机构；

III)对票据的可见光图像进行版面分析，采用最大稳定极值区域MSER定位文本并根据坐标先验分割出每个待识别的文本行，包括票号、账号、大小写金额；

IV)对每个文本行图像进行二值化处理，采用连通域分析法分割出单个字符图像，并缩放至固定尺寸；

V)对于印刷体字符图像，提取HOG特征和圆形LBP特征，并融合两种特征用于离线训练SVM分类器，得到印刷体字符识别模型。实际测试时，加载训练好的模型对分割出的字符进行识别；

VI)对于手写体字符图像，采用轻量级的CNN网络在手写体字符数据集mnist上离线训练模型。实际测试时，加载训练好的网络模型对分割出的手写字符进行识别；

VII)显示识别出的文本信息，并将文本信息和对应防伪票据图像传输到票据数据库进行备份。

8.如权利要求7所述的基于多光谱图像的防伪票据鉴伪方法，其特征在于，步骤I)建立防伪票据类型识别数据库具体步骤包括：

i)利用图像采集工具采集防伪票据标志，获得防伪票据标志图像；

ii)利用形态学方法对防伪票据标志图像进行处理，方便后续的特征点检测与匹配；

iii)分别使用不同尺度的高斯滤波模板对标志图像进行处理，获得一系列响应图像；

iv)在不同尺度的高斯滤波图像上分别计算Hessian矩阵的行列式，得到Hessian变换后的多尺度金字塔图像；

v)在多尺度图像空间进行特征点检测，考虑每个像素点的3×3×3邻域，同一尺度层的8邻域像素和两个相邻尺度层的9个邻域像素点，某个像素点在其空间邻域范围内为极大值点，则认为该像素点为该区域的局部特征点；

vi)对检测到的每个特征点生成一个特征向量描述子，考虑特征点的一个邻域范围，并将邻域范围划分为若干个大小相同的子块，然后在每个子块内统计Haar小波响应值，并统计∑dx，∑|dx|，∑dy，∑|dy|得到特征向量；

vii)对不同防伪票据图像重复步骤S411-S416，获得对应的防伪票据标志特征，并将代表所属机构的特征和代表票据类型的特征进行融合，获得融合特征表示，从而构成防伪票据标志特征数据集。

9.一种实施权利要求1～8任意一项所述基于多光谱图像的防伪票据鉴伪方法的基于多光谱图像的防伪票据鉴伪检测与信息识别***，其特征在于，所述基于多光谱图像的防伪票据防伪检测与信息识别***包括：

图像采集模块，通过CIS图像采集管对防伪票据进行多光谱图像采集，同时通过USB数据接口将图像传输给数据处理模块，进行防伪检测和信息识别；

数据处理模块，处理完防伪票据图像后，将处理结果传输至信息存储模块进行备份；

信息存储模块，通过票据数据库存储真实的防伪票据图像与其文本信息以及伪造的防伪票据图像。

10.如权利要求9所述的基于多光谱图像的防伪票据鉴伪检测与信息识别***，其特征在于，图像采集模块包括CIS图像采集模块、模数转换模块、FPGA模块、存储模块、电源模块、采集速度匹配模块、图像输出模块；

CIS图像采集模块，对下方经过的防伪票据进行图像采集并输出一系列模拟数据；

模数转化模块，将所述模拟数据转化为数字信号；

FPGA模块，负责整个***的时序控制，将采集到的数字图像数据缓存到存储模块中；

采集速度匹配模块，根据传送装置的传送速度调整CIS图像采集模块的采图速率；

图像输出模块，将采集到的防伪票据图像传输至数据处理模块；

电源模块，为整个***供5V电源。