CN110992578A - 一种面向多光源票据综合鉴别的深度学习目标检测方法 - Google Patents

一种面向多光源票据综合鉴别的深度学习目标检测方法 Download PDF

Info

Publication number
CN110992578A
CN110992578A CN201911226271.8A CN201911226271A CN110992578A CN 110992578 A CN110992578 A CN 110992578A CN 201911226271 A CN201911226271 A CN 201911226271A CN 110992578 A CN110992578 A CN 110992578A
Authority
CN
China
Prior art keywords
bill
image
light
counterfeiting
identification
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
Application number
CN201911226271.8A
Other languages
English (en)
Inventor
刘桂雄
刘思洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201911226271.8A priority Critical patent/CN110992578A/zh
Publication of CN110992578A publication Critical patent/CN110992578A/zh
Pending legal-status Critical Current

Links

Images

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
    • G07D7/06—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
    • G07D7/005—Testing security markings invisible to the naked eye, e.g. verifying thickened lines or unobtrusive markings or alterations
    • G07D7/0054—Testing security markings invisible to the naked eye, e.g. verifying thickened lines or unobtrusive markings or alterations involving markings the properties of which are altered from original properties
    • G07D7/0055—Testing security markings invisible to the naked eye, e.g. verifying thickened lines or unobtrusive markings or alterations involving markings the properties of which are altered from original properties involving markings displaced slightly from original positions within a pattern

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种面向多光源票据综合鉴别的深度学习目标检测方法，所述方法包括：依据票据不同光源下呈现不同图像防伪特征的特点，在自然光、紫外光、红外光、透光光源条件下采集票据图像信息；构建基于回归方法的目标检测算法，实现票据图像位置快速检测、票据成像条件识别；构建基于区域候选的目标检测算法，实现票据图像局部防伪特征位置、类别的精确检测；根据票据图像在不同光照下应呈现的防伪特征先验信息，结合算法检测结果，实现票据真伪鉴别。本发明利用深度学习在特征提取、归纳优势，提出具有强大泛化性能的票据多光源综合鉴别方法，解决经典图像处理方法在光照条件变化下票据图像鉴别适用性不足、效率不高的问题，实现票据多光源高效准确鉴别。

Description

一种面向多光源票据综合鉴别的深度学习目标检测方法
技术领域
本发明涉及票据防伪鉴别领域，尤其涉及一种面向多光源票据综合鉴别的深度学习目标检测方法。
背景技术
视觉检测鉴别技术因准确性高、非接触、适用性好而得到广泛应用。票据图像防伪鉴别技术具有防伪特征部位多、防伪图案复杂、不同光源条件下呈现不同防伪特征等特点，传统票据防伪鉴别方法是在不同光源激发条件下由人工进行人眼判别，工作重复性强、效率较低。基于传统图像处理的票据鉴别技术则需在不同成像条件下构建不同的图像处理方法、鉴别过程繁琐、算法构建周期长，在光变场景中难以达到好效果。
近年来，随着深度学习的发展与计算能力巨大提升，基于深度学习的目标检测方法开始应用于机器视觉检测并取得显著成效。卷积神经网络通过多层卷积运算对图像逐层提取图像特征，并进行特征运算、处理、归纳，在大量训练数据支持下，能够完成复杂场景的检测任务，具有检测效率高、泛用性强的特点。可以看出，人工检测与传统图像分类方法在票据鉴别领域均有其短板，而基于深度学习目标检测的票据鉴别技术具有泛用性强、检测效率高的优势，是该领域未来趋势，将有助于提高票据鉴别技术发展与进步。
发明内容
为解决上述存在的问题与缺陷，本发明提供一种面向多光源票据综合鉴别的深度学习目标检测方法，利用深度学习目标检测方法的优势，解决目前票据检测工程应用中人工鉴别工作重复性高、经典图像分类算法泛用性不足问题，利用深度学习目标检测算法实现票据防伪鉴别，有助于在多光源下票据综合鉴别的视觉检测中应用。
本发明的目的通过以下的技术方案来实现：
一种面向多光源票据综合鉴别的深度学习目标检测方法，该方法包括：
A采集不同光源条件下呈现不同图像防伪特征特点的票据图像信息，所述光源包括自然光、紫外光、红外光与透光光源；
B构建基于回归方法的票据图像位置检测模型，实现票据图像位置快速检测、票据成像条件识别；
C构建基于区域候选的票据防伪特征检测模型，实现票据图像局部防伪特征位置与类别的精确检测；
D根据票据图像在自然光、紫外光、红外光与透光下应呈现的防伪特征先验信息，结合算法检测结果，实现票据真伪鉴别。
本发明有益效果是：
利用深度学习目标检测方法的优势，解决目前票据检测工程应用中人工鉴别工作重复性高、经典图像分类算法泛用性不足问题，利用深度学习目标检测算法实现票据防伪鉴别，有助于在多光源下票据综合鉴别的视觉检测中应用。
附图说明
图1是本发明所述的一种面向多光源票据综合鉴别的深度学习目标检测方法流程框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述。
本发明是一种面向多光源票据综合鉴别的深度学习目标检测方法，如图1所示，该方法包括如下步骤：
步骤10采集不同光源条件下呈现不同图像防伪特征特点的票据图像信息，所述光源包括自然光、紫外光、红外光与透光光源；
步骤20构建基于回归方法的票据图像位置检测模型，实现票据图像位置快速检测、票据成像条件识别；
将票据图像分割为S2个图像单元、为每个图像单元预测B个票据图像位置边界框BBoxpred (ij)，其中i＝1，2，…，S2；j＝1，2，…，B、训练卷积神经网络进行票据图像特征提取。
为每个图像单元预测边界框时BBoxpred (ij)，预设1∶1、1∶2、2∶1三种长宽比尺度、不同分辨率的边界框，以适应不同焦距、不同成像大小的票据图像位置预测。
每个预测边界框BBoxpred (ij)包括四个参数，即票据图像预测位置中心点横坐标
Figure BDA0002302300130000031
票据图像预测位置中心点横坐标
Figure BDA0002302300130000032
票据图像预测宽度
Figure BDA0002302300130000033
票据图像预测高度
Figure BDA0002302300130000034
根据票据图像位置预测结果与实际票据图像位置坐标差值构建构建损失函数Jloss如下，通过不断迭代更新神经网络参数，使得损失函数达到最小值，其中，
Figure BDA0002302300130000035
分别为实际票据图像位置中心横坐标、纵坐标、宽度、高度，
Figure BDA0002302300130000036
为票据成像条件预测值，
Figure BDA0002302300130000037
为票据实际成像条件，αxy、αwh、αc为损失项权重，可调整各项权重比值，降低卷积网络训练难度：
Figure BDA0002302300130000038
步骤30、构建基于区域候选的票据防伪特征检测模型，实现票据图像局部防伪特征位置、类别的精确检测：
在卷积神经网络提取票据图像特征基础上，采用分辨率为3*3的卷积核在最后的卷积特征图上滑动，生成票据防伪特征候选区域，对候选区域特征进行分类，生成防伪特征类别集合Fpred，其中每个防伪特征
Figure BDA0002302300130000039
由防伪特征图像中心位置坐标、防伪特征图像宽高组成。
步骤40、根据票据图像在自然光、紫外光、红外光与透光下应呈现的防伪特征先验信息，结合算法检测结果，实现票据真伪鉴别：
对于步骤20中检测得到票据图像成像条件结果，按照票据防伪鉴别标准构建该成像条件下真实票据防伪特征集Fgt，由步骤30得到待检测票据防伪特征检测结果特征集Fpred，对于每个防伪特征，若符合下述公式，则判断票据存在该防伪特征：
Figure BDA0002302300130000041
式中，
Figure BDA0002302300130000042
为真实票据第i个防伪特征的特征参数，
Figure BDA0002302300130000043
为待检测票据检测得到的第i个防伪特征的特征参数，ε为常数，以表征在误差允许范围内第i个防伪特征的存在情况。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (7)

1.一种面向多光源成像票据综合鉴别的深度学习目标检测方法，其特征在于，所述方法包括：
A采集不同光源条件下呈现不同图像防伪特征特点的票据图像信息，所述光源包括自然光、紫外光、红外光与透光光源；
B构建基于回归方法的票据图像位置检测模型，实现票据图像位置快速检测、票据成像条件识别；
C构建基于区域候选的票据防伪特征检测模型，实现票据图像局部防伪特征位置与类别的精确检测；
D根据票据图像在自然光、紫外光、红外光与透光下应呈现的防伪特征先验信息，结合算法检测结果，实现票据真伪鉴别。
2.如权利要求1所述的面向多光源成像票据综合鉴别的深度学习目标检测方法，其特征在于，所述步骤B中，基于回归方法的票据图像位置检测模型构建方法为：将票据图像分割为S2个图像单元，并为每个图像单元预测B个票据图像位置边界框BBoxpred (ij)，其中i＝1，2，…，S2；j＝1，2，…，B、训练卷积神经网络进行票据图像特征提取。
3.如权利要求2所述的面向多光源成像票据综合鉴别的深度学习目标检测方法，其特征在于，为每个图像单元预测边界框BBoxpred (ij)时，预设1∶1、1∶2、2∶1三种长宽比尺度、不同分辨率的边界框，以适应不同焦距、不同成像大小的票据图像位置预测。
4.如权利要求3所述的面向多光源成像票据综合鉴别的深度学习目标检测方法，其特征在于，所述每个图像单元预测边界框BBoxpred (ij)包括四个参数，即票据图像预测位置中心点横坐标
Figure RE-FDA0002375242430000011
票据图像预测位置中心点纵坐标
Figure RE-FDA0002375242430000012
票据图像预测宽度
Figure RE-FDA0002375242430000013
与票据图像预测高度
Figure RE-FDA0002375242430000014
5.如权利要求4所述的面向多光源成像票据综合鉴别的深度学习目标检测方法，其特征在于，根据票据图像位置预测结果
Figure RE-FDA0002375242430000015
与实际票据图像位置坐标差值构建损失函数Jloss如下，通过不断迭代更新神经网络参数，使得损失函数达到最小值：
Figure RE-FDA0002375242430000021
其中，
Figure RE-FDA0002375242430000022
分别为实际票据图像位置中心横坐标、纵坐标、宽度、高度；
Figure RE-FDA0002375242430000023
为票据成像条件预测值，
Figure RE-FDA0002375242430000024
为票据实际成像条件，αxy、αwh、αc为损失项权重，调整各项权重比值，降低卷积网络训练难度。
6.如权利要求1所述的面向多光源成像票据综合鉴别的深度学习目标检测方法，其特征在于，所述步骤C中，基于区域候选的票据防伪特征检测模型构建方法为：在卷积神经网络提取票据图像特征基础上，采用分辨率为3*3的卷积核在最后的卷积特征图上滑动，生成票据防伪特征候选区域，对候选区域特征进行分类，生成防伪特征类别集合Fpred，其中每个防伪特征
Figure RE-FDA0002375242430000025
由防伪特征图像中心位置坐标、防伪特征图像宽度和防伪特征图像高度组成。
7.如权利要求1所述的面向多光源成像票据综合鉴别的深度学习目标检测方法，其特征在于，所述步骤D中，对于步骤B中检测得到票据图像成像条件结果，按照票据防伪鉴别标准构建该成像条件下真实票据防伪特征集Fgt，由步骤C得到待检测票据防伪特征检测结果特征集Fpred，对于每个防伪特征，若符合下述公式，则判断票据存在该防伪特征：
Figure RE-FDA0002375242430000026
式中，
Figure RE-FDA0002375242430000027
为真实票据第i个防伪特征的特征参数，
Figure RE-FDA0002375242430000028
为待检测票据检测得到的第i个防伪特征的特征参数，ε为常数，以表征在误差允许范围内第i个防伪特征的存在情况。
CN201911226271.8A 2019-12-04 2019-12-04 一种面向多光源票据综合鉴别的深度学习目标检测方法 Pending CN110992578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911226271.8A CN110992578A (zh) 2019-12-04 2019-12-04 一种面向多光源票据综合鉴别的深度学习目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911226271.8A CN110992578A (zh) 2019-12-04 2019-12-04 一种面向多光源票据综合鉴别的深度学习目标检测方法

Publications (1)

Publication Number Publication Date
CN110992578A true CN110992578A (zh) 2020-04-10

Family

ID=70089999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911226271.8A Pending CN110992578A (zh) 2019-12-04 2019-12-04 一种面向多光源票据综合鉴别的深度学习目标检测方法

Country Status (1)

Country Link
CN (1) CN110992578A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法
CN108388858A (zh) * 2018-02-11 2018-08-10 北京京东金融科技控股有限公司 虹膜防伪方法与装置
CN109859372A (zh) * 2018-12-07 2019-06-07 保定钞票纸业有限公司 防伪纸张的水印识别方法、装置、云端服务器及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法
CN108388858A (zh) * 2018-02-11 2018-08-10 北京京东金融科技控股有限公司 虹膜防伪方法与装置
CN109859372A (zh) * 2018-12-07 2019-06-07 保定钞票纸业有限公司 防伪纸张的水印识别方法、装置、云端服务器及***

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
X猪: "YOLO v1深入理解", 《简书》 *
刘桂雄等: "基于深度学习的机器视觉目标检测算法及在票据检测中应用", 《中国测试》 *
吴帅等: "《基于深度卷积网络的目标检测综述》", 《模式识别与人工智能》 *
嘟嘟_猪: "faster-rcnn原理及相应概念解释", 《博客园》 *
方卫华: "《跨拦河建筑物安全状态感知、融合与预测》", 31 December 2018, 河海大学出版社 *
杨露菁等: "《智能图像处理及应用》", 31 March 2019, 中国铁道出版社 *
陈慧岩: "《智能车辆理论与应用》", 31 July 2018, 北京理工大学出版社 *
韩梦迪等: "基于BP神经网络的银行票据识别", 《信息通信》 *

Similar Documents

Publication Publication Date Title
CN107622104B (zh) 一种文字图像识别标注方法及***
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
Tang et al. Review of surface defect detection of steel products based on machine vision
Yin et al. Hot region selection based on selective search and modified fuzzy C-means in remote sensing images
CN103593670B (zh) 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
Kadam et al. Detection and localization of multiple image splicing using MobileNet V1
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN111461039B (zh) 基于多尺度特征融合的地标识别方法
CN111709909A (zh) 基于深度学习的通用印刷缺陷检测方法及其模型
CN106610969A (zh) 基于多模态信息的视频内容审查***及方法
CN109117885B (zh) 一种基于深度学习的邮票识别方法
CN108846831B (zh) 基于统计特征和图像特征相结合的带钢表面缺陷分类方法
Song et al. Micro surface defect detection method for silicon steel strip based on saliency convex active contour model
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
Akhtar et al. Optical character recognition (OCR) using partial least square (PLS) based feature reduction: an application to artificial intelligence for biometric identification
CN115457044B (zh) 基于类激活映射的路面裂缝分割方法
CN113688821A (zh) 一种基于深度学习的ocr文字识别方法
Zhao et al. Visual inspection system for battery screen print using joint method with multi-level block matching and K nearest neighbor algorithm
Hossen et al. Vehicle license plate detection and tilt correction based on HSI color model and SUSAN corner detector
Vidhyalakshmi et al. Text detection in natural images with hybrid stroke feature transform and high performance deep Convnet computing
CN107273793A (zh) 一种用于人脸识别的特征提取方法
CN110992578A (zh) 一种面向多光源票据综合鉴别的深度学习目标检测方法
CN111768436B (zh) 一种基于Faster-RCNN改进的图像特征块配准方法
Cerezci et al. Online metallic surface defect detection using deep learning
Wang An algorithm for ATM recognition of spliced money based on image features

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: 20200410