美元纸币号码识别方法的研究

摘要

纸币上的编码是纸币的重要特征之一，其不仅是印刷数量的标识，而且在统计货币流通量，货币管理等方面也具有重要作用。每张纸币编码没有重复，因此可以用来标识纸币的身份；纸币上的币值号码表示纸币所代的货币价值。本文将纸币上的编码和币值号码统称为号码，利用计算机视觉技术开发一种智能纸币号码识别系统，自动识别纸币上的号码，就可以有效地实现对纸币的管理，具有广泛的应用价值。本文完成了一套纸币号码采集识别系统的设计与研制，包括图像分割、定位、识别算法，用C++Builder6和Matlab7.0.1语言编写了号码识别程序，建立了可运行的纸币号码识别系统。 本文通过CIS传感器进行图像采集，在图像预处理阶段，考虑到在实际应用中对识别的实时性要求很高，要求每一张纸币的所有识别过程必须在很短的时间内完成(实际系统要求30ms以内)，因此放弃了诸如二值化、边缘检测等常规图像处理方法，而直接采用分段线性拟合的方法确定图像中纸币的四个边界，以完成纸币的定位和倾斜矫正。由于采集到的号码图像存在多种噪声，通过均值滤波和中值滤波等去噪声算法的对比和实验，选取了以中值滤波为主，高斯滤波辅助的方法去除噪声。 由于神经网络其固有的自组织、自适应、和容错性，只须重新训练就可以完成对新类别的正确识别，因此本文确定神经网络分类器作为分类器的首选加以研究和应用。本文在实际应用中引入了改进的BP网分类器对待识别的纸币样本做自组织特征映射，实现特征训练和匹配。实验表明，本文提出的算法能够满足识别的实时性要求，且较好的保证了识别率和稳定性。 在号码识别阶段，本文提出了在水平方向采用投影的方法进行定位，垂直方向采用改进的基于穿越号码体距离的方法进行垂直定位的方法，避免了双峰或多峰的干扰，定位号码准确。此方法处理速度快，识别纸币号码准确率高。 识别算法中除了采用神经网络进行识别外，还尝试了模板匹配的方法。传统的二维模板匹配虽然实现简单，但计算量十分庞大，花费时间太长。针对此情况提出了采用一维灰度投影的模板匹配方法。实验结果表明，后者在保证了匹配准确率略高的前提下，识别速度也明显高于前者。用BP神经网络的识别方法来提取纸币字符特征，与一维投影模板匹配识别一种面额需要考虑正面正向、正面反向、反面正向、反面反向相比，在识别率基本相同的情况下，当用于美元纸币识别时，推广能力明显高于后者。本文在基于弧体、圆体的结构识别基础上运用了基于穿越号码次数的结构识别方法。 通过对300幅美元号码图像实验表明，识别率达98％。

目录

文摘

英文文摘

声明

第一章绪论

1.1本课题研究的背景和意义

1.1.1课题研究的背景

1.1.2意义

1.2当前研究情况

1.3纸币号码识别的基本过程综述

1.4软硬件环境

第二章纸币图像的采集

2.1图像采集的基本理论

2.1.1确定型图像场抽样

2.1.2图像量化

2.2图像输入设备的选取

2.3图像表示及存储格式

2.3.1图像表示

2.3.2图像的存储格式

第三章图像预处理

3.1图像的噪声

3.1.1噪声的特征

3.1.2噪声的模型

3.1.3噪声的来源

3.1.4图像系统常见噪声

3.2图像的平滑

3.2.1邻域平均法

3.2.2中值滤波

3.3图像的增强

3.3.1直方图的概念

3.3.2直方图修正

3.3.3直方图均匀化

3.4图像的阈值分割

3.5图像的倾斜校正

3.6纸币图像的定位分割

第四章纸币号码字符的分割

4.1纸币号码区域选取

4.2纸币号码字符的分割

4.2.1去除上下边界

4.2.2单个号码字符的分割

第五章基于人工神经网络的纸币号码识别

5.1模式识别概述

5.1.1模式和模式类

5.1.2模式识别系统的组成

5.1.3字符识别的原理及组成

5.2字符图像的预处理

5.2.1平滑

5.2.2规范化

5.2.3细化

5.3字符的识别方法简介

5.4基于穿越号码次数的结构识别算法

5.4.1英文字符识别

5.4.2数字识别

5.5用神经网络识别字符

5.5.1神经网络理论概述

5.5.2BP神经网络学习算法

5.5.3BP神经网络的改进

5.5.4利用改进的BP网络识别字符

第六章基于模板匹配的纸币面额识别方法

6.1传统的二维模板匹配方法

6.2基于灰度投影的一维匹配算法

6.3两种模板匹配方法的比较

结论

参考文献

致谢