基于灰度共生矩阵的港币纹理图像的分版方法

摘要

本发明提出的一种智能识别并实现港币版本快速识别的方法，是一种基于灰度共生矩阵的纹理图像的分版方法，通过提取样本港币各版本构成样本库，提取样本港币图像的灰度共生矩阵纹理特征，采用BP神经网络进行样本训练、得到样本港币版本分类模型，并将参数移植如点验钞机、清分机、取款设备中；将待识别纸币经灰度共生矩阵获得的纹理特征参数输入多光谱点钞机、清分机、存取款机等设备，根据港币版本分类模型计算得到样币类别，即可判定港币版别。

主权项

一种智能识别并实现港币版本快速识别的方法，是一种基于灰度共生矩阵的纹理图像的分版方法，具体包括以下步骤：一、构建样本港币版别识别基本样本库A、选择正版港币的12种版本,包括中行97版、中行03版、中行07版、中行10版、汇丰97版、汇丰03版、汇丰07版、汇丰10版、渣打97版、渣打03版、渣打07版、渣打10版共12种港币构建港币版别研究所使用的样本库；B、利用均值滤波、中值滤波、高斯滤波等技术滤除样本港币图像所带的噪声；利用黑白亮度补偿技术，计算出图像传感器各像素的校正系数，使传感器具有较为一致的感光曲线，克服因光照或感光元件差异等原因所导致的干扰；C、采用港币图像几何尺寸特征实现样本港币面额识别；二、提取样本港币图像灰度共生矩阵、依据灰度共生矩阵的公式定义建立样本币纹理特征参数：其中L为图像灰度级；θ为角度，取0°、45°、90°、135°四个方向；计算得到的灰度共生矩阵GLCM；获取样本港币图像的五个纹理特征参数：熵(ENT)、逆差矩(IDM)、能量(角二阶矩,ASM).对比度(CCW)和相关系数(COR),其中：a.熵(ENT)$\mathrm{ENT}=-\underset{i=1}{\overset{L}{\Sigma }}\underset{j=1}{\overset{L}{\Sigma }}p(i,j)\log \left\{p(i,j)\right\}---\left(2\right)$b.逆差矩(IDM)$\mathrm{IDM}=\underset{i=1}{\overset{L}{\Sigma }}\underset{j=1}{\overset{L}{\Sigma }}\frac{p(i,j)}{1+{(i-j)}^2}---\left(3\right)$c.能量(角二阶矩,ASM)$\mathrm{ASM}=\underset{i=1}{\overset{L}{\Sigma }}\underset{j=1}{\overset{L}{\Sigma }}{\left(p(i,j)\right)}^2---\left(4\right)$d.对比度(CCW)$\mathrm{CON}=\underset{i=1}{\overset{L}{\Sigma }}{k}^2\left\{\underset{|i-j|=k}{\Sigma }p(i,j)\right\}---\left(5\right)$e.相关系数(COR)$\mathrm{COR}=\frac{\underset{i=1}{\overset{L}{\Sigma }}\underset{j=1}{\overset{L}{\Sigma }}(i\times j)\times p(i,j)-{\mu }_x{\mu }_y}{{\sigma }_x{\sigma }_y}---\left(6\right)$其中,μ_x、μ_y、σ_x、σ_y分别是行和列上的矩阵元素统计的期望和方差值；三、利用BP神经网络进行样本训练、得到港币样本分类模型，并将所有参数植入到点验钞机、清分机、存取款机中；采用梯度下降算法通过调整各层权值求目标函数最小化，网络在某个或所有训练样本上的预测输出和期望输出的误差平方和：$J\left(w\right)=\frac{1}{2}\underset{j=1}{\overset{S}{\Sigma }}{(t_j-a_j)}^2=\frac{1}{2}{\left|\right|t-a\left|\right|}^2$$J_{\mathrm{Total}}\left(w\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\Sigma }}{\left|\right|t_i-a_i\left|\right|}^2---\left(7\right)$由输出层误差逐层反向计算各层各单元的误差，并基于梯度下降法修正各权值：$\begin{array}{c}\Delta w_j^{\left(k\right)}=-\eta \frac{\partial J}{\partial J{w}_j^{\left(k\right)}}=-\eta \frac{\partial J}{\partial n_j^{\left(k\right)}}\frac{\partial n_j^{\left(k\right)}}{\partial J{w}_j^{\left(k\right)}}\\ =-\eta \frac{\partial J}{\partial n_j^{\left(k\right)}}{a}^{(k-1)}=-\eta {\delta }_j^{\left(k\right)}{a}^{(k-1)}\end{array}---\left(8\right)$其中，δ_j(k)是第k层第j单元的局部梯度，或敏感度(sensitivity)；四、对待识别港币进行面额识别，提取待识别币灰度共生矩阵纹理特征、建立待识别币纹理特征参数，并将待识别币的参数输入已植入样本币分类模型参数的清分设备中，由此实现12种港币版本最终分类结果。