LIANG TIANCAI (CN)
WANG WEIFENG (CN)
YU YUANCHAO (CN)
CHEN GUANG (CN)
CN101819692A | 2010-09-01 | |||
CN102422328A | 2012-04-18 | |||
JPH09161077A | 1997-06-20 | |||
CN102722708A | 2012-10-10 | |||
CN102890841A | 2013-01-23 | |||
CN102934146A | 2013-02-13 |
北京集佳知识产权代理有限公司 (CN)
权 利 要 求 1、 一种薄片类介质分类方法, 其包括如下步骤: 步骤 1 , 获得待识别薄片类介质的图像信息; 步骤 2, 将获得的图像信息依据预设标准图像尺寸进行归一化处理得 到待识别图像信息; 步骤 3 , 对待识别图像信息进行特征提取形成特征向量; 步骤 4, 将该特征向量送入经标准薄片类介质训练好的分类器, 得出 分类结果; 步骤 5 , 结束; 其特征在于, 步骤 2中该归一化处理包括如下步骤: 步骤 21 ,判断获得图像信息的尺寸是否小于预设标准图像尺寸,若是, 直接返回未知种类薄片类介质而执行步骤 5 , 否则执行下一步; 步骤 22, 计算获得图像信息的几何中心; 步骤 23 , 以该几何中心为中心截取预设标准图像尺寸大小图像信息形 成待识别图像信息。 2、 如权利要求 1所述的薄片类介质分类方法, 其特征在于, 所述预设 标准图像尺寸等于标准薄片类介质的最小尺寸。 3、 如权利要求 1所述的薄片类介质分类方法, 其特征在于, 所述步骤 3 , 对待识别图像信息进行特征提取形成特征向量, 具体包括如下步骤: 步骤 31 , 对待识别图像信息进行特征区域划定; 步骤 32, 对特征区域进行特征提取形成特征向量。 4、 如权利要求 3所述的薄片类介质分类方法, 其特征在于, 所述特征 提取采用图像信息的灰度平均、 灰度方差、 独立分量分析、 主成份分析、 小波分析、 分形分析或遗传算法分析中的一种提取方法。 5、 一种薄片类介质分类装置, 其包括: 一图像采集部, 用以获得待识别薄片类介质的图像信息; 一图像归一化部,用以将获得的图像信息依据预设标准图像尺寸进行 归一化处理得到待识别图像信息; 一特征提取部, 对待识别图像信息进行特征提取形成特征向量; 一数据存储部,用以存储预设标准图像尺寸数据,标准模板数据以及 分类识别过程中需要存储的数据信息。 一识别部, 将所提取的特征向量送入分类器进行分类识别; 一分类结果输出部, 用以输出识别部得到分类识别结果; 其特征在于, 该图像归一化部包括: 一判断获得图像信息的尺寸是否小于预设标准图像尺寸的判断部, 一获得图像信息的几何中心的计算单元; 一将待识别薄片类介质的图像信息以该几何中心为中心截取预设标准 图像尺寸大小图像信息的待识别图像信息生成单元。 6、 如权利要求 5所述的薄片类介质分类装置, 其特征在于, 其还包括 薄片类介质的分离传输装置。 7、 如权利要求 5或 6所述的薄片类介质分类装置, 其特征在于, 其还 包括薄片类介质的分类堆叠装置。 |
本发明涉及一种图像信息的处理技术, 尤其一种依据图像信息对薄片 类介质进行快速分类的方法及其装置。
背景技术
在金融领域, 为了自动化处理众多的票据, 比如将流通过程中大量混 叠钞票, 银行需要对这些大量混叠的钞票进行分类整理 , 即钞票的清分操 作。 为了实现对不同币种、 不同面值的钞票进行自动分类处理, 目前的解 决方案获得需要处理的每一张钞票的图像信息 , 然后根据图像信息进行分 析对比而实现分类。 现有分类技术主要有如下两大类: 一种是根据要处理钞票的标准特征数据,对提 取待薄片类介质 (下称, 待识别对象) 的特征逐次与标准特征数据进行匹配, 若其相似性满足预先 设置的阈值要求, 则认为识别对象与该标准特征数据属于同一个 类别。 此 方法要求识别对象特征的物理位置变化较小, 且需要较大的存储空间来储 存标准特征数据, 而且需要逐次匹配, 因此识别速度较慢, 难以满足快速 处理的要求。 另一种是依据标准钞票获得标准特征向量, 提取待识别对象的特征组 成特征向量, 依据相同的分类器进行分类识别, 由于目前的钞票不同币种 和不同面值的钞票具有不同的尺寸, 目前一般通过类似或者等价于相似变 换的方法将获得的不同大小的钞票图像映射成 相同的大小, 得到归一化后 的图像。 首先预设一个标准长度 L与标准宽度 传感器采集到钞票图像, 将 采集钞票图像的实际长度 /和实际宽度 w, 通过类似或者等价于相似变化的 方法, 归一化为标准长度 L与标准宽度 W。
若 在钞票图像的实际长度/行中按 的比例抽取 L行, 使其图像 行数达到 L, 重新组成新的钞票图像。
若 >1, 在钞票图像的实际长度 Z行中按 的比例进行插值(插入 L-Z 行), 使其图像行数达到 L, 重新组成新的钞票图像。
若 =1 , 不对钞票图像长度进行处理。 若 在钞票图像的实际长度 w 行中按 的比例抽取 W行, 使其图
W W
像宽度达到 重新组成新的钞票图像。
若^>1, 在钞票图像的实际宽度 W行中按 的比例进行插值 (插入
W W
w-wH), 使其图像宽度达到 重新组成新的钞票图像。
若 = i, 不对钞票图像宽度进行处理。
W
因为上述方法本质上是一种相似性变换, 而同一种钞票的不同面值大 多具有比较多的共同图案, 只是颜色和大小稍有不同, 所以对于使用灰度 图像进行钞票识别, 这种变换方法无疑缩小了同一币种同一面向不 同面值 之间特征向量的可区分度。 上述方法要求所提取的特征具有较好的区分度 , 但是保证所提取特征 的区分度都具有稳定的也较好的区分度是不现 实的。 而且上述无论哪一种 技术方案对标准特征数据都具有较强的依赖性 , 当图像的大小发生一定的 变化, 所选取特征的位置也会发生变化, 从而都会影响到识别效果。 更重要的是, 同一币种不同面值的同一面向的图案大致相似 , 只是细 节不同, 因此上述的处理技术方案使分类器(如神经网 络、 支持向量机) 依据统一大小的钞票图像上提取特征进行分类 变得更加可靠。 发明内容
本发明的目的之一在于提供一种能有效提高不 同类别间特征向量的区 分度, 增强分类器的泛化能力的薄片类介质分类方法 。
该种薄片类介质分类方法包括如下现实步骤:
步骤 1 , 获得待识别薄片类介质的图像信息;
步骤 2, 将获得的图像信息依据预设标准图像尺寸进行 归一化处理得 到待识别图像信息;
步骤 3 , 对待识别图像信息进行特征提取形成特征向量 ;
步骤 4, 将该特征向量送入经标准薄片类介质训练好的 分类器, 得出 分类结果;
步骤 5 , 结束;
其特殊之处在于, 步骤 2中该归一化处理包括如下步骤:
步骤 21 ,判断获得图像信息的尺寸是否小于预设标准 像尺寸,若是, 直接返回未知种类薄片类介质而执行步骤 5 , 否则执行下一步;
步骤 22, 计算获得图像信息的几何中心;
步骤 23 , 以该几何中心为中心截取预设标准图像尺寸大 小图像信息形 成待识别图像信息。
优选的, 所述预设标准图像尺寸等于标准薄片类介质的 最小尺寸。 优选的, 所述步骤 3 , 对待识别图像信息进行特征提取形成特征向量 , 具体包括如下步骤: 步骤 31 , 对待识别图像信息进行特征区域划定;
步骤 32, 对特征区域进行特征提取形成特征向量。
优选的, 所述特征提取采用图像信息的灰度平均、 灰度方差、 独立分 量分析、 主成份分析、 小波分析、 分形分析或遗传算法分析中的一种提取 方法。
本发明还提供一种实现薄片类介质快速分类的 装置, 其包括: 一图像采集部, 用以获得待识别薄片类介质的图像信息;
一图像归一化部, 用以将获得的图像信息依据预设标准图像尺寸 进行 归一化处理得到待识别图像信息;
一特征提取部, 对待识别图像信息进行特征提取形成特征向量 ; 一数据存储部, 用以存储预设标准图像尺寸数据, 标准模板数据以及 分类识别过程中需要存储的数据信息。
一识别部, 用以对所送入的特征向量进行分类识别;
一分类结果输出部, 用以输出识别部得到的分类识别结果; 其特征在于, 该图像归一化部包括:
一判断获得图像信息的尺寸是否小于预设标准 图像尺寸的判断部, 一获得图像信息的几何中心的计算单元;
一将待识别薄片类介质的图像信息以该几何中 心为中心截取预设标准 图像尺寸大小图像信息的待识别图像信息生成 单元。
优选的, 该薄片类介质分类装置还包括薄片类介质的分 离传输装置。 优选的, 该薄片类介质分类装置还包括薄片类介质的分 类堆叠装置。 该薄片类介质分类方法与现有技术对比具有如 下优点:
本发明提供的方法根据薄片类介质的水平和垂 直中轴线交点为中心向 上下左右分别取相同的长度, 然后将所选择的图像区域切割下来, 得到相 同大小的图像, 薄片类介质图像上的某些图案可能会被舍弃, 这种舍弃可 以增加同一币种不同面值特征向量之间的差异 , 能够有效提高不同类别间 特征向量的区分度, 增强分类器的泛化能力。 附图说明
图 1 是本发明所提供的一种薄片类介质快速分类的 装置的模块组成 图;
图 2是本发明所提供的图像归一化部的模块组成 ;
图 3是本发明所提供的薄片类介质快速分类方法 流程图; 图 4是本发明所提供的图像归一化处理流程图;
图 5是计算钞票图像信息几何中心的示意图;
图 6是以钞票图像的几何中心为中心截取的待识 图像示意图; 图 7是采用传统等比例缩小归一化处理示意图;
图 8是采用本发明归一化处理后 50和 100元钞票图像进行特征区域划 分示意图; 以及
图 9是采用传统归一化处理后 50和 100元钞票图像进行特征区域划分 示意图。
具体实施方式
为进一步阐述本发明, 以下结合图示介绍本发明的一个优选实施例。 参阅附图 1 , 详细说明该薄片类介质快速分类装置, 该薄片类介质快 速分类的装置, 包括一用以获得待识别薄片类介质的图像信息 的图像采集 部 1 ; 一用以将获得的图像信息依据预设标准图像尺 寸进行归一化处理得 到待识别图像信息的图像归一化部 2; —用以对待识别图像信息进行特征 提取形成特征向量的特征提取部 3; —用以存储预设标准图像尺寸数据, 标准模板数据以及分类识别过程中需要存储的 数据信息的数据存储部 4; 一用以对所送入的特征向量进行分类识别的识 别部 5; —用以输出识别部 得到的分类识别结果的分类结果输出部 6。 另外, 为了实现对大量薄片类 介质的自动化连续清分处理, 本实施例所提供的薄片类介质快速分类装置 还具有自动快速分离传输钞票的分离传输装置 6, 为了完成对钞票的分类 整理, 本装置还包括一个分类堆叠装置 7, 以便对经过识别分类后的不同 类钞票进行分别整理以实现自动连续的清分处 理。
参阅附图 2, 该图像归一化部 2包括: 一用于判断获得图像信息的尺 寸是否小于预设标准图像尺寸的判断部 21 , ; —用于获得图像信息的几何 中心的计算单元 22; 一将待识别薄片类介质的图像信息以该几何中 心为中 心截取预设标准图像尺寸大小图像信息的待识 别图像信息生成单元 23。
下面以钞票为例对该薄片类介质快速分类装置 的快速分类方法进行描 述说明, 参阅附图 3 , 该薄片类介质分类方法包括如下现实步骤:
S1 , 获得待识别薄片类介质的图像信息;
S2, 将获得的图像信息依据预设标准图像尺寸进行 归一化处理得到待 识别图像信息;
53 , 对待识别图像信息进行特征提取形成特征向量 ;
54, 将该特征向量送入经标准薄片类介质训练好的 分类器, 得出分类 结果;
S5 , 结束;
其中具体的归一化处理流程参阅附图 4, 该归一化处理具体包括如下 步骤:
S21 , 判断获得图像信息的尺寸是否小于预设标准图 像尺寸, 若是, 直 接返回未知种类薄片类介质而执行 S5 , 否则执行下一步;
S22, 计算获得图像信息的几何中心;
S23 ,以该几何中心为中心截取预设标准图像尺寸 小图像信息形成待 识别图像信息。
为了保证归一化处理图片质量优选的预设标准 图像尺寸大小可以处理 的标准钞票种类中最小尺寸。 而且为了提高计算速度, 对待识别图像信息 进行特征提取形成特征向量采用如下步骤:
首选对待识别图像信息进行特征区域划定; 然后对特征区域进行特征 提取形成特征向量。 根据标准钞票的尺寸大小, 特征区域的划定至少为 1 块, 根据计算系统的处理能力特征区域的划定块数 越多越好, 但是需要指 出的, 区域越多计算量也就越大, 计算速度也就越长。
另外对特征区域进行特征提取形成特征向量可 以使用的提取方法有, 图像信息的灰度平均、 灰度方差、 独立分量分析、 主成份分析、 小波分析、 分形分析或遗传算法分析等提取方法。 依据需要达到的精确度以及硬件平 台的处理能力可以择优选择上述提取方法中的 一种来完成特征提取。
下面对采用本发明所提供的归一化处理方法与 传统归一化处理方法处 理的 50和 100元钞票图像信息进行特征提取,以比较说明 本方法的优势所 在。
采用本发明的归一化处理方法进行的处理步骤 如下: 预先设定的标准图像尺寸为长/ ,宽 IV , 当采集到的钞票图像长度为 L , 钞票图像宽度为 W时, 且判断存在 L > Z , W > w , 则进行如下步骤:
1.计算获得钞票图像信息的几何中心 ( , ) , 如图 5;
2 2
2.在钞票图像上以钞票图像的几何中心的横坐 为中心分别在左右
2
两边截取丄;
2
3.在钞票图像上以钞票图像的几何中心的纵坐 为中心分别在上下
2
两个方向截取
2
4.用所截取区域的像素值组成一幅长度为 Z , 宽度为 W的图像, 得到归 一化后的待识别图像信息, 如图 6。 利用常用钞票图像归一化方法, 钞票图像上的图案只会发生一个等比 例的缩小得到归一化后的待识别图像信息, 如图 7所示。 针对 50和 100元钞票经过上述两种归一化方法处理所得待 识别图像进 行特征区域划分, 分别如图 8和 9所示, 对所得待识别图像信息进行 4乘 4 特征区域分割, 对每个特征区域提取钞票图像的灰度特征(还 可以采用 灰度方差、 独立分量分析、 主成份分析、 小波分析、 分形分析或遗传算法 分析等其他提取方法)形成特征向量。 下面进一步对比两种面额所取得的特征向量的 相关系数, 其中相关系 数计算公式如下:
Corr(X,Y) = CoV ^ Y 其中0^(^,1 = (:0 - ( (} 为 (:与 的协方差, E ( ίΤ) , Ε(Χ) , 分 别为 X , ; F的数学期望。 其中,采用传统归一化处理后的 50和 100元所形成的特征向量 ^和^ 的相关系数为:
CorriX, ,¥,) = Cor(X ^ = 0.97969428 而经过本发明所提供归一化处理后的 50和 100元所形成的特征向量 Χ 2 和 的相关系数为:
Corr(X 2 ,Y 2 ) = Cor X2,Y2) = 0.97134872
σχ 2 ·° 2
比较相关系数 0^(^,1)与 ¾rr(X 2 ,y 2 )可知, 采用本发明提供的归一 化方法处理后的特征向量的相关系数明显低于 采用传统归一化处理后所得 特征向量的相关系数。 故, 采用本发明所述方法, 能够有效提高不同类别 间特征向量的区分度, 增强分类器的泛化能力。
以上仅是本发明的优选实施方式, 应当指出的是, 上述优选实施方式 不应视为对本发明的限制, 本发明的保护范围应当以权利要求所限定的范 围为准。 对于本技术领域的普通技术人员来说, 在不脱离本发明的精神和 范围内, 还可以做出若干改进和润饰, 这些改进和润饰也应视为本发明的 保护范围。