專利名稱:紙幣驗證的制作方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種用于紙幣驗證的方法和設(shè)備。
技術(shù)背景越來越需要以簡單、可靠和節(jié)約成本的方式自動核查和驗證不同 幣種和面額的紙幣。例如,這在接收紙幣的自助式設(shè)備(例如,自助 式售貨亭、售票機、被安排辦理存款的自動柜員機、自助式貨幣兌換 機等)中是必需的。以前,貨幣驗證的人工方法涉及紙幣的圖像檢查、諸如水印和紋 路對準標記的透視效果以及手感甚至氣味。其他已知方法依賴需要半 人工詢問的半公開特征。例如,使用磁性裝置、紫外線傳感器、熒光、 紅外線檢測器、電容、金屬條、圖像模式等。然而,就其本身來說, 這些方法是人工或半人工的,并且不適合無法長時間人工干預(yù)的許多 應(yīng)用。例如,在自助式設(shè)備中。為創(chuàng)建自動驗鈔機有重要問題有待克服。例如,存在具有不同安 全特征甚至基質(zhì)類型的許多不同類型的貨幣。在不同的面額還通常具 有不同水平的安全特征。因此,需要提供一種用于那些不同幣種和面 額的、容易并便于執(zhí)行貨幣驗證的一般方法。簡而言之,驗鈔機的任務(wù)是確定所給定的紙幣是真的還是假的。 以前的自動驗證方法通常需要已知相對大量的假鈔樣本以訓(xùn)練分類器。另外,那些先前的分類器被訓(xùn)練以只檢測已知的假鈔。這是有問 題的,原因在于對于可能的假鈔存在很少或者不存在可用信息。例如, 這特別對于新引入的面額或新引入的幣種是有問題的。在出版在模式識別第37期(Pattern Recognition 37) (2004)第 1085-1096頁、作者為ChaoHe, MarkGiroIami和Gary Ross (其中二人是 本申請的發(fā)明人)、題目為"Employing optimized combinations of one-class classifiers for automated currency validation (為自動紙幣驗證 采用單類分類器的最優(yōu)組合)"的早期論文中,描述了自動貨幣驗證 方法(專利號為EP1484719, US20042447169)。這涉及使用網(wǎng)格結(jié)構(gòu) 將整個紙幣的圖像分割成區(qū)域。為每個區(qū)域構(gòu)造單獨的"單類(one-class)"分類器,并且組合區(qū)域特定分類器的小的子集以提供 全面描述(下面更詳細地解釋術(shù)語"單類")。通過采用遺傳算法來 實現(xiàn)為實現(xiàn)良好性能的區(qū)域特定分類器的分割和組合。該方法在遺傳 算法階段中需要少量假鈔樣本,同樣地,當(dāng)無法獲得假鈔數(shù)據(jù)時,該 方法不適用。還需要以能實時執(zhí)行的計算開銷小的方式來執(zhí)行自動貨幣驗證。本發(fā)明旨在提供一種克服或者至少減少一個或多個上述問題的用 于紙幣驗證的改進方法和設(shè)備。發(fā)明內(nèi)容描述了一種創(chuàng)建用于紙幣驗證的分類器的方法。使用來自真鈔的 所有訓(xùn)練圖像集合的信息形成分割模板,然后使用所述分割模板來分 割每個訓(xùn)練集合圖像。特征從分段中提取,并使用所述特征來形成分 類器,所述分類器優(yōu)選地是單類統(tǒng)計分類器。以這種方式可對不同幣 種和面額快速并簡單地形成分類器,而無需假鈔的樣本。描述了使用 這種分類器的紙幣驗證器以及使用這種分類器驗證紙幣的方法。在優(yōu)選實施例中,將紙幣驗證器并入到例如自動柜員機的自助式設(shè)備中。我們描述了一種創(chuàng)建用于紙幣驗證的分類器的方法。所述方法包 括步驟 訪問紙幣圖像的訓(xùn)練集合; 使用訓(xùn)練集合圖像創(chuàng)建分割模板; 使用分割模板分割每個訓(xùn)練集合圖像; 從每個訓(xùn)練集合圖像中的每個分段中提取一個或多個特征; 使用特征信息形成分類器; 其中,分割模板是基于訓(xùn)練集合中所有圖像的信息來創(chuàng)建的。通過基于來自訓(xùn)練集合中所有圖像的信息創(chuàng)建分割模板,我們發(fā) 現(xiàn)了提高的紙幣驗證性能。相反,'以前的方法對分割使用了嚴格網(wǎng)格 結(jié)構(gòu),所述嚴格網(wǎng)格結(jié)構(gòu)不需要來自所有訓(xùn)練集合圖像的信息來執(zhí)行 分割。例如,來自訓(xùn)練集合中所有圖像的信息包括形態(tài)學(xué)信息。所述形 態(tài)學(xué)信息可以是訓(xùn)練集合中的模式、顏色、紋理等。我們經(jīng)驗地發(fā)現(xiàn),使用這種信息導(dǎo)致提高的紙幣驗證性能。在示例中,來自訓(xùn)練集合中所有圖像的信息包括關(guān)于每個訓(xùn)練集 合圖像中相同位置的像素的信息。所述信息可包括如下面詳細解釋的 像素亮度簡檔。優(yōu)選地,基于來自訓(xùn)練集合中所有圖像的信息使用聚類算法將像 素位置在圖像平面中聚類來創(chuàng)建分割模板。可使用現(xiàn)有技術(shù)中已知的 任何合適的聚類算法。在優(yōu)選實施例中,分類器是單類分類器。這是有優(yōu)勢的,原因在 于,通過使用單類分類器和形成上述分割模板的方法,我們能夠在訓(xùn) 練集合中去除使用假鈔的樣本的需要。因此,優(yōu)選地,訓(xùn)練集合圖像只是真鈔的圖像。優(yōu)選地,分類器是統(tǒng)計量單類分類器。統(tǒng)計量單類分類器通常大 大減少計算,并比基于神經(jīng)網(wǎng)絡(luò)的方法性能更好。優(yōu)選地,形成分類器的步驟包括在目標類中估計與紙幣有關(guān)的 統(tǒng)計量的分布,所述目標類包括真貨幣。在特定優(yōu)選的實施例中,從反射圖像、透射圖像、可見信息、不 可見信息和諸如磁像、熱圖像和X光圖像的其他圖像中的任何一種中選 擇訓(xùn)練集合圖像。還可使用特征選擇算法來選擇一種或多種特征以在提取特征的步 驟中使用。另外,可基于關(guān)于紙幣的特定面額和幣種的具體信息形成分類器。 例如,與在給定的幣種和面額中的顏色或其他信息、空間頻率或形狀 方面數(shù)據(jù)特別豐富的區(qū)域有關(guān)的信息。本發(fā)明還包括用于創(chuàng)建紙幣分類器的設(shè)備,所述設(shè)備包括 輸入,配置以訪問紙幣圖像的訓(xùn)練集合; 處理器,配置以使用訓(xùn)練集合圖像創(chuàng)建分割模板; 分割器,配置以使用分割模板分割每個訓(xùn)練集合圖像; 特征提取器,配置以從每個訓(xùn)練集合圖像中的每個分段中提取一個或多個特征; 分類形成裝置,配置以使用特征信息形成分類器; 其中,配置處理器基于來自訓(xùn)練集合中所有圖像的信息來創(chuàng)建分割模板。本發(fā)明還包括紙幣驗證器,所述紙幣驗證器包括 輸入,配置以接收將被驗證的紙幣的至少一個圖像; 分割模板; 處理器,配置以使用分割模板分割紙幣的圖像; 特征提取器,配置以從紙幣圖像的每個分段中提取一個或多個特征; 分類器,配置以基于所提取的特征來將紙幣分類為有效或無效; 其中,分割模板是基于與紙幣的訓(xùn)練圖像集合中的每一個有關(guān)的信息 來形成的。在一個示例中,紙幣驗證器還包括組合器和多個分類器,所述組 合器配置為組合每個分類器的結(jié)果。本發(fā)明還包括驗證紙幣的方法,所述方法包括 訪問將被驗證的紙幣的至少一個圖像; 訪問分割模板; 使用分割模板分割紙幣的圖像; 從紙幣圖像的每個分段中提取特征; 使用分類器基于所提取的特征來將紙幣分類為有效或無效; 其中,分割模板是基于與紙幣的訓(xùn)練圖像集合中的每一個有關(guān)的信息 來形成的。本發(fā)明還包括一種包括計算機程序代碼裝置的計算機程序,當(dāng)在 計算機上運行所述程序時,所述計算機程序代碼裝置執(zhí)行上述任何方 法中的所有步驟。所述計算機程序可在計算機可讀介質(zhì)上被實現(xiàn)。本發(fā)明還包括一種自助式設(shè)備,所述自助式設(shè)備包括 用于接受紙幣的裝置; 用于獲得紙幣的數(shù)字圖像的成像裝置;以及 如上所述的紙幣驗證器??赏ㄟ^在存儲介質(zhì)上的機器可讀形式的軟件來執(zhí)行所述方法。可 按本領(lǐng)域的技術(shù)人員清楚的合適順序和/或并行執(zhí)行所述方法的步驟。這表示,軟件可以是有價值的、可分開買賣的商品。這意味著包 括運行或控制"啞元(dumb)"或標準軟件的軟件,以執(zhí)行期望的功能,(因此,軟件實質(zhì)上定義寄存器的功能,因此即使在將其與其標 準硬件組合之前,也可被稱為寄存器)。由于相似的理由,還包括"描 述"或定義硬件的構(gòu)造的軟件,例如設(shè)計硅芯片或構(gòu)造通用可編程芯片所使用的HDL (硬件描述語言)軟件,以執(zhí)行期望的功能。如技術(shù)人員明了的,優(yōu)選的特征可適當(dāng)組合,并可與本發(fā)明的多 方面中的任何特征組合。
將參考下面的附圖通過示例方式來描述本發(fā)明的實施例,其中圖l是創(chuàng)建用于紙幣驗證的分類器的方法的流程圖;圖2是創(chuàng)建用于紙幣驗證的分類器的設(shè)備的示意圖;圖3是紙幣驗證器的示意圖;圖4是驗證紙幣的方法的流程圖;圖5是具有紙幣驗證器的自助式設(shè)備的示意圖。
具體實施方式
下面只作為示例,描述本發(fā)明的實施例。這些示例表示申請人目 前所知道的將本發(fā)明應(yīng)用于實踐的最好方式,而不是實現(xiàn)本發(fā)明的僅 有方式。使用術(shù)語"單類分類器"來表示使用關(guān)于只來自單個類的樣本的 信息而形成或構(gòu)造的分類器,但其用于將新出現(xiàn)的樣本分配給所述單個類或者不分配給所述單個類。這與傳統(tǒng)二進制分類器不同,所述傳 統(tǒng)二進制分類器是通過使用關(guān)于兩個類的樣本的信息被創(chuàng)建,并被用 于將新樣本分配給所述兩個類中的一個或另一個。單類分類器可被認 為定義已知類周圍的邊界,從而脫離所述邊界的樣本被認為不屬于所 述已知類。圖1是創(chuàng)建用于紙幣驗證的分類器的方法的概要流程圖。首先,我們獲得真鈔的圖像的訓(xùn)練集合(參看圖i的方框io)。這些是獲取的相同幣種和面額紙幣的的相同類型的圖像。圖像的類型 涉及如何獲得圖像,這可以用本領(lǐng)域中已知的任何方式。例如,反射 圖像,透射圖像,紅、藍或綠任何通道上的圖像,熱圖像,紅外圖像, 紫外圖像,x光圖像或其他圖像類型。訓(xùn)練集合中的圖像被對準,并且大小相同。如在現(xiàn)有技術(shù)中己知,如果必要,可執(zhí)行預(yù)處理來對齊圖 像并縮放圖像。接著,我們通過使用來自訓(xùn)練集合圖像的信息創(chuàng)建分割模板(參看圖1的方框12)。所述分割模板包括關(guān)于如何將圖像劃分成多個分 段(segment)的信息。所述分段可以是不連續(xù)的,即給定分段可包括 圖像的不同區(qū)域中的多于一個的片(patch)。優(yōu)選地,但非必須,分割模 板還包括將使用的特定數(shù)量的分段。通過使用分割模板,我們分割訓(xùn)練集合中的每個圖像(參看圖1 的方框14)。然后,我們從每個訓(xùn)練集合圖像中的每個分段提取一個 或多個特征(參看圖1的方框16)。對于術(shù)語"特征",我們表示分 段的任何統(tǒng)計量或其他特性。例如,平均像素亮度(intensity)、中值 像素亮度、像素亮度的模式、紋理、直方圖、傅立葉變換描述子、小 波變換描述子和/或分段中的任何其他統(tǒng)計量。然后,通過使用特征信息形成分類器(參看圖1的方框18)??墒褂萌绗F(xiàn)有技術(shù)中已知的任何合適類型的分類器。在本發(fā)明的具體優(yōu) 選實施例中,分類器是單類分類器,不需要關(guān)于假鈔的信息。然而, 還可使用二進制分類器或如現(xiàn)有技術(shù)中已知的任何合適類型的其他類 型的分類器。圖1的方法使得用于特定幣種和面額的紙幣的驗證的分類器能夠 簡單、快速并有效地形成。為了創(chuàng)建用于其他幣種或其他面額的分類 器,用合適的訓(xùn)練集合圖像來重復(fù)所述方法。先前(如在背景技術(shù)部分中所提到的),我們使用涉及對圖像平 面使用網(wǎng)格結(jié)構(gòu)的分割技術(shù)和遺傳算法方法來形成分割模板。這必然 使用關(guān)于假鈔的一些信息。本發(fā)明使用不需要使用遺傳算法或等價方法的形成分割模板的不 同方法,以在大量可能的分割模板內(nèi)搜索好的分割模板。這減少了計 算成本,并提高了性能。另外,不需要關(guān)于假鈔的信息。我們認為,在偽造工藝中,通常難以提供整個紙幣的一致質(zhì)量仿 效,因此,紙幣的特定區(qū)域比其他區(qū)域更難以成功復(fù)制。因此,我們 認識到,不使用嚴格一致的網(wǎng)格分割,我們可通過使用更復(fù)雜的分割 來提高紙幣驗證。我們執(zhí)行指示上述情況的經(jīng)驗檢驗其實就是這種情 況?;谥T如模式、顏色和紋理的形態(tài)學(xué)特性的分割在檢測假鈔中導(dǎo) 致較好性能。然而,當(dāng)將諸如使用邊緣檢測器的傳統(tǒng)圖像分割方法應(yīng) 用于訓(xùn)練集合中的每個圖像時,難以使用所述傳統(tǒng)圖像分割方法。這 是因為對每個訓(xùn)練集合項獲得不同的結(jié)果,并難以對準不同訓(xùn)練集合 圖像中的相應(yīng)特征。為了避免對準分段的問題,在一個優(yōu)選實施例中, 我們使用被稱為"時空圖像分解"。現(xiàn)在給出關(guān)于形成分割模板的方法的細節(jié)。在概要上,該方法可 被認為指定如何將圖像平面劃分成多個分段,每個分段包括多個指定像素。如上所述,所述分段可以是非連續(xù)的。在本發(fā)明中,基于來自 訓(xùn)練集合中所有圖像的信息來編寫本說明書。相反,使用嚴格網(wǎng)格結(jié) 構(gòu)的分割不需要來自訓(xùn)練集合中圖像的信息。認為訓(xùn)練集合中的圖像在相同方位相互堆疊并對準。獲取紙幣圖 像平面中的給定像素,該像素被認為具有"像素亮度簡檔(profile)", 所述像素亮度簡檔包括關(guān)于每個訓(xùn)練集合圖像中的特定像素位置的像 素亮度的信息。使用任何合適的聚類(clustering)算法,將圖像平面 中的像素位置聚類成分段,在所述分段中的像素位置具有相似或相關(guān) 的像素亮度簡檔。在優(yōu)選示例中,我們使用這些像素亮度簡檔。然而,不是必須使 用像素亮度簡檔。還可使用來自訓(xùn)練集合中所有圖像的其他信息。例 如,4個相鄰像素的塊的亮度簡檔或每個訓(xùn)練集合圖像中相同位置的像 素的像素亮度的平均值。現(xiàn)在詳細描述我們的形成分割模板的方法的具體優(yōu)選實施例。這 是基于在下面的出版物中教導(dǎo)的方法Lecture Notes in Computer Science (計算機科學(xué)講義),2352: 747-758, 2002中Avidan, S.的 "EigenSegments: A spatio-temporal decomposition of an ensemble of images (特有分段圖像系綜的時空分解)"。給定已經(jīng)對準并被縮放到相同大小rXc的圖像系綜(ensemble) {1,}!'=1, 2, A, N,每個圖像I,可通過其像素以向量形式被表示為[a,i, a2i,A, otMi]T,其中,aji(j=l, 2, A, M)是第i個圖像中第j個像素 的亮度,M=r c是圖像中像素的總數(shù)量。然后可通過堆疊(stacking) 系綜中所有圖像的向量I,.(使用均值歸零)產(chǎn)生設(shè)計矩陣AE9^xw, 因此,A=[Ih I2, A, IN]。 A中的行向量[ocjh otj2,A, cxjN]可被看做N個 圖像的特定像素(第j個)的亮度簡檔。如果兩個像素來自圖像的相同 模式區(qū)域,則它們可能具有相似的亮度值,并因此具有強的時間相關(guān)性。注意,這里的術(shù)語"時間"不需要與時間軸精確對應(yīng),但是借用 該術(shù)語"時間"來指示系綜中穿過不同圖像的軸。我們的算法嘗試找 到這些相關(guān)性,并將圖像平面空間上分割成具有相似時間行為的像素 的區(qū)域。我們通過定義亮度簡檔之間的矩陣來測量該相關(guān)性。簡單方 式是使用歐式距離,即兩個像素_/和A之間的時間相關(guān)性可被表示為■=H"fa)° W力越小,兩個像素之間的相關(guān)性越強。為了使用像素之間的時間相關(guān)性來在空間上分解圖像平面,我們 對像素亮度簡檔(設(shè)計矩陣A的行)執(zhí)行聚類算法。這將產(chǎn)生時間上相關(guān)像素的簇。最直接的選擇是采用K均值算法,但可以是任何其他聚類算法。結(jié)果,圖像平面被分割成時間上相關(guān)像素的若干分段。然后,可使用此分段作為模板來分割訓(xùn)練集合中所有圖像;并且可關(guān)于 從訓(xùn)練集合中所有圖像的那些分段中提取的特征來構(gòu)造分類器。為了不利用假鈔而實現(xiàn)訓(xùn)練,優(yōu)選地是單類分類器??墒褂矛F(xiàn)有 技術(shù)中已知的任何合適類型的單類分類器。例如,基于單類分類器的 神經(jīng)網(wǎng)絡(luò)和基于單類分類器的統(tǒng)計。用于單類分類的合適的統(tǒng)計方法通常是基于在從目標類中提取所 考慮的觀測值的無效假設(shè)下的對數(shù)似然比最大化,并且這些方法包括 假設(shè)目標類為多變量高斯分布的02檢驗(在Morrison, DF: Multivariate Statistical Methods (多變量統(tǒng)計方法)(第三版)中描述。McGrawHill 出版公司,紐約,1990)。在任意非高斯分布的情況下,可通過使用 例如高斯的半?yún)?shù)混合(在Bishop, CM: Neural Networks for Pattern Recognition (用于模式識別的神經(jīng)網(wǎng)絡(luò))中描述,牛津大學(xué)出版社,紐 約,1995)或非參數(shù)帕曾(Parzen)窗(在Duda, RO, Hart PE, Stork, DG: Pattern Classification (模式分類)(第二版)中描述,John Wiley 和Sons, INC,紐約,2001)來估計目標類的密度,并可通過諸如自抽 樣(bootstrap)(在Wang, S, Woodward, WA, Gary, HL等人Anew test for outlier detection from a multivariate mixture distribution (從多變量混合分布中異常值檢測的新檢驗)中描述,Journal of Computational and Graphical Statistics (計算和圖形統(tǒng)計期刊),6(3):285-299, 1997)的采樣技術(shù)來獲得無效假設(shè)下的對數(shù)似然比的分布。對于單類分類可采用的其他方法是支持向量數(shù)據(jù)域描述(SVDD) (在Tax, DMJ, Duin, RPW: Support vector domain description (支持 向量域描述)中描述,Pattern Recognition Letters (模式識別快報), 20 (11-12) : 1191-1199, 1999)、還有已知的"支持估計(support estimation)"(在Hayton, P, Scholkopf, B, Tarrassenko, L, Anuzis, P: Support Vector Novelty Detection Applied to Jet Engine Vibration Spectra (應(yīng)用于噴氣式發(fā)動機振動譜的支持向量新檢測)中描述, Advances in Neural Information Processing Systems (神經(jīng)網(wǎng)絡(luò)信息處理 系統(tǒng)進階),13, eds Leen, Todd K和Dietterich, Thomas G and Tresp, Volker, MIT Press, 946-952, 2001)和極值理論(EVT)(在Roberts, SJ: Novelty detection using extreme value statistics(使用極值統(tǒng)計的新檢觀!l) 中描述,IEE Proceedings on Vision, Image & Signal Processing (關(guān)于視 覺、圖像和信號處理的IEE會議記錄),146(3): 124-129, 1999)。在SVDD 中,估計支持的數(shù)據(jù)分布,同時EVT估計極值的分布。對此特定應(yīng)用, 用到大量的真鈔樣本,因此,在這種情況下,可獲得目標類分布的可 靠估計。因此,在優(yōu)選實施例中,我們選擇可明確估計密度分布的單 類分類方法,盡管這不是必要的。在優(yōu)選實施例中,我們使用基于參 數(shù)的02檢驗的單類分類方法。在優(yōu)選實施例中,下面詳述用于我們的單類分類器的統(tǒng)計假設(shè)檢驗假定N獨立,均勻分布的p維向量樣本(每個紙幣的特征集合) Xl, A, ^ec具有關(guān)于參數(shù)e的基礎(chǔ)密度函數(shù)/7(xie)。対新的點Xnm 給出下面的假設(shè)檢驗,以使Ho:Xn+^C,而H"Xn+^C,其中,C表 示無效假設(shè)為真的區(qū)域,并通過p(xie)來定義C。假定備擇假設(shè)下的 分布是均勻的,那么無效和備擇假設(shè)的正態(tài)對數(shù)似然比<formula>formula see original document page 17</formula>—,場=supn:We)可被用作無效假設(shè)的檢驗統(tǒng)計量。在該優(yōu)選實施例中,我們可使用對 數(shù)似然比作為用于最新出現(xiàn)的紙幣的驗證的檢驗統(tǒng)計量。1)具有多變量高斯密度的特征向量假設(shè)描述樣本中的個別點的 特征向量是多變量髙斯,從以上的似然比(1)出現(xiàn)的檢驗評估樣本中 的每一點是否共享共同均值。假定N獨立,均勻分布的p維向量樣本 xl, A, xN來自具有均值u和協(xié)方差C的多變量正態(tài)分布,其樣本估 計是Av和《。樣本的隨機選擇表示為xQ,相關(guān)平方馬氏(Mahalanobis) 距離<formula>formula see original document page 17</formula>可被表示成被分布為具有p和N-p-l自由度的中心F分布 ,<formula>formula see original document page 17</formula>然后,如果(4)則公共總體均值向量xo和剩余Xi的無效假設(shè)將被拒絕,其中,F(xiàn)(m,^w 是具有自由度(p, N-p-l)的F分布的上".100W。當(dāng)附加數(shù)據(jù)Xnw可 用時,在設(shè)計沒有形成原始采樣的部分的新樣本的檢驗中,我們可以 使用下面的均值和協(xié)方差的增量估計,即均值和協(xié)方差通過使用表達式(5)和(6)以及矩陣求逆定理,用于W個采樣參考 集合和第W+1個檢驗點的等式(2)變成<formula>formula see original document page 18</formula>其中,<formula>formula see original document page 18</formula>(7)<formula>formula see original document page 18</formula>(8)<formula>formula see original document page 18</formula>(9)<formula>formula see original document page 18</formula> (10)所以,可依據(jù)普通估計的均值/^和協(xié)方差(^的估計和假設(shè)的正態(tài)分布來檢驗新點XNW。對單類假設(shè)檢驗采用對數(shù)似然比(1),我們直接推導(dǎo)出檢驗統(tǒng)計量(10)。盡管我們發(fā)現(xiàn)在許多應(yīng)用中多變量高斯特征向量的假設(shè)是合適的適用選擇,但多變量高斯特征向量的假設(shè)實際上 通常不成立。在下面的部分中,我們放棄這種假設(shè),并考慮任意密度。2)具有任意密度的特征向量通過使用現(xiàn)有技術(shù)中已知的任何合 適的半?yún)?shù)(例如,高斯混合模型)或非參數(shù)(例如,帕曾窗方法) 密度估計方法,可從自任意密度p(x)中提取的有限數(shù)據(jù)樣本S= {Xl, A, XN)e9^獲得概率密度估計》(x;e)。然后,在計算對數(shù)似然比(1)中可 采用該密度。與多變量高斯分布的情況不同,在無效假設(shè)下,不存在 檢驗統(tǒng)計量(X)的分析分布。所以,為了獲得這種分布,可采用數(shù)字 自抽樣方法來獲得估計的密度下的另外的非分析無效分布,所以,可 從獲得的經(jīng)驗分布中建立各種臨界值X^??梢钥闯?,在極限值iV —w, 似然比可通過以下來估計在從參考數(shù)據(jù)集合產(chǎn)生N個樣本的B集合自抽樣并使用其估計密度分布的參數(shù)&之后,可通過隨機選擇第N+l個樣本并計算》(x糾;&X,來獲得B自抽樣復(fù)制的檢驗統(tǒng)計量;C,"i,x,萬。通過以升序的方式對XU排序,可限定臨界值a,從而如果X《、,則在期望 的顯著水平拒絕無效假設(shè),其中,、是A^的第j個最小值,并且 oc"7(5+l)。優(yōu)選地,為不同的分段數(shù),重復(fù)形成分類器的方法,并使用已知 真?zhèn)蔚募垘诺膱D像進行檢驗。然后,選擇給出最佳性能的分段的數(shù)量, 并且使用所述數(shù)量的分段的分類器被使用。我們發(fā)現(xiàn),盡管可使用任 何合適數(shù)量的分段,但是分段的最佳數(shù)量是從2到12。圖2是創(chuàng)建用于紙幣驗證的分類器22的設(shè)備20的示意圖。它包括,輸入21,配置以訪問紙幣圖像的訓(xùn)練集合;*處理器23,配置以使用訓(xùn)練集合圖像來創(chuàng)建分割模板; 分割器24,配置以使用分割模板來分割每個訓(xùn)練集合圖像; 特征提取器25,配置以從每個訓(xùn)練集合圖像中的每個分段中提取一個或多個特征;以及 '分類形成裝置26,配置以使用特征信息形成分類器;其中,配置處理器以基于來自訓(xùn)練集合中所有圖像的信息來創(chuàng)建分割模板。例如,通過使用上述空時圖像分解。圖3是紙幣驗證器31的示意圖。它包括: 輸入,配置以接收將被驗證的紙幣的至少一個圖像30; 分割模板32;*處理器33,配置以使用分割模板來分割紙幣的圖像; ,特征提取器34,配置以從紙幣圖像的每個分段中提取一個或多 個特征; 分類器35,配置以基于所提取的特征來將紙幣分類為有效或無 效;其中,分割模板是基于與紙幣的訓(xùn)練圖像的集合有關(guān)的信息來形成的。 注意,圖3的裝置不是必須相互獨立,這些裝置可以是一體的。圖4是驗證紙幣的方法的流程圖。所述方法包括 訪問將被驗證的紙幣的至少一個圖像; 訪問分割模板; 使用分割模板來分割紙幣的圖像; 從紙幣圖像的每個分段中提取特征; 使用分類器基于所提取的特征來將紙幣分類為有效或無效; 其中,分割模板是基于與紙幣的訓(xùn)練圖像集合中每一個有關(guān)的信息來 形成的??梢砸袁F(xiàn)有技術(shù)中任何合適的順序或者組合來執(zhí)行所述方法 的這些步驟。分割模板可暗含包括與訓(xùn)練集合中的每個圖像有關(guān)的信 息,這是因為可基于所述信息來形成分割模板。然而,在分割模板中 暗含的信息可以是具有像素地址列表的簡單文件,其將被包括在每個 分段中。圖5是具有紙幣驗證器53的自助式設(shè)備51的示意圖。它包括 用于接受紙幣的裝置50; 用于獲得紙幣的數(shù)字圖像的成像裝置52;以及 如上所述的紙幣驗證器53。與成像裝置一樣,用于接受紙幣的裝置是現(xiàn)有技術(shù)中已知的任何 合適類型。對于技術(shù)人員來說是顯然的在不喪失效果的情況下,可擴展或 改變這里所給出的任何范圍或裝置值。應(yīng)該理解,只作為示例給出了優(yōu)選實施例的以上描述,本領(lǐng)域的 技術(shù)人員可進行各種修改。
權(quán)利要求
1.一種創(chuàng)建用于紙幣驗證的分類器的方法,所述方法包括步驟(i)訪問紙幣圖像的訓(xùn)練集合;(ii)使用該訓(xùn)練集合圖像創(chuàng)建分割模板;(iii)使用所述分割模板分割每個所述訓(xùn)練集合圖像;(iv)從每個所述訓(xùn)練集合圖像中的每個分段中提取一個或多個特征;(v)使用特征信息形成所述分類器;其中所述分割模板是基于來自所述訓(xùn)練集合中所有圖像的信息來創(chuàng)建的。
2. 如權(quán)利要求l所述的方法,其中來自所述訓(xùn)練集合中所有圖像 的信息包括形態(tài)學(xué)信息。
3. 如權(quán)利要求l所述的方法,其中來自所述訓(xùn)練集合中所有圖像 的信息包括關(guān)于每個所述訓(xùn)練集合圖像中相同位置的像素的信息。
4. 如權(quán)利要求2所述的方法,其中來自所有所述圖像的信息包括 像素亮度簡檔。
5. 如權(quán)利要求l所述的方法,其中基于來自所述訓(xùn)練集合中所有 圖像的信息使用聚類算法將像素位置在圖像平面中聚類來創(chuàng)建分割模 板。
6. 如權(quán)利要求l所述的方法,其中所述分類器是單類分類器。
7. 如權(quán)利要求l所述的方法,其中所述分類器是統(tǒng)計量單類分類器。
8. 如權(quán)利要求7所述的方法,其中形成所述分類器的步驟包括-在目標類中估計與紙幣有關(guān)的統(tǒng)計量的分布,所述目標類包括真貨幣。
9. 如權(quán)利要求l所述的方法,還包括使用特征選擇算法選擇一 種或多種特征以在提取特征的步驟(iv)中使用。
10. 如權(quán)利要求l所述的方法,還包括基于關(guān)于紙幣的特定面額 和幣種的具體信息形成分類器。
11. 如權(quán)利要求l所述的方法,還包括在形成所述分類器的步驟 (V)中必須的組合分類器。
12. —種創(chuàng)建紙幣分類器的設(shè)備,包括(i) 輸入,配置以訪問紙幣圖像的訓(xùn)練集合;(ii) 處理器,配置以使用訓(xùn)練集合圖像創(chuàng)建分割模板;(iii) 分割器,配置以使用所述分割模板分割每個所述訓(xùn)練集合圖像;(iv) 特征提取器,配置以從每個所述訓(xùn)練集合圖像中的每個分 段中提取一個或多個特征;(v) 分類形成裝置,配置以使用特征信息形成所述分類器; 其中配置所述處理器以基于來自所述訓(xùn)練集合中所有圖像的信息來創(chuàng)建所述分割模板。
13. —種紙幣驗證器,包括(i) 輸入,配置以接收將被驗證的紙幣的至少一個圖像;(ii) 分割模板;(i ii) 處理器,配置以使用所述分割模板分割所述紙幣的圖像;(iv) 特征提取器,配置以從紙幣圖像的每個分段中提取一個或 多個特征;(v) 分類器,配置以基于所提取的特征來將所述紙幣分類為有效或無效;其中所述分割模板是基于與紙幣的訓(xùn)練圖像集合中的每一個有關(guān) 的信息來形成的。
14. 如權(quán)利要求13所述的紙幣驗證器,其中與訓(xùn)練圖像集合中的 每一個有關(guān)的所述信息包括形態(tài)學(xué)信息。
15. 如權(quán)利要求13所述的紙幣驗證器,其中與訓(xùn)練圖像集合中的 每一個有關(guān)的所述信息包括與每個所述訓(xùn)練集合圖像中相同位置的像 素有關(guān)的信息。
16. 如權(quán)利要求13所述的紙幣驗證器,其中與訓(xùn)練圖像集合中的 每一個有關(guān)的所述信息包括像素亮度簡檔。
17. 如權(quán)利要求13所述的紙幣驗證器,其中所述分類器是單類分 類器。
18. 如權(quán)利要求13所述的紙幣驗證器,其中所述分類器是統(tǒng)計量 單類分類器。
19. 如權(quán)利要求13所述的紙幣驗證器,還包括組合器和多個分 類器,所述組合器配置為組合每個所述分類器的結(jié)果。
20. —種驗證紙幣的方法,包括(i) 訪問將被驗證的紙幣的至少一個圖像;(ii) 訪問分割模板;(iii) 使用所述分割模板分割所述紙幣的圖像;(iv) 從紙幣圖像的每個分段中提取特征;(v) 使用分類器基于所提取的特征來將所述紙幣分類為有效或無效;其中,所述分割模板是基于與紙幣的訓(xùn)練圖像集合中的每一個有 關(guān)的信息來形成的。
21. 如權(quán)利要求20所述的方法,其中所述分類器是單類分類器。
22. 如權(quán)利要求20所述的方法,其中所述分類器是統(tǒng)計分類器。
23. —種包括計算機程序代碼裝置的計算機程序,所述計算機程 序代碼裝置適用于執(zhí)行創(chuàng)建用于紙幣驗證的分類器的方法,所述方法 包括步驟(i)訪問紙幣圖像的訓(xùn)練集合;(ii)使用訓(xùn)練集合圖像創(chuàng) 建分割模板;(iii)使用所述分割模板分割每個所述訓(xùn)練集合圖像;(iv) 從每個所述訓(xùn)練集合圖像中的每個分段中提取一個或多個特征;(v) 使用特征信息形成所述分類器;其中,所述分割模板是基于訓(xùn)練 集合中所有圖像的信息來創(chuàng)建的。
24. 如權(quán)利要求23所述的計算機程序,所述計算機程序包含在計 算機可讀介質(zhì)上。
全文摘要
描述了一種創(chuàng)建用于紙幣驗證的分類器的方法。使用來自真鈔的所有訓(xùn)練圖像集合的信息來形成分割模板,然后所述分割模板用于分割每個訓(xùn)練集合圖像。特征從分段中提取,并用于形成分類器,所述分類器優(yōu)選地是單類統(tǒng)計值分類器。以這種方式可對不同幣種和面額快速并簡單地形成分類器,而無需假鈔的樣本。描述了使用這種分類器的紙幣驗證器以及使用這種分類器驗證紙幣的方法。在優(yōu)選實施例中,將紙幣驗證器并入到例如自動柜員機的自助式設(shè)備中。
文檔編號G07D7/20GK101331526SQ200680047358
公開日2008年12月24日 申請日期2006年9月26日 優(yōu)先權(quán)日2005年12月16日
發(fā)明者超 何, 佳里·羅斯 申請人:Ncr公司