本發(fā)明涉及紙幣鑒偽領域，尤其涉及一種基于手機APP和云平臺的紙幣鑒偽方法及系統(tǒng)。

背景技術：

近年來，各種類型的假幣大量出現(xiàn)，不斷給人民群眾和國家經濟造成損失，發(fā)明快速便捷的假幣鑒偽方法對提高人們的假幣識別能力、增強市民防偽意識、改善金融環(huán)境有著重要的意義。通常傳統(tǒng)點/驗鈔機、鑒別儀在走鈔通道設置傳感器采集紙幣信息，并利用機器自帶的處理器進行鑒偽計算。這種紙幣鑒偽方法存在很多弊端，例如此類機器需要固定電源供電無法隨身攜帶；傳統(tǒng)機器采用低端芯片進行鑒偽處理，其計算能力有限等。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題是提供一種基于手機APP和云平臺的紙幣鑒偽方法，該方法通過采集與鑒偽分離的方式，充分利用了云平臺強大的計算能力進行圖像處理計算，克服傳統(tǒng)點/驗鈔機、鑒別儀計算能力不足的問題。

本發(fā)明的目的是通過以下技術方案來實現(xiàn)的：

一種基于手機APP和云平臺的紙幣鑒偽方法，包括以下步驟：

A1：通過手機APP控制圖像采集單元采集紙幣圖像,所述的圖像采集單元包括前置攝像頭和/或后置攝像頭，以及圖像采集電路和圖像采集軟件；

A2：手機APP將采集到的圖像進行基于模板匹配的感興趣區(qū)域標記，并通過網絡上傳至云平臺；

A3：云平臺對圖像進行處理，對紙幣進行基于所述感興趣區(qū)域的真?zhèn)闻袆e；

A4：云平臺將判別結果通過網絡反饋給手機APP并在手機APP上進行顯示。

進一步的，步驟A1中，手機APP控制手機屏幕循環(huán)變?yōu)榧兗t色、純綠色和純藍色，并在三種顏色的手機屏幕照射下，控制圖像采集單元用前置攝像頭依次采集紙幣圖像，共采集三幅圖；或手機APP控制圖像采集單元直接采集單幅或多幅紙幣圖像。

進一步的，步驟A3具體包括：

B1：云平臺通過對紙幣樣本庫進行訓練學習獲得過完備字典；

B2：對手機APP上傳的圖像進行預處理以確認感興趣區(qū)域；

B3：運行結合過完備字典的稀疏表示模型對所述感興趣區(qū)域進行處理；

B4：利用判別函數(shù)對圖像處理結果進行判別。

進一步的，步驟B1中，基于紙幣樣本庫訓練學習獲得過完備字典的方法為基于紋理和形狀的雙層映射空間過完備字典學習方法，其訓練學習過程為：設q_i是某感興趣區(qū)域在紙幣樣本庫中第i個樣本中對應的摳圖，紙幣樣本庫中所有N個樣本對應此感興趣區(qū)域的摳圖可構成樣本集首先對Q進行差分操作濾除大尺寸形狀，獲得紋理樣本集其基于主成分分析的重建表達式為表示平均圖像；a_i,j為主成分分析映射系數(shù)；u_j為通過主成分分析求得的第j個特征向量；a_i＝[a_i,1,a_i,2,…,a_i,n]^T表示第i組映射系數(shù)；則紋理樣本集對應的紋理過完備字典定義為A＝[a₁,a₂,…,a_N]；

之后對Q進行低通濾波濾除紋理，獲得樣本集其基于主成分分析的重建表達式為q*表示平均圖像；d_i,j為主成分分析映射系數(shù)；v_j為通過主成分分析求得的第j個特征向量；d_i＝[d_i,1,d_i,2,…,d_i,n]^T表示第i組映射系數(shù)；則形狀樣本集對應的形狀過完備字典定義為D＝[d₁,d₂,…,d_N]。

進一步的，步驟B3中，所述稀疏表示模型為基于紋理和形狀的雙層稀疏表示模型，其表達式為：

其中，s為基于紋理的稀疏系數(shù)；t為基于形狀的稀疏系數(shù)；A為基于紋理的過完備字典；D為基于形狀的過完備字典；為輸入感興趣區(qū)域的聯(lián)合主成分映射，其中U＝[u₁,u₂,…,u_n]^T,V＝[v₁,v₂,…,v_n]^T分別對于樣本集Q'和Q*主成分分析中的特征向量，n為特征向量個數(shù)；ω_i為第i項權重系數(shù)；q'和q*分別為經過差分操作和低通濾波的輸入圖像感興趣區(qū)域。

本發(fā)明還提供了一種基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，克服了傳統(tǒng)點/驗鈔機、鑒別儀攜帶不便的缺陷，結合手機APP和云平臺提供了一種便攜式移動紙幣鑒偽方式。其具體技術方案為：

一種基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，包括：手機APP及云平臺，所述手機APP和云平臺通過網絡連接；

所述手機APP用于控制圖像采集單元采集紙幣圖像，并對圖像進行基于模板匹配的感興趣區(qū)域標記，以及通過網絡將標記后的圖像上傳至云平臺；其中，所述的圖像采集單元包括前置攝像頭和/或后置攝像頭，以及圖像采集電路和圖像采集軟件；

所述云平臺用于對接收的圖像進行處理，對紙幣進行基于所述感興趣區(qū)域的真?zhèn)芜M行判別，并將判別結果通過網絡反饋給手機APP；

所述手機APP還用于顯示判別結果。

進一步的，所述手機控制采集單元采集紙幣圖像包括：手機APP控制手機屏幕循環(huán)變?yōu)榧兗t色、純綠色和純藍色，并在三種顏色的手機屏幕照射下，控制圖像采集單元用前置攝像頭依次采集紙幣圖像，共采集三幅圖；或手機APP控制圖像采集單元直接采集單幅或多幅紙幣圖像。

進一步的，所述云平臺包括字典學習模塊、預處理模塊、運算處理模塊及判別模塊；

所述字典學習模塊用于通過對紙幣樣本庫進行訓練學習獲得過完備字典；

所述預處理模塊用于對手機APP上傳的圖像進行預處理以確認感興趣區(qū)域；

所述運算處理模塊用于運行結合過完備字典的稀疏表示模型對所述感興趣區(qū)域進行處理；

所述判別模塊用于利用判別函數(shù)對圖像處理結果進行判別。

進一步的，所述字典學習模塊采用基于紋理和形狀的雙層映射空間過完備字典學習方法，通過對紙幣樣本庫進行訓練學習獲得過完備字典，其訓練學習過程為：設q_i是某感興趣區(qū)域在紙幣樣本庫中第i個樣本中對應的摳圖，紙幣樣本庫中所有N個樣本對應此感興趣區(qū)域的摳圖可構成樣本集首先對Q進行差分操作濾除大尺寸形狀，獲得紋理樣本集其基于主成分分析的重建表達式為表示平均圖像；a_i,j為主成分分析映射系數(shù)；u_j為通過主成分分析求得的第j個特征向量；a_i＝[a_i,1,a_i,2,…,a_i,n]^T表示第i組映射系數(shù)；則紋理樣本集對應的紋理過完備字典定義為A＝[a₁,a₂,…,a_N]；

之后對Q進行低通濾波濾除紋理，獲得樣本集其基于主成分分析的重建表達式為表示平均圖像；d_i,j為主成分分析映射系數(shù)；v_j為通過主成分分析求得的第j個特征向量；d_i＝[d_i,1,d_i,2,…,d_i,n]^T表示第i組映射系數(shù)；則形狀樣本集對應的形狀過完備字典定義為D＝[d₁,d₂,…,d_N]。

進一步的，所述運算處理模塊運行結合過完備字典的稀疏表示模型對所述感興趣區(qū)域進行處理時，所述稀疏表示模型為基于紋理和形狀的雙層稀疏表示模型，其表達式為：

其中，s為基于紋理的稀疏系數(shù)；t為基于形狀的稀疏系數(shù)；A為基于紋理的過完備字典；D為基于形狀的過完備字典；為輸入感興趣區(qū)域的聯(lián)合主成分映射，其中U＝[u₁,u₂,…,u_n]^T,V＝[v₁,v₂,…,v_n]^T分別對于樣本集Q'和Q*主成分分析中的特征向量，n為特征向量個數(shù)；ω_i為第i項權重系數(shù)；q'和q*分別為經過差分操作和低通濾波的輸入圖像感興趣區(qū)域。

與現(xiàn)有技術和產品相比，本發(fā)明有如下優(yōu)點：

區(qū)別于傳統(tǒng)點驗鈔機、鑒別儀的一體式處理方法，本發(fā)明的基于手機APP和云平臺的紙幣鑒偽方法，利用手機前端攝像頭拍照進行圖像采集，并利用云平臺進行后臺圖像處理計算，實現(xiàn)了采集與鑒偽分離式處理?；谏鲜龇椒ǖ募垘盆b偽系統(tǒng)，克服了傳統(tǒng)點驗鈔機、鑒別儀攜帶不便的缺陷，并充分利用云平臺強大的計算能力對相關圖像處理進行后臺計算，從而克服了傳統(tǒng)點驗鈔機、鑒別儀計算能力不足的問題。

附圖說明

圖1為本發(fā)明的基于手機APP和云平臺的紙幣鑒偽方法的總體流程圖。

圖2為本發(fā)明的基于手機APP和云平臺的紙幣鑒偽方法實施例的流程示意圖。

圖3為本發(fā)明的基于手機APP和云平臺的紙幣鑒偽系統(tǒng)的模塊結構示意圖。

具體實施方式

為了便于本領域普通技術人員理解和實施本發(fā)明，下面結合附圖及具體實施方式對本發(fā)明作進一步的詳細描述。

如圖1和圖2所示，本發(fā)明提供了一種基于手機APP和云平臺的紙幣鑒偽方法，包括以下步驟：

A1：通過手機APP控制圖像采集單元采集紙幣圖像，所述的圖像采集單元包括前置攝像頭和/或后置攝像頭，以及圖像采集電路和圖像采集軟件；

A2：手機APP將采集到的圖像進行基于模板匹配的感興趣區(qū)域標記，并通過網絡上傳至云平臺；

A3：云平臺對圖像進行處理，對紙幣進行基于所述感興趣區(qū)域的真?zhèn)闻袆e；

A4：云平臺將判別結果通過網絡反饋給手機APP并在手機APP上進行顯示。

具體的，步驟A1包括：步驟A1中，手機APP控制手機屏幕循環(huán)變?yōu)榧兗t色、純綠色和純藍色，并在三種顏色的手機屏幕照射下，控制圖像采集單元用前置攝像頭依次采集紙幣圖像，共采集三幅圖；或手機APP控制圖像采集單元直接采集單幅或多幅紙幣圖像。其中，由于手機前置攝像頭分辨率普遍較低，通過上述三種基本顏色照射采集多幅圖像，有利于提高紙幣鑒偽的準確性。

具體的，步驟A2利用基于模板匹配的方法對感興趣區(qū)域進行標記；所述上傳至云平臺包括如下方法之一：第一，手機APP控制傳送原始圖像和所標記感興趣區(qū)域的坐標信息至云平臺，所述坐標信息為標記感興趣區(qū)域的左下角坐標和長寬信息；第二，僅傳送標記的感興趣區(qū)域圖像至云平臺。當網絡連接不佳時，通常采用第二種方法。

具體的，步驟A3包括：

B1：云平臺通過對紙幣樣本庫進行訓練學習獲得過完備字典。

其中，基于紙幣樣本庫訓練學習獲得過完備字典的方法為基于紋理和形狀的雙層映射空間過完備字典學習方法，其訓練學習過程為：設q_i是某感興趣區(qū)域在紙幣樣本庫中第i個樣本中對應的摳圖，紙幣樣本庫中所有N個樣本對應此感興趣區(qū)域的摳圖可構成樣本集首先對Q進行差分操作濾除大尺寸形狀，獲得紋理樣本集其基于主成分分析的重建表達式為表示平均圖像；a_i,j為主成分分析映射系數(shù)；u_j為通過主成分分析求得的第j個特征向量；a_i＝[a_i,1,a_i,2,…,a_i,n]^T表示第i組映射系數(shù)；則紋理樣本集對應的紋理過完備字典定義為A＝[a₁,a₂,…,a_N]；

之后對Q進行低通濾波濾除紋理，獲得樣本集其基于主成分分析的重建表達式為表示平均圖像；d_i,j為主成分分析映射系數(shù)；v_j為通過主成分分析求得的第j個特征向量；d_i＝[d_i,1,d_i,2,…,d_i,n]^T表示第i組映射系數(shù)；則形狀樣本集對應的形狀過完備字典定義為D＝[d₁,d₂,…,d_N]。

B2：對手機APP上傳的圖像進行預處理以確認感興趣區(qū)域。其中，預處理方法為利用Haar特征相似度來確認感興趣區(qū)域。

B3：運行結合過完備字典的稀疏表示模型對所述感興趣區(qū)域進行處理。

其中，稀疏表示模型為基于紋理和形狀的雙層稀疏表示模型，其表達式為：

其中，s為基于紋理的稀疏系數(shù)；t為基于形狀的稀疏系數(shù)；A為基于紋理的過完備字典；D為基于形狀的過完備字典；為輸入感興趣區(qū)域的聯(lián)合主成分映射，其中U＝[u₁,u₂,…,u_n]^T,V＝[v₁,v₂,…,v_n]^T分別對于樣本集Q'和Q*主成分分析中的特征向量，n為特征向量個數(shù)；ω_i為第i項權重系數(shù)；q'和q*分別為經過差分操作和低通濾波的輸入圖像感興趣區(qū)域。

B4：利用判別函數(shù)對圖像處理結果進行判別。

其中，判別函數(shù)定義為：

其中，和分別為真幣通過稀疏表示模型運算后的相應稀疏系數(shù)；可通過對判別函數(shù)e(s,t)設置閾值ε，當e(s,t)≤ε時判斷為真幣，否則為假幣。

當采集多幅圖像時，可對多幅采集圖像獨立使用本發(fā)明方法進行計算，并取每副判別函數(shù)的最小值與閾值ε比較，輸出最終判別結果。

本實施方案使用了基于紋理和形狀過完備字典的雙層稀疏表示方法，其中的具體方法也可使用一些傳統(tǒng)方法代替，例如，步驟B1還可使用基于深度學習的訓練學習方法等；步驟B2還可使用基于角點特征或SIFT特征的方法等；步驟B3還可使用歸一化互相關匹配的方法或基于深度學習的模型等；步驟B4還可使用Jaccard系數(shù)作為判別函數(shù)等。

如圖3所示，本發(fā)明還提供了一種基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，其具體技術方案為：

一種基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，包括：手機APP及云平臺，所述手機APP和云平臺通過網絡連接；

手機APP用于控制圖像采集單元采集紙幣圖像，并對圖像進行基于模板匹配的感興趣區(qū)域標記，以及通過網絡將標記后的圖像上傳至云平臺；其中，所述的圖像采集單元包括前置攝像頭和/或后置攝像頭，以及圖像采集電路和圖像采集軟件；

云平臺用于對接收的圖像進行處理，對紙幣進行基于所述感興趣區(qū)域的真?zhèn)芜M行判別，并將判別結果通過網絡反饋給手機APP；

手機APP還用于顯示判別結果。

其中，所述手機控制采集單元采集紙幣圖像包括：手機APP控制手機屏幕循環(huán)變?yōu)榧兗t色、純綠色和純藍色，并在三種顏色的手機屏幕照射下，控制圖像采集單元用前置攝像頭依次采集紙幣圖像，共采集三幅圖；或手機APP控制圖像采集單元直接采集單幅或多幅紙幣圖像。

進一步的，云平臺包括字典學習模塊、預處理模塊、運算處理模塊及判別模塊。

其中，字典學習模塊用于通過對紙幣樣本庫進行訓練學習獲得過完備字典。

具體為：字典學習模塊采用基于紋理和形狀的雙層映射空間過完備字典學習方法，通過對紙幣樣本庫進行訓練學習獲得過完備字典，其訓練學習過程為：設q_i是某感興趣區(qū)域在紙幣樣本庫中第i個樣本中對應的摳圖，紙幣樣本庫中所有N個樣本對應此感興趣區(qū)域的摳圖可構成樣本集首先對Q進行差分操作濾除大尺寸形狀，獲得紋理樣本集其基于主成分分析的重建表達式為表示平均圖像；a_i,j為主成分分析映射系數(shù)；u_j為通過主成分分析求得的第j個特征向量；a_i＝[a_i,1,a_i,2,…,a_i,n]^T表示第i組映射系數(shù)；則紋理樣本集對應的紋理過完備字典定義為A＝[a₁,a₂,…,a_N]；

之后對Q進行低通濾波濾除紋理，獲得樣本集其基于主成分分析的重建表達式為表示平均圖像；d_i,j為主成分分析映射系數(shù)；v_j為通過主成分分析求得的第j個特征向量；d_i＝[d_i,1,d_i,2,…,d_i,n]^T表示第i組映射系數(shù)；則形狀樣本集對應的形狀過完備字典定義為D＝[d₁,d₂,…,d_N]。

預處理模塊用于對手機APP上傳的圖像進行預處理以確認感興趣區(qū)域。

運算處理模塊用于運行結合過完備字典的稀疏表示模型對所述感興趣區(qū)域進行處理。

其中，稀疏表示模型為基于紋理和形狀的雙層稀疏表示模型，其表達式為：

其中，s為基于紋理的稀疏系數(shù)；t為基于形狀的稀疏系數(shù)；A為基于紋理的過完備字典；D為基于形狀的過完備字典；為輸入感興趣區(qū)域的聯(lián)合主成分映射，其中U＝[u₁,u₂,…,u_n]^T,V＝[v₁,v₂,…,v_n]^T分別對于樣本集Q'和Q*主成分分析中的特征向量，n為特征向量個數(shù)；ω_i為第i項權重系數(shù)；q'和q*分別為經過差分操作和低通濾波的輸入圖像感興趣區(qū)域。

判別模塊用于利用判別函數(shù)對圖像處理結果進行判別。

以上實施例僅為本發(fā)明的一種實施方式，其描述較為具體和詳細，但不能因此理解為對本發(fā)明專利范圍的限制。其具體結構和參數(shù)可根據(jù)實際需要進行相應的調整。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發(fā)明構思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。