技術特征：

1.一種基于手機APP和云平臺的紙幣鑒偽方法，其特征在于，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(wǎng)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(wǎng)絡反饋給手機APP并在手機APP上進行顯示。

2.根據(jù)權利要求1所述的基于手機APP和云平臺的紙幣鑒偽方法，其特征在于，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。

3.根據(jù)權利要求1所述的基于手機APP和云平臺的紙幣鑒偽方法，其特征在于，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。

4.根據(jù)權利要求3所述的基于手機APP和云平臺的紙幣鑒偽方法，其特征在于，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]。

5.根據(jù)權利要求3所述的基于手機APP和云平臺的紙幣鑒偽方法，其特征在于，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(jīng)過差分操作和低通濾波的輸入圖像感興趣區(qū)域。

6.一種基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，其特征在于，包括：手機APP及云平臺，所述手機APP和云平臺通過網(wǎng)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(wǎng)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(wǎng)絡反饋給手機APP；

所述手機APP還用于顯示判別結果。

7.如權利要求6所述的基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，其特征在于，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。

8.如權利要求6所述的基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，其特征在于，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。

9.如權利要求8所述的基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，其特征在于，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]。

10.如權利要求8或9所述的基于手機APP和云平臺的紙幣鑒偽系統(tǒng)，其特征在于，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(jīng)過差分操作和低通濾波的輸入圖像感興趣區(qū)域。