本發(fā)明屬于金融設(shè)備紙幣識別技術(shù)領(lǐng)域，具體涉及一種基于模板匹配的紙幣面值面向識別方法。

背景技術(shù)：

在存取款循環(huán)機芯設(shè)備中，識別模塊負責紙幣的各項檢測任務(wù)，包括真?zhèn)巫R別，冠字號識別以及紙幣的清分工作。一般在循環(huán)機芯中，對于進入識別模塊的紙幣的各項圖像檢測前，首要任務(wù)是確定紙幣的面值與面向，面值面向的判斷準確與否直接影響隨后的圖像檢測結(jié)果。其中在各項圖像處理運算中，紙幣的面值面向判斷是這些檢測任務(wù)的基礎(chǔ)，面值面向的判斷準確與否，直接影響后續(xù)檢測任務(wù)的準確率。

在專利號CN2015102505749的紙幣面向識別方法及裝置的專利中，提出了使用BP神經(jīng)網(wǎng)絡(luò)識別紙幣面值面向，首先將紙幣劃分成若干網(wǎng)格，然后提取每個網(wǎng)格的灰度值總和，并形成一個特征向量，將這些特征向量輸入分類器進行訓練。這種基于神經(jīng)網(wǎng)絡(luò)的識別方法，不僅需要對各類面值面向進行大量的訓練，其前期工作量較大；并且其特征的選擇對于光照的變換十分敏感，很容易導(dǎo)致識別錯誤。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于解決上述的技術(shù)問題而提供一種基于模板匹配的紙幣面值面向識別方法。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于模板匹配的紙幣面值面向識別方法，包括：

確定選擇的匹配模板的特征模型；

將該匹配模板按預(yù)設(shè)匹配策略在目標圖像上滑動，計算匹配模板覆蓋區(qū)域與特征模型的匹配度，如果該匹配度大于預(yù)設(shè)閾值，則根據(jù)預(yù)設(shè)判斷規(guī)則判斷紙幣面值面向。

優(yōu)選的，所述匹配模板為紙幣頭像中眼睛與鼻子區(qū)域的外接矩形。

優(yōu)選的，在滑動匹配模板進行匹配之前，還包括以下步驟：

首先確定紙幣圖像中紙幣的輪廓，并確定紙幣當中對應(yīng)匹配模板的目標區(qū)域，然而再在目標區(qū)域進行模板匹配。

優(yōu)選的，在確定匹配模板的特征模型時，采用基于輪廓的模板匹配算法來確定，首先利用canny算子對提取的匹配模板進行canny濾波，確定模板的邊緣輪廓，然后計算邊緣輪廓的梯度值與梯度方向，用該梯度值與梯度方向構(gòu)造特征模型。

優(yōu)選的，所述計算匹配模板覆蓋區(qū)域與特征模型的匹配度，是通過計算模板覆蓋區(qū)域與匹配模板特征模型的歐氏距離來實現(xiàn)。

優(yōu)選的，所述計算匹配模板覆蓋區(qū)域與特征模型的匹配度的過程中，還包括以下步驟：

計算匹配模板在匹配過程中相對于紙幣圖像的旋轉(zhuǎn)角度；

根據(jù)該旋轉(zhuǎn)角度對匹配模塊進行相應(yīng)的旋轉(zhuǎn)并進行匹配；

在所述匹配度大于預(yù)設(shè)閾值時，根據(jù)該旋轉(zhuǎn)角度判斷紙幣的面值面向。

本發(fā)明通過預(yù)設(shè)確定選擇的合適的匹配模板的特征模型后，將該匹配模板按預(yù)設(shè)匹配策略在目標圖像上滑動，在滑動的同時計算匹配模板覆蓋區(qū)域與特征模型的匹配度，根據(jù)該匹配度來判斷紙幣的面值向，在沒有額外增加算法的時間與空間開銷的情況下，極大的提高了紙幣面值面向識別的準確率。

附圖說明

圖1是本發(fā)明的基于模板匹配的紙幣面值面向識別方法的流程圖；

圖2是本發(fā)明所選取的匹配模板的圖像；

圖3是提取匹配模板的源圖像；

圖4是在源圖像上模板匹配的結(jié)果；

圖5-7是100元紙幣的模板匹配結(jié)果；

圖8-9是50元紙幣的模板匹配結(jié)果。

具體實施方式

下面，結(jié)合實例對本發(fā)明的實質(zhì)性特點和優(yōu)勢作進一步的說明，但本發(fā)明并不局限于所列的實施例。

參見圖1所示，一種基于模板匹配的紙幣面值面向識別方法，包括步驟：

S101:確定選擇的匹配模板的特征模型；

S102:將該匹配模板按預(yù)設(shè)匹配策略在目標圖像上滑動，計算匹配模板覆蓋區(qū)域與特征模型的匹配度，如果該匹配度大于預(yù)設(shè)閾值，則結(jié)束匹配過程并按預(yù)設(shè)判斷規(guī)則判斷目標紙幣面值面向。

在匹配過程中，如果在匹配模板覆蓋區(qū)域得到的匹配度大于預(yù)設(shè)匹配閾值，那么這張紙幣的圖像就是相應(yīng)面值紙條幣的正面，否則就是反面；如果圖像兩面都未匹配成功則確定為假幣。

本發(fā)明通過預(yù)設(shè)確定選擇的合適的匹配模板的特征模型后，將該匹配模板按預(yù)設(shè)匹配策略在目標圖像上滑動，在滑動的同時計算匹配模板覆蓋區(qū)域與特征模型的匹配度，然后將該匹配度的值與預(yù)設(shè)的閾值相比較，如果該匹配度在于預(yù)設(shè)閾值，表明識別成功，則結(jié)束匹配過程，并按預(yù)設(shè)判斷規(guī)則判斷目標紙幣面值面向果，從而實現(xiàn)了利用匹配模板對紙幣的面值面向的識別，由于采用模板匹配的識別技術(shù)，本發(fā)明在沒有額外增加算法的時間與空間開銷的情況下，極大的提高了紙幣面值面向識別的準確率。

具體實現(xiàn)上，所述將該匹配模板按預(yù)設(shè)匹配策略在目標圖像上滑動，是指在滑動時，逐像素在模板覆蓋區(qū)域上滑動，可以是自左至右，也可以是自右至左，或是左上角向右下角，或是右下角至左上角等等，從而實現(xiàn)了匹配模板與模板覆蓋區(qū)域的紙幣的一一匹配，從而能快速地計算出匹配模板覆蓋區(qū)域與特征模型的匹配度，為進一步的判斷該匹配度是否在預(yù)設(shè)閾值范圍，以判斷是否匹配成功奠定基礎(chǔ)。

需要說明的是，本發(fā)明中，在滑動匹配模板進行匹配時，如果匹配度大于預(yù)先設(shè)定的閾值，則此模板覆蓋區(qū)域為目標識別區(qū)域，否則匹配模板繼續(xù)沿紙幣圖像滑動匹配，直到匹配進程完成。

本發(fā)明中，所述目標圖像是指待識別面值面向的紙幣的圖像，所述匹配模板為對應(yīng)的紙幣當中區(qū)分度較大的區(qū)域，對應(yīng)的，所述模板覆蓋區(qū)域也對應(yīng)為紙幣當中區(qū)分度較大的區(qū)域。通過將紙幣當中區(qū)分度比較大的區(qū)域作為匹配模板，有利于匹配模板的特征的提取并識別。

如選擇正面正向100元的紙幣的匹配模板時，要選擇頭像位置作為模糊匹配區(qū)域，并精確定位眼睛與鼻子區(qū)域的外接矩形作為匹配模板。

在實現(xiàn)本發(fā)明過程中，申請人對于各個版本的50和100元人民幣紙幣詳細分析后，發(fā)現(xiàn)頭像有固定不變的模糊特征，且特征比較明顯，尤其是人眼和鼻子又是其模糊特征的凸出特征，因此選擇眼睛和鼻子的外接矩形作為匹配模板(即模板圖像)，如圖2所示。具體實現(xiàn)時，如選擇一張正面正向100元紙幣圖像如圖3所示，作為提取匹配模板的源圖像。

在實現(xiàn)本發(fā)明的過程中，特別是滑動匹配模板進行匹配時，匹配模板可以是從紙幣圖像的左上角滑動到紙幣圖像的右下角，或是從右下角滑動到左上角等多種方向選擇進行滑動來匹配。然而，這樣滑動來匹配，必然會增加識別時間，提高了識別的復(fù)雜度，不能適應(yīng)高速圖像識別。

因此，在滑動匹配模板進行匹配之前，本發(fā)明進一步采用以下匹配策略以提高識別速度，即首先確定紙幣圖像中紙幣的輪廓或邊界，并模糊確定紙幣當中對應(yīng)匹配模板的區(qū)分度比較大的區(qū)域(如頭像)可能出現(xiàn)的目標區(qū)域，然而再在此目標區(qū)域進行模板匹配。通過先確定紙幣的輪廓或邊界，再確定紙幣當中區(qū)分度比較大的區(qū)域，然后進行模板的匹配，可以大大的縮短匹配時間。

進一步，本發(fā)明在確定選擇的匹配模板的特征模型時，采用基于輪廓的模板匹配算法來確定，即是利用canny算子對提取的匹配模板進行canny濾波，確定匹配模板的邊緣輪廓，計算邊緣輪廓的梯度值與梯度方向，并用該梯度值與梯度方向構(gòu)造匹配模板的特征模型。

通過采用基于輪廓的模板匹配算法來確定特征模型，可以極大地提高目標識別的準確率，也克服了現(xiàn)有匹配識別技術(shù)采用灰度匹配算法對于光照變化的魯棒性不強，同時也克服了人眼分辨目標更多依賴目標邊緣特征而邊緣特征構(gòu)造復(fù)雜的技術(shù)問題。

本發(fā)明在利用采用基于輪廓的模板匹配算法確定的特征模型進行匹配時，當匹配模板在紙幣圖像上滑動時，只須計算模板覆蓋區(qū)域與匹配模板特征模型的歐氏距離，用此歐氏距離即可準確地確定匹配度。

由于采集的紙幣圖像可能會存在一個小范圍的傾斜，這樣就利用于匹配模塊的匹配，因此，進一步，本發(fā)明在匹配時，還進一步計算匹配模板在匹配過程中相對于紙幣圖像的旋轉(zhuǎn)角度，根據(jù)該旋轉(zhuǎn)角度對匹配模塊進行相應(yīng)的旋轉(zhuǎn)并匹配，并在所述匹配度大于預(yù)設(shè)閾值時，根據(jù)該旋轉(zhuǎn)角度判斷紙幣的面值面向。在計算獲得旋轉(zhuǎn)角度后，先根據(jù)該旋轉(zhuǎn)角度對匹配模塊進行相應(yīng)的旋轉(zhuǎn)，以使匹配模板與要識別的紙幣圖像不存在角度差，然后進行匹配，并根據(jù)該匹配度以及旋轉(zhuǎn)角度，并結(jié)合紙幣的尺寸，判斷紙幣的面值面向，從而更有利于識別的進行。

本發(fā)明具體在利用構(gòu)造的特征模型進行匹配時，采用一層或多層金字塔匹配，具體可以根據(jù)不同紙幣的差別情況選擇不同層金字匹配，以使特征的匹配更加有效。如匹配50元人民幣時用2層金字塔匹配，匹配100元人民用1層金字塔匹配。

具體的，當紙幣通過圖像采集模塊時，圖像采集模塊分別獲得上下兩張綠光紙幣圖像，假設(shè)兩張紙幣圖像都存在目標人頭，且目標人可能出現(xiàn)的位置只有四個，由于采集的紙幣圖像存在一個小范圍的傾斜，因此當匹配模板在目標可能存在區(qū)域滑動匹配時，只需要對匹配模板進行小范圍的旋轉(zhuǎn)匹配即可進行匹配。

在紙幣圖像存在一個小范圍的傾斜且匹配模板旋轉(zhuǎn)時，如匹配度達到相應(yīng)的閾值，且當旋轉(zhuǎn)角度處于預(yù)設(shè)的第一正負角度范圍內(nèi)(如正負10度)，則此紙幣圖像就是相應(yīng)面值紙幣的正面正向，否則就是反面；如匹配達到相應(yīng)的閾值且當旋轉(zhuǎn)角度處于第二預(yù)設(shè)正負角度范圍內(nèi)(如正負180度)，此時紙幣是正面反向；如果圖像兩面都未匹配成功，則可確定為假幣。

圖5-7出示了100元人民幣的匹配結(jié)果，其中圖5-7的模板旋轉(zhuǎn)角度處于180度左右，且紙幣尺寸符合100人民幣，因此可判斷為100元的正面反向；圖7的模板旋轉(zhuǎn)角度處于0度左右，且紙幣尺寸符合100人民幣，因此可以判斷為100元的正面正向。

圖8-9出示的是50元人民幣匹配結(jié)果，其中圖8的模板旋轉(zhuǎn)角度處于180度左右，且紙幣尺寸符合50人民幣，因此可判斷為50元的正面反向；圖9的模板旋轉(zhuǎn)角度處于0度左右，且紙幣尺寸符合50人民幣，因此可以判斷為50元的正面正向。

以上可以看出，本發(fā)明通過紙幣中區(qū)分度比較大的區(qū)域作為模糊匹配區(qū)域，并精確定位眼睛與鼻子區(qū)域的外接矩形作為匹配模板，在模板匹配算法中采用基于輪廓的模板匹配算法，可以極大的提高目標識別的準確率，在沒有額外增加算法的時間與空間開銷的情況下，極大的提高了紙幣面值面向識別的準確率。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。