專利名稱：：基于稀疏表示的硬幣圖像識別方法
技術領域：
：發明屬于圖像處理
技術領域：
，涉及一種對硬幣圖像進行處理和識別的方法，具體是一種基于稀疏表示的硬幣圖像識別方法。
背景技術：
：隨著自助應用設備的普及，越來越多的場合要求設備具有識別硬幣的功能，特別是市場上假幣和大量游戲幣的出現，對硬幣識別提出了更高的要求。根據現有的文獻，目前硬幣識別方法主要有兩種一種是用振蕩線圈在硬幣通過的幣道上產生電磁場，硬幣通過時幣內產生渦電流，通過硬幣中產生的渦電流與振蕩線圈互感，引起電路電感量的變化來識別硬幣；另一種是用像機獲取硬幣圖像，從硬幣表面提取具有旋轉不變性的特征(如灰度或紋理的統計特性)，用于區分和識別硬幣圖像，這種方法的難點在于如何提取具有旋轉不變性且可以區分各硬幣的特征。目前已經公開的文獻資料，還沒有采用基于稀疏表示的方法來實現硬幣圖像識別的研究。
發明內容本發明的目的是針對傳統硬幣圖像識別方法中提取硬幣表面具有旋轉不變性特征的難點，提出一種基于稀疏表示的硬幣圖像識別方法，該方法無需提取硬幣表面具有旋轉不變性的特征。本發明方法識別的對象是目前市面上流通的第四套和第五套硬幣，幣值分別為一角、五角和一元，分為10類(見表1)。表1硬幣類別序號與類別信息和面值對應表硬幣圖像識別方法的具體步驟如下步驟(1)硬幣圖像預處理獲取硬幣正反面(定義幣值一面為正面，另一面為反面)的灰度圖像，利用現有的邊緣檢測技術(如Sobel，Prewitt,Canny算子等)和Hough變換圓檢測方法確定硬幣區域，對硬幣區域大小標準化，得到背景灰度值為0、硬幣區域灰度值非0的硬幣圖像，圖像大小為NXN，N=2R，R為硬幣區域半徑。步驟(2)將測試硬幣圖像表達為訓練樣本集合的稀疏表示預處理后的硬幣灰度圖像表示為歸一化向量νeRm(m=NXN)。設硬幣圖像共η個訓練樣本，組成訓練樣本集矩陣A=[V1,…，vn]=[A1,…，A10]eRmXn，4efx"'表示第i類硬幣圖像的Hi個訓練樣本構成的子矩陣。設測試圖像yeΓ是第i類硬幣圖像，其稀疏表示為-.1=Ax(1)其中x=T∈rn是一個稀疏矢量，其中、^是第i類硬幣圖像所對應的系數矢量。由于拍攝角度不同，同一個硬幣在相同光照條件下可以產生許多姿態不同的樣本圖像。如果進一步結合不同的光照條件將會導致硬幣訓練樣本數η變得非常龐大，計算復雜度大幅度上升，對計算機的硬件配置提出了很高的要求，給求解問題帶來困難。為此，對第i類硬幣圖像的Hi個訓練樣本進行篩選，設其所構成的矩陣4^Rnnn'0=i~io)，首先對第i類硬幣圖像中每個樣本以角度Δφ為步長進行旋轉，每個樣本就擴展成ρ個角度樣本，其中P=int(360/Aφ+0.5)，則第i類訓練樣本個數由Iii個擴展到IiiXp個，相應地4eR'’”、。由于一旦獲得測試圖像y，其姿態就確定下來，y所處的姿態只與P個中的某幾個角度樣本相接近。然后采用IiiXp個訓練樣本的線性組合來表示y，則只有某些角度樣本對測試圖像y的線性表示作出了貢獻，將其表示為y=AiCoi(2)=110)表示稀疏的系數矢量。使m<niXp，采用現有的凸優化方法求解欠定方程其中Il·Il1是I1-范數。選取,中不為0的系數所對應的訓練樣本構成子矩陣4，其中是,(/=110)中不為0的系數個數，則得到重新構成的訓練樣本矩陣W=[、，…,4'。]，代入式(1)，獲得的重新構成的訓練樣本矩陣A維數得到減少。使m<n，采用現有的凸優化方法求解欠定方程求得最佳1。步驟(3)初步確定硬幣圖像面值定義函數，它只保留x中第i類硬幣圖像所對應的系數，其余系數置為0，即(5)由式(5)重建測試樣本重建誤差具有最小誤差所對應的類別i就是y的類別，其中II112是12_范數。如果y的類別屬于第1類到第8類中的任意一類，則初步確定硬幣面值；如果屬于第9類硬幣圖像，則進一步確定其正面圖像的類別是否屬于第2類或第3類，屬于第2類或第3類則初步確定硬幣面值，反之，則提示“異常硬幣”；如果屬于第10類硬幣圖像，則進一步確定其反面圖像的類別是否屬于第6類或第8類，屬于第6類或第8類則初步確定硬幣面值，反之，則提示“異常硬幣”。步驟⑷鑒別假硬幣，確定硬幣面值對于給定的第i類硬幣圖像測試樣本y的非零系數主要集中于第i類硬幣的訓練樣本所對應的中，因此系數矢量；^和Si(x)具有非常相似的特點，而假硬幣圖像與12種可能的圖像差異較大，計算所得的1與相差較大，測試樣本y的非零系數比較分散。基于此特點，鑒別假硬幣圖像與硬幣圖像的具體方法如下式(6)中thAG，x為設定的閾值。如讓巧^x，該測試樣本為真實硬幣，則步驟(3)確定的面值即為硬幣面值；如thri<X，該測試樣本為假硬幣。本發明方法以硬幣區域最直觀的灰度值作為特征，無需提取具有旋轉不變性的硬幣表面特征，方法實現簡單，且具有鑒別假硬幣的功能。本發明考慮了不同光照條件下的樣本，因此本方法對光照變化不敏感；考慮了不同角度姿態的硬幣樣本，因此本方法的識別結果具有旋轉不變性。具體實施例方式下面結合實施例對本發明進一步說明。本發明基于稀疏表示的硬幣圖像識別方法是步驟(1)硬幣圖像預處理獲取硬幣正反面(定義幣值一面為正面，另一面為反面)的灰度圖像，利用現有的邊緣檢測技術(如Sobel，Prewitt,Canny算子等)和Hough變換圓檢測方法確定硬幣區域，對硬幣區域大小標準化，得到背景灰度值為O、硬幣區域灰度值非O的硬幣圖像，圖像大小為NXN，N=2R，R是預設的以像素表示的硬幣半徑，如R=16。R不宜取太大，如果太大，則樣本數η必須足夠大才能使方程(3)和(4)滿足欠定方程的條件，而且會大大增加計算耗時；也不宜太小，太小會影響識別準確性。。步驟(2)將測試硬幣圖像表達為訓練樣本集合的稀疏表示預處理后的硬幣灰度圖像表示為歸一化向量νeRm(m=NXN)。設硬幣圖像共η個訓練樣本，組成訓練樣本集矩陣A=[νι;…，vn]=[A1,…，A10]etrXn，4eW'表示第i類硬幣圖像的Hi個訓練樣本構成的子矩陣。設測試圖像yeΓ是第i類硬幣圖像，其稀疏表示為-.1=Ax(1)其中1丄，其中aiQ(1，ai(11，ai(12分別是訓練樣IA1的第100，101，102個列向量，其中巧是,(/=1-10)中不為0的系數個數，則得到重新構成的訓練樣本矩陣J=[‘·_·，、。]，代入式(1)，獲得的重新構成的訓練樣本矩陣A維數得到減少。10使《7<η=YjHi，采用現有的凸優化方法求解欠定方程求得最佳1。步驟(3)初步確定硬幣圖像面值定義函數δi:Rn'—Rn'，它只保Sx中第i類硬幣圖像所對應的系數，其余系數置為0，即(χ)='eR"(5)如其中Aij^OJlJ由式(5)重建測試樣本重建誤差具有最小誤差所對應的類別i就是y的類別，其中Il·Il2是I2-范數。如果y的類別屬于第1類到第8類中的任意一類，則初步確定硬幣面值；如果屬于第9類硬幣圖像，則進一步確定其正面圖像的類別是否屬于第2類或第3類，屬于第2類或第3類則初步確定硬幣面值，反之，則提示“異常硬幣”；如果屬于第10類硬幣圖像，則進一步確定其反面圖像的類別是否屬于第6類或第8類，屬于第6類或第8類則初步確定硬幣面值，反之，則提示“異常硬幣”。步驟(4)鑒別假硬幣，確定硬幣面值，具體方法如下式(6)中thAe[O,1]，τ為設定的閾值。如機^τ，該測試樣本為真實硬幣，則步驟(3)確定的面值即為硬幣面值；如thri<τ，該測試樣本為假硬幣。摘要本發明涉及基于稀疏表示的硬幣圖像識別方法。本發明的具體步驟是首先獲得不同光照條件下的硬幣正反面的灰度圖像，進行預處理確定硬幣區域，標準化硬幣圖像大小；將訓練樣本圖像擴展成多個角度樣本并篩選出最主要的訓練樣本，將測試硬幣樣本表達為訓練樣本集合的稀疏表示，求解最佳的稀疏系數矢量；重建測試硬幣圖像，利用重建誤差確定硬幣圖像類別；然后利用稀疏系數矢量的統計特性鑒別硬幣的真假。本發明無需提取具有旋轉不變性的硬幣表面特征即可識別硬幣圖像，且具有鑒別假硬幣的功能。權利要求基于稀疏表示的硬幣圖像識別方法，該方法識別的對象為第四套和第五套硬幣，幣值分別為一角、五角和一元，分為十類，如下表類別序號類別信息面值第1類第四套1角硬幣正面圖像1角第2類第四套5角硬幣正面圖像5角第3類第四套1元硬幣正面圖像1元第4類第四套1角硬幣反面圖像1角第5類第五套5角硬幣正面圖像5角第6類第五套1角硬幣反面圖像1角第7類第五套5角硬幣反面圖像5角第8類第五套1元硬幣反面圖像1元第9類第四套5角硬幣反面與1元硬幣反面需進一步確定正面類別第10類第五套1角硬幣正面與1元硬幣正面需進一步確定反面類別其特征在于該方法的具體步驟是步驟(1)硬幣圖像預處理獲取硬幣正反面的灰度圖像，利用邊緣檢測技術和Hough變換圓檢測方法確定硬幣區域，對硬幣區域大小標準化，得到背景灰度值為0、硬幣區域灰度值非0的硬幣圖像，圖像大小為N×N，N＝2R，R為硬幣區域半徑；步驟(2)將測試硬幣圖像表達為訓練樣本集合的稀疏表示預處理后的硬幣灰度圖像表示為歸一化向量v∈Rm(m＝N×N)；設硬幣圖像共n個訓練樣本，組成訓練樣本集矩陣A＝[v1，...，vn]＝[A1，...，A10]∈Rm×n，表示第i類硬幣圖像的ni個訓練樣本構成的子矩陣；設測試圖像y∈Rm是第i類硬幣圖像，其稀疏表示為y＝Ax(1)其中是一個稀疏矢量，其中是第i類硬幣圖像所對應的系數矢量；對第i類硬幣圖像的ni個訓練樣本進行篩選，設其所構成的矩陣首先對第i類硬幣圖像中每個樣本以角度Δφ為步長進行旋轉，每個樣本就擴展成p個角度樣本，其中p＝int(360/Δφ+0.5)，則第i類訓練樣本個數由ni個擴展到ni×p個，相應地由于一旦獲得測試圖像y，其姿態就確定下來，y所處的姿態只與p個中的某幾個角度樣本相接近；然后采用ni×p個訓練樣本的線性組合來表示y，則只有某些角度樣本對測試圖像y的線性表示作出了貢獻，將其表示為y＝Aiωi(2)ωi(i＝1～10)表示稀疏的系數矢量；使m＜ni×p，采用凸優化方法求解欠定方程<mrow><msub><mover><mi>ω</mi><mo>^</mo></mover><mi>i</mi></msub><mo>=</mo><mi>arg</mi><munder><mi>min</mi><mrow><msub><mi>ω</mi><mi>i</mi></msub><mo>:</mo><msub><mi>ω</mi><mi>i</mi></msub><mo>≥</mo><mn>0</mn></mrow></munder><msub><mrow><mo>|</mo><mo>|</mo><msub><mi>ω</mi><mi>i</mi></msub><mo>|</mo><mo>|</mo></mrow><mn>1</mn></msub><mi>s</mi><mo>.</mo><mi>t</mi><mo>.</mo><msub><mi>A</mi><mi>i</mi></msub><msub><mi>ω</mi><mi>i</mi></msub><mo>=</mo><mi>y</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>其中‖·‖1是l1-范數；選取中不為0的系數所對應的訓練樣本構成子矩陣其中是中不為0的系數個數，則得到重新構成的訓練樣本矩陣代入式(1)，獲得的重新構成的訓練樣本矩陣A維數得到減少；使采用凸優化方法求解欠定方程<mrow><mover><mi>x</mi><mo>^</mo></mover><mo>=</mo><mi>arg</mi><munder><mi>min</mi><mrow><mi>x</mi><mo>:</mo><mi>x</mi><mo>≥</mo><mn>0</mn></mrow></munder><msub><mrow><mo>|</mo><mo>|</mo><mi>x</mi><mo>|</mo><mo>|</mo></mrow><mn>1</mn></msub><mi>s</mi><mo>.</mo><mi>t</mi><mo>.</mo><mi>Ax</mi><mo>=</mo><mi>y</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>求得最佳步驟(3)初步確定硬幣圖像面值定義函數δiRn′→Rn′，它只保留中第i類硬幣圖像所對應的系數，其余系數置為0，即<mrow><msub><mi>δ</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><msup><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn><mo>·</mo><mo>·</mo><mo>·</mo><mn>0</mn></mtd><mtd><msubsup><mi>x</mi><mi>i</mi><mi>T</mi></msubsup></mtd><mtd><mn>0</mn><mo>·</mo><mo>·</mo><mo>·</mo></mtd></mtr></mtable></mfenced><mi>T</mi></msup><mo>∈</mo><msup><mi>R</mi><msup><mi>n</mi><mo>′</mo></msup></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>由式(5)重建測試樣本重建誤差具有最小誤差所對應的類別i就是y的類別，其中‖·‖2是l2-范數；如果y的類別屬于第1類到第8類中的任意一類，則初步確定硬幣面值；如果屬于第9類硬幣圖像，則進一步確定其正面圖像的類別是否屬于第2類或第3類，屬于第2類或第3類則初步確定硬幣面值，反之，則提示“異常硬幣”；如果屬于第10類硬幣圖像，則進一步確定其反面圖像的類別是否屬于第6類或第8類，屬于第6類或第8類則初步確定硬幣面值，反之，則提示“異常硬幣”；步驟(4)鑒別假硬幣，確定硬幣面值，具體方法如下<mrow><msub><mi>thr</mi><mi>i</mi></msub><mo>=</mo><mfrac><mrow><mn>10</mn><mo>×</mo><msub><mi>max</mi><mi>i</mi></msub><msub><mrow><mo>|</mo><mo>|</mo><msub><mi>δ</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>1</mn></msub><mo>/</mo><msub><mrow><mo>|</mo><mo>|</mo><mi>x</mi><mo>|</mo><mo>|</mo></mrow><mn>1</mn></msub><mo>-</mo><mn>1</mn></mrow><mrow><mn>10</mn><mo>-</mo><mn>1</mn></mrow></mfrac><mo><</mo><mi>τ</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>式(6)中thri∈，τ為設定的閾值；如thri≥τ，該測試樣本為真實硬幣，則步驟(3)確定的面值即為硬幣面值；如thri＜τ，該測試樣本為假硬幣。FSA00000134803100011.tif,FSA00000134803100012.tif,FSA00000134803100013.tif,FSA00000134803100021.tif,FSA00000134803100022.tif,FSA00000134803100024.tif,FSA00000134803100025.tif,FSA00000134803100026.tif,FSA00000134803100027.tif,FSA00000134803100028.tif,FSA00000134803100029.tif,FSA000001348031000211.tif,FSA000001348031000212.tif,FSA000001348031000214.tif,FSA000001348031000215.tif全文摘要本發明涉及一種基于稀疏表示的硬幣圖像識別方法。現有的圖像識別方法識別效果不好。本發明的具體步驟是首先獲得硬幣正反面的灰度圖像，進行預處理確定硬幣區域，標準化硬幣圖像大小；將訓練樣本圖像擴展成多個角度樣本并篩選出最主要的訓練樣本，將測試硬幣樣本表達為訓練樣本集合的稀疏表示，求解最佳的稀疏系數矢量；重建測試硬幣圖像，利用重建誤差確定硬幣圖像類別；然后利用稀疏系數矢量的統計特性鑒別硬幣的真假。本發明無需提取具有旋轉不變性的硬幣表面特征即可識別硬幣圖像，方法實現簡單。文檔編號G07D7/20GK101872502SQ20101018067公開日2010年10月27日申請日期2010年5月21日優先權日2010年5月21日發明者陳華華申請人:杭州電子科技大學