紙幣面向識別方法及裝置的制造方法
【技術領域】
[0001]本發明實施例涉及紙幣識別技術，尤其涉及一種紙幣面向識別方法及裝置。
【背景技術】
[0002]在紙幣自動識別過程中，紙幣的面向是所有后續識別判斷的基礎，如果紙幣版本面向識別錯誤，將直接導致后面所有識別算法的誤檢，因此紙幣面向識別在紙幣識別過程中是基礎和必要的識別步驟。
[0003]現有技術中，紙幣面向識別是根據紙幣的特征進行提取和識別，針對不同的紙幣的幣值版本需要進行不同的特征提取，識別部分也需要根據幣值版本等的不同進行相應的修改，同時在采集環境改變的時候(如亮度改變等)也會導致進行相應的技術方案的修改，因此導致紙幣面向識別的不通用性。
【發明內容】
[0004]有鑒于此，本發明實施例提供一種紙幣面向識別方法及裝置，以通用的識別各個幣值版本的面向。
[0005]第一方面，本發明實施例提供了一種紙幣面向識別方法，所述方法包括:
[0006]獲取待識別紙幣的紙幣圖像；
[0007]按照設定劃分規則，將所述紙幣圖像劃分為第一設定數量的區域；
[0008]計算所述紙幣圖像中每個區域的灰度和，形成一個具有第一設定數量的灰度和數列；
[0009]將所述數列輸入BP神經網絡的識別器進行識別，以識別得到待識別紙幣的面向，其中，所述BP神經網絡的識別器的網絡參數已通過訓練得到。
[0010]進一步地，在將所述數列輸入BP神經網絡的識別器之前，還包括:
[0011]對所述數列進行歸一化處理，得到歸一化數列。
[0012]進一步地，按照設定劃分規則，將所述紙幣圖像劃分為第一設定數量的區域包括:
[0013]按照矩陣形式，將所述紙幣圖像劃分為第一設定數量的等分區域。
[0014]進一步地，計算所述紙幣圖像中每個區域的灰度和，形成一個具有第一設定數量的灰度和數列，包括:
[0015]以每個區域中的像素點為單位，進行設定步長的像素點灰度間隔抽樣；
[0016]計算抽樣后的每個區域的灰度和，形成一個具有第一設定數量的灰度和數列。
[0017]進一步地，還包括:
[0018]對待識別紙幣的幣值版本的多個面向分別選取第二設定數量的灰度和數列樣本；
[0019]采用BP神經網絡對所述樣本進行訓練，得到BP神經網絡的識別器的網絡參數。
[0020]第二方面，本發明實施例還提供了一種紙幣面向識別裝置，所述裝置包括:
[0021]紙幣圖像獲取模塊，用于獲取待識別紙幣的紙幣圖像；
[0022]圖像區域劃分模塊，用于按照設定劃分規則，將所述紙幣圖像劃分為第一設定數量的區域；
[0023]灰度和數列形成模塊，用于計算所述紙幣圖像中每個區域的灰度和，形成一個具有第一設定數量的灰度和數列；
[0024]紙幣面向識別模塊，用于將所述數列輸入BP神經網絡的識別器進行識別，以識別得到待識別紙幣的面向，其中，所述BP神經網絡的識別器的網絡參數已通過訓練得到。
[0025]進一步地，還包括:
[0026]數列歸一化模塊，用于在將所述數列輸入BP神經網絡的識別器之前，對所述數列進行歸一化處理，得到歸一化數列。
[0027]進一步地，所述圖像區域劃分模塊具體用于:
[0028]按照矩陣形式，將所述紙幣圖像劃分為第一設定數量的等分區域。
[0029]進一步地，所述灰度和數列形成模塊包括:
[0030]像素點抽樣單元，用于以每個區域中的像素點為單位，進行設定步長的像素點灰度間隔抽樣；
[0031]灰度和計算單元，計算抽樣后的每個區域的灰度和，形成一個具有第一設定數量的灰度和數列。
[0032]進一步地，還包括:
[0033]灰度和數列樣本選取模塊，用于對待識別紙幣的幣值版本的多個面向分別選取第二設定數量的灰度和數列樣本；
[0034]網絡參數訓練模塊，用于采用BP神經網絡對所述樣本進行訓練，得到BP神經網絡的識別器的網絡參數。
[0035]本發明實施例提供的紙幣面向識別方法及裝置，通過獲取待識別紙幣的紙幣圖像，按照設定劃分規則將所述紙幣圖像劃分為具有第一設定數量的個數的區域，并計算每個區域的灰度和，形成一個具有第一設定數量的灰度和的數列，將所述數列輸入具有訓練完成的網絡參數的BP神經網絡的識別器中進行識別，得到待識別紙幣的面向，實現了對不同幣值版本的紙幣面向的識別，只要對不同幣值版本的紙幣面向各進行一次訓練得到網絡參數，便可以通用的識別各個幣值版本的面向，采用BP神經網絡進行識別的方式提高了紙幣面向的識別效率。
【附圖說明】
[0036]圖1是本發明實施例一提供的一種紙幣面向識別方法的流程圖；
[0037]圖2是本發明實施例二提供的一種紙幣面向識別方法的流程圖；
[0038]圖3是本發明實施例三提供的一種紙幣面向識別裝置的示意圖。
【具體實施方式】
[0039]下面結合附圖和實施例對本發明作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋本發明，而非對本發明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發明相關的部分而非全部內容。
[0040]實施例一
[0041]圖1是本發明實施例一提供的一種紙幣面向識別方法的流程圖，本實施例可適用于ATM(Automatic Teller Machine，自動柜員機)上對紙幣面向的識別，該方法可以由ATM來執行，具體包括如下步驟:
[0042]步驟110，獲取待識別紙幣的紙幣圖像。
[0043]通過圖像采集裝置(如攝像頭等)采集待識別紙幣的紙幣圖像。
[0044]步驟120，按照設定劃分規則，將所述紙幣圖像劃分為第一設定數量的區域。
[0045]其中，所述設定劃分規則規定了如何對紙幣圖像進行劃分，即劃分紙幣圖像的方式，并規定了紙幣圖像劃分后形成的區域的數量為第一設定數量。其中，所述第一設定數量可以為20。
[0046]步驟130，計算所述紙幣圖像中每個區域的灰度和，形成一個具有第一設定數量的灰度和數列。
[0047]通過待識別紙幣的紙幣圖像獲取所述紙幣圖像中像素點的灰度，通過計算所述紙幣圖像中的每個區域中的像素點的灰度之和，得到所述紙幣圖像中每個區域的灰度和，將所述紙幣圖像中每個區域的灰度和按照區域順序存儲到一個數列中，形成一個具有第一設定數量的灰度和數列。
[0048]步驟140，將所述數列輸入BP神經網絡的識別器進行識別，以識別得到待識別紙幣的面向。
[0049]其中，BP(BackPropagat1n)神經網絡是 1986 年由 Rumelhart 和 McCelland 為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層、隱含層和輸出層。
[0050]所述網絡參數即BP神經網絡的權值和閾值，包括:輸入層到隱含層的權值和閾值、隱含層到輸出層的權值和閾值及隱含層的層數。
[0051]將步驟130形成的灰度和數列輸入到BP神經網絡的識別器中進行識別，便可以得到待識別紙幣的面向。其中，所述BP神經網絡的識別器的網絡參數已通過訓練得到。對所述BP神經網絡進行訓練時，對每一個紙幣面向的樣本都是按照步驟120-步驟130進行特征提取的。
[0052]本實施例通過獲取待識別紙幣的紙幣圖像，按照設定劃分規則將所述紙幣圖像劃分為具有第一設定數量的個數的區域，并計算每個區域的灰度和，形成一個具有第一設定數量的灰度和的數列，將所述數列輸入具有訓練完成的網絡參數的BP神經網絡的識別器中進行識別，得到待識別紙幣的面向，實現了對不同幣值版本的紙幣面向的識別，只要對不同幣值版本的紙幣面向各進行一次訓練得到網絡參數，便可以通用的識別各個幣值版本的面向，采用BP神經網絡進行識別的方式提高了紙幣面向的識別效率。
[0053]在上述技術方案的基礎上，按照設定劃分規則，將所述紙幣圖像劃分為第一設定數量的區域，優選包括:
[0054]按照矩陣形式，將所述紙幣圖像劃分為第一設定數量的等分區域。
[0055]按照所述紙幣圖像的像素點矩陣形式，將所述紙幣圖像進行等分，劃分為具有第一設定數量的等分區域，其中，所述第一設定數量可以為20，即可以將所述紙幣圖像的寬等分為5，將所述紙幣圖像的高等分為4，從而將所述紙幣圖像劃分為20個等分區域。對紙幣圖像進行等分，利于后續的處理，提高處理效率。
[0056]在上述技術方案的基礎上，計算所述紙幣圖像中每個區域的灰度和，形成一個具有第一設定數量的灰度和數列，優選包括:
[0057]以每個區域中的像素點為單位，進行設定步長的像素點灰度間隔抽樣；
[0058]計算抽樣后的每個區域的灰度和，形成一個具有第一設定數量的灰度和數列。
[0059]其中，所述設定步驟為5個像素點。對每個區域進行像素點灰度間隔抽樣，可以降低每個區域的分辨率，減少數據量，有利于提高數據處理效率。
[0060]在上述技術方案的基礎上，可預先完成訓練操作，即還優選包括:
[0061]對待識別紙幣的幣值版本的多個面向分別選取第二設定數量的灰度和數列樣本