【技术实现步骤摘要】
一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法
本专利技术属于计算机视觉识别
，涉及一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法。
技术介绍
中华人民共和国的法定货币是人民币，中国人民银行是国家管理人民币的主管机关，负责人民币的设计、印制和发行。其他生产人民币的单位均为非法单位，称为犯罪团伙，其生产的人民币是非法的，称为假币。这些假币和犯罪团伙必须受到法律的制裁。众所周知，部分银行也出现了不能通过验钞机区分真假的假币，这给社会带来了维持秩序的难度，也给社会安定带来了混乱，这是对国家政府的挑衅。因此，必须尽快解决快速精准识别假币的方法，让政府拨乱反正，回归社会安定。如何快速精准地区分假币，是政府公安部门的首要条件，甚至根据生产的假币之间的差异和共性，可以寻找出假币横行的主要区域，进而找到生产假币的违法单位，将犯罪团伙一网打尽。传统的假币分类方法是质谱法或色谱法，通过仪器设备观察假币，对假币进行归类，由此总结出犯罪团伙的活动范围和犯罪方式，将犯罪团伙一网打尽。可是这种方法对人力的消耗大，成本高。纹理是一种很重要的视觉信息,通过对物件表面纹理的分析，可以让计算机识别出该物件所属的材料。因此，图像纹理识别成为数字图像识别的一个重要分支。纹理识别在织物纹理自动检测、医学图像分析、场景分析和遥感图像处理等领域中的广泛应用，进一步证明纹理识别的重大研究意义和实用价值。纹理分类算法通过手工特征或者特征学习方法对整个图像进行全局描述,将原始数据变换成一个合适的特征矢量,使得分类器能够基于该特征矢量进行分...
【技术保护点】
1.一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法，其特征在于，包括下述步骤：/n步骤1、采集纹理图像：预先对喷墨的、四色的、激光的、机制的四种不同印刷方式的纸币，分别设置四个不同的标签；取喷墨的、四色的、激光的、机制的四种不同印刷方式的纸币各k张，共4k张；对所有4k张纸币，采集每一张纸币在某一种采集条件下即某一种光学放大倍率、某一种光源环境下的n张纹理图像，得到4k*n张纹理图像；其中，k≥10，n≥100；/n步骤2、图像数据增强：对步骤1采集的每一张纹理图像进行数据增强，得到4k*n*m张增强后的图像；数据增强的方式包括：图像缩放、图像旋转、图像翻转、图像对比度加强、同态滤波处理、图像去除噪音；/n步骤3、图像特征提取：对步骤2增强后的每一张图像进行图像特征提取，并进行图像特征融合；图像特征提取包括：图像颜色特征提取、图像surf特征提取、图像纹理特征提取、图像形状特征提取、图像Haar特征提取、图像梯度特征提取；/n步骤4、图像特征分类：将所有4k*n*m张图像中的每张图像按步骤3的方法进行图像特征提取并按照不同方法进行图像特征融合得到的图像特征加上标签作为数据集；将该数...
【技术特征摘要】
1.一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法，其特征在于，包括下述步骤：
步骤1、采集纹理图像：预先对喷墨的、四色的、激光的、机制的四种不同印刷方式的纸币，分别设置四个不同的标签；取喷墨的、四色的、激光的、机制的四种不同印刷方式的纸币各k张，共4k张；对所有4k张纸币，采集每一张纸币在某一种采集条件下即某一种光学放大倍率、某一种光源环境下的n张纹理图像，得到4k*n张纹理图像；其中，k≥10，n≥100；
步骤2、图像数据增强：对步骤1采集的每一张纹理图像进行数据增强，得到4k*n*m张增强后的图像；数据增强的方式包括：图像缩放、图像旋转、图像翻转、图像对比度加强、同态滤波处理、图像去除噪音；
步骤3、图像特征提取：对步骤2增强后的每一张图像进行图像特征提取，并进行图像特征融合；图像特征提取包括：图像颜色特征提取、图像surf特征提取、图像纹理特征提取、图像形状特征提取、图像Haar特征提取、图像梯度特征提取；
步骤4、图像特征分类：将所有4k*n*m张图像中的每张图像按步骤3的方法进行图像特征提取并按照不同方法进行图像特征融合得到的图像特征加上标签作为数据集；将该数据集分为训练集和测试集；先使用训练集使用SVM对整个训练集进行训练得到SVM模型，再使用测试集对SVM模型进行测试；当准确率达到96％以上以后，得到相应的光学放大倍率和相应的光源环境下的训练好的SVM模型；再将按步骤1的方法采集的一张待鉴定纸币在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的多张纹理图像，按步骤2的方法进行图像数据增强，按步骤3的方法进行图像特征提取及图像特征融合，再使用训练好的SVM模型进行图像特征分类，得到这张待鉴定纸币的每一类的标签及其概率值，并赋予权重；将上述得到的几类标签及其概率值，按照权重计算，得到这张待鉴定纸币在这一种采集条件下图像的预测标签及其概率值；
步骤5、将所有4k张纸币，按步骤1的方法采集每一张纸币在多种不同的采集条件下即不同光学放大倍率，不同光源环境下的纹理图像；将每张图像按步骤2的方法进行图像数据增强处理；将每张增强的图像按步骤3的方法进行图像特征提取并按照不同方法进行图像特征融合得到的图像特征加上标签作为数据集；将该数据集分为训练集和测试集；先使用训练集使用SVM对整个训练集进行训练得到SVM模型，再使用测试集对SVM模型进行测试；当准确率达到96％以上以后，得到相应的光学放大倍率和相应的光源环境下的训练好的多类SVM模型；
对同一张待鉴定纸币，采集其在多种不同的采集条件下即不同光学放大倍率、不同光源环境下的纹理图像；将每种采集条件下采集的每张图像按步骤2的方法进行图像数据增强，将每张增强的图像按步骤3的方法进行图像特征提取并进行图像特征融合，再使用相应光学放大倍率和相应光源环境下的训练好的多类SVM模型进行图像特征分类，得到待鉴定纸币的多类标签及其概率值，按权重计算后，得到待鉴定纸币在每种采集条件下的预测标签及其概率值；将待鉴定纸币在多种采集条件下得到的预测标签及其概率值，按权重重新计算，得到这张待鉴定纸币最后的标签。
2.如权利要求1所述的基于纸币印刷图案特征的纸币形成方式检验鉴定方法，其特征在于，步骤3中，提取图像纹理特征的方法包括：LBP、CLBP、LTP局部二值模式算法，灰度共生矩阵法，Tamura纹理特征法，自回归纹理模型法，小波变换模型法，马尔可夫随机场模型法，Gibbs随机场模型法，分形模型法，自回归模型法，Voronio棋盘格特征法，句法纹理描述算法，数学形态学方法。
3.如权利要求1所述的基于纸币印刷图案特征的纸币形成方式检验鉴定方法，其特征在于，步骤3中，提取图像颜色特征的方法包括：HSV算法、RGB算法、HIS算法；提取图像不定点特征的方法包括：sift算法、surf算法；提取图像形状特征的方法包括：Hough变换法，傅里叶形状描述符法，几何参数法，形状不变矩法，有限元法，旋转函数和小波描述符方法。
4.如权利要求1所述的基于纸币印刷图案特征的纸币形成方式检验鉴定方法，其特征在于，步骤2中，图像去除噪音的方法包括：高斯滤波法，均值滤波法，双边滤波法，引导滤波法，NLM算子法，BM3D算子法，频域滤波法，小波域滤波法，P-M方程去噪法，TV去噪法。
5.如权利要求1所述的基于纸币印刷图案特征的纸币形成方式检验鉴定方法，其特征在于，步骤4中，对图像特征进行分类的方法包括：KNN分类算法,SVM支持向量机分类算法，随机森林法，决策树法，贝叶斯分类算法，人工神经网络法，基于关联规则的分类方法。
6.如权利要求1所述的基于纸币印刷图案特征的纸币形成方式检验鉴定方法，其特征在于，具体包括下述步骤：
步骤1、采集每一张纸币在某一种光学放大倍率、某一种光源环境下的纹理图像：
1.1.准备好目前已经出现的喷墨的、四色的、激光的、机制的四种不同印刷方式的纸币各k张，共4k张；k≥10；预先对喷墨的、四色的、激光的、机制的四种不同印刷方式的纸币，分别设置1、2、3、4四个标签，即：喷墨：1，四色：2，激光：3，机制:4；
1.2.采集第一张纸币在某一种采集条件下即在某一种光学放大倍率、某一种光源环境下的纹理图像；
采集某一张纸币在某一种采集条件下即在某一种光学放大倍率optical、某一种光源环境light下的纹理图像，用数组表示为n是指每一张纸币在每种采集条件下所采集的纹理图像的数量，n≥100；具体采集纹理图像的方法为：
1.2.1使用工业相机以及配置镜头设备，采集某一张纸币在某一种光学放大倍率、某一种光源环境下的纹理图像Ilight_optical；
1.2.2在采集的纹理图像Ilight_optical中,删掉因为对焦错误导致的模糊图像；
1.2.3在采集的纹理图像Ilight_optical中,删掉因为破损、墨迹损坏纹理图案的负样本图像；
1.2.4补充采集这一张纸币在这一种光学放大倍率、这一种光源环境下的纹理图像，使得这一张纸币在这种采集条件下所采集的纹理图像数量n≥100；
1.3.按步骤1.2.1-1.2.4的方法，采集第二张纸币在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的纹理图像；
1.4.按步骤1.2.1-1.2.4的方法，采集第三张纸币在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的纹理图像；
1.5.按步骤1.2.1-1.2.4的方法，采集第四张纸币在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的纹理图像；
1.6.依次类推，按步骤1.2.1-1.2.4的方法，依次对4k张纸币完成其在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的纹理图像的采集，得到4k*n张纹理图像，即完成四种不同印刷方式的4k张纸币在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的纹理图像数据的采集工作；
步骤2、对步骤1采集的4k张纸币在同一种采集条件下的共4k*n张纹理图像样本数据进行数据增强：
对步骤1中采集的某一张纸币在某一种光学放大倍率、某一种光源环境下的纹理图像进行数据增强的具体方法如下：
2.1.读取步骤1采集的某一张纹理图像，以向量的形式体现，以裁剪的方式将向量缩放若干倍，输出多个向量，再将缩放后的向量恢复成一张张小分辨率的纹理图像，达到数据增强的效果；
2.2.读取步骤1采集的某一张纹理图像，以向量的形式体现，以旋转的方式将向量在0-360度范围内依次平均每次旋转15度，得到24个不同旋转角度的向量并将旋转后的向量恢复成一张张纹理图像，达到数据增强的效果；
2.3.读取步骤1采集的某一张纹理图像，以向量的形式体现，以翻转的方式将向量上下翻转、左右翻转、左对角线翻转、右对角线翻转，得到4个向量并将翻转后的向量恢复成一张张纹理图像，以达到数据增强的效果；
2.4.读取步骤1采集的某一张纹理图像，以向量的形式体现，以直方图均衡化的方法实现对比度加强，对向量进行处理，使得映射范围是[0，255]，得到向量并将对比度加强后的向量恢复成纹理图像，以达到数据增强的效果；
2.5.读取步骤1采集的某一张纹理图像，以向量的形式体现，以同态滤波的方法对向量进行处理，指定一个滤波器函数H(u,v)，使得rH＝5，rL＝0.5，得到向量并将同态滤波后的向量恢复成纹理图像，以达到数据增强的效果；
2.6.读取步骤1采集的某一张纹理图像，以向量的形式体现，使用高斯滤波法对向量进行去除噪音处理，使得高斯分布参数σ2＝1,得到向量并将高斯滤波后的向量恢复成纹理图像，以达到数据增强的效果；
2.7.将步骤2.1-2.6得到的全部35张纹理图像进行裁剪，以图像中心为裁剪图像的中心，裁剪大小为640*480；
2.8.将步骤1中在某一种光学放大倍率、某一种光源环境下采集的4k*n张纹理图像依次经过步骤2.1-2.7，实现所有纹理图像样本数据的数据增强，得到4k*n*35张纹理图像；
步骤3、图像特征提取：
3.1图像颜色特征提取
3.1.1.读取步骤2数据增强后的图像，以向量的形式显示，使用HSV算子进行处理；
3.1.2.使用HSV算子处理得到每种颜色通道的向量值主要是提取蓝色、灰色、红色、紫色、绿色这5个颜色通道的向量值
3.1.3.将这些颜色每个通道的向量值进行膨胀处理，参数为S＝[1,0；1,1]；接着进行腐蚀处理，参数为5，并计算连通区域的个数为Ai；
3.1.4.将5个颜色通道得到的连通区域的个数Ai作为颜色特征，并且，列向拼接组成向量值[A1,A2,A3,A4,A5]；
3.1.5.向量值[A1,A2,A3,A4,A5]作为图像的颜色特征；
3.2图像surf特征提取
3.2.1读取第一类印刷方式的1*k*n*35张纹理图像，以向量I的形式显示，使用surf算子进行处理；
3.2.2使用surf算子匹配任意两个图像，选取得到拼配图像中一直可以匹配到的固定点P＝{Pi|i＝1,2,3…,100}；
3.2.3把固定点P＝{Pi|i＝1,2,3…,100}的坐标作为纹理图像的surf特征向量P(x,y)＝[Px,y|x,y＝1,2,3…,100]；
3.2.4P(x,y)＝[Px,y|x,y＝1,2,3…,100]作为第一类印刷方式的每一张纹理图像的surf特征向量；
3.2.5将四种印刷方式的所有4k*n*35张纹理图像依次按步骤3.2.1-3.2.4处理，得到四种不同印刷方式的所有4k*n*35张纹理图像的surf特征向量；
3.3图像纹理特征提取
3.3.1读取步骤2数据增强后的图像，以向量的形式显示，使用CLBP算子进行处理；
3.3.2使用CLBP算子处理时，修改参数尺度为1，半径为8，得到图像的纹理特征向量T＝[Ti|i＝1,2,3…,200]；
3.3.3使用CLBP算子处理时，修改参数尺度为2，半径为16，得到图像的纹理特征向量T＝[Ti|i＝1,2,3…,648]；
3.3.4使用CLBP算子处理时，修改参数尺度为3，半径为24，得到图像的纹理特征向量T＝[Ti|i＝1,2,3…,1352]；
3.3.5将上述三个参数尺度的纹理特征向量进行列向拼接，形成一个新的向量，作为图像的纹理特征向量T＝[Ti|i＝1,2,3…,2200]；
3.4图像形状特征提取
3.4.1读取图像，以向量的形式显示，使用傅里叶形状描述符算子进行处理；
3.4.2使用傅里叶形状描述符算子处理，用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题；
3.4.3将傅里叶形状描述符算子处理得到的形状描述向量作为图像的形状特征向量D＝[Di|i＝1，2，3…20]；
3.4.4将D＝[Di|i＝1，2，3…20]作为图像的形状特征向量；
3.5图像Haar特征提取
3.5.1读取步骤2数据增强后的图像，以向量的形式显示，使用haar-like算子进行处理；
3.5.2使用haar-like算子进行处理，得到边缘特征、线性特征、中心特征和对角线特征，组合成特征模板；
3.5.3将得到的特征模板作为图像的Haar特征；
3.6图像梯度特征提取
3.6.1读取步骤2数据增强后的图像，以向量的形式显示，使用HOG算子进行处理；
3.6.2首先将图像向量分成小的连通区域，即细胞单元Ci,窗口的大小m*n，块大小q*p，表块滑动增量大小mq*np，表示胞元大小x*y，N表示每个胞单元中梯度直方图的数量；
3.6.3采集细胞单元Ci中各像素点的梯度直方图Hi；
3.6.4进行归一化得到向量X＝{Xi|i＝1,2,3…,9×(q/x)×(p/y)×((m-q)/mq+1)×((n-p)/np+1)}，构成特征描述器，作为图像的梯度特征；
3.7图像特征融合：
3.7.1.将步骤3.1-3.4得到的特征向量横向拼接，得到图像的第一个新的图像特征；
3.7.2.将步骤3.5得到的Haar特征作为图像的第二个新的图像特征；
3.7.3.将步骤3.6得到的Hog特征作为图像的第三个新的图像特征；
步骤4、图像特征分类：
4.1将在纸币上采集并进行数据增强的所有4k*n*35张图像，将每张图像按步骤3.1-3.6的方法进行图像特征提取并按步骤3.7.1的方法进行图像特征融合得到的图像特征加上标签作为数据集；将该数据集以1：1的比例分为训练集和测试集；先使用训练集使用SVM对整个训练集进行训练得到第一类的SVM模型，再使用测试集对该SVM模型进行测试；当准确率达到96％以上以后，得到相应的光学放大倍率和相应的光源环境下的训练好的SVM模型；再将按步骤1.2.1-1.2.4的方法采集的一张待鉴定纸币在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的n张纹理图像，按步骤2的方法进行图像数据增强，按步骤3.1-3.6的方法进行图像特征提取，并按照3.7.1的方法进行图像特征融合，再使用训练好的第一类的SVM模型进行图像特征分类，得到这张待鉴定纸币的第一类标签及其概率值，赋予权重为0.5；
4.2将在纸币上采集并进行数据增强的所有4k*n*35张图像，将每张图像按步骤3.1-3.6的方法进行图像特征提取并按步骤3.7.2的方法进行图像特征融合得到的图像特征加上标签作为数据集；将该数据集以1：1的比例分为训练集和测试集；先使用训练集使用SVM对整个训练集进行训练得到第二类的SVM模型，再使用测试集对该SVM模型进行测试；当准确率达到96％以上以后，得到相应的光学放大倍率和相应的光源环境下的训练好的SVM模型；再将按步骤1.2.1-1.2.4的方法采集的一张待鉴定纸币在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的n张纹理图像，按步骤2的方法进行图像数据增强，按步骤3.1-3.6的方法进行图像特征提取，并按照3.7.2的方法进行图像特征融合，再使用训练好的第二类的SVM模型进行图像特征分类，得到这张待鉴定纸币的第二类标签及其概率值，赋予权重为0.2；
4.3将在纸币上采集并进行数据增强的所有4k*n*35张图像，将每张图像按步骤3.1-3.6的方法进行图像特征提取并按步骤3.7.3的方法进行图像特征融合得到的图像特征加上标签作为数据集；将该数据集以1：1的比例分为训练集和测试集；先使用训练集使用SVM对整个训练集进行训练得到第三类的SVM模型，再使用测试集对该SVM模型进行测试；当准确率达到96％以上以后，得到相应的光学放大倍率和相应的光源环境下的训练好的SVM模型；再将按步骤1.2.1-1.2.4的方法采集的一张待鉴定纸币在同一种采集条件下即在某一种光学放大倍率、某一种光源环境下的n张纹理图像，按步骤2的方法进行图像数据增强，按步骤3.1-3.6的方法进行图像特征提取，并按照3.7.3的方法进行图像特征融合，再使用训练好的第三类的SVM模型进行图像特征分类，得到这张待鉴定纸币的第三类标签及其概率值，赋予权重为0.3；
4.4将上述步骤4.1-4.3得到的三类标签及其概率值，按照权重重新计算，得到这张待鉴定纸币的图像的预测标签及其概率值；
步骤5、将所有4k张纸币，按步骤1的方法采集每一张纸币在多种不同的采集条件下即不同光学放大倍率，不同光源环境下的纹理图像；将每张图像按步骤2的方法进行图像数据增强处理；将每张增强的图像按步骤3.1-3.6的方法进行图像特征提取并分别按步骤3.7.1、3.7.2、3.7.3的方法进行图像特征融合得到的图像特征加上标签作为数据集；将该数据集分为训练集和测试集；先使用训练集使用SVM对整个训练集进行训练得到SVM模型，再使用测试集对SVM模型进行测试；当准确率达到96％以上以后，得到相应的光学放大倍率和相应的光源环境下的训练好的三类SVM模型；
对同一张待鉴定纸币，采集其在多种采集条件下即不同光学放大倍率、不同光源环境下的纹理图像；将每种采集条件下采集的每张图像按步骤2的方法进行图像数据增强，将每张增强的图像按步骤3.1-3.6的方法进行图像特征提取并分别按步骤3.7.1、3.7.2、3.7.3的方法进行图像特征融合，再使用相应光学放大倍率和相应光源环境下的训练好的三类SVM模型进行图像特征分类，得到待鉴定纸币的三类标签及其概率值，按权重计算后，得到待鉴定纸币在每种采集条件下的预测标签及其概率值；将待鉴定纸币在多种采集条件下得到的预测标签及其概率值，按权重重新计算，得到这张待鉴定纸币最后的标签。
7.如权利要求6所述的基于纸币印刷图案特征的纸币形成方式检验鉴定方法，其特征在于，
步骤2中，对步骤1中第一张纸币在第一种光学放大倍率optical＝16、第一种光源环境light＝back下的纹理图像进行数据增强的具体方法如下：
2.1读取步骤1采集的第一张纹理图像Iiback_16，i＝1，以向量的形式体现，以裁剪的方式将向量缩放成0.75倍、0.5倍、1倍、2倍，输出多个向量，再将缩放后的向量恢复成一张张小分辨率的纹理图像...
【专利技术属性】
技术研发人员：朱子奇，陆琪，邹积鑫，刘夕，邓春华，刘静，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。