一种基于多光谱图像的钞票质量检测方法、系统及介质
文献发布时间:2023-06-19 12:10:19
技术领域
本发明涉及钞票质量检测领域,尤其涉及一种基于多光谱图像的钞票质量检测方法、系统及存储介质。
背景技术
目前,纸质货币是目前主流的货币流通形式,而纸质货币在市场中流通时,容易沾上污渍,或者有人有意或无意在纸质货币上进行涂写,导致纸质货币表面会经常存在涂鸦、脏污等情况,而这些存在涂鸦、脏污的纸质货币不宜在市场上流通;再加上不同的国家拥有其各自的纸质货币,不同国家的纸质货币表面纹理并不相同,想要准确地对具有复杂背景的纸质货币的质量进行检测,存在一定的难度;在这种形势下,亟待一种钞票质量评价技术,实现对钞票的质量评级。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种基于多光谱图像的钞票质量检测方法,可对钞票进行质量检测,提高检测准确性。
本发明的目的之二在于提供一种执行上述基于多光谱图像的钞票质量检测方法的检测系统。
本发明的目的之三在于提供一种执行上述基于多光谱图像的钞票质量检测方法的存储介质。
本发明的目的之一采用如下技术方案实现:
一种基于多光谱图像的钞票质量检测方法,包括:
步骤S1:采集待测钞票的多光谱图像,对图像进行预处理以获得多个子区域;
步骤S2:提取每个子区域的特征参数,对子区域的特征参数进行特征融合后导入训练好的回归模型中获得置信度;
步骤S3:结合置信度和区域投票策略进行待测钞票质量判断。
进一步地,所述多光谱图像为红、绿、蓝三波段图像。
进一步地,所述预处理的方法为:
将钞票多光谱图像平均分为N*N个子区域,其中N为非零自然数;
根据图像纹理特征对每个子区域分配对应的注意力权重。
进一步地,所述特征参数包括Hog特征、Gabor滤波器局部能量、纹理统计直方图特征和图像小波变换系数方差。
进一步地,所述特征融合的方法为:
将所述子区域的特征参数拼接为26维的初识特征向量;
将所述初识特征向量乘以该区域对应的所述注意力权重得到最终区域特征向量。
进一步地,所述回归模型的训练方法为:
利用多个不含异常特征的钞票图像的最终区域特征向量训练支持向量回归模型以获得训练好的回归模型。
进一步地,所述区域投票策略为:
其中,设置信度等级大于等于2的子区域为RS,N
进一步地,所述置信度分为三个等级:
其中,三个等级从低到高分别代表真钞、疑似异常钞和异常钞。
本发明的目的之二采用如下技术方案实现:
一种基于多光谱图像的钞票质量检测系统,包括:
采集模块,用于采集待测钞票的多光谱图像;
预处理模块,用于将多光谱图像划分为多个子区域;
特征提取模块,用于提取每个子区域的特征参数,对子区域的特征参数进行特征融合以获得最终区域特征向量;
模型分析模块,用于将特征融合后的最终区域特征向量导入训练好的回归模型中获得置信度;
后处理模块,用于结合置信度和区域投票策略进行待测钞票质量判断。
本发明的目的之三采用如下技术方案实现:
一种存储介质,其存储有程序,所述程序被处理器执行时实现如上述的基于多光谱图像的钞票质量检测方法。
相比现有技术,本发明的有益效果在于:
本发明利用回归模型预先将不含异常特征的钞票进行特征训练,在需要对待测钞票进行检测时,将待测钞票的特征向量导入训练好的回归模型中,即可完成任何复杂背景下的涂鸦、脏污检测,实现快速检测钞票质量的目的。
附图说明
图1为本发明基于多光谱图像的钞票质量检测方法的示意图;
图2为本发明基于多光谱图像的钞票质量检测方法的具体流程图;
图3为本发明基于多光谱图像的钞票质量检测系统的结构框图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
本实施例公开一种基于多光谱图像的钞票质量检测方法,可实现任何复杂背景下对钞票表面的涂鸦、脏污等情况进行检测,提高钞票质量评价准确性。
如图1、图2所示,本实施例的钞票质量检测方法包括如下步骤:
步骤S1:采集待测钞票的多光谱图像,对图像进行预处理以获得多个子区域;
步骤S2:提取每个子区域的特征参数,对子区域的特征参数进行特征融合后导入训练好的回归模型中获得置信度;
步骤S3:结合置信度进行区域投票策略处理以判断待测钞票质量。
本实施例在对待测钞票进行质量检测之前,需要预先构建回归模型,所述回归模型的训练方法为:
步骤a:采集不含异常特征的钞票图像的多光谱图像,其中不含异常特征的钞票图像具体是指不含脏污、涂鸦等情况的原钞票图像,通过摄像头摄影或扫描的方式,在同一时间获得同一目标不同波段的图像信息,而本实施例中,多光谱图像具体是指红、绿和蓝三波段的图像信息。而多光谱图像的获取方法为现有技术,在此不做详细描述。
步骤b:对多光谱图像平均分为N*N个子区域,在N*N个子区域中,根据原钞票图像中对纹理深浅程度、疏密程度分配不同的注意力权重α
步骤c:对每个子区域进行特征参数提取,其中特征参数包括但不限于Hog特征、Gabor滤波器局部能量、纹理统计直方图特征和图像小波变换系数方差。
其中,Hog特征为方向梯度分布直方图,通过计算和统计图像局部区域的梯度方向直方图来构成特征;在本方法中,使用8个梯度方向,并对计算出的梯度分布直方图进行归一化处理,通过这个归一化后,能对光照变化和阴影获得更好的效果,最后得到一个8维的Hog特征向量。
而Gabor滤波器组在4个方向
其中,纹理统计直方图特征可使用以下6个量度来表示:
(1)直方图的方差,如下式所示:
(2)概率平方和,如下式所示:
(3)平均熵,如下式所示:
(4)相对平滑度,如下式所示:
(5)偏斜度,如下式所示:
(6)峰度,如下式所示:
其中,μ为区域内灰度均值,Z
而特征参数中的图像小波变换系数方差是一个四维向量,分别代表从低通分解滤波器计算而来的系数的方差,这四个系数分别是近似、水平、垂直、对角系数。
步骤d:将上述特征参数拼接为26维的初始特征向量V
步骤e:使用最终区域特征向量V
训练支持向量回归模型的具体方法如下:
(1)设定训练样本集合:
将最终区域特征向量V
(2)计算核函数矩阵K并进行初始化:
计算核函数矩阵K,k
(3)利用SMO算法优化目标函数,直至训练集的所有样本满足KKT条件。待优化目标函数如下:
其中,λ
(4)计算最终得到的回归决策函数:
训练结束,计算得到最终的拉格朗日向量λ=(λ
回归模型训练完毕后,即可采集待测钞票的多光谱图像,按照上述步骤a~步骤d的方法对待测钞票图像分区处理,获得待测钞票对每个子区域的最终区域特征向量V
三个等级从低到高分别代表真钞、疑似异常钞、异常钞。
本实施例中考虑到钞票的异常特征往往集中成片出现,因此在最后二分类时还需执行区域投票策略处理,最后基于区域投票策略处理结果来判断钞票的质量;本实施例在进行区域投票策略处理时,还需同时考虑各区域的相对位置与各自的置信度等级。区域投票策略如下式所示:
其中,设置信度等级大于等于2的子区域为RS,N
当Y<3,钞票不存在异常;
当3<=Y<=5,钞票轻微异常;
当6<=Y<=9,钞票较严重异常;
当Y>10,钞票严重异常。
本实施例利用回归模型预先将不含异常特征的钞票进行特征训练,在需要对待测钞票进行检测时,将待测钞票的特征向量导入训练好的回归模型中,即可完成任何复杂背景下的涂鸦、脏污检测,实现快速检测钞票质量的目的。
实施例二
本实施例提供一种基于多光谱图像的钞票质量检测系统,该系统执行实施例一所述的基于多光谱图像的钞票质量检测方法,如图3所示,本实施例的检测系统具体包括如下模块:
采集模块,用于采集待测钞票的多光谱图像,其中多光谱图像为红、绿和蓝三个波段的图像信息;
预处理模块,用于将多光谱图像划分为多个子区域,其划分规律为对多光谱图像平均分为N*N个子区域,在N*N个子区域中,根据原钞票图像中对纹理深浅程度、疏密程度分配不同的注意力权重α
特征提取模块,用于提取每个子区域的特征参数,将子区域的特征参数进行特征融合获得初始特征向量V
模型分析模块,用于将最终区域特征向量V
后处理模块,用于结合置信度和区域投票策略进行待测钞票质量判断。
实施例三
本实施例提供一种钞票质量检测装置,包括:
程序;
存储器,用于存储所述程序;
处理器,用于加载所述程序以执行实施例一所述的基于多光谱图像的钞票质量检测方法。
此外,本实施例还提供一种存储介质,其存储有程序,其特征在于,所述程序被处理器执行时实现如上述的基于多光谱图像的钞票质量检测方法。
本实施例中的装置及存储介质与前述实施例中的方法是基于同一发明构思下的两个方面,在前面已经对方法实施过程作了详细的描述,所以本领域技术人员可根据前述描述清楚地了解本实施中的装置的结构及实施过程,为了说明书的简洁,在此就不再赘述。上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。