基于支持向量機(jī)的人民幣標(biāo)記識(shí)別

基于支持向量機(jī)的人民幣標(biāo)記識(shí)別

1人民幣幣款識(shí)別的理論及實(shí)踐隨著計(jì)算機(jī)技術(shù)的發(fā)展，字符識(shí)別技術(shù)逐漸成熟，尤其是在印刷體符號(hào)的識(shí)別上，它取得了很大的識(shí)別效果。作為識(shí)別貨幣偽造的重要組成部分，人民幣的序列識(shí)別提出了許多有效的理論和方法。支持向量機(jī)(SVM)2固定樣本集方法支持向量機(jī)是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)之上的機(jī)器學(xué)習(xí)方法,它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則工作,能在訓(xùn)練誤差和分類(lèi)器容量之間達(dá)到一個(gè)較好的平衡,因而具有更好的性能假定已知觀測(cè)樣本集為(x其中,Hessian矩陣Q是一個(gè)半正定矩陣,Q求解二次規(guī)劃問(wèn)題(1)使用分解法,本文采用的是SMO算法,它可以看作是固定樣本集算法的一種極端情況:把工作樣本集大小固定為2,每步都更新優(yōu)化兩個(gè)拉格朗日乘子α因此,α然后,可求得α至此,可以得到本次迭代滿(mǎn)足KKT(KarushKuhn-Tucker)條件的兩個(gè)拉格朗日乘子.這種算法把二次優(yōu)化問(wèn)題分解到可能達(dá)到的最小規(guī)模:每次優(yōu)化只處理兩個(gè)樣本的優(yōu)化問(wèn)題,并且用解析的方法進(jìn)行處理.這樣,算法避開(kāi)了復(fù)雜的數(shù)值求解優(yōu)化問(wèn)題的過(guò)程.3序列識(shí)別過(guò)程本文描述的人民幣序列號(hào)識(shí)別系統(tǒng)實(shí)現(xiàn)了從圖像預(yù)處理到識(shí)別結(jié)果的過(guò)程,而序列號(hào)識(shí)別是本文的重要內(nèi)容.以序列號(hào)區(qū)域?yàn)檠芯繉?duì)象,主要包括圖像預(yù)處理、圖像分割以及序列號(hào)識(shí)別等過(guò)程3.1序列區(qū)域p進(jìn)行噪聲去噪人民幣圖像總體上來(lái)說(shuō)灰度偏高,灰度值基本上都大于150(對(duì)8位256灰度級(jí)而言),所以為了突出特征模塊(人民幣序列號(hào)部分),處理時(shí)常常采用規(guī)定化處理,首先判斷整幅圖像的灰度分布情況(偏白或偏暗),然后將所需圖像的灰度直方圖進(jìn)行變換.本系統(tǒng)以較復(fù)雜的人民幣紙幣序列號(hào)識(shí)別功能實(shí)現(xiàn)過(guò)程為研究模型,以人民幣正面正向左下角雙色異形橫號(hào)碼區(qū)作為特征模塊來(lái)介紹后續(xù)的圖像處理與識(shí)別處理過(guò)程.首先識(shí)別出紙幣的正面正向(由磁性傳感器檢測(cè)信號(hào)識(shí)別),然后將左下角包含序列號(hào)的一個(gè)大體區(qū)域P然后利用圖像增強(qiáng)技術(shù)處理序列號(hào)區(qū)域P步驟1序列號(hào)模塊的灰度修正針對(duì)流通人民幣新舊程度的差異,首先對(duì)P步驟2序列號(hào)模塊的噪聲去除因?yàn)樵肼曇话泐l率都比較高,在頻率域內(nèi)用低通濾波器進(jìn)行圖像平滑,空域?yàn)V波是通過(guò)模板運(yùn)算進(jìn)行的.線性平滑濾波器對(duì)去除高斯噪聲有很好的效果,且在大多數(shù)情況下,對(duì)其它類(lèi)型的噪聲也有很好的效果,但由于均值濾波中要求取各像素灰度的平均值,因此濾波后會(huì)使圖像中的尖銳處、邊緣處、不連續(xù)的點(diǎn)和細(xì)節(jié)部分變得模糊,造成了圖像信息的丟失.在圖像不連續(xù)的邊緣部分,圖像存在灰度值的跳躍與突變,本文采用改進(jìn)的均值濾波的思想是:通過(guò)微分算子求出圖像的不連續(xù)點(diǎn),在濾波后,把這些點(diǎn)的灰度值恢復(fù)到平滑濾波前,其它部分平滑濾波處理后的值不改變,也就是只平滑圖像非邊緣部分,邊緣部分像素灰度值保持不變.改進(jìn)后的均值濾波算法如下:(1)先對(duì)原圖進(jìn)行局部均值濾波,得到原圖均值濾波圖像.(2)對(duì)原圖進(jìn)行銳化處理.木文選用拉普拉斯模板對(duì)圖像進(jìn)行銳化,求取原圖較細(xì)的邊緣.(3)對(duì)銳化圖像進(jìn)行簡(jiǎn)單的二值化,得到邊緣二值圖像.采用比較類(lèi)別方差法選取閾值.(4)去除邊緣二值化圖像的孤立點(diǎn).孤立點(diǎn):在M×N的模板內(nèi)(M、N分別為模板的長(zhǎng)和寬),如果其內(nèi)含的位置居中的(M-1)×(N-1)子模板內(nèi)存在像素點(diǎn),且此子模板外、M×N模板內(nèi)沒(méi)有像素點(diǎn),即認(rèn)為此子模板內(nèi)的點(diǎn)為孤立點(diǎn).(5)利用去除孤立點(diǎn)后的邊緣二值化圖像信息,把在第(1)步中均值濾波后圖像的邊緣點(diǎn)的灰度值恢復(fù)到濾波前.在對(duì)灰度修正后的噪聲圖像去除噪聲之前,應(yīng)對(duì)其進(jìn)行二值化變換,其中二值化的域值應(yīng)根據(jù)步驟(1)中統(tǒng)計(jì)的P經(jīng)過(guò)灰度修正與去噪后的效果圖如圖3、圖4所示.3.2圖像的二值化處理圖像分割的目的是把圖像空間分成一些有意義的區(qū)域,最常用的分割方法是把圖像灰度分成不同的等級(jí),然后用設(shè)置灰度門(mén)限的方法確定有意義的區(qū)域或欲分割的物體之邊界.其中,一種最簡(jiǎn)單實(shí)用的方法是對(duì)灰度修正后的圖像進(jìn)行二值化變換,突出所關(guān)心的區(qū)域,即進(jìn)行如下變換:其中,f(x,y)為變換前圖像,f1)將包含序列號(hào)的區(qū)域(即上述提取的特征模塊)進(jìn)行二值化處理,突出字符序列;2)對(duì)二值化后的圖像進(jìn)行去噪處理,包括邊緣噪聲和內(nèi)部非字符點(diǎn)噪聲;3)字符分割:搜索字符序列右上角起點(diǎn),然后根據(jù)所規(guī)定的數(shù)字模塊和字母模塊的大小,得到字符相對(duì)起點(diǎn)的偏移量,從而提取出最右邊的一個(gè)字符;4)針對(duì)上一步所提取的最右邊第一個(gè)字符后的圖像,循環(huán)執(zhí)行3),直到所有字符分割完畢,處理過(guò)程如圖5所示.3.3拉格朗日乘子的確定將次序最小優(yōu)化算法構(gòu)建的支持向量機(jī)用于序列號(hào)識(shí)別的步驟如下:1)給定滿(mǎn)足超立方體約束和超線性約束的拉格朗日乘子初始值,一般取α2)從第一個(gè)訓(xùn)練樣本開(kāi)始.3)計(jì)算訓(xùn)練樣本的KKT條件,找到違反KKT條件的樣本點(diǎn)對(duì)應(yīng)的拉格朗日乘子,將其作為兩個(gè)擬優(yōu)化的拉格朗日乘子之一.4)第二個(gè)拉格朗日乘子的挑選根據(jù)最大優(yōu)化步數(shù)來(lái)定,即在原樣本集中滿(mǎn)足maxf(x5)最后一個(gè)樣本計(jì)算結(jié)束,進(jìn)行下一步;否則,返回3),計(jì)算下一個(gè)樣本.6)將0<α<C所對(duì)應(yīng)的樣本構(gòu)成一個(gè)新的樣本集,遍歷這個(gè)新的訓(xùn)練樣本集,不存在違反KKT條件的樣本,則得到整個(gè)問(wèn)題的最優(yōu)解,進(jìn)行下一步;否則,針對(duì)新的樣本集進(jìn)行優(yōu)化計(jì)算,轉(zhuǎn)2).7)得最優(yōu)分類(lèi)規(guī)則函數(shù).次序最小優(yōu)化算法實(shí)現(xiàn)簡(jiǎn)單、收斂速度快、內(nèi)存需求小,是目前最好的支持向量機(jī)訓(xùn)練算法之一.4smo算法檢測(cè)結(jié)果本文研究了紙幣清分系統(tǒng)的序列號(hào)識(shí)別理論,針對(duì)紙幣特征模塊,運(yùn)用數(shù)字圖像處理的方法,對(duì)紙幣圖像進(jìn)行了灰度增強(qiáng)、特征提取和圖像分割,并將次序最小優(yōu)化算法構(gòu)建的支持向量機(jī)應(yīng)用于人民幣序列號(hào)的識(shí)別.實(shí)驗(yàn)效果如圖6所示.首先采用第五版人民幣100元、50元進(jìn)行訓(xùn)練(樣本個(gè)數(shù)為440),然后對(duì)測(cè)試樣本集(測(cè)試樣本數(shù)為1700)進(jìn)行識(shí)別.算法使用Matlab語(yǔ)言在Matlab7.0環(huán)境下編寫(xiě)完成,計(jì)算機(jī)配置為Pentium2.80GHz/512MRAM.SMO算法識(shí)別結(jié)果見(jiàn)表1(核函數(shù)采用徑向基內(nèi)核).通過(guò)采用徑向基內(nèi)核函數(shù),用不同的參數(shù)進(jìn)行實(shí)驗(yàn),由實(shí)驗(yàn)結(jié)果可知,最終選取σ對(duì)于不同的隱層神經(jīng)元個(gè)數(shù)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,實(shí)驗(yàn)結(jié)果見(jiàn)表2.對(duì)于BP神經(jīng)網(wǎng)絡(luò)算法,當(dāng)所給數(shù)據(jù)不充分時(shí),很難找到滿(mǎn)意的解,而貨幣識(shí)別中所能得到的訓(xùn)練樣本相對(duì)于整個(gè)樣本集,所占比例很小,而且BP網(wǎng)絡(luò)中隱層和隱層節(jié)點(diǎn)的個(gè)數(shù)難以確定,這就對(duì)將BP網(wǎng)絡(luò)用于貨幣識(shí)別帶來(lái)很大難度上述實(shí)驗(yàn)結(jié)果表明,由次序最小優(yōu)化算法構(gòu)建的支