2識別方法

2.1圖像的定位與面值的識別

定位圖像包括兩個方面：圖像邊界及中心點的確定和圖像傾斜度的校正。求取圖像邊界中心點的方法，采用自整個掃描的圖像邊界向內選取，確定紙幣圖像邊界上的少數點，再對這些點進行直線擬合，從而確定紙幣的四個邊界。四個邊界中心點的連線的交點即為圖像的中心點。紙幣圖像的邊界與掃描采集的圖像的邊界的夾角就是傾斜角。規定傾斜角超過17°地紙幣，作為不可識別類。

確定了紙幣圖像的邊界、中心點和傾斜角后，紙幣的長度和寬度就能準確地計算出來。對于長寬差異小的人民幣（比如4版5元與5版50元），則提取圖像的區域特征加以區分比較，判別面值。

2.2 圖像面向的識別

紙幣正反面與正反向的識別在以往的紙幣清分機系統中采用人工提取特征的識別方法，試驗周期長，不具有適應性與系統性。本文采用自組織特征映射神經網絡的方法，自動尋找紙幣圖像的特征分布，加以識別。

本系統的SOFM網絡輸入層為72個節點，輸出層為4個節點。輸入的是紙幣圖像的72維方向塊特征數據向量，計算輸出的是正面正向、正面倒向、反面正向、反面倒向四種面向標志。其中，獲得方向塊特征向量數據的方法是將紙幣圖像劃分為72個塊，對每個塊按步長為4個像素取值作灰度平均，將灰度均值作為方向塊的特征數據。本系統SOFM網絡具體算法如下：

a. 對所有輸入節點到輸出節點的連接權值賦以初始化值，初始化學習系數α＝0.5。

b. 對第m類幣種網絡輸入樣本數據Xm＝［x1，x2，…，x72］，m=1，2，…，9。

c. 計算輸入Xm與所有輸出節點連接權值Wj的距離：

d. 選擇具有最小距離的節點j*作為獲勝節點：dj*=min{dj}。

e. 調整輸出節點j*與輸入節點的連接權值和學習系數α：

式中，n為第m類幣種樣本數據個數。

f. 若第m類幣種還有訓練樣本數據，轉到 b;否則，轉到g。

g. 若m≥9，訓練結束;否則，轉入第m+1類幣種訓練。

本系統是將需要識別的第四版與第五版人民幣共九種主幣分為九類處理的，所以對于每一類幣種網絡輸出只存在四種面向標志相互競爭。根據這一點，可以改進算法：先將四個輸出節點對應好四種面向標志，然后從同一個類紙幣樣本中選擇每個面向的特征數據作為該面向的對應輸出節點到輸入節點的連接權值的初始值。