2025《纸币识别的常见算法分析概述》5400字.docxVIP

PAGE

PAGE1

纸币识别的常见算法分析概述

目录

TOC\o1-3\h\u31565纸币识别的常见算法分析概述 1

55551.1纸币识别介绍 1

306891.2尺寸比较法 2

257021.2.1预处理人民币图像 2

123121.2.2倾斜校正人民币图像 2

312151.2.3人民币尺寸比较 3

131981.3模版匹配法 3

101021.3.1传统模板匹配算法 4

304321.3.2基于灰度投影的一维匹配方法 5

79171.4基于深度学习的纸币识别方法 5

237711.5Pytorch简介 8

220221.5.1Pytorch是什么 8

46291.5.2选择Pytorch的原因 9

260881.5.3PyTorch的架构 9

57271.5.4Pytorch与Tensorflow之间的差异 10

300431.5.5Pytorch的常用工具包 11

1.1纸币识别介绍

目前最经常用的钞票识别方法主要有：尺寸比较法、模板匹配法和人工智能神经网络。在人工智能神经网络系统中，有BP网络、SOM网络、RBF网络、Boltzmann机等。其中BP神经网络是较常见的一种方法。它是一种基于误差反向传播的算法，具有很强的非线性映射能力。

纸币识别就是将不同面额的纸币进行分类。首先找出相同纸币的特征点，然后通过不同的特征点对纸币的面值识别，最终实现对不同面值纸币的分类操作。本文运用ResNet网络对六种不同面值的人民币进行训练学习（一元，五元，十元，二十元，五十元，一百元），从而对不同面值的人民币面额识别。

1.2尺寸比较法

基于尺寸识别的方法仅仅需要获取纸币图像的长度和宽度就可以对纸币进行分类识别，但为了提高识别的准确率，在获取图像的长度和宽度之前往往需要先对图片进行处理。因此对尺寸比较法可以分为三步：预处理人民币图像、倾斜校正人民币图像[13]、人民币尺寸比较。

1.2.1预处理人民币图像

在识别人民币纸币图像时，所获得的纸币图像必须是不变形和不失真的。然而实际上，获得的纸币图像可能会受到外界因素的干扰和影响，经常遇到的影响有：首先有一些图像信息（例如人为手写字符图像等）与所收集钞票图像的面值识别无关；其次所收集的钞票图像包含噪声；再次通常所收集的图像会倾斜。因此，为了正确识别人民币纸币图像，必须先对采集到的人民币纸币图像进行预处理，其中包括图像读取，边缘检测，干燥，倾斜校正等操作。下图1.1为纸币图像预处理流程。

图1.1纸币图像预处理流程

1.2.2倾斜校正人民币图像

通常在收集人民币钞票图像时，所获得的钞票图像或多或少都会有一定的偏斜。此时需要对纸币图像进行校正，否则会影响后续的图像识别工作。在钞票图像校正中，首先对钞票图像进行定位，然后在利用图像的定位信息来对倾斜的钞票图像进行校正。下图1.2为倾斜校正处理流程。

图1.2倾斜校正处理流程

1.2.3人民币尺寸比较

表2-1不同面值人民币实际尺寸大小

面值（元）

长度（mm）

宽度(mm)

比例（长/宽）

1

130

62

1.09677

5

135

63

1.14286

10

140

70

1.00000

20

145

70

1.07143

50

150

70

1.14286

100

156

76

1.05263

如上表2-1所示不同面值的人民币的尺寸大小均不相同，因此可以通过不同的长宽比例来进行面值识别。在图片经过第一、第二步的处理后就可以确定图片中人民币的长和宽，最终通过长宽比确定纸币实际面值。

优点：实现简单，计算量小，效率高，且有较好的准确率。

缺点：虽然尺寸识别方法计算量小，实现简单，但不具有可扩展性和通用性。如果出现新版本的货币，它将不会被识别。

1.3模版匹配法

为了检测出图像中形状已知的目标物体，可以利用目标物体的形状模板对图像进行匹配，在一些公认的标准下对目标物体的图像进行检测，这通常称为模板匹配方法[11]。

基于模板匹配的方法是先统计大量已知类型纸币的特征，选取某一特征钞票作为匹配目标模板，然后计算相关度，确定待识别钞票图像与模板之间的相似度，并利用相似度进行匹配阈值，从而判断匹配是否成功，从而识别钞票的面额。否则，替换其他钞票的模板，执行与上述步骤相同的识别过程。

1.3.1传统模板匹配算法

设已知目标对象的图像模板为T，大小为M×N，待考察的图像为S，大小为L×W(LM，ⅣN)．匹配的过程是设法把模板T叠加在图像S上，并比较T与它覆盖下的子图像Si，j的差别，若两者一致则T和Si，j之差为零