人民幣紙幣冠字號(hào)識(shí)別

人民幣紙幣冠字號(hào)識(shí)別摘要人民幣是我國(guó)的唯一合法貨幣，自人民幣發(fā)行以來(lái)，總共有5套，目前流通于市面的人民幣，是上世紀(jì)九十年代發(fā)行的第五套人民幣。近年來(lái)，隨著中國(guó)經(jīng)濟(jì)的高速發(fā)展，人民幣的發(fā)行量也越來(lái)越大，對(duì)于中國(guó)的防偽技術(shù)也有了越來(lái)越大的考驗(yàn)。冠字號(hào)作為人民幣的“身份證”，在防偽方面有著至關(guān)重要的地位，所以，人民幣的冠字號(hào)識(shí)別技術(shù)在近年越來(lái)越受到關(guān)注。利用計(jì)算機(jī)自動(dòng)實(shí)現(xiàn)人民幣的冠字號(hào)識(shí)別技術(shù)，是模式識(shí)別應(yīng)用的一個(gè)重要領(lǐng)域。本文提出了一套完整的人民幣紙幣冠字號(hào)識(shí)別的算法，主要包括人民幣的預(yù)處理和冠字號(hào)的識(shí)別兩部分。在人民幣預(yù)處理中，本文提出了一種基于先驗(yàn)知識(shí)和垂直投影的算法對(duì)冠字號(hào)區(qū)域進(jìn)行定位，有效的節(jié)省了后期的運(yùn)算時(shí)間，通過(guò)比較選擇Otsu法進(jìn)行二值化處理和5×5中值濾波進(jìn)行濾波處理，并且采用Hough變換進(jìn)行傾斜校正，避免影響識(shí)別效果，對(duì)校正后的冠字號(hào)采用垂直投影法進(jìn)行分割并歸一化，為接下來(lái)的識(shí)別打下基礎(chǔ)；在冠字號(hào)識(shí)別中，本文采用HOG算法提取出字符特征，該算法與SVM的組合運(yùn)用廣泛，在詳細(xì)介紹模板匹配法、人工神經(jīng)網(wǎng)絡(luò)和SVM（支持向量機(jī)）三種算法后，采用了一種基于SVM的一對(duì)一多分類識(shí)別算法，成功識(shí)別出冠字號(hào)。經(jīng)過(guò)MATLAB計(jì)算機(jī)仿真實(shí)驗(yàn)證明，本文提出的完整的人民幣紙幣冠字號(hào)識(shí)別的算法準(zhǔn)確率能達(dá)到85.25%，具有一定的應(yīng)用價(jià)值。關(guān)鍵詞：人民幣冠字號(hào)，MATLAB，SVM注：本設(shè)計(jì)（論文）題目來(lái)源于教師的國(guó)家級(jí)（或部級(jí)、省級(jí)、廳級(jí)、市級(jí)、校級(jí)、企業(yè)）科研項(xiàng)目，項(xiàng)目編號(hào)為：。AbstractTheRMBistheofficialcurrencyofthePeople'sRepublicofChina.ThemostofthecurrentlycirculatingRMBisthefifthsetwhichissuedin1990s.Inrecentyears,withtherapiddevelopmentofChina'seconomy,thecirculationoftheRMBisgrowingaswell,andtherehasbeenanincreasingchallengeforChina'santi-counterfeitingtechnology.Asthe"identitycard"oftheRMB,theCrownwordnumberhasavitalpositioninanti-counterfeiting.Therefore,theRMBidentificationtechnologyhasbeenpaidmoreattentioninrecentyears.UsingcomputertechnologytoautomaticallyrecognizetheCrownwordnumberofRMBisanimportantfieldofpatternrecognitionapplication.ThispaperproposesacompletealgorithmfortheidentificationoftheCrownwordnumberofRMB,includingthepreprocessingoftheRMBandtheidentificationofthecrownnumber.IntheRMBpreprocessing,thispaperproposesanalgorithmbasedoncommonsenseandverticalprojectiontolocatetheCrownwordnumbersizearea,whicheffectivelysavesthelateroperationtime.Aftercomparing,wechoosetheOtsumethodforbinarizationand5×5medianfilterforfiltering,andtheHoughtransformfortiltcorrectiontoavoidaffectingrecognitionaccuracy.ThecorrectedCrownwordnumberaredividedbytheverticalprojectionmethodandthenbenormalizedtolaythefoundationforthenextrecognition.IntheCrownwordnumberrecognition,thispaperusestheHOGalgorithmtoextractcharacterfeatures,whichiswidelyusedinthecombinationofSVM.Afterintroducingthetemplatematchingmethod,artificialneuralnetworkandSVM(SupportVectorMachine),weuseanone-versus-onemulti-classSVMidentificationalgorithmsuccessfullyidentifiestheCrownwordnumber.TheMATLABcomputersimulationexperimentprovesthatthecorrectionofthecompletealgorithmfortheidentificationoftheCrownwordnumberofRMBcanreach85.25%,whichhascertainapplicationvalue.Keyword:Crownwordnumber,MATLAB,SVM目錄8839_WPSOffice_Level11緒論 113898_WPSOffice_Level11.1本課題的研究背景與意義 18593_WPSOffice_Level11.2本課題的研究現(xiàn)狀 210730_WPSOffice_Level11.3本課題主要工作 310501_WPSOffice_Level11.4論文的章節(jié)安排 416177_WPSOffice_Level12人民幣冠字號(hào)的定位以及二值化和濾波處理 528262_WPSOffice_Level12.1人民幣的冠字號(hào)區(qū)域定位 58593_WPSOffice_Level22.1.1冠字號(hào)在人民幣的獨(dú)有性質(zhì) 516177_WPSOffice_Level22.1.2基于先驗(yàn)知識(shí)和投影的定位算法 618189_WPSOffice_Level12.2冠字號(hào)區(qū)域的圖像二值化 1126704_WPSOffice_Level22.2.1圖像分割技術(shù) 1119042_WPSOffice_Level22.2.2邊緣檢測(cè)算法 1124335_WPSOffice_Level22.2.3閾值分割算法 136130_WPSOffice_Level12.3冠字號(hào)區(qū)域的濾波處理 179233_WPSOffice_Level22.3.1噪聲的定義 174611_WPSOffice_Level22.3.2數(shù)字濾波處理 1811175_WPSOffice_Level12.4本章小結(jié) 2122665_WPSOffice_Level13人民幣冠字號(hào)的傾斜校正以及字符分割和歸一化 2226704_WPSOffice_Level13.1冠字號(hào)區(qū)域的傾斜校正 2219042_WPSOffice_Level13.2冠字號(hào)的字符分割 2411198_WPSOffice_Level23.2.1區(qū)域連通法 2412408_WPSOffice_Level23.2.2先驗(yàn)知識(shí)法 243516_WPSOffice_Level23.2.3基于垂直投影的字符分割法 2412774_WPSOffice_Level13.3冠字號(hào)的字符歸一化 2619552_WPSOffice_Level13.4本章小結(jié) 2723378_WPSOffice_Level14人民幣冠字號(hào)的字符識(shí)別 2824335_WPSOffice_Level14.1冠字號(hào)的特征提取 287951_WPSOffice_Level14.2冠字號(hào)的字符識(shí)別 312947_WPSOffice_Level24.2.1模板匹配識(shí)別 319276_WPSOffice_Level24.2.2人工神經(jīng)網(wǎng)絡(luò)識(shí)別 323311_WPSOffice_Level24.2.3支持向量機(jī)識(shí)別 349877_WPSOffice_Level14.3基于SVM的冠字號(hào)的識(shí)別 4032224_WPSOffice_Level14.4本章小結(jié) 428473_WPSOffice_Level1結(jié)論 439233_WPSOffice_Level1參考文獻(xiàn) 4423916_WPSOffice_Level1致謝 46人民幣冠字號(hào)的定位以及二值化和濾波處理常識(shí)告訴我們，冠字號(hào)位置固定且占比小，位于整張人民幣的左小角，因此我們可以采取先定位出冠字號(hào)區(qū)域，這樣可以減少后期處理的運(yùn)算時(shí)間。為了區(qū)分目標(biāo)和背景，需要對(duì)定位好的冠字號(hào)區(qū)域進(jìn)行二值化，不僅可以在后面的處理中減少占用空間和運(yùn)算時(shí)間，更好的突出目標(biāo)增加識(shí)別的準(zhǔn)確率。由于人民幣在流通過(guò)程中或多或少的會(huì)有污損，而且在采集過(guò)程中由于光照、設(shè)備電路等原因，會(huì)在圖像中引入噪聲，因此需要對(duì)冠字號(hào)區(qū)域進(jìn)行濾波處理，否則會(huì)影響識(shí)別的精度，2.1人民幣的冠字號(hào)區(qū)域定位2.1.1冠字號(hào)在人民幣的獨(dú)有性質(zhì)2005版和2015版的百元人民幣是現(xiàn)在市面流通最廣的面額最大的人民幣[11]，本文主要研究這兩個(gè)版本的人民幣。2005版的人民幣上的冠字號(hào)固定位于其左下角（橫向排列），占比小，冠字號(hào)字符的大小和高寬比有一個(gè)嚴(yán)格的標(biāo)準(zhǔn)，字符間的間距也有一定的要求。冠字號(hào)一共有十位，其中兩位是英文大寫字母（除了V），剩余的八位為阿拉伯?dāng)?shù)字，英文大寫字母只可能出現(xiàn)在冠字號(hào)前四位，顏色為深紅色，后六位為黑色。2015新版人民幣在2005版人民幣的基礎(chǔ)上，適當(dāng)?shù)恼{(diào)整了一些圖案，其中位于左下角的冠字號(hào)不變，但是在人民幣的右側(cè)增加了一列冠字號(hào)（縱向排列），顏色為藍(lán)色,如下圖所示。圖2.12005版百元人民幣及其冠字號(hào)圖2.22015版百元人民幣及其冠字號(hào)2.1.2基于先驗(yàn)知識(shí)和投影的定位算法從人民幣的特征分析我們得知，冠字號(hào)只占整張人民幣的左小角一小部分，若對(duì)整張人民幣進(jìn)行圖像處理會(huì)對(duì)算法的要求較高，而且需要剔除許多無(wú)用特征，增加運(yùn)算量，無(wú)法滿足實(shí)時(shí)性。所以，對(duì)人民幣的冠字號(hào)定位，可以根據(jù)先驗(yàn)知識(shí)來(lái)研究[12]。由于本文研究的人民幣的冠字號(hào)只位于左下角位置，所有對(duì)于右側(cè)的冠字號(hào)，我們并不需要處理。根據(jù)先驗(yàn)知識(shí)，我們可以將處理的范圍限定在人民幣寬和高的這個(gè)左下角小區(qū)域內(nèi)，有效的剔除了人民幣的其他特征，如圖2.3所示。圖2.3人民幣寬和高的左下角區(qū)域基于先驗(yàn)知識(shí)和投影的定位算法如下：縮小區(qū)域假設(shè)采集到的人民幣高度為H，寬度為W，根據(jù)上面所述的先驗(yàn)知識(shí)，左小角小區(qū)域的高度，寬度,截取原始圖像的（H1*2:H，1：W1）即可得到左小角小區(qū)域。將圖像降維成二值化圖像由于獲取的原始圖像為彩色圖像（三維），我們需要將圖像降維成灰度圖像（二維），再處理成二值化圖像，縮短運(yùn)算時(shí)間。數(shù)學(xué)形態(tài)學(xué)處理二值化圖像數(shù)學(xué)形態(tài)學(xué)是圖像處理中的一個(gè)強(qiáng)有力工具，主要包括腐蝕、膨脹、開(kāi)操作、閉操作等處理方式。腐蝕的實(shí)質(zhì)是求局部最小值的操作，可用公式2.1表示，其中其中A表示待圖像，B表示構(gòu)造元素。（2.1）在處理圖像的方面上來(lái)說(shuō)，通過(guò)構(gòu)造的結(jié)構(gòu)元素與圖像矩陣進(jìn)行卷積，若構(gòu)造元素完全覆蓋圖像點(diǎn)的領(lǐng)域則在該點(diǎn)賦值為1，反之不賦值.在二值化圖像中，相當(dāng)于黑色部分增加，白色部分減少，原理如圖2.4所示，其中A表示待圖像，B表示構(gòu)造元素。圖2.4形態(tài)學(xué)腐蝕處理原理圖與腐蝕處理相反，膨脹操作對(duì)二值化圖像來(lái)說(shuō)是使白色部分增加，黑色部分減少，用公式2.2表示，其中A表示待圖像，B表示構(gòu)造元素。（2.2）膨脹的原理圖如圖2.5所示，其中A表示待圖像，B表示構(gòu)造元素。圖2.5形態(tài)學(xué)膨脹處理原理圖本文采用的形態(tài)學(xué)處理是腐蝕和閉操作（相當(dāng)于先進(jìn)行膨脹再進(jìn)行腐蝕處理）。通過(guò)上面的確定小區(qū)域處理，我們發(fā)現(xiàn)由于采集圖像時(shí)掃描的偏差，容易造成處理整張圖片左側(cè)邊界或者右側(cè)邊界的缺失，導(dǎo)致在確定小區(qū)域時(shí)大量紅色特征引入到圖片中，如圖2.6(a)所示，在進(jìn)行形態(tài)學(xué)處理時(shí)帶來(lái)了干擾。為了除去這些干擾，，構(gòu)造2×2的矩形結(jié)構(gòu)元素，采用形態(tài)學(xué)閉操作直接對(duì)二值化圖像處理，即可消除右邊引入的干擾，如圖2.6(b)和2.6(c)所示。圖2.6(a)有干擾左小圖2.6(b)二值化圖像圖2.6(c)形態(tài)學(xué)閉操作角區(qū)域后的二值化圖像由于二值化后背景是白色（像素值為255），冠字號(hào)是黑色，在接下來(lái)的投影算法中需要行列值像素的累加，所以我們先進(jìn)行取反操作，使背景變?yōu)楹谏?，冠字?hào)變?yōu)榘咨?。為了能夠使投影算法的像素累加連續(xù)，先對(duì)圖像進(jìn)行腐蝕，在通過(guò)構(gòu)造25×25的矩形結(jié)構(gòu)元素閉操作，進(jìn)行聚類填充。由于冠字號(hào)下面的圖標(biāo)對(duì)投影結(jié)果有影響，再通過(guò)去除小像素操作將這些干擾去除，這一系列處理如圖2.7(a)、2.7(b)、2.7(c)所示。圖2.7(a)取反操作圖2.7(b)聚類填充圖2.7(c)移除小圖標(biāo)（4）投影算法水平投影和垂直投影是數(shù)字處理中的兩種算法。設(shè)二值化圖像為,那么它的水平投影和垂直投影分別由公式2.3和2.4表示，其中x,y為像素點(diǎn)的坐標(biāo)，為該點(diǎn)的像素值，H1、W1分別為圖像的高度和寬度，、分別為各行像素值累加和以及各列像素值累加和。水平投影：（2.3）垂直投影：（2.4）水平投影結(jié)果得到的是冠字號(hào)的上下邊界，記上邊界為,下邊界為,垂直投影結(jié)果得到的是冠字號(hào)的左右邊界，記左邊界為，右邊界為,所以得到的冠字號(hào)定位區(qū)域?yàn)椋?,:）。圖2.7(c)的行、列像素累加值如圖2.8所示，從圖中可以得出=100，=150，=60，=480。圖2.8矩形填充區(qū)域的行、列像素灰度值累計(jì)（5）邊界修正考慮到定位的邊界正好是冠字號(hào)的邊界，切割出的結(jié)果可能會(huì)造成一些冠字號(hào)的不完整，現(xiàn)將冠字號(hào)區(qū)域進(jìn)行邊界修正。上邊界：=；下邊界：；左邊界：；右邊界：。修正后冠字號(hào)如圖2.9所示圖2.9冠字號(hào)區(qū)域本文結(jié)合冠字號(hào)的性質(zhì)，先將整張人民幣處理成左下角的一小部分，再使用數(shù)字形態(tài)學(xué)處理去除掉了一些無(wú)關(guān)信息，最后基于水平和垂直投影法，有效的定位出冠字號(hào)區(qū)域。本算法耗時(shí)短、效果好，具有實(shí)時(shí)性和準(zhǔn)確性。2.2冠字號(hào)區(qū)域的圖像二值化圖像分割技術(shù)實(shí)質(zhì)就是將圖像分成“前景”和“背景”，其中前景是我們想要的特征，通常將其處理成白色（像素為255），而背景是無(wú)用特征，通常將其處理成黑色（像素為0），通過(guò)圖像分割技術(shù)我們可以有效的提取出研究的特征，這個(gè)處理過(guò)程通常也叫做圖像二值化[13][14]。2.2.1圖像分割技術(shù)圖像分割技術(shù)在當(dāng)今圖像工程的發(fā)展過(guò)程中的有著重要的地位，應(yīng)用廣泛，為了滿足需求，人們致力于研究新的理論來(lái)提高圖像的質(zhì)量[15]。近年來(lái)，出現(xiàn)了諸如人工神經(jīng)網(wǎng)絡(luò)、小波理論、分形理論等理論，這些理論的發(fā)展推動(dòng)了圖像分割技術(shù)的發(fā)展。雖然現(xiàn)在提出的分割算法種類繁多，但是邊緣檢測(cè)、閾值分割等經(jīng)典算法依然占主流算法。2.2.2邊緣檢測(cè)算法（1）Sobel算子Sobel算子是邊緣檢測(cè)中最基本一階差分算子，通過(guò)引入局部平均算法，可以求得圖像對(duì)應(yīng)點(diǎn)的梯度幅值和方向。Sobel算子的模板包括：橫向模板，縱向模板，通過(guò)這兩個(gè)3×3的矩陣與圖像作卷積運(yùn)算可近似得到圖像的橫向、縱向梯度值。用公式2.5和2.6表示，其中、分別表示圖像在橫向和縱向的邊緣檢測(cè)圖像，為圖像在該點(diǎn)的像素值。（2.5）（2.6）求出、后，根據(jù)公式2.7和2.8即可求出圖像的梯度幅值和對(duì)應(yīng)的方向，其中G代表梯度幅值，代表梯度方向。（2.7）（2.8）采用Sobel算子對(duì)冠字號(hào)區(qū)域進(jìn)行邊緣檢測(cè)，如下圖所示。圖2.10Sobel算子處理冠字號(hào)效果圖（2）Roberts算子Roberts算子是邊緣檢測(cè)處理中最簡(jiǎn)單的一個(gè)算子，精度較高，但是噪聲對(duì)其影響很大。與Sobel算子一樣，Roberts算子也采用兩個(gè)模板，但是結(jié)構(gòu)簡(jiǎn)單，是2×2的模板，其中橫向模板為，縱向模板為,運(yùn)算橫向、縱向的邊緣檢測(cè)圖像與公式2.5和2.6類似，這里寫成差分的形式，如公式2.9和2.10所示。（2.9）（2.10）其中、分別表示圖像在橫向和縱向的邊緣檢測(cè)圖像，為圖像在該點(diǎn)的像素值。求出、后，可根據(jù)公式2.11求出梯度的幅值，其中表示該點(diǎn)的幅值。（2.11）采用Roberts算子對(duì)冠字號(hào)區(qū)域進(jìn)行邊緣檢測(cè)，如下圖所示。圖2.11Roberts算子處理冠字號(hào)效果圖LOG（Laplacian-Gauss）算子LOG算子與上述算子不同，它是一個(gè)二階微分算子，形象一點(diǎn)的說(shuō)，在一階微分算子中，邊緣是圖像的極值點(diǎn)，而在二階微分中，邊緣是圖像的極值之間的零點(diǎn)。LOG算子實(shí)質(zhì)是一種改進(jìn)的Laplacian算子，由于Laplacian算子抗干擾能力差，通過(guò)引入平滑濾波能夠有效去除噪聲帶來(lái)的影響。LOG算子的模板為，擴(kuò)展模板為。采用LOG算子對(duì)冠字號(hào)區(qū)域進(jìn)行邊緣檢測(cè)，如下圖所示。圖2.12LOG算子處理冠字號(hào)效果圖2.2.3閾值分割算法通常在使用閾值分割算法之前，需要將彩色的RGB圖像轉(zhuǎn)換為灰色圖像，RGB之間的組合基本覆蓋了我們?nèi)搜劭勺R(shí)別的顏色范圍。將RGB彩色圖像轉(zhuǎn)為灰度圖像的公式如2.12所示。（2.12）其中代表像素點(diǎn)的位置，代表該點(diǎn)的灰度值（0-255），將彩色圖像轉(zhuǎn)為灰色圖像不僅降低了內(nèi)存的開(kāi)銷，也加快了運(yùn)算的速度。通過(guò)選取一個(gè)恰當(dāng)?shù)拈撝?，運(yùn)用公式2.13將灰度圖像轉(zhuǎn)為二值化圖像，其中表示二值化點(diǎn)的像素值。（2.13）轉(zhuǎn)換后的圖像的像素值只有255（白色）和0（黑色），即實(shí)現(xiàn)了前景和背景的區(qū)分。根據(jù)對(duì)閾值T的不同約束，可將T分成三種類型：全局閾值、局部閾值和動(dòng)態(tài)閾值[16]。全局閾值法只使用一個(gè)閾值對(duì)整張圖片進(jìn)行二值化，算法簡(jiǎn)單且區(qū)分效果好。局部閾值法與像素點(diǎn)的像素值和該點(diǎn)局部領(lǐng)域特征都有關(guān)，將整張圖片劃分成多個(gè)子區(qū)域，每個(gè)區(qū)域使用不同的閾值，該方法的效果比全局閾值明顯，但是耗時(shí)長(zhǎng)，且容易造成筆畫斷裂。動(dòng)態(tài)閾值法不僅與上面的兩個(gè)因素有關(guān)，還要考慮像素點(diǎn)的位置，即不僅要考慮當(dāng)前像素點(diǎn)的信息，也要考慮周圍像素點(diǎn)的信息，該算法區(qū)分效果最明顯，但是算法復(fù)雜，不具有實(shí)時(shí)性?；谏衔奈覀兌ㄎ坏墓谧痔?hào)區(qū)域的特點(diǎn)，采用全局閾值法能達(dá)到有效的區(qū)分，而且滿足了實(shí)時(shí)性。我們對(duì)直方圖閾值分割法、迭代閾值分割法、Otsu法這三種全局閾值法進(jìn)行簡(jiǎn)單的介紹并進(jìn)行測(cè)試比較，選擇出適合冠字號(hào)區(qū)域的最優(yōu)二值化算法。直方圖閾值分割法通過(guò)直方圖分析實(shí)現(xiàn)圖像的分割即為直方圖閾值分割法。一個(gè)典型的直方圖如圖2.13所示。閾值T閾值T圖2.13典型的直方圖和閾值T的選取上圖中的橫軸代表灰度級(jí)，縱軸代表該級(jí)出現(xiàn)的概率，該算法的主要依據(jù)是圖像中的前景和背景對(duì)比度強(qiáng)，在圖像灰度直方圖中就會(huì)出現(xiàn)如圖所示的兩個(gè)波峰和一個(gè)波谷，在波谷處取得閾值，即可將目標(biāo)和背景區(qū)分開(kāi)來(lái)。直方圖閾值法方法簡(jiǎn)單，容易實(shí)現(xiàn)，但是該算法對(duì)圖像有一定的要求，就是形成的直方圖必須有兩個(gè)明顯的波峰，閾值才可選取在波谷，在很多實(shí)際情況中直方圖并沒(méi)有兩個(gè)波峰，或者是即使存在兩個(gè)波峰，波谷也很平，這在選取閾值的過(guò)程中就顯得十分困難，所以這個(gè)算法的局限性很大。經(jīng)過(guò)對(duì)冠字號(hào)區(qū)域的直方圖檢測(cè)，設(shè)置的閾值為120，用此閾值進(jìn)行二值化，效果如圖2.14所示。圖2.14直方圖閾值分割法處理冠字號(hào)效果圖迭代式閾值選擇法迭代式閾值選擇法采用多次重復(fù)迭代求得一個(gè)閾值T，再對(duì)圖像進(jìn)行二值化處理，具體算法如下：①圖像的最大像素值和最小像素值的平均值作為初始閾值T0。（2.14）②大于閾值的確定為前景，而小于閾值的確定為背景，分別計(jì)算兩個(gè)區(qū)域的灰度均值u1、u2。（2.15）③用u1、u2來(lái)計(jì)算新閾值T1。（2.16）④當(dāng)T0和T1相等時(shí)，所求的T1為閾值，否則重復(fù)②~③步驟。迭代式閾值選擇法是直方圖閾值法的改進(jìn)算法，在選擇閾值時(shí)的效果比直方圖閾值法好，但是該算法較直方圖閾值法復(fù)雜，運(yùn)算時(shí)間較長(zhǎng)。圖2.15是采用迭代式閾值選擇法對(duì)冠字號(hào)區(qū)域進(jìn)行二值化處理。圖2.15迭代式閾值選擇法處理冠字號(hào)效果圖Otsu法Otsu法（即大津算法）是日本學(xué)者Otus于1979年提出的一種處理圖像二值化的高效算法，運(yùn)用廣泛，具有良好的適應(yīng)性[17]。主要思想是尋找最優(yōu)的類間方差方差，進(jìn)而取得最優(yōu)閾值，具體算法如下：①假設(shè)原始圖像的大小是M×N，像素值大于閾值的個(gè)數(shù)為N0,小于閾值的個(gè)數(shù)為N1，計(jì)算出前景占比和背景占比。（2.17）②計(jì)算前景的平均灰度u0和背景的平均灰度u1。（2.18）③計(jì)算區(qū)間的像素累加值u（2.19）④計(jì)算類間方差（2.20）⑤將（2.19）代入（2.20）得到的化簡(jiǎn)公式。（2.21）⑥通過(guò)遍歷的方法，當(dāng)求出使類間方差最大時(shí)的T，即為所求的最優(yōu)閾值。Otus算法能夠優(yōu)化圖像的細(xì)節(jié)，使細(xì)節(jié)更加明顯，且自適應(yīng)能力強(qiáng)，選取出的閾值能夠有效的區(qū)分前景和背景，圖2.16為采用Otsu算法對(duì)冠字號(hào)進(jìn)行二值化處理的效果圖。圖2.16Otsu法對(duì)冠字號(hào)區(qū)域進(jìn)行二值化處理結(jié)合三種全局閾值的算法，表2.1顯示了三種算法對(duì)冠字號(hào)區(qū)域進(jìn)行二值化處理的效果圖。表2.1各類算法對(duì)冠字號(hào)區(qū)域的二值化處理效果圖二值化算法二值化效果圖直方圖閾值分割法迭代式閾值選擇法Otsu法從效果圖的比較上來(lái)看，Otsu法處理冠字號(hào)區(qū)域的二值化效果最明顯，每一位冠字號(hào)的筆畫連貫，且粗細(xì)均勻，雖然在用時(shí)的層面上來(lái)說(shuō)Otsu法的耗時(shí)最長(zhǎng)，但是區(qū)分度并不大，結(jié)合實(shí)際圖像的特點(diǎn)，直方圖閾值分割法雖然算法簡(jiǎn)單且實(shí)時(shí)性好，但是并不是每張圖片的直方圖都能形成兩個(gè)波峰，所以實(shí)際效果并不理想。迭代式閾值選擇法雖然和Otsu法一樣都具有一定的自適應(yīng)性，但是在處理低分辨率和光照不均的圖片時(shí)，迭代式閾值選擇法的效果沒(méi)有Otsu法那么好。綜上所述，本文采用Otsu算法進(jìn)行對(duì)冠字號(hào)的二值化處理。2.3冠字號(hào)區(qū)域的濾波處理2.3.1噪聲的定義圖像噪聲是指位于圖像數(shù)據(jù)中多余的、帶有干擾性的信息，噪聲的存在或多或少會(huì)影響圖片的質(zhì)量，在某些高精度的圖像處理中，噪聲的存在會(huì)嚴(yán)重影響處理的效果[18]。圖像的噪聲來(lái)源主要從兩個(gè)方面，一是圖片的采集過(guò)程，噪聲源包括圖像傳感器的材質(zhì)、環(huán)境、傳感器內(nèi)部構(gòu)造等因素；二是圖像信號(hào)的傳輸過(guò)程，當(dāng)傳輸設(shè)備不完善或者某些輸入環(huán)節(jié)不理想會(huì)引入各種噪聲。本文中的噪聲主要是人民幣流通過(guò)程中所受到的污染，為了模擬實(shí)際過(guò)程中產(chǎn)生的噪聲，本文對(duì)冠字號(hào)區(qū)域添加噪聲密度為0.05的椒鹽噪聲，效果如圖2.17所示。圖2.17添加了椒鹽噪聲的冠字號(hào)區(qū)域2.3.2數(shù)字濾波處理數(shù)字濾波處理是將圖像中的噪聲等影響精確度的因素去除的過(guò)程，主要包括空間域?yàn)V波和頻域?yàn)V波兩方面[19]。通過(guò)模板構(gòu)造直接對(duì)原圖像進(jìn)行卷積處理這個(gè)過(guò)程為空間域?yàn)V波，而先將圖像進(jìn)行傅里葉變換和反變換處理這個(gè)過(guò)程，即為頻域?yàn)V波?？臻g域?yàn)V波和頻域?yàn)V波各有優(yōu)缺點(diǎn)，結(jié)合冠字號(hào)區(qū)域的特點(diǎn)和椒鹽噪聲的特點(diǎn)，本文采用空間域?yàn)V波對(duì)圖像進(jìn)行處理，常見(jiàn)的空間域?yàn)V波包括均值濾波、中值濾波、拉普拉斯濾波等等。均值濾波算法均值濾波是一種典型的線性濾波，用內(nèi)值之和為1的奇數(shù)模板與圖像進(jìn)行卷積運(yùn)算，并取均值結(jié)果代替原來(lái)點(diǎn)的像素值。如公式2.22所示，其中為像素點(diǎn)，為該點(diǎn)均值，為該點(diǎn)像素值，M為模板中像素的個(gè)數(shù)。（2.22）以3×3的均值濾波為例，3×3的均值濾波模板為，設(shè)原始圖像的矩陣為，首先將3×3模板中心對(duì)準(zhǔn)圖像的（1,1），該點(diǎn)的像素值為1，點(diǎn)對(duì)點(diǎn)的進(jìn)行運(yùn)算，模板在矩陣外的點(diǎn)用0自動(dòng)填充，求得（1,1）點(diǎn)的均值為，同理用3×3模板對(duì)原始圖像的其余點(diǎn)遍歷，求得均值濾波后的圖像矩陣為。均值濾波算法實(shí)現(xiàn)簡(jiǎn)單，對(duì)噪聲有良好的抑制效果，但是缺點(diǎn)也很明顯，均值濾波會(huì)造成圖像的模糊和細(xì)節(jié)的丟失。分別用3×3、5×5和7×7的均值濾波模板對(duì)添加了椒鹽噪聲的冠字號(hào)區(qū)域進(jìn)行濾波，效果如表2.2所示。表2.2不同模板的均值濾波的濾波效果圖均值濾波模板的大小濾波效果圖3×35×57×7從上表可以看出，均值濾波總體對(duì)椒鹽噪聲的抑制效果不明顯，且隨著模板大小的增加，圖像變得越來(lái)越模糊，丟失了許多細(xì)節(jié)，這并不利于接下來(lái)的圖像處理，所以均值濾波并不適用于本課題。中值濾波器與均值濾波相反，中值濾波是非線性濾波，在濾波處理上運(yùn)用十分廣泛[20]。中值濾波的算法與均值濾波類似，主要思想是構(gòu)造一個(gè)奇數(shù)模板，該模板為全1模板，通過(guò)模板與圖像卷積運(yùn)算，并將卷積結(jié)果排序并取中值來(lái)代替原來(lái)像素點(diǎn)的像素值。中值的定義如公式2.23所示，其中y為輸出中值，x1~xn代表樣本。(2.23)以3×3的中值濾波為例，3×3的中值濾波模板為，原始圖像的矩陣依然選擇，先將3×3模板的中心對(duì)準(zhǔn)圖像的（1,1），該點(diǎn)的像素值為1，點(diǎn)對(duì)點(diǎn)的進(jìn)行運(yùn)算，超出矩陣外的點(diǎn)用0自動(dòng)填充，得到該點(diǎn)的樣本為{1,2,4,5}，進(jìn)行中值排序后，由于樣本數(shù)為4，所以求得的中值為2和4的均值，即為3，同理用3×3模板對(duì)原始圖像的其余點(diǎn)遍歷，求得中值濾波后的圖像矩陣為。分別用3×3、、5×5和7×7的中值濾波模板對(duì)添加了椒鹽噪聲的冠字號(hào)區(qū)域進(jìn)行濾波，效果如表2.3所示。表2.3不同模板的中值濾波的濾波效果圖中值濾波模板的大小濾波效果圖3×35×57×7從上表中的效果圖可以看出，采用3×3的中值濾波模板的濾波效果不佳，噪聲依然存在，而采用7×7的中值濾波模板雖然能有效的抑制椒鹽噪聲，但是對(duì)原始圖像的影響也較大，造成一些筆畫連在一起，5×5的中值濾波的效果最佳，不僅有效的抑制了椒鹽噪聲，而且保留了冠字號(hào)的許多細(xì)節(jié)信息，因此在冠字號(hào)預(yù)處理中我們采用5×5的中值濾波對(duì)冠字號(hào)區(qū)域進(jìn)行去噪處理。由于使用中值濾波后的圖像的四個(gè)邊角有黑點(diǎn)，為了去除黑點(diǎn)，我們使用數(shù)字形態(tài)學(xué)處理中的閉操作將黑點(diǎn)去除，最終采用5×5濾波的冠字號(hào)區(qū)域效果如圖2.18所示。圖2.185×5中值濾波效果圖2.4本章小結(jié)本章介紹了人民幣紙幣冠字號(hào)預(yù)處理過(guò)程中的前三步處理。在冠字號(hào)定位部分，本文提出了一種基于先驗(yàn)知識(shí)和投影的定位能夠有效的定位出位于人民幣左下角的冠字號(hào)區(qū)域；在冠字號(hào)二值化部分，本文對(duì)比了3種全局閾值算法，經(jīng)過(guò)比較分析選擇了Otsu法對(duì)冠字號(hào)進(jìn)行二值化；在冠字號(hào)濾波處理部分，本文對(duì)比了空間域?yàn)V波中的均值濾波和中值濾波，經(jīng)過(guò)檢測(cè)對(duì)比選擇5×5的中值濾波對(duì)冠字號(hào)進(jìn)行處理。3人民幣冠字號(hào)的傾斜校正以及字符分割和歸一化由于人民幣本身存在折痕，以及掃描儀采集角度等原因，采集到的人民幣圖像并不是完全擺正的，會(huì)有一定的傾斜角，因此冠字號(hào)區(qū)域也會(huì)受到影響，導(dǎo)致了冠字號(hào)出現(xiàn)字符傾斜、大小不一，因此我們有必要對(duì)冠字號(hào)進(jìn)行傾斜校正。由于我們采用基于支持向量機(jī)進(jìn)行識(shí)別，因此需要切割冠字號(hào)，使之成為單字符。對(duì)單字符進(jìn)行歸一化處理，使其具有相同的大小，以便后期的識(shí)別準(zhǔn)確高效。3.1冠字號(hào)區(qū)域的傾斜校正由于采集過(guò)程中的操作不當(dāng)以及紙幣本身的褶皺，我們發(fā)現(xiàn)采集到的一些冠字號(hào)的字符大小和高度不一，這對(duì)接下來(lái)的字符分割處理造成了一定的影響，帶來(lái)誤差。為了消除傾斜角度帶來(lái)的影響，本文采用Hough變換檢測(cè)冠字號(hào)的傾斜角，并依據(jù)傾斜角度對(duì)冠字號(hào)進(jìn)行傾斜校正[21]。Hough變換的基本思想是利用點(diǎn)與線的對(duì)偶性，將原圖像空間中的每個(gè)邊緣點(diǎn)轉(zhuǎn)換成極坐標(biāo)系下的正弦曲線，通過(guò)這樣的映射關(guān)系，就把檢測(cè)出原圖像中的直線，并得到直線的表達(dá)式，進(jìn)而可以校正原圖像。假設(shè)空間中的直線的斜率為k，截距為b，直線的表達(dá)式如式3.1所示。（3.1）當(dāng)直線與x軸垂直，斜率k為無(wú)窮大，這對(duì)我們的表達(dá)帶來(lái)了不便，為了更好地計(jì)算，改用表達(dá)式3.2來(lái)表示直線方程。（3.2）其中表示(x,y)到原點(diǎn)的距離，表示過(guò)點(diǎn)(x,y)和原點(diǎn)的直線與x軸之間的夾角。公式3.2已將點(diǎn)(x,y)映射到空間，上式表明，直角坐標(biāo)系下的直線映射到極坐標(biāo)系下為一個(gè)點(diǎn)，關(guān)系如圖3.1所示。圖3.1Hough變換通過(guò)上圖可知：左側(cè)直角坐標(biāo)系下的藍(lán)色直線就相當(dāng)于右側(cè)極坐標(biāo)系下的黑色點(diǎn)，反之，直角坐標(biāo)系下的一個(gè)點(diǎn)相當(dāng)于極坐標(biāo)系下的一條正弦曲線。傾斜校正具體算法如下：①通過(guò)邊緣檢測(cè)，找出圖像可能存在的邊緣點(diǎn)。②對(duì)所有邊緣點(diǎn)進(jìn)行Hough變換。③檢測(cè)極坐標(biāo)系下的交點(diǎn)，由于Hough變換實(shí)質(zhì)是一個(gè)投票過(guò)程，每個(gè)交點(diǎn)的值累加，投票結(jié)果最大者認(rèn)為是期望，所以正弦曲線相交次數(shù)最多的那個(gè)點(diǎn)即是值最大的交點(diǎn)。④極坐標(biāo)下的點(diǎn)對(duì)應(yīng)直角坐標(biāo)系下的直線，重合最多的點(diǎn)對(duì)應(yīng)圖像中的直線。⑤獲取了冠字號(hào)的直線即可得出傾斜角度，對(duì)圖像進(jìn)行旋轉(zhuǎn)處理就實(shí)現(xiàn)了傾斜校正的目的。圖3.2顯示了采用Hough變換的傾斜校正效果。傾斜校正前的冠字號(hào)(b)傾斜校正后的冠字號(hào)圖3.2采用Hough變換的傾斜校正3.2冠字號(hào)的字符分割冠字號(hào)字符分割即把連續(xù)的冠字號(hào)上的英文字母和阿拉伯?dāng)?shù)字切割成10個(gè)單個(gè)字符，并將這些字符貼上標(biāo)簽作為后期識(shí)別過(guò)程所需要的訓(xùn)練集和測(cè)試集，所以字符分割的好壞直接影響了后期識(shí)別的準(zhǔn)確率，是識(shí)別的基礎(chǔ)。做字符切割，需要獲取的是單個(gè)字符的左右邊界，無(wú)需上下邊界，將單個(gè)字符切割出來(lái)，需要切割的大小剛好合適，過(guò)大會(huì)帶來(lái)無(wú)用的干擾，過(guò)小又會(huì)丟失有用的信息，最重要的是，在處理切割算法時(shí)必須要保證切割的字符圖像完整，以免影響識(shí)別[22][23]。3.2.1區(qū)域連通法區(qū)域連通法通過(guò)區(qū)域生長(zhǎng)提取出包括初始點(diǎn)的圖像全部連通域。通過(guò)第一章的分析我們知道，冠字號(hào)是由英文大寫字母和阿拉伯?dāng)?shù)字組成，基本都可以由一筆寫成，即可分割出一個(gè)連通分量，連通分量以外的圖像我們可以當(dāng)做噪聲去除。區(qū)域連通法對(duì)去除噪聲的要求較高，若噪聲去除不明顯容易造成字符之間的黏連現(xiàn)象，導(dǎo)致單個(gè)字符無(wú)法正確的提取出來(lái)，且該算法耗時(shí)長(zhǎng)，不滿足實(shí)時(shí)性。3.2.2先驗(yàn)知識(shí)法由于冠字號(hào)都為標(biāo)準(zhǔn)的印刷字體，規(guī)格統(tǒng)一，字符之間的間距也有嚴(yán)格的標(biāo)準(zhǔn)，冠字號(hào)矩形區(qū)域的大小規(guī)格一般為28mm×3.5mm，每個(gè)冠字號(hào)的寬為2mm，高為3.5mm，字符之間的間距為1.5mm。先驗(yàn)知識(shí)法的基本思想正是基于冠字號(hào)的大小規(guī)格固定所提出的，根據(jù)冠字號(hào)定位的結(jié)果，估算出單個(gè)字符的寬度和字符之間的間距，逐個(gè)分割出字符。先驗(yàn)知識(shí)法分割的準(zhǔn)確率很大程度上取決于冠字號(hào)的定位結(jié)果，由于該算法的分割點(diǎn)是由人為估算設(shè)定的，因此精度不高，而且先驗(yàn)知識(shí)法的適應(yīng)性差，容易造成分割錯(cuò)誤。3.2.3基于垂直投影的字符分割法垂直投影投影法是運(yùn)用十分廣泛的算法，該算法不僅可以運(yùn)用在冠字號(hào)區(qū)域的定位，也可以運(yùn)用在冠字號(hào)的字符分割上，由于冠字號(hào)的單個(gè)字符大小規(guī)范且字與字之間的間隔固定，采用垂直投影法簡(jiǎn)單，切割的效果也非常好。垂直投影法的主要思想是掃描冠字號(hào)區(qū)域的每一列，并計(jì)算出每一列的像素值，即得到冠字號(hào)的垂直投影圖。在二值化圖像中，白色代表像素255，黑色代表像素0，而二值化后的冠字號(hào)數(shù)字和字母是黑色，背景是白色，因?yàn)樾枰奂用苛械南袼刂?，所以在進(jìn)行垂直投影前需要將圖像求補(bǔ)，即冠字號(hào)為白色，背景為黑色。求補(bǔ)后的圖像運(yùn)用垂直投影算法，逐列掃描并進(jìn)行列的像素累加，為了再次抑制噪聲的影響，我們對(duì)圖像采用平滑處理，效果如圖3.3所示。(a)求補(bǔ)后的冠字號(hào)圖像(b)冠字號(hào)的垂直投影圖圖3.3冠字號(hào)的垂直投影效果圖在進(jìn)行垂直投影后，計(jì)算出投影結(jié)果的像素最大值和最小值，并設(shè)置切割閾值為。MATLAB中的findpeaks函數(shù)為尋找波峰函數(shù)，通過(guò)像素最大值減去每列的像素值即可以實(shí)現(xiàn)尋找波谷，圖中綠色的點(diǎn)為尋找到的波谷位置，一共9個(gè)點(diǎn)，代表著10位數(shù)冠字號(hào)的9個(gè)間隙。通過(guò)閾值調(diào)整綠色波谷點(diǎn)的位置，對(duì)圖像進(jìn)行切割，即可實(shí)現(xiàn)將冠字號(hào)分割成單字符，如圖3.4所示。圖3.4切割成單字符的冠字號(hào)基于垂直投影的字符分割法算法簡(jiǎn)單，響應(yīng)速度快，有較好的自適應(yīng)性，分割的效果好。3.3冠字號(hào)的字符歸一化冠字號(hào)歸一化是預(yù)處理中的最后一個(gè)環(huán)節(jié)，從冠字號(hào)的字符分割效果圖可以看出，每個(gè)字符的大小會(huì)存在差異，這對(duì)我們接下來(lái)的識(shí)別帶來(lái)了一定的影響。所謂的歸一化，就是將大小不同的單個(gè)字符轉(zhuǎn)成大小相等的單個(gè)字符，歸一化算法有兩種：線性歸一化和非線性歸一化。線性歸一化是將原有的圖片按線性縮放成規(guī)定的圖片大小，該算法簡(jiǎn)單，耗時(shí)短，但是該算法不考慮字符筆畫的粗細(xì)問(wèn)題，容易造成字符變形；非線性歸一化是基于字符筆畫粗細(xì)的一種改進(jìn)算法，在字符筆畫粗的地方進(jìn)行放大，在字符筆畫細(xì)的地方進(jìn)行縮小，該算法就解決了字符的變形問(wèn)題，但是算法復(fù)雜，耗時(shí)長(zhǎng)。結(jié)合冠字號(hào)是標(biāo)準(zhǔn)印刷體這個(gè)性質(zhì)，本文采用線性歸一化算法，將分割好的單字符歸一化成28×28的像素矩陣，效果如圖3.5所示。圖3.5歸一化后的冠字號(hào)本文采集的人民幣圖像一共1641張，均是用掃描儀掃描出的圖像，按照訓(xùn)練集和測(cè)試集大約8:2的比例，隨機(jī)將1397張人民幣作為訓(xùn)練集，244張人民幣作為測(cè)試集，經(jīng)過(guò)一系列預(yù)處理得到冠字號(hào)的單個(gè)字符，并貼好標(biāo)簽放在對(duì)應(yīng)的文件夾下，效果如圖3.6所示。圖3.6歸一化字符分類3.4本章小結(jié)本章介紹了人民幣冠字號(hào)識(shí)別預(yù)處理的后三步處理。在傾斜校正部分，本文介紹了Hough變換的算法原理并采用Hough變換作為本課題傾斜校正算法。在單字符分割部分，本文對(duì)比了幾種常用的字符分割算法，經(jīng)過(guò)對(duì)比分析選擇了基于垂直投影的單字符分割算法進(jìn)行分割，效果良好。在字符歸一化處理部分，本文結(jié)合人民幣冠字號(hào)是標(biāo)準(zhǔn)印刷體的特性，采用線性歸一化處理實(shí)現(xiàn)了每個(gè)字符的歸一化，并將處理好的字符貼上標(biāo)簽作為識(shí)別的訓(xùn)練集和測(cè)試集。本文的冠字號(hào)預(yù)處理效果良好，對(duì)接下來(lái)的冠字號(hào)識(shí)別打下堅(jiān)實(shí)的基礎(chǔ)。4人民幣冠字號(hào)的字符識(shí)別經(jīng)過(guò)前期的預(yù)處理，我們得到了貼好標(biāo)簽的訓(xùn)練集和測(cè)試集，在進(jìn)行冠字號(hào)識(shí)別之前，我們需要提取出字符的特征，以便輸入到分類器中訓(xùn)練出模型。字符識(shí)別作為人民幣紙幣冠字號(hào)識(shí)別算法的最后一步，也是最為關(guān)鍵復(fù)雜的一步，一個(gè)分類器的優(yōu)劣直接影響到識(shí)別的準(zhǔn)確率和速度，對(duì)分類器的研究是本文的重點(diǎn)。4.1冠字號(hào)的特征提取特征提取是進(jìn)行字符識(shí)別之前的必要步驟，是對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行分析、提取關(guān)鍵信息的過(guò)程[25]。特征提取有許多方法，比如HOG特征提取、LBP特征提取、Haar特征提取等等，基于人民幣冠字號(hào)為大寫英文字母和阿拉伯?dāng)?shù)字的特點(diǎn)，本文特征提取采用HOG算法。HOG（HistogramofOrientedGradient）算法[26]，即梯度直方圖算法，是法國(guó)人Dalal于2005年提出，在圖像的特征提取運(yùn)用得非常廣泛，基于HOG特征提取和SVM（SupportVectorMachine）結(jié)合的算法在許多領(lǐng)域都取得了巨大的成功，HOG+SVM的思想已經(jīng)成為現(xiàn)在識(shí)別的主流思想。HOG特征提取的具體算法如下：①對(duì)原始圖形進(jìn)行灰度處理并進(jìn)行歸一化。②HOG特征提取的主要思想就是進(jìn)行梯度運(yùn)算，分別使用橫向模板和縱向模板對(duì)圖像進(jìn)行卷積運(yùn)算得到水平梯度值和垂直梯度值，公式如4.1所示。其中(x,y)為當(dāng)前的像素點(diǎn)，為像素值，為水平方向的梯度，為垂直方向的梯度。（4.1）③求得水平方向的梯度和垂直方向的梯度后，通過(guò)公式4.2和4.3可以分別計(jì)算出圖像的梯度幅值G和梯度方向。（4.2）（4.3）④定義窗口大小WinSize、塊大小BlockSize、塊滑動(dòng)步長(zhǎng)BlockStride和元胞大小CellSize。元胞是小像素點(diǎn)之間的組合，通常元胞大小定義為8×8，即每8×8個(gè)像素點(diǎn)組成一個(gè)元胞。塊是元胞的上一級(jí)，通常塊的大小定義為2×2個(gè)元胞，即一個(gè)塊中包含4個(gè)元胞，以2×2的方陣排列，所以塊的大小也可以說(shuō)是16×16。窗口是塊的上一級(jí)，通常大小設(shè)置成64×128，圖像掃描的原理是基于塊在窗口內(nèi)滑動(dòng)，滑動(dòng)步長(zhǎng)通常設(shè)置為8個(gè)像素，即塊每滑動(dòng)一次走過(guò)了8個(gè)像素，元胞、塊、窗口、圖像的關(guān)系如圖4.1所示。(a)元胞與塊的關(guān)系(b)塊與窗口的關(guān)系(c)窗口與圖像的關(guān)系圖4.1元胞、塊、窗口、圖像之間的關(guān)系圖⑤定義梯度方向數(shù)bins。梯度方向數(shù)表示一個(gè)元胞中統(tǒng)計(jì)梯度方向的數(shù)目，也叫做特征向量，通常定義的梯度方向數(shù)為9，即一個(gè)元胞統(tǒng)計(jì)9個(gè)方向的梯度直方圖，每個(gè)梯度代表的方向?yàn)槎龋鐖D4.2所示。圖4.2梯度方向分類圖⑥將圖像掃描的結(jié)果反映在直方圖上面，值得注意的是，某點(diǎn)梯度某方向上的幅值是多少，在對(duì)應(yīng)的直方圖上該方向所加的值為幅值的值。通過(guò)計(jì)算機(jī)計(jì)算樣本的HOG特征向量，以上面定義的大小為例，樣本的特征向量為3780維，最終將這3780維特征向量輸入到分類器做訓(xùn)練。在預(yù)處理中，本文已經(jīng)將冠字號(hào)進(jìn)行了二值化和歸一化，考慮到歸一化的圖像大小為28×28，在基于響應(yīng)速度和準(zhǔn)確率的權(quán)衡上，本文設(shè)置元胞的大小為8×8，梯度方向數(shù)為9，該設(shè)置提取的字符特征效果較優(yōu)，具有實(shí)時(shí)性，效果圖如4.3所示。圖4.3對(duì)字符進(jìn)行HOG特征提取4.2冠字號(hào)的字符識(shí)別經(jīng)過(guò)HOG特征提取，得到了冠字號(hào)字母和阿拉伯?dāng)?shù)字對(duì)應(yīng)的特征，輸入到分類器即可訓(xùn)練出模型進(jìn)行冠字號(hào)的識(shí)別。常用的字符識(shí)別方法有很多，比如模板匹配識(shí)別、人工神經(jīng)網(wǎng)絡(luò)識(shí)別、支持向量機(jī)識(shí)別等等，不同的識(shí)別方法有不同的優(yōu)缺點(diǎn)，運(yùn)用的場(chǎng)景也不盡相同，下文對(duì)這些方法進(jìn)行詳細(xì)的介紹。4.2.1模板匹配識(shí)別模板匹配法是最基本、最原始的識(shí)別方法，該算法的基本思想是每個(gè)字符都有一個(gè)對(duì)應(yīng)的模板，模板一一在原圖像上進(jìn)行滑動(dòng)，相當(dāng)于掃描過(guò)程，過(guò)程結(jié)束后計(jì)算模板與原圖像的匹配度，匹配度最大的模板所代表的字符就是識(shí)別的結(jié)果。該算法在處理相似字符是的表現(xiàn)不盡人意，比如冠字號(hào)中的0和O、1和I、S和5、B和8等等，容易造成誤判，準(zhǔn)確率不高，并且局限性較大，不能處理有一定傾斜角的字符。結(jié)合冠字號(hào)的特點(diǎn)，組成的元素有25個(gè)英文大寫字母（除了V）和10個(gè)阿拉伯?dāng)?shù)字，需要的模板較少，計(jì)算量也較小，模板匹配法在進(jìn)行冠字號(hào)識(shí)別也有一定的研究意義。設(shè)待識(shí)別的圖像為S，模板為T，大小為m×n，模板T在待識(shí)別圖像S上滑動(dòng)，被覆蓋的區(qū)域叫做子圖，i、j代表子圖左下角的坐標(biāo)，如圖4.4所示。圖4.4被搜索圖S和模板T相似性由以下公式衡量：（4.4）將其歸一化，得到模板匹配相關(guān)系數(shù)，公式如下：（4.5）當(dāng)時(shí)，代表著相關(guān)度最大，即待識(shí)別字符與該模板完全匹配，S全部掃描后，最大值對(duì)應(yīng)的子圖即位匹配目標(biāo)。公式4.5結(jié)構(gòu)復(fù)雜，使用該公式進(jìn)行模板匹配響應(yīng)時(shí)間慢，因此使用另一種算法來(lái)衡量T和的相似性，公式如下：（4.6）公式4.6計(jì)算了兩個(gè)圖像的誤差，當(dāng)誤差最小時(shí)即為最佳匹配對(duì)象。與公式4.5相比，該公式?jīng)]有采用平方、開(kāi)根號(hào)運(yùn)算，取而代之的是絕對(duì)值差運(yùn)算，算法簡(jiǎn)便。4.2.2人工神經(jīng)網(wǎng)絡(luò)識(shí)別人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，即ANN），也稱為神經(jīng)網(wǎng)絡(luò)，一直以來(lái)都是人工智能研究的重點(diǎn)，在近年來(lái)的應(yīng)用十分廣泛[27][28]。常識(shí)告訴我們，人腦是由大量的神經(jīng)元構(gòu)成，而人工神經(jīng)網(wǎng)絡(luò)正是模擬人腦的結(jié)構(gòu)，通過(guò)不同神經(jīng)元網(wǎng)絡(luò)的搭建來(lái)模擬人腦進(jìn)行識(shí)別。神經(jīng)網(wǎng)絡(luò)由大量神經(jīng)元連接形成，不同層的神經(jīng)元之間存在連接權(quán)重，單層所有神經(jīng)元權(quán)重與輸入之積經(jīng)過(guò)積激活函數(shù)輸出到下一層，最終輸出因上述因素的不同而不同。圖4.5顯示了單個(gè)神經(jīng)元的結(jié)構(gòu)。圖4.5神經(jīng)元的結(jié)構(gòu)單層感知網(wǎng)絡(luò)作為最初的神經(jīng)網(wǎng)絡(luò)，具有結(jié)構(gòu)簡(jiǎn)單、計(jì)算量小等優(yōu)點(diǎn)，但是隨著問(wèn)題的深入，發(fā)現(xiàn)單層神經(jīng)網(wǎng)絡(luò)無(wú)法解決非線性問(wèn)題，使在具體應(yīng)用上受到了很大的限制。20世紀(jì)80年代，誤差反向傳播算法(ErrorBackPropagationTraining),簡(jiǎn)稱BP算法的提出，通過(guò)反向傳播思想解決了單層網(wǎng)絡(luò)無(wú)法解決的非線性問(wèn)題，在現(xiàn)在的識(shí)別領(lǐng)域運(yùn)用廣泛[29]。圖4.6典型BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖BP神經(jīng)網(wǎng)絡(luò)包括正、反向傳播兩個(gè)過(guò)程。正向傳播過(guò)程是輸入信號(hào)從輸入層輸入，經(jīng)過(guò)中間層的處理，最終到輸出層得到結(jié)果。若結(jié)果達(dá)不到預(yù)期，就會(huì)引入反向傳播過(guò)程，該過(guò)程將輸出層的誤差信號(hào)反向傳回中間層，在所有的中間層調(diào)節(jié)神經(jīng)元之間的連接權(quán)重，通過(guò)這種方式使得輸出結(jié)果逼近預(yù)期。公式4.7表示正向傳播過(guò)程，其中表示第層第j個(gè)神經(jīng)元的激活輸出，激活函數(shù)用表示，表示從層的的第k個(gè)神經(jīng)元指向?qū)拥牡趈個(gè)神經(jīng)元之間的連接權(quán)重,表示層第j個(gè)神經(jīng)元的偏移量。（4.7）為了便于表達(dá)，第層第j個(gè)神經(jīng)元的線性結(jié)果我們用變量表示，公式如4.8所示，因此簡(jiǎn)化公式可以寫成4.9的形式。（4.8）（4.9）反向傳播算法的原理是基于梯度下降法，反向傳播公式總共有4條，如下所示。輸出層誤差：（4.10）其中L代表輸出層所在的層數(shù)。中間層誤差：（4.11）參數(shù)變化率：（4.12）參數(shù)更新規(guī)則：（4.13）人工神經(jīng)網(wǎng)絡(luò)是新興的算法，具有自學(xué)習(xí)性和適應(yīng)性，且能夠處理非線性問(wèn)題，通過(guò)神經(jīng)元之間的權(quán)重實(shí)現(xiàn)了存儲(chǔ)功能，在各行各業(yè)的運(yùn)用都很廣泛，但是不可否認(rèn)，人工神經(jīng)網(wǎng)絡(luò)也有劣勢(shì)，比如在其學(xué)習(xí)速度慢，一個(gè)簡(jiǎn)單的問(wèn)題可能需要迭代上千次才能結(jié)得結(jié)果，此外，在中間層層數(shù)的選擇上和神經(jīng)元個(gè)數(shù)的安排上并沒(méi)有一個(gè)具體的理論指導(dǎo)，完全憑借試湊和經(jīng)驗(yàn)選擇，基于以上原因，本文并未采用神經(jīng)網(wǎng)絡(luò)識(shí)別。4.2.3支持向量機(jī)識(shí)別支持向量機(jī)[30][31]（SupportVectorMachine，即SVM）是一種典型的二分類模型，與傳統(tǒng)的分類器不同，SVM分類器在實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的基礎(chǔ)上，還要求置信范圍盡可能小，也就是說(shuō)最終目的是尋找結(jié)構(gòu)風(fēng)險(xiǎn)最小化。通俗的來(lái)說(shuō)，SVM二分類本質(zhì)就是通過(guò)在特征空間內(nèi)尋找間距最大的超平面將數(shù)據(jù)劃分為兩類，以實(shí)現(xiàn)區(qū)分。SVM于1964年提出，該算法能夠有效處理非線性問(wèn)題，泛化能力強(qiáng)，具有魯棒性，至今依然是解決一些非線性問(wèn)題的首選方法，其中HOG+SVM的特征提取識(shí)別組合成了許多識(shí)別問(wèn)題的主要思想，下面介紹SVM的基本算法。假設(shè)給定訓(xùn)練樣本，在一個(gè)樣本空間內(nèi)的劃分超平面有無(wú)數(shù)個(gè)，如圖4.7所示。圖4.7樣本空間存在無(wú)數(shù)個(gè)劃分樣本的超平面雖然劃分樣本的超平面很多，但是最優(yōu)超平面只有一個(gè)，正如圖4.7的粗線所示。由于數(shù)據(jù)噪聲等因素的影響，可能導(dǎo)致圖中的正例向下偏移，而負(fù)例向上偏移，這就導(dǎo)致了一些超平面的劃分出現(xiàn)了錯(cuò)誤，圖中粗線所在的超平面能夠有效的避免這個(gè)問(wèn)題，因此它的泛化能力最強(qiáng)，抗干擾能力最好，求解出這個(gè)超平面正是SVM算法的目的。通常我們定義樣本空間的超平面如下面公式：（4.14）其中、x均是n維列向量，代表法向量，x為樣本，b是偏移量，因?yàn)闃颖臼枪潭ńo出的，是定值，顯然需要求解超平面的變量是和b。我們將超平面定義為（,b），那么樣本空間內(nèi)的任意點(diǎn)到超平面（,b）的距離為：（4.14）其中代表的是的第二范數(shù)。假設(shè)超平面（,b）能夠正確的劃分樣本，可以用如下的公式定義樣本的屬于類：（4.15）公式4.15表明，對(duì)于樣本，若，則；反之，若，。當(dāng)樣本點(diǎn)能夠取得等號(hào)成立時(shí)，我們將這些點(diǎn)定義成“支持向量”。我們將兩類支持向量到超平面之間的距離定義為“間隔”，公式如4.16所示，圖4.8將這些定義標(biāo)注。（4.16）圖4.8支持向量與間隔圖例要找到最大間隔的劃分超平面前提下，必須滿足一定約束，即：（4.17）為了求得最大間隔，等價(jià)于求||||的最小值，為了后面的求導(dǎo)運(yùn)算的簡(jiǎn)便，將公式4.17重寫：（4.18）式4.18也叫做凸二次規(guī)劃問(wèn)題，為了求解，引入拉格朗日乘子，該問(wèn)題的拉格朗日函數(shù)就可以寫成：（4.19）分別對(duì)系數(shù)、b、求導(dǎo)令其等于零，最終將模型化成如下的形式：（4.20）通過(guò)拉格朗日乘子法，把轉(zhuǎn)變成了，減少了約束條件數(shù)，使求解方程變得簡(jiǎn)單。上述求解過(guò)程嚴(yán)格滿足KKT（Karush-Kuhn-Tucker）條件：（4.21）為了求解上述的對(duì)偶二次規(guī)劃問(wèn)題，我們采用SMO（SequentialMinimalOptimizaion）算法，與傳統(tǒng)的算法相比，SMO算法將優(yōu)化問(wèn)題繼續(xù)細(xì)分，劃分后的優(yōu)化問(wèn)題比未劃分的問(wèn)題求解簡(jiǎn)單，也就加快了求解的速度。SMO算法的解法主要有8個(gè)步驟：計(jì)算誤差：（4.22）計(jì)算上下邊界L和H，其中代表松弛變量：（4.23）計(jì)算學(xué)習(xí)率：（4.24）更新：（4.25）根據(jù)取值范圍修剪：（4.26）更新：（4.27）更新：（4.28）根據(jù)更新b：（4.29）上述介紹的SVM是典型的線性SVM，在實(shí)際情況中，大多數(shù)樣本并不是線性可分的，如果依然用上述的方法處理非線性樣本，將會(huì)進(jìn)入死循環(huán)，無(wú)解。處理非線性，一種方法是將SVM分類器的維度提升，通過(guò)映射關(guān)系，低維的線性不可分問(wèn)題轉(zhuǎn)到高維就變成了線性可分問(wèn)題，但是提升維度的方法對(duì)造成運(yùn)算復(fù)雜化；另一種方法，也是SVM處理非線性問(wèn)題最常用的方法，就是采用核技巧，引入核函數(shù)，該算法不需要處理樣本空間的維度，引入核函數(shù)即可實(shí)現(xiàn)從不可分問(wèn)題變成可分問(wèn)題，計(jì)算結(jié)果與高維映射一樣，如圖4.9所示，常用的幾種核函數(shù)如表4.1所示。非線性問(wèn)題求得的劃分超平面(b)高維空間實(shí)現(xiàn)線性可分圖4.9引入核函數(shù)實(shí)現(xiàn)非線性的可分表4.1幾種常用的核函數(shù)及其表達(dá)式核函數(shù)名稱表達(dá)式線性核k多項(xiàng)式核k高斯核k徑向核k將非線性不可分問(wèn)題通過(guò)轉(zhuǎn)成轉(zhuǎn)成可分問(wèn)題，雖然在理想的情況SVM可以做出完全正確的分類，但是實(shí)際情況中會(huì)有個(gè)別樣本“越界”，如圖4.10所示。一些正例樣本越界到超平面的下方，被分類成負(fù)例；而一些負(fù)例樣本越界到超平面的上方，被分類成正例，導(dǎo)致了分類錯(cuò)誤。上文介紹的分類器采用的是“硬間隔”的分類方法，即硬性要求所有樣本點(diǎn)都滿足公式4.15，采用這種方法很容易造成整個(gè)規(guī)劃問(wèn)題的無(wú)解，因此我們引入“軟間隔”的概念。圖4.10某些不受約束條件的樣本示意圖軟間隔的實(shí)質(zhì)是引入了松弛變量到式4.18的約束條件，使可以間隔小于1，引入了松弛變量，SVM在進(jìn)行分類時(shí)會(huì)自動(dòng)放棄對(duì)如上圖所示的離群點(diǎn)（紅色的點(diǎn)）的分類，對(duì)離群點(diǎn)的重視程度，我們引入一個(gè)新的設(shè)置常量：懲罰因子C，C設(shè)置得越大代表著越重視離群點(diǎn)。最終優(yōu)化問(wèn)題轉(zhuǎn)成：（4.30）SVM算法是典型的二分類算法，通過(guò)一個(gè)超平面將樣本劃分成正例和負(fù)例實(shí)現(xiàn)區(qū)分，人民幣冠字號(hào)識(shí)別不是簡(jiǎn)單的兩類樣本問(wèn)題，冠字號(hào)總共包括25位英文大寫字母（除了V）和10位阿拉伯?dāng)?shù)字，是一個(gè)35類的多分類問(wèn)題，下文介紹SVM的多分類算法。4.3基于SVM的冠字號(hào)的識(shí)別SVM的多分類算法分為直接法和間接法。直接法即在一個(gè)優(yōu)化問(wèn)題中一次實(shí)現(xiàn)多分類，如圖4.11所示。圖4.11SVM多分類算法的直接法原理圖如上圖所示，直接法用多個(gè)超平面將樣本空間劃分成多個(gè)區(qū)域，每個(gè)區(qū)域代表一個(gè)類別，實(shí)現(xiàn)分類。該算法對(duì)運(yùn)算量的要求非常大，該算法并沒(méi)有在實(shí)際中采用。間接法主要有兩種，一種是一對(duì)多法，另一種是一對(duì)一法。兩種算法是實(shí)際運(yùn)用中視具體情況使用。一對(duì)多法一對(duì)多法（one-versus-rest），也稱為OVR支持向量機(jī)算法[32]，該算法將一個(gè)樣本歸為一類，剩余的樣本歸為另一類，測(cè)試結(jié)果有總共k個(gè)，取其中的最大值為分類結(jié)果。一對(duì)多法訓(xùn)練的分類器少，訓(xùn)練速度快，但是容易出現(xiàn)數(shù)據(jù)集偏斜的問(wèn)題，且有新類引入，需要重新訓(xùn)練模型。根據(jù)人民幣冠字號(hào)識(shí)別為35類多分類問(wèn)題，可構(gòu)造35類分類器實(shí)現(xiàn)冠字號(hào)的識(shí)別，該算法在實(shí)際工程中有一定的意義。一對(duì)一法一對(duì)一法（one-versus-one），也稱為OVO支持向量機(jī)算法，該算法是基于投票的思想，兩兩樣本之間都構(gòu)造一個(gè)SVM分類器，這樣k個(gè)樣本就需要構(gòu)造個(gè)SVM分類器，測(cè)試時(shí)把測(cè)試向量放入個(gè)分類器中進(jìn)行分類，結(jié)果在對(duì)應(yīng)的輸出SVM投票，最終投票數(shù)多的為分類結(jié)果。以A、B、C三類舉例，需要構(gòu)造3個(gè)SVM分類器，分別是A和B；A和C；B和C。初始時(shí)輸出分類器A=B=C=0，以A做測(cè)試，將A的特征向量輸入到A,B分類器，A為正例，輸出分類器A+1；將A的特征向量輸入到A,C分類器，A為正例，輸出分類器A+1；將A的特征向量輸入到B,C分類器，假設(shè)B為正例，輸出分類器B+1。最終輸出分類器的結(jié)果為A=2，B=1，C=0，分類器A的票數(shù)最高，所以識(shí)別結(jié)果為A。一對(duì)一法的識(shí)別速度快，準(zhǔn)確率高，但是當(dāng)樣本數(shù)過(guò)多時(shí)，的SVM分類器的成本很大，訓(xùn)練時(shí)間慢。結(jié)合人民幣冠字號(hào)是一個(gè)35類多分類問(wèn)題，樣本數(shù)目只有35個(gè)并不算多，本文采用的是一對(duì)一的SVM多分類算法進(jìn)行冠字號(hào)的識(shí)別。在人民幣冠字號(hào)的預(yù)處理中，已經(jīng)將分割成單字符的冠字號(hào)貼上標(biāo)簽并分好類，其中1397張人民幣作為訓(xùn)練集，分割成單字符即13970個(gè)樣本提取特征向量輸入到SVM進(jìn)行訓(xùn)練，本文使用MATLAB仿真工具，調(diào)用了fitcecoc函數(shù)，訓(xùn)練出的模型采用10倍的交叉驗(yàn)證來(lái)驗(yàn)證模型，求解出的泛化誤差為0.0076，表示該模型有很好的分類效果。將貼好標(biāo)簽的單個(gè)字符樣本測(cè)試集，經(jīng)過(guò)HOG特征提取輸入到SVM模型中進(jìn)行識(shí)別，測(cè)試結(jié)果如下表所示：表4.2冠字號(hào)識(shí)別結(jié)果表樣本識(shí)別數(shù)量識(shí)別單個(gè)樣本的平均速度識(shí)別正確個(gè)數(shù)正確率單個(gè)字符24400.68s241498.93%冠字號(hào)2446.8s20885.25%測(cè)試結(jié)果表明，本文采用基于SVM的一對(duì)一多分類算法，處理人民幣冠字號(hào)單個(gè)字符的準(zhǔn)確率高達(dá)98.93%，處理完整的10位數(shù)冠字號(hào)序列的準(zhǔn)確率為85.25%，達(dá)到了預(yù)期的效果，本算法的響應(yīng)速率較快，平均識(shí)別一張人民幣的冠字號(hào)時(shí)間為6.8秒，滿足了實(shí)時(shí)性的要求。出于某些原因，本算法存在一定的錯(cuò)誤率，一些相似的字母和數(shù)字，比如“I”和“1”，“0”、“O”和“Q”，“5”和“S”，“C”和“G”等識(shí)別容易造成誤分，對(duì)精確度有一定的影響。圖4.11MATLAB仿真結(jié)果4.4本章小結(jié)本章詳細(xì)介紹了人民幣紙幣冠字號(hào)識(shí)別過(guò)程中的字符識(shí)別部分，該部分也是整個(gè)識(shí)別算法的核心，直接決定了冠字號(hào)識(shí)別的準(zhǔn)確率。在字符提取部分，本文詳細(xì)介紹了HOG特征提取的算法，并采用該算法對(duì)冠字號(hào)字符進(jìn)行特征提取。在字符識(shí)別部分，本文詳細(xì)介紹了模板匹配識(shí)別、人工神經(jīng)網(wǎng)絡(luò)識(shí)別和SVM識(shí)別三種主要的識(shí)別算法，并進(jìn)行比較，最終結(jié)合人民幣冠字號(hào)的特點(diǎn)采用了基于SVM的一對(duì)一多類識(shí)別，該算法在識(shí)別單個(gè)字符的準(zhǔn)確率達(dá)到98.93%，識(shí)別冠字號(hào)準(zhǔn)確率達(dá)到85.25%，均達(dá)到了預(yù)期效果，且該算法識(shí)別冠字號(hào)的平均時(shí)間為6.8秒，滿足實(shí)時(shí)性。結(jié)論隨著科技的發(fā)展，利用計(jì)算機(jī)技術(shù)對(duì)人民幣紙幣的冠字號(hào)識(shí)別是模式識(shí)別的一個(gè)重要領(lǐng)域，該技術(shù)對(duì)維護(hù)市場(chǎng)穩(wěn)定、打擊經(jīng)濟(jì)犯罪有著重要的意義。本文這個(gè)大背景下，針對(duì)2005版和2015版的人民幣，提出了一種基于SVM的人民幣紙幣冠字號(hào)識(shí)別算法，實(shí)驗(yàn)結(jié)果表明，該算法有一定的應(yīng)用前景。本文主要研究的內(nèi)容如下：研究了人民幣冠字號(hào)的定位、二值化和濾波算法?；诠谧痔?hào)的特點(diǎn)，本文提出了一種基于先驗(yàn)知識(shí)和投影的定位算法，該算法運(yùn)算時(shí)間短，準(zhǔn)確率高，能夠有效的定位出冠字號(hào)區(qū)域。為了減少后期的運(yùn)算時(shí)間，經(jīng)過(guò)對(duì)比分析采用Otsu法對(duì)冠字號(hào)區(qū)域進(jìn)行二值化處理。由于圖片傳輸過(guò)程會(huì)在圖像中引入噪聲，本文采用5×5的中值濾波對(duì)圖像進(jìn)行濾波處理，有效抑制噪聲的影響。研究了人民幣冠字號(hào)的傾斜校正、單字符分割和字符歸一化算法。由于采集的圖像存在一定的傾斜角，本文采用Hough變換對(duì)圖像進(jìn)行傾斜校正。在歸一化處理部分，本文采用與定位算法一樣的垂直投影的算法，對(duì)冠字號(hào)進(jìn)行字符分割，接著使用線性歸一化算法對(duì)字符進(jìn)行歸一化處理，為識(shí)別部分打下基礎(chǔ)。研究分析了現(xiàn)有的特征提取算法和識(shí)別算法，采用了HOG+SVM的組合算法對(duì)冠字號(hào)進(jìn)行多分類識(shí)別，識(shí)別結(jié)果顯示，本算法對(duì)單個(gè)字符的識(shí)別率到達(dá)98.93%，識(shí)別冠字號(hào)準(zhǔn)確率達(dá)到85.25%，且響應(yīng)速度較快，具有一定的現(xiàn)實(shí)意義。本文對(duì)人民幣紙幣冠字號(hào)識(shí)別過(guò)程始終在計(jì)算機(jī)上仿真完成，由于時(shí)間、能力有限，論文依然有許多不足，具體如下：冠字號(hào)的定位算法要求采集的人民幣完整，若不完整可能造成定位的錯(cuò)誤，今后需結(jié)合冠字號(hào)的性質(zhì)研究適應(yīng)性更強(qiáng)的算法。識(shí)別過(guò)程依然不能完全區(qū)分相似字符，比如“I”和“1”，“0”、“O”和“Q”，“5”和“S”，“C”和“G”等，識(shí)別的準(zhǔn)確率有待提高，今后需研究更有效的特征提取算法區(qū)分這些相似字符。參考文獻(xiàn)[1] 鄒平.人民幣發(fā)展史:五套人民幣的歷史[J].中國(guó)防偽報(bào)道,2015(08):38-42.[2] 錢海飛.新版百元人民幣防偽性能提升[J].人民公安,2016(Z1):23.[3] 徐全發(fā).紫金冠字號(hào)跟蹤系統(tǒng)在商業(yè)銀行反假幣中的應(yīng)用和推廣[J].中國(guó)金融電腦,20