一种简易的纸币识别算法.docVIP

一种简易的纸币识别算法 宋晓骥 杨彦赟 谈斌 李建伟 张剑白 杨瑞芝 （国防科学技术大学电子科学与工程学院，长沙742100） 摘要:本文结合模式识别和随机信号分析与处理的相关理论，提出了一种纸币识别的模型，主要采用聚类分析和匹配滤波的方法，开发了一种简易而可靠的纸币识别算法，得出了一些有意义的结论。 关键词：模式识别 随机信号分析 聚类分析 匹配滤波 0 引言 纸币识别自动化技术，提高了商业、银行等行业的效率，方便了人们的日常生活。开发更好的纸币识别算法，一直受到研发人员的关注。纸币识别技术要有较高的正确性和实时性。同时，考虑到硬件平台，算法应当简易，便于移植和控制成本。针对这些要求，本文研究了一种基于聚类分析和匹配滤波的纸币识别算法。 1 聚类分析的原理 1.1 聚类分析简介 聚类分析考量了模式之间的相似性，把相似性大的样本聚集为一个类型。本文主要应用了简单聚类法。 这种方法将模式到各聚类中心间的距离与阈值相比较，都大于阈值时该模式就作为另一类的类心，小于阈值时按最小距离原则将其划分到某一类中。 其突出特点是计算简单。在待分类模式集给定的条件下，聚类结果很大程度上依赖于模式特征、距离门限T以及模式聚类中心的选取。当有特征矢量分布的先验知识来指导门限T及初始中心的选取时，可以获得较合理的结果。 下面讨论相似性测度和模式特征的选取。 1.2 相似性测度 在实际中较多使用欧氏距离（Euclidean）作为来衡量相似性，定义为： 设，那么欧氏距离 欧氏距离具有平移和旋转不变性，但是对于一般线性变换不是不变的，可以把数据标准化来克服这个缺点。在使用欧式距离时作为距离测度时，特征的量纲应统一；应选取能有效反映模式类别属性的特征，否则会造成严重的分类错误。 1.3 特征选择中的直接挑选法 直接挑选法是直接从已获得的n个原始特征中选d个特征，使可分性判据J满足 式中，是n个原始特征中的任意d个特征。在要求不高的场合下，为减少计算量，可以采用单独优特征提取法来挑选特征。 单独最优法基本思路是计算各特征单独使用时的判据值并递减排序，选取前d个特征。 2 匹配滤波的原理 2.1 匹配滤波理论简介 如图所示线性系统，设系统的传递函数为, 输入波形为 其中是确知信号； 是零均值平稳随机过程，功率谱密度为。当 时，输出信噪比达到最大。如果噪声是白噪声，这时的滤波器称为匹配滤波器。 2.2 匹配滤波器的特性 匹配滤波器的幅频特性为 它对输入信号的频谱进行加权。对于某个频率点，信号越强，加权系数越大；噪声越强，加权越小。可见，匹配滤波器的幅频特性有抑噪的作用。 匹配滤波器的相频特性为 由上式可以看出，滤波器的相频特性抵消了输入信号相角，使信号各频率分量的幅度同相相加；而对噪声各频率分量起到的是功率相加的作用。综合而言，信噪比得到提高。 3 工程实现 3.1 纸币识别问题的建模 纸币每一个面的数据是以8×60的矩阵的形式呈现的，为此建立了两个数据模型：特征空间矢量模型和随机过程模型。 特征空间矢量模型认为每个面有8个特征，每个特征是60维空间中矢量。这是模式识别中常用的一种模型，便于采用聚类的方法进行识别。 随机过程模型假定存在“理想”的纸币，“理想”纸币各面的特征是唯一的确知的信号。而实际的纸币由于污损、环境等原因，往这个信号中引入了噪声，因此，传感器采集到的是一个随机信号。将采集数据的过程视作一个随机过程，这个随机过程由8个样本函数组成，每个样本函数包含60个数据点。基于这个模型，可以利用随机信号分析的理论分析数据，进行更精确的识别。 3.2 算法的总体流程图 算法流程图如图3.2所示。 图3.2 总体流程图 3.3 数据预处理算法 数据预处理的任务，是由原始数据得出对“理想”纸币特征的估计，以及将待识别的样本（以下简称样本）做去均值和归一化处理。 “理想”纸币的特征将被用作聚类分析的类心，以及匹配滤波器设计中的确知信号，其估计是否准确，关系到识别的成败。为此，采用取中值的方法而不是取均值的方法获得这些特征：把所有样本中同一面值、同一面、同一传感器、同一维的数据排序，取中值作为“理想”纸币相应的特征值。这样有效地避免了噪声的影响，可以得到较准确的估计。 为有效利用欧氏距离来度量相似性，对标准数据和样本都进行了去均值和归一化的操作。 3.4 初步分类算法 初步分类算法应用特征空间矢量模型，任务是将样本指判为某一面值的纸币，不需要判断真假。 分类前运用直接挑选法，选择最具代表性的特征用于分类，以减少运算量。通过计算样本各特征到“理想”纸币各面的欧氏距离，发现样本的第1个特征，即1号传感器的数据最具区分性，把它作样本的特征。对其