基于支持向量机的人民币标记识别.docxVIP

基于支持向量机的人民币标记识别 1 人民币币款识别的理论及实践 随着计算机技术的发展，字符识别技术逐渐成熟，尤其是在印刷体符号的识别上，它取得了很大的识别效果。作为识别货币伪造的重要组成部分，人民币的序列识别提出了许多有效的理论和方法。 支持向量机 (SVM) 2 固定样本集方法 支持向量机是一种建立在统计学习理论基础之上的机器学习方法, 它基于结构风险最小化准则工作, 能在训练误差和分类器容量之间达到一个较好的平衡, 因而具有更好的性能 假定已知观测样本集为 (x 其中, Hessian矩阵Q是一个半正定矩阵, Q 求解二次规划问题 (1) 使用分解法, 本文采用的是SMO算法, 它可以看作是固定样本集算法的一种极端情况:把工作样本集大小固定为2, 每步都更新优化两个拉格朗日乘子α 因此, α 然后, 可求得α 至此, 可以得到本次迭代满足KKT (KarushKuhn-Tucker) 条件的两个拉格朗日乘子.这种算法把二次优化问题分解到可能达到的最小规模:每次优化只处理两个样本的优化问题, 并且用解析的方法进行处理.这样, 算法避开了复杂的数值求解优化问题的过程. 3 序列识别过程 本文描述的人民币序列号识别系统实现了从图像预处理到识别结果的过程, 而序列号识别是本文的重要内容.以序列号区域为研究对象, 主要包括图像预处理、图像分割以及序列号识别等过程 3.1 序列区域p进行噪声去噪 人民币图像总体上来说灰度偏高, 灰度值基本上都大于150 (对8位256灰度级而言) , 所以为了突出特征模块 (人民币序列号部分) , 处理时常常采用规定化处理, 首先判断整幅图像的灰度分布情况 (偏白或偏暗) , 然后将所需图像的灰度直方图进行变换. 本系统以较复杂的人民币纸币序列号识别功能实现过程为研究模型, 以人民币正面正向左下角双色异形横号码区作为特征模块来介绍后续的图像处理与识别处理过程.首先识别出纸币的正面正向 (由磁性传感器检测信号识别) , 然后将左下角包含序列号的一个大体区域P 然后利用图像增强技术处理序列号区域P 步骤1序列号模块的灰度修正 针对流通人民币新旧程度的差异, 首先对P 步骤2序列号模块的噪声去除 因为噪声一般频率都比较高, 在频率域内用低通滤波器进行图像平滑, 空域滤波是通过模板运算进行的.线性平滑滤波器对去除高斯噪声有很好的效果, 且在大多数情况下, 对其它类型的噪声也有很好的效果, 但由于均值滤波中要求取各像素灰度的平均值, 因此滤波后会使图像中的尖锐处、边缘处、不连续的点和细节部分变得模糊, 造成了图像信息的丢失. 在图像不连续的边缘部分, 图像存在灰度值的跳跃与突变, 本文采用改进的均值滤波的思想是:通过微分算子求出图像的不连续点, 在滤波后, 把这些点的灰度值恢复到平滑滤波前, 其它部分平滑滤波处理后的值不改变, 也就是只平滑图像非边缘部分, 边缘部分像素灰度值保持不变.改进后的均值滤波算法如下: (1) 先对原图进行局部均值滤波, 得到原图均值滤波图像. (2) 对原图进行锐化处理.木文选用拉普拉斯模板对图像进行锐化, 求取原图较细的边缘. (3) 对锐化图像进行简单的二值化, 得到边缘二值图像.采用比较类别方差法选取阈值. (4) 去除边缘二值化图像的孤立点. 孤立点:在M×N的模板内 (M、N分别为模板的长和宽) , 如果其内含的位置居中的 (M-1) × (N-1) 子模板内存在像素点, 且此子模板外、M×N模板内没有像素点, 即认为此子模板内的点为孤立点. (5) 利用去除孤立点后的边缘二值化图像信息, 把在第 (1) 步中均值滤波后图像的边缘点的灰度值恢复到滤波前. 在对灰度修正后的噪声图像去除噪声之前, 应对其进行二值化变换, 其中二值化的域值应根据步骤 (1) 中统计的P 经过灰度修正与去噪后的效果图如图3、图4所示. 3.2 图像的二值化处理 图像分割的目的是把图像空间分成一些有意义的区域, 最常用的分割方法是把图像灰度分成不同的等级, 然后用设置灰度门限的方法确定有意义的区域或欲分割的物体之边界.其中, 一种最简单实用的方法是对灰度修正后的图像进行二值化变换, 突出所关心的区域, 即进行如下变换: 其中, f (x, y) 为变换前图像, f 1) 将包含序列号的区域 (即上述提取的特征模块) 进行二值化处理, 突出字符序列; 2) 对二值化后的图像进行去噪处理, 包括边缘噪声和内部非字符点噪声; 3) 字符分割:搜索字符序列右上角起点, 然后根据所规定的数字模块和字母模块的大小, 得到字符相对起点的偏移量, 从而提取出最右边的一个字符; 4) 针对上一步所提取的最右边第一个字符后的图像, 循环执行3) , 直到所有字符分割完毕, 处理过程如图5所示. 3.3 拉