基于MATLAB的人民币纸币面值识别

摘 要：利用粘连字符分割和句法识别的方法，对人民币纸币图像进行识别。经试验证明，该方法能正确识别纸币面值，同时对票面的污迹等噪声的抑制有很好的效果。

关键词：纸币面值识别；粘连字符分割；句法识别；Levenshtein 距离

随着科技的发展，很多行业都出现了基于人民币纸币识别技术的智能化无人收费系统， 节省了大量的人力资源。人民币纸币的识别技术不仅可以应用在自动售货售票上，也可以应用到银行的自动存取款机，手机营业厅的自动交费机等。

目前已有的识别方法主要是利用统计方法进行识别，如尺寸比较法、模板匹配、人工神 经网络等。人民币纸币在流通中不可避免的会沾染污迹或磨损。这些方法虽然能快速识别出纸币的面值，但纸币上的微小污迹或其他图像 噪声对识别结果影响很大，甚至出现无法识别 或错误识别的现象。

为此提出以提高识别准确率为目的的识别方法，使用粘连字符分割和句法识别的方法 来识别纸币的面值。

1 面向识别

要进行人民币纸币面值识别，首先要确定人民币纸币的面向。只有确定出面向，才能准确 定位纸币要识别的特征区域。面向可分为：正面 正向、正面倒向、反面正向和反面倒向。在进行 识别前应先进行预处理，如倾斜校正、滤波等处 理。

在面向识别中，采用目前常用的方法[4]，即根据灰度来确定。这种方法识别速度快，准确率 高。对纸币图像分割成 9 块区域，进根据每一块的灰度进行比较，可以得出纸币的面向。

迹或磨损，如果面值数字上沾染上污迹，那么现 有的识别方法对污迹并没有太理想的解决办法。如模板匹配方法，阈值的设定将直接影响到 识别的结果。利用人工神经网络的方法[3]识别面 值，对有污迹的纸币识别效果也不是很理想而 且网络不容易收敛，运算量过大。而利用灰度投影方法[7]，识别结果受噪声影响比较大。人民币纸币识别对准确率要求很高，识别算法应在保 证高识别率的基础上尽可能的提高识别速度。 提出的识别方法将粘连字符分割应用到纸币识 别中并采用句法方法进行识别，这种方法受纸 币的污迹影响很小，即使有一些微小磨损或污迹也能准确识别。

1. 字符提取及分割

以 50 元面值的人民币为例，对数字 50 定

位后需要将两个字符分割开，而 5 和 0 连接的很紧密，粘连在一起，直接分割将损害字符的完 整。因此需要使用特殊的处理算法。先将数字字符滤波并进行边缘提取，经反复试验比较，can- ny 算子的效果较好，如图 3。得到 50 的空心字符，充填后进行细线化，得到图 4。

此时字符图像已经分离，可以轻易的将字符分割开。分割后也可以做一下简单的去毛刺 处理。如图 6 所示，是被分割出来的字符 5 和0。对字符的识别，这里采用句法识别的方法。

1. 1. 字符的识别

将字符图像分割成 4 个象限，如图 7，按几何的方法对象限排序，即右上角为第一象限，左上角为第二象限，左下角为第三象限，右下角为第四象限。之后判断每个象限的笔画。根据笔画的不同，列出代表笔画特征的表格，如图 8，可以得出

句法描述格式为：是否空心；第一象限笔画；第 2 象限笔画；第 3 象限笔画；第四象限笔画。

以 50 元人民币纸币为例，图 1 和图 2 分别为正面和反面灰度化后的图像，两图 A、B 两个特征区域位置排列和灰度有明显差别，据此可以判断出纸币的面向。

图 1 正面纸币图像

图 2 反面纸币图像

1. 面值识别

目前已有的识别方法主要是识别面值数字，人民币纸币在流通中不可避免的会沾染污。此时字符依然是粘连的。在二值图像中， 白色像素点的值为 1，黑色像素点值为 0。对图像每一列找出最上端为 1 的点和最下端为 1 的点，行数相减，得到差值 K。

图 3 采用canny 算子边缘提取

图 4 细线化后图像

最上端为 1 的点为f(i1,j1)，最下端为 1 的点为f(i2,j2)，K=i2- i1。

然后从 f(i1,j1)开始向下，把到 f(i1+K- 1,j1)之间的点的值都改为 1，如图 5

数字 0 可以描述为：19876； 数字 1 可以描述为：03333； 数字 2 可以描述为 ：05842；数字 5 可以描述为：02425；

对要识别的数字，将其描述出来的字符串进行匹配识别。对字符串进行匹配，就是对两个分别具有 m 和 n 个符号的字符串 X 和 Y，衡量他们之间的相似度，具体定义为：将字符串 X 变换成Y 需要的字母编辑次数。有三种编辑方法：代替、插入和删除。将描述要识别的数字的字符串设为X，需要匹配的模板字符串为 Y。采用 Levenshtein 距离算法，以矩阵的形式给出将X 变成 Y 的所有可能编辑的操作，然后根据这个矩阵算出最终结果。在中设矩阵 D（i,j），任何一个从 D（0，0）到 D（5，5）的路径，都表示了一个将 X 转变成 Y 的编辑操作序列。从 D（0，0）开始，算法逐步填充整个矩阵，具体公式如下所示。最小的D1，D2 和D3 被赋值到 D（i,j）中。

D1=D（i,j- 1）+c(λ→a) 2.1

D2=D(i- 1,j) + c(λ→a) 2.2

D3=D(i- 1,j- 1)+ c(λ→a) 2.3

如 0 与 5 的字符串相匹配, 得到矩阵如下表，可以得出 Levenshtein 距离为 4。

表 1

将表述要被识别的字符的字符串 X 与其他模板字符串依次匹配，算出 Levenshtein 距离，距离最小的，就是符合匹配的字符。

1. 试验结果

通过扫描仪扫描的不同面值纸币图像共200 张，包括第五版及新第五版人民币纸币的正面和反面图像，其中绝大多数是流通时间较长的纸币。在 MATLAB 7.0 中仿真，对纸币图像

进行识别。其中正确识别 199 张，错误识别 1 张。错误的原因是该纸币破损和污迹比较大，已 经影响到正常的流通。试验中对可以正常流通 的纸币，即使有一些小的污迹和破损，也能正确 的识别。

1. 结论

提出的识别方法能很好的克服字符上有污迹影响识别率的问题，同时也很好的解决了字符粘连而无法分割的问题。如字符上沾有污迹， 在细线化处理的时候可以很好的弱化污迹带来的影响，在用句法方法进行识别的时候可以尽可能的排除污迹的影响，达到准确识别的目的。 提出的方法把统计识别和句法识别方法相结合，实验结果表明，在该方法下对不同面值的纸币进行识别，识别率可以达到 99%以上，因此该方法有很好的实用性。

参考文献

1. 范立南,韩晓微,张广渊.图像处理与模式识别[M].北京：科学出版社，2007,3.
2. [ 美]Rafael C Gonzalez, Richard E Woods, Steven L Eddins. 阮秋琦译. 数字图像处理(MATLAB 版)[M].北京: 电子工业出版社, 2005. [3]杜选,高明峰.人工神经网络在数字识别中的

应用[J].计算机系统与应用,2007, (2):21-27.

1. 陈慧鹏,杨亮亮,李鸿.模糊集识别法在纸币清分中的应用研究[J].华中科技大学国家数控工程中心,2004.
2. 宋铭利.关于去除图像噪音的中值滤波算法

[J].洛阳师范学院院报,2012(5):67-69.

1. 韩贺磊.人民币纸币面额的机器视觉识别方法研究[D].大连理工大学,2017.
2. 张国华.一种基于模板匹配的人民币纸币面额识别方法 [J].沈阳工业大学学报,2015.