一种纸币识别系统的设计.doc

一个纸币识别系统设计

辽宁鞍山科技大学电子与信息工程学院(114044) 储茂祥 巩荣芬 吴庆洪

摘　要: 介绍了一个纸币识别系统硬件设计和对应识别方法。在硬件设计上,将高速数字信号处理(DSP)技术与复杂可编程逻辑器件(CPLD)和线阵型图像传感器(CCD)相结合;在识别方法上,应用图像处理技术与改善SOFM神经网络方法识别纸币。试验证实,此系统达成了高速、 实时、 识别率高要求。

关键词: DSP CCD 图像处理 SOFM网络

　　纸币清分是银行一项关键业务。 现在,中国很多银行使用纸币清分机都是由国外进口,价格昂贵。国产纸币清分机极少,而且功效都很有限,极难满足高速实时性要求,尤其是能够用图像处理方法来识别纸币纸币清分机还刚刚起步。
　　为此,设计了一个纸币识别系统。该系统以DSP为关键处理器,结合图像传感器CCD和复杂可编程逻辑器件CPLD,并辅以高性能模/数转换器AD9200,进行纸币图像采集、 处理。该系统关键针对人民币第四版和第五版5元、 10元、 20元、 50元、 100元九种纸币进行识别,利用数字图像处理技术和改善自组织映射神经网络(SOFM)提取纸币图像长度、 宽度、 方向块特征,区分纸币面值、 正反面与正反向。最终完成系统能达成较高识别速度和识别率。
1 硬件设计
　　识别系统总体硬件结构如图1所表示。人民币图像首先经过传感器CCD扫描后得到光电转换信号,并经过AMP三倍放大;然后将放大模拟信号经过模数转换器AD9200转换成为标准数字信号,送入到CPLD缓存;最终经过EDMA通道输入到DSPRAM中,在DSP中进行图像处理和识别。整个系统信号逻辑时序由CPLD来控制。 另外,还有部分辅助步骤,如纸币输入输出装置、 用户检测装置、 复位装置等。

图1 识别系统总体硬件结构框图

　　纸币图像采集由CCD与A/D转换器组成。本系统采取线阵型CCD[1],它采样速度较快、 电路设计比较简单、 体积小、 时序也易于实现。依据系统对采集速度要求,设置横向分辨率为4像素/毫米,共采集800个像素点;纵向分辨率为1像素 /毫米。每张图像高度不超出76毫米,两张纸币之间还有一定间隔,实际采集100列。这么,每张图像像素为800×100。纸币进入与离开判定使用红外线光电管检测。
　　人民币图像经过采集和A/D转换后,暂存入CPLD芯片XC95144中,然后由DSP经过EDMA通道直接传输。整个采集和存放过程时序信号是由XC95144产生。CPLD需要编程实现内部结构如图2所表示。其中,ADCLK信号是发送给AD9200时钟信号,SP、 CP信号传送给CCD移位寄存器作为开启脉冲和采样时钟脉冲。
　　图像识别部分由数字信号处理器DSP[2]及对应外围电路组成,其结构如图3所表示。数字信号处理器DSP选择TI企业生产TMS320C6711GFN150芯片,主频为150MHz。扫描采集到纸币图像数据Data经EDMA存入静态存放器SRAM中,DSP对已存入SRAM数据作一系列识别算法运算,并将最终止果经过DSPMcBSP1口输出。

图2 CPLD内部结构图

图3 DSP及对应外围电路结构图

2识别方法
2.1图像定位与面值识别
　　定位图像包含两个方面:图像边界及中心点确定和图像倾斜度校正。求取图像边界中心点方法,采取自整个扫描图像边界向内选择,确定纸币图像边界上少数点,再对这些点进行直线拟合,从而确定纸币四个边界。四个边界中心点连线交点即为图像中心点。纸币图像边界与扫描采集图像边界夹角就是倾斜角。要求倾斜角超出17°地纸币,作为不可识别类。
　　确定了纸币图像边界、 中心点和倾斜角后,纸币长度和宽度就能正确地计算出来。对于长宽差异小人民币(比如4版5元与5版50元),则提取图像区域特征加以区分比较,判别面值。
2.2 图像面向识别
　　纸币正反面与正反向识别在以往纸币清分机系统中采取人工提取特征识别方法,试验周期长,不含有适应性与系统性。本文采取自组织特征映射神经网络方法,自动寻求纸币图像特征分布,加以识别。
　　本系统SOFM网络输入层为72个节点,输出层为4个节点。输入是纸币图像72维方向块特征数据向量,计算输出是正面正向、 正面倒向、 反面正向、 反面倒向四种面向标志。其中,取得方向块特征向量数据方法是将纸币图像划分为72个块,对每个块按步长为4个像素取值作灰度平均,将灰度均值作为方向块特征数据。本系统SOFM网络具体算法以下:
　　a. 对全部输入节点到输出节点连接权值赋以初始化值,初始化学习系数α＝0.5。
　　b. 对第m类币种网络输入样本数据Xm＝[x1,x2,…,x72],m=1,2,…,9。
　　c. 计算输入Xm与全部输出节点连接权值Wj距离:

　　d. 选择含有最小距离节点j*作为获胜节点:dj*=min{dj}。
　　e. 调整输出节点j*与输入节点连接权值和学习系数α:

式中,n为第m类币种样本数据个数。
　　f. 若第m类币种还有训练样本数据,转到 b;不然,转到g。
　　g. 若m≥9,训练结束;不然,转入第m+1类币种训练。
　　本系统是将需要识别第四版与第五版人民币共九种主币分为九类处理,所以对于每一类币种网络输出只存在四种面向标志相互竞争。依据这一点,能够改善算法:先将四个输出节点对应好四种面向标志,然后从同一个类纸币样本中选择每个面向特征数据作为该面向对应输出节点到输入节点连接权值初始值。
3 试验与总结
　　在试验中,共使用1800张人民币训练识别网络,每一类人民币200张,算上每张人民币四个面向,可认为每一类纸币训练样本为800个。另外,每一类人民币取400张做测试,共3600张,可认为测试样本是14400个。其中,表1为试验测试数据(未含不识别类处理)。不识别类关键是由倾斜角超出引发,在试验中将它重新测试,直至识别出。
表1 试验测试数据

面值
正面正向
正面倒向
反面正向
反面倒向
　四版5元
400
399
399
399
399
　四版10元
400
400
400
400
400
　四版50元
400
400
400
400
400
　四版100元
400
400
400
400
400
　五版5元
400
397
396
396
397
　五版10元
400
400
400
400
400
　五版20元
400
398
398
399
398
　五版50元
400
400
400
400
400
　五版100元
400
400
400
399
400
　识别率
100%
99.82%

　　试验结果表明,本系统对纸币面值识别率达100%,对面向识别率达99.82%。纸币识别速率达650张/分,满足了高速实时性。对0.18%误差率作了研究,发觉关键是由纸币残缺引发,它使纸币长宽检测不准,或者破坏了图像特征方向块分布。以后工作将着重研究纸币残缺识别。