基于BP神经网络的人民币识别方法研究

来源:用户上传      作者:

　　摘  要： 随着信息化时代的到来，智能识别成为研究的热点，本文以人民币识别为研究对象，运用Matlab软件系统中所提供的神经网络工具箱，结合图像处理技术，实现对各种不同面值纸质版人民币的识别。本文主要针对六种不同面值的纸币，即一元，五元，十元，二十元，五十元，一百元的人民币进行了识别，首先通过样本集构建，图像预处理，特征提取，矩阵转置，样本与样本标签建立一一对应关系，生成相应的训练和测试矩阵，进而通过BP神经网络对数据矩阵进行分类训练，通过一定的训练次数后，该系统对人民币的识别率可达到98.33%以上，具有较高的参考价值。
　　关键词： 人民币识别;Matlab软件;特征提取;BP神经网络
　　中图分类号： TP315    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.02.028
　　【Abstract】： With the advent of the information age， intelligent identification has become a hot topic of research. This paper takes RMB identification as the research object， USES the neural network toolbox provided by Matlab software system and combines image processing technology to realize the identification of paper RMB of various denominations. This article mainly aims at six different denominations of notes， and the 1yuan， 5yuan， 10 yuan， 20 yuan， 50 yuan， 100 yuan RMB for the identification， first by sample set build， image preprocessing， feature extraction， and matrix transpose， sample a one-to-one relationship with sample label， generate the corresponding training and test matrix， and then by the BP neural network to classify data matrix training， after a certain number of training， the system can achieve more than 98.33% recognition rate for the renminbi， which has high reference value.
　　【Key words】： RMB recognition; Matlab software; Feature extraction; BP neural network
　　0  引言
　　紙币的流传已具有悠久的历史，对于纸币的识别方法也已存有很多不同的研究方法，从最初的人工识别到现在的基于信息化的识别方法，它们都存在着自身的优点和缺陷，人工识别过程中，准确率相对较高，但大量的重复操作易使人产生反感和厌恶情绪，同时容易使人产生疲劳感。随着信息化时代的到来，传统识别方法的缺陷就更多的暴露出了出来。运用科学的识别方法解决纸币的识别成为研究的热点。现阶段常用的纸币识别方法主要有尺寸比较法、模板匹配、人工神经网络[1]等。在神经网络系统中，有BP网络、RBF网络、SOM网络、级联相关网络、Elman网络、Boltzmann机等，其中BP神经网络是较常见的一种，它是一种以误差反向传播为基础的前向网络，具有非常强的非线性映射能力[2]。本文运用Matlab软件中神经网络工具箱针对六种不同面值的人民币即一元，五元，十元，二十元，五十元，一百元进行训练学习，将训练后的结果运用于不同面值人民币识别，可以很好的解决人工识别所带来的弊端。
　　1  相关理论及方法
　　1.1  BP 神经网络
　　误差逆传播算法[3]，简称BP，它是迄今最成功的神经网络算法，现实任务中使用神经网络时，大多是在使用BP算法进行训练。
　　BP神经网络一般有以下特点：（1）一般是具有多层结构，包含有一个输入层，一个输出层，还有若干的隐含层，图1是一层神经网络的结构图形。（2）激活函数采用典型的Sigmoid函数，他把可能在较大范围内变化的输入值挤压到（0，1）输出值范围内因此有时也称为“挤压函数”[4]，函数表达式为sigmoid（x）=1/（1+），函数图像如图2所示。（3）BP算法基于梯度下降[5]策略，以目标的负梯度方向对参数进行调整。
　　1.2  LM算法
　　Levenberg-Marquardt又称莱文贝格-马夸特方法（Levenberg–Marquardt algorithm）能提供数非线性最小化（局部最小）的数值解。此算法能借由执行时修改参数达到结合高斯-牛顿算法以及梯度下降法的优点，并对两者之不足作改善[6]。在实际运用中由于网络中所含有的神经元数相对较多，想要取得较快的收敛速度，可采用LM算法。LM算法是介于牛顿法与梯度下降法之间的一种非线性优化方法，它具有自身的独有特性，使得运用LM算法时可以很好的应对参数过多的问题，它使得在求解函数全局最优问题时，减少了陷入局部最优的概率，因此常用其处理解决冗余参数问题[7]，这些特性使得LM算法在计算机视觉等领域得到广泛应用。LM算法的具体表现形式如下图3所示。 　　其中w（n+1）为第n+1次迭代时的权值，可根据第n次迭代结果w（n）解得。H为函数的海赛矩阵，其中包含了误差函数的倒数信息。Oi为第i个向量实际输出，ti为第i个向量的理想输出值，因而有H=JTJ， 其中J为雅可比矩阵，如果求得的-[JTJ+μI]-1JTe 能使误差指标函数降低，则μ降低，反之，则μ增加[8]。当μ=0时，LM算法转换为拟牛顿法。当μ很大时，LM算法相当于步长值较小的梯度下降法。
　　2  BP神经网络的图像识别
　　本文对于人民币的识别具体可分为图片预处理，模型的构建与测试。
　　2.1  图片预处理
　　我们获得的图像通常都是彩色图像，由于这些彩色图像尺寸不一、干扰噪声大，而且需要很大的存储开销，所以首先要对它进行预处理[9]。人民币图像的预处理是人民币识别中一个非常重要的模块，直接影响到后续图像识别的效果。通过人民币图像预处理模块，不但能去除图像噪声、提高图像质量、降低人民币识别中要遇到的各种阻扰因素，而且可以有效地降低系统的存储空间需求。具体实现方法有以下步骤，首先对于采集的彩色图像首先进行相应的灰度处理，边缘提取，膨胀和相应特定区域的裁剪，将我们所需要的特定区域提取出来，为后期的特征提取做好铺垫。具体实现步骤如下所示：
　　（1）导入图片集，运用函数将待处理图像导入，并获取文件路径和文件名。
　　（2）在人民币的流通过程中，不可避免的会产生污损，这就会对图片在进行特征提取的时候会产生很大的影响，因此需要对收集到的图片进行去噪声处理，本文所采用的处理方式为依次对待处理图像进行灰度处理，运用canny算子进行边缘提取，图像腐蚀，图像平滑，移除小对象，转换图像精度，横向扫描和纵向扫描后，去除无关的噪声影响，获得了较为清晰的待分析区域图像，获得的图片预处理进后的图像如下图4所示。
　　从图4可以看出，经过预处理后的图像，去除了无关噪声的影响，获得了较为清晰的图片区域，进而可以进行特征提取，将特征值转化为相应矩阵，获取相关训练数据集和测试数据集。
　　2.2  模型的构建与测试
　　在模型搭建阶段，由于不同参数的神经网络所训练出的结果是不一样的，经反复测验后选取训练次数为5000，精度5e-12。创建BP神经网络，运用BP神经网络对保存数据集进行训练，构建出模型，并对训练结果用测试集数据进行测验。检测结果如下图2-2所示，针对不同面值的人民币平均测试识别率为98.33%，具有较高的参考和应用价值。
　　3  结论
　　本文中针对六种不同面值即一元，五元，十元，二十元，五十元，一百元的人民币进行了识别，根据不同面值纸币提取它们各自所具有的特征值，运用BP神经网络根据它们的特征值矩阵进行分类训练，从而实现不同面值纸币的识别，具有一定的理论和现实意义。通过对不同面值的人民币进行处理和识别，可将其用于自动化的智能账目核对，对于BP神经网络的研究和学习现阶段已经有和很多文献，但对于不同的问题，运用不同的方法去解决会取得相对较好的结果，本文对于人民币的识别中存在的优点如下：
　　（1）对样本处理阶段运用多阶段图像处理，实现了较好的特征提取。
　　（2）根据测试结果来看，识别率相对较高，具有一定的应用价值。
　　同时通过多次的选取不同的训练次数来进行测验，发现在不同的训练结果下存在不同的识别率，最佳识别率在5000左右取得。
　　参考文献
　　金曦， 张健， 邵妍. 基于数字图像处理的人民币纸币面值识别[J]. 黑龙江科技信息， 2010（3）： 68-69.
　　陈明. Matlab 神经网络原理与实例精解[M]. 北京： 清华大学出版社， 2012.
　　王宏涛， 孙剑伟. 基于BP 神经网络和SVM 的分类方法研究[J]. 软件， 2015， 36（11）： 96-99.
　　周志华. 机器学习[M]. 北京： 清华大学出版社， 2016.
　　安大海， 蒋砚军. 基于BP 神经网络的人脸识别系统[J]. 软件， 2015， 36（12）： 76-79.
　　董扬帆. 基于纹理识别和卷积神经网络的人民币识别技术研究[D]. 武汉大学， 2018.
　　姚楠， 耿奇. 基于MATLAB GUI 的车牌自动识别系统设计[J]. 软件， 2016， 37（3）： 44-46.
　　吕新， 郑士富. 一种BP神经网络纸币图像识别方法的研究[J]. 山西建筑， 2014， 40（30）： 286-287.
　　秦潔， 张明举. 人民币面值特征参数提取及面值识别方法的研究[J]. 长春师范大学学报， 2019， 38（02）： 50-53.
转载注明来源:https://www.xzbu.com/8/view-15235370.htm