一种基于深度学习的人民币防伪检测方法技术

本发明专利技术涉及一种基于深度学习的人民币防伪检测方法，包括：S1、获取真币和假币的纸币图像，进行归一化处理并截取多个特征区域；S2、判断是否为真币样本，若是则对特征区域采样一次，否则对特征区域进行重复采样，得到数据集；S3、分为训练集和测试集，训练集输入到特征提取网络得到深层特征图，再输入到分类模型中得到初始检测模型；S4、测试集输入到初始检测模型，根据测试结果进行参数调整；S5、判断检测结果的误差率是否小于预设阈值，若否将转至S3，若是则得到最优防伪检测模型，将自然光下的纸币图像输入到最优防伪检测模型，输出纸币图像对应的验钞结果。与现有技术相比，本发明专利技术具有对验钞设备的要求较低，提高验钞设备的灵活性等优点。等优点。等优点。

【技术实现步骤摘要】
一种基于深度学习的人民币防伪检测方法


[0001]本专利技术涉及防伪检测
，尤其是涉及一种基于深度学习的人民币防伪检测方法。

技术介绍

[0002]在现今社会上，假币逐渐成为社会“毒瘤”，假币对社会经济秩序、社会治安以及国家货币的声誉都有一定的损害。世界上的很多国家对于假币是比较讨厌的，很多国家将假币列为重点打击以及治理的对象。在银行的传统验钞设备中，大部分设备的传感器采用的是磁传感器和光学传感器，在银行的柜台中比较多的使用这种验钞设备，它的缺点表现在体积大、价格较高和不便携带等。另外，银行的验钞设备的图像鉴伪技术一般使用红外光、紫外光以及一些不可见光来对人民币图像制造防伪特征，这种情况下，不能完全应用自然光下人民币的图像防伪特征。目前移动设备上的纸币识别方法，主要有基于传统图像特征提取的图像识别方法和基于深度学习的图像识别方法。
[0003]现有技术中普遍的做法，是通过传统图像识别方法进行纸币识别。比如Papastavrou S(2010)在他的研究中，通过使用智能手机相机采集纸币图像，计算出纸币的高度以及宽度，来实现外国纸币的图像识别。Singh S(2014)通过手机相机采集来印度卢比图像，并通过BOW进行印度卢比的面值识别。Doush I.A.(2016)在他的研究发现中提出了手机识别系统，通过利用约旦第纳尔的SIFT特征进行识别，对光照和图像具有比较高的敏感度。这些传统图像识别的方法的缺点在于，图像特征的提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，并且每个方法都是针对具体应用的，泛化能力及鲁棒性较差。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的不便携带、泛化能力及鲁棒性较差的缺陷而提供一种基于深度学习的人民币防伪检测方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于深度学习的人民币防伪检测方法，具体包括以下步骤：
[0007]S1、获取智能设备采集的真币和假币的纸币图像，对纸币图像进行归一化处理，并在归一化后的纸币图像上截取多个特征区域；
[0008]S2、判断当前纸币图像是否为真币样本，若是则对特征区域采样一次，否则判断为假币样本并对特征区域进行重复采样，得到纸币图像的数据集；
[0009]S3、根据预设比例将数据集分为训练集和测试集，所述训练集输入到特征提取网络得到深层特征图，将深层特征图输入到分类模型中进行分类训练，得到初始检测模型；
[0010]S4、将测试集输入到初始检测模型，根据测试结果对特征提取网络和分类模型的参数进行调整；
[0011]S5、判断检测结果的误差率是否小于预设阈值，若否将转至步骤S3，若是则得到最
终的最优防伪检测模型，获取智能设备采集的自然光下的纸币图像输入到最优防伪检测模型，输出纸币图像对应的验钞结果。
[0012]所述假币样本的类型包括全假的无拼接样本、左真右假的拼接币样本、左假右真的拼接币样本以及左真右真的拼接帀样本。
[0013]所述步骤S1中采用定点定尺寸的方式截取特征区域。
[0014]所述特征区域的类型包括国徽区域、缩微文字区域、连续竖线纹理区域、主景人像区域和隐形文字区域。
[0015]所述步骤S2中重复采样的过程具体为将特征区域作为标准采样区域采样，然后将标准采样区域分别进行上下左右平移进行采样。
[0016]进一步地，所述步骤S2的重复采样中每个方向的平移次数为2次。
[0017]进一步地，所述步骤S2的重复采样中每次平移的距离为10像素。
[0018]对于一个假币样本的特征区域，将采集2X4+1＝9幅假币的特征区域图。
[0019]所述步骤S3中采用的是特征提取网络提取的深层特征图，是由于浅层的卷积核提取的多是一些浅层语义信息，这与利用传统的特征描述子的效果相当，没有充分利用神经网络的特征提取能力，而更加抽象、更高级的深层特征图，更能体现出目标所具有的独特属性。
[0020]所述特征提取网络具体为在ImageNet上完成预训练的VGG
‑
19网络，所述VGG
‑
19网络无全连接层，仅保留卷积池化组合层。
[0021]所述分类模型具体为LIBSVM模型。
[0022]所述分类模型中最优的误差惩罚参数和核参数通过网格搜索法计算得到。
[0023]与现有技术相比，本专利技术具有以下有益效果：
[0024]1.本专利技术使用深度学习方法提取人民币在自然光下的特征，利用这些特征来辨别人民币的真伪，不需要依赖特殊的光学设备，对验钞设备的要求较低，有效提高了验钞设备的灵活性，方便普及，实现人民币真伪鉴别移动终端化。
[0025]2.本专利技术选择更加抽象、更高级的深层特征图，体现出目标所具有的独特属性；使用定点定尺寸采样以及平移重复采样的方法，解决了正负样本不平衡的问题，避免由于正负样本不平衡导致模型效果差，有效提高了自然光下的验钞准确率。
附图说明
[0026]图1为本专利技术的流程示意图；
[0027]图2为本专利技术实时防伪检测的流程示意图。
具体实施方式
[0028]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0029]实施例
[0030]如图1所示，一种基于深度学习的人民币防伪检测方法，具体包括以下步骤：
[0031]S1、获取智能设备采集的真币和假币的纸币图像，对纸币图像进行归一化处理，并
在归一化后的纸币图像上截取多个特征区域；
[0032]S2、判断当前纸币图像是否为真币样本，若是则对特征区域采样一次，否则判断为假币样本并对特征区域进行重复采样，得到纸币图像的数据集；
[0033]S3、根据预设比例将数据集分为训练集和测试集，训练集输入到特征提取网络得到深层特征图，将深层特征图输入到分类模型中进行分类训练，得到初始检测模型；
[0034]S4、将测试集输入到初始检测模型，根据测试结果对特征提取网络和分类模型的参数进行调整；
[0035]S5、判断检测结果的误差率是否小于预设阈值，若否将转至步骤S3，若是则得到最终的最优防伪检测模型，获取智能设备采集的自然光下的纸币图像输入到最优防伪检测模型，输出纸币图像对应的验钞结果。
[0036]假币样本的类型包括全假的无拼接样本、左真右假的拼接币样本、左假右真的拼接币样本以及左真右真的拼接帀样本。
[0037]本实施例中，假币样本的数量为137张，真币样本的数量为1000张。假币样本中全假的无拼接样本为50张，左真右假的拼接币样本41张，左假右真的拼接币样本为45张，左真右真的拼接帀样本1张。
[0038]本实施例中，每一张纸币图像通过预处理后将其归一化到1540X3100大小。
[0039]步骤S1中通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人民币防伪检测方法，其特征在于，具体包括以下步骤：S1、获取智能设备采集的真币和假币的纸币图像，对纸币图像进行归一化处理，并在归一化后的纸币图像上截取多个特征区域；S2、判断当前纸币图像是否为真币样本，若是则对特征区域采样一次，否则判断为假币样本并对特征区域进行重复采样，得到纸币图像的数据集；S3、根据预设比例将数据集分为训练集和测试集，所述训练集输入到特征提取网络得到深层特征图，将深层特征图输入到分类模型中进行分类训练，得到初始检测模型；S4、将测试集输入到初始检测模型，根据测试结果对特征提取网络和分类模型的参数进行调整；S5、判断检测结果的误差率是否小于预设阈值，若否将转至步骤S3，若是则得到最终的最优防伪检测模型，获取智能设备采集的自然光下的纸币图像输入到最优防伪检测模型，输出纸币图像对应的验钞结果。2.根据权利要求1所述的一种基于深度学习的人民币防伪检测方法，其特征在于，所述假币样本的类型包括全假的无拼接样本、左真右假的拼接币样本、左假右真的拼接币样本以及左真右真的拼接帀样本。3.根据权利要求1所述的一种基于深度学习的人民币防伪检测方法，其特征在于，所述步骤S1中采用定点定尺寸的方式截取特征区域。4.根据权利要求1所述的一种基于深度学习...

【专利技术属性】
技术研发人员：王茜，
申请(专利权)人：交通银行股份有限公司，
类型：发明
国别省市：