專利名稱：基于纖維個性化特征的票據(jù)防偽鑒別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種票據(jù)防偽鑒別方法，尤其涉及一種基于票據(jù)表面纖維個性化特征實現(xiàn)的防偽鑒別方法，屬于金融安全鑒偽技術(shù)領(lǐng)域。
背景技術(shù)：
隨著國民經(jīng)濟的快速發(fā)展，金融票據(jù)的應(yīng)用越來越廣泛。但目前金融票據(jù)在管理、 使用和鑒偽方面還存在一些問題，社會上的不法分子把作案目標(biāo)直接瞄準(zhǔn)了銀行，金融票據(jù)詐騙案件時有發(fā)生，給國家造成重大的經(jīng)濟損失。現(xiàn)有的金融票據(jù)鑒偽方法主要依靠人工定性分析為主，所存在的問題是人工鑒別強度大、耗時久，且容易由于疲勞或疏忽造成誤檢。纖維是票據(jù)的重要防偽標(biāo)志之一，而且不同票據(jù)中纖維位置的隨機分布不一樣， 因此可以提取纖維分布特征進行票據(jù)鑒偽。在紫外光照射下，纖維有熒光效應(yīng)，便于提取防偽特征。在這個過程中，票據(jù)表面的纖維特征提取是關(guān)鍵步驟和難題。由于票據(jù)表面的背景非常復(fù)雜，包括文字、邊框、熒光標(biāo)志和平緩區(qū)域等，灰度分布范圍很廣，而纖維目標(biāo)比較小，雖然灰度大致分布在高亮區(qū)，但與背景灰度分布并沒有明顯的界限，區(qū)分比較困難。而且實踐中要求對于同一張票據(jù)用結(jié)構(gòu)相似的機器提取纖維特征，其結(jié)果要一致，這就要求特征提取方法的自適應(yīng)性和穩(wěn)定性都要好。在專利號為ZL 200510121107. 2的中國發(fā)明專利中，公開了一種纖維圖像防偽方法，包括如下步驟提取真實纖維圖像的信息并生成真實纖維圖像數(shù)據(jù)庫，通過將待驗證纖維圖像與數(shù)據(jù)庫中的真實纖維圖像進行比較從而確定待驗證纖維圖像的真實性。使用該發(fā)明的方法能夠克服在紫外燈下用肉眼分辨熒光纖維紙真實性的不足，可以在一定程度上消除熒光纖維紙在防偽應(yīng)用中的安全隱患。但是無法鑒別仿照真票采用熒光筆繪制的虛假纖維。另外，謝劍斌、劉通、陳章永等人在論文《基于極值濾波和OTSU的票據(jù)表面纖維特征提取》(刊載于《計算機工程》2009年第7期)中，針對票據(jù)表面纖維特征提取的難題，提出基于極值濾波和OTSU的票據(jù)表面纖維特征提取方法，包括采用極大值濾波方法增強纖維特征并整合復(fù)雜背景對象。采用優(yōu)化流程的OTSU算法分割圖像，提取纖維特征。實驗結(jié)果證明，該方法提取票據(jù)表面纖維特征效果好、速度快，一致性指標(biāo)達91 %以上。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于提供一種基于纖維個性化特征的票據(jù)防偽鑒別方法。該方法融合了極大值濾波和改進二維熵的纖維小目標(biāo)檢測技術(shù)，具有很好的自適應(yīng)性和穩(wěn)定性。為實現(xiàn)上述的發(fā)明目的，本發(fā)明采用下述的技術(shù)方案一種基于纖維個性化特征的票據(jù)防偽鑒別方法，其特征在于包括如下步驟(1)圖像預(yù)處理對攝像機獲取到的票據(jù)圖像進行處理，得到標(biāo)準(zhǔn)化的票據(jù)圖像；
(2)背景融合采用極大值濾波器進行圖像濾波，將所述票據(jù)圖像中的多類對象轉(zhuǎn)化成平緩區(qū)域背景和纖維目標(biāo)兩類對象；
(3)目標(biāo)檢測采用優(yōu)化的二維熵分割算法分割票據(jù)圖像，檢測纖維目標(biāo)；
(4)特征提取提取纖維目標(biāo)的防偽特征，所述防偽特征為質(zhì)心坐標(biāo)、面積、曲率和矩特征中的一個或多個；
(5)特征匹配基于所述防偽特征進行特征匹配，鑒別票據(jù)的真?zhèn)巍?br> 其中較優(yōu)地，所述步驟(1)進一步包括如下的子步驟第一，對攝像機獲取到的票據(jù)圖像進行畸變校正；第二，將票據(jù)圖像中邊界的背景裁剪掉，只保留票據(jù)區(qū)域，并將圖像調(diào)整到統(tǒng)一的尺寸；第三，將裁剪后的票據(jù)圖像進行兩層小波變換，保留變換后的低頻信息作為后續(xù)處理的圖像信息。
其中較優(yōu)地，所述步驟(2)中，所述極大值濾波器的窗口尺寸在5X5 15X15像素范圍內(nèi)。
其中較優(yōu)地，所述步驟C3)中，首先生成所述票據(jù)圖像關(guān)于點灰度-鄰域灰度均值的二維直方圖，然后在點灰度-鄰域灰度均值平面中沿對角線分布的區(qū)域用點灰度-鄰域灰度均值二維最大熵法確定最佳閾值。
在確定所述最佳閾值時，采用如下無失真的快速遞推算法首先求出每一行P的初始值，然后遞推計算本行其它P值，同時記錄各列的初始增量；下一行運算時首先計算下一行P的初始值，同時刷新初始行的P值；所述P為所述二維直方圖中沿對角線分布的區(qū)域的像素和。
在確定所述最佳閾值時，進一步采用如下有失真的優(yōu)化搜索策略第一步在點灰度-鄰域灰度均值平面的對角線上進行粗略搜索，尋找使改進二維熵判別函數(shù)取最小值的閾值所在的區(qū)域；第二步在第一步搜索確定的所述區(qū)域周圍鄰域求使所述改進二維熵判別函數(shù)取最小值的閾值作為最佳二維熵分割閾值。
其中較優(yōu)地，所述步驟(3)中，對于分割后的二值化圖像通過如下步驟進行標(biāo)識
步驟1 使用中值濾波消除孤立噪聲點；
步驟2 采用膨脹和腐蝕操作合并目標(biāo)區(qū)域的，除去圖像的孔洞；
步驟3 采用鄰接連通方法對檢測出來的纖維目標(biāo)的二值圖像進行標(biāo)識。
其中較優(yōu)地，所述步驟中，所述矩特征采用7個Hu不變矩特征表征。
其中較優(yōu)地，所述步驟(5)中，如果當(dāng)前票據(jù)中某個纖維目標(biāo)的防偽特征與出票時提取的所有纖維目標(biāo)的防偽特征的最小距離都小于設(shè)定的閾值，則認為該纖維目標(biāo)與數(shù)據(jù)庫匹配，匹配目標(biāo)數(shù)加1 ；當(dāng)所述匹配目標(biāo)數(shù)與當(dāng)前票據(jù)中總的纖維目標(biāo)數(shù)的比值大于預(yù)定值時，認為該票據(jù)為真票；否則認為該票據(jù)為假票。
本發(fā)明不僅可以更快速地檢測纖維小目標(biāo)的精確位置，而且保留了纖維小目標(biāo)的輪廓細節(jié)信息。在特征提取階段，不僅提取了纖維的質(zhì)心坐標(biāo)特征，而且還提取了纖維面積、曲率和矩特征，因此可以更準(zhǔn)確地鑒別票據(jù)真?zhèn)危绕涫氰b別采用熒光筆繪制的虛假纖維。


下面結(jié)合附圖和具體實施方式
對本發(fā)明作進一步的詳細說明。
圖1為本發(fā)明所提供的票據(jù)防偽鑒別方法的整體流程圖；圖2為點灰度-鄰域灰度均值平面的示意圖；圖3為本票據(jù)防偽鑒別方法中所使用的優(yōu)化搜索策略的示意圖。
具體實施例方式在深入分析票據(jù)圖像各類對象灰度分布規(guī)律的基礎(chǔ)上，本發(fā)明首先提出了基于極大值濾波和改進二維熵的纖維小目標(biāo)檢測方法，檢測金融票據(jù)中的纖維目標(biāo)；然后提出基于四元組的特征提取與匹配方法，鑒別票據(jù)的真?zhèn)巍Ｈ鐖D1所示，該票據(jù)防偽鑒別方法主要包括五個圖像處理步驟第一步是圖像預(yù)處理，得到標(biāo)準(zhǔn)化的票據(jù)圖像；第二步是背景融合，將票據(jù)圖像的多類對象轉(zhuǎn)變?yōu)閮深悓ο螅蠢w維目標(biāo)和平緩區(qū)域背景；第三步是目標(biāo)檢測，采用優(yōu)化的二維熵分割算法快速分割票據(jù)圖像，檢測纖維目標(biāo)；第四步是特征提取，提取纖維目標(biāo)的防偽特征；第五步是特征匹配，鑒別票據(jù)真?zhèn)巍Ｏ旅娣謩e展開詳細的說明。1.圖像預(yù)處理圖像預(yù)處理階段的工作主要有三個第一，對攝像機獲取到的票據(jù)圖像進行畸變校正，減小圖像畸變對水印結(jié)構(gòu)和相對位置的影響；第二，將票據(jù)圖像中邊界的背景裁剪掉，只保留票據(jù)區(qū)域，并將圖像調(diào)整到統(tǒng)一的尺寸(即標(biāo)準(zhǔn)化)；第三，將裁剪后的票據(jù)圖像進行兩層小波變換，保留變換后的低頻信息作為后續(xù)處理的圖像信息。此處兩層小波變換的貢獻有兩個方面，一是在保留圖像主要信息的前提下降低待處理圖像的尺寸，從而降低后續(xù)圖像處理各個階段的運算量；二是減小光照和噪聲對纖維目標(biāo)檢測的干擾，增強算法的魯棒性。在本發(fā)明中，所用的兩層小波變換公式為
2)/2 M-IN-I
W(j,m,η) = -^ Y f(x,y)■ φ(2] -x-m)·φ(2] -y-n)( 1)
λ!Μ .N X=O y=0其中，W(j，m，n)系數(shù)為在尺度j處圖像f (x，y)的近似，m和η分別表示變換后圖像的寬度和高度4為Haar小波尺度函數(shù)，用公式表示為
叫0,其他(2)2.背景融合在金融票據(jù)的圖像中有字體、邊框、平緩區(qū)域和纖維等多類對象，灰度分布范圍廣。仔細分析各類對象的灰度分布可以發(fā)現(xiàn)，字體和邊框所占像素數(shù)目少，而且灰度值偏小；平緩區(qū)域所占像素數(shù)目很多，而且灰度值居中；纖維所占像素數(shù)目少，而且灰度值偏大。為此，發(fā)明人首先采用極大值濾波器進行圖像濾波，將字體和邊框兩類對象歸入平緩區(qū)域，同時增強纖維目標(biāo)，避免光源不穩(wěn)定等因素造成的纖維特征斷裂或者部分缺失。通過極大值濾波，可以將票據(jù)圖像的多類對象轉(zhuǎn)化成兩類對象，即平緩區(qū)域背景和纖維目標(biāo)。影響極大值濾波效果的主要因素是濾波窗口尺寸，窗口太大不僅影響處理速度， 而且會造成特征的混疊，然而窗口太小又不能很好地融合背景和增強特征。經(jīng)過大量實驗驗證，窗口尺寸應(yīng)該在5 X 5 15 X 15 (單位像素)范圍內(nèi)，例如本發(fā)明的一個實施例中窗口尺寸設(shè)為11X11。這樣，極大值濾波器為
& = maXiJ, Hiaxij為像素點(i，j)所在IlX 11鄰域窗口內(nèi)的灰度最大值
3.目標(biāo)檢測
在金融票據(jù)的熒光圖像中，雖然熒光纖維處在高亮區(qū)，但容易受到光照和噪聲等的干擾，所以精確分割纖維目標(biāo)并不容易。通過大量實驗，發(fā)明人采用二維熵法分割纖維目標(biāo)。二維熵法是利用圖像單象素點的灰度值分布及其鄰域的平均灰度值分布所構(gòu)成的二維灰度直方圖選取閾值，優(yōu)點是算法適應(yīng)性強、分割效果更好，缺點是處理速度太慢。為此， 發(fā)明人采用優(yōu)化的二維熵函數(shù)，提出了一種無失真的快速遞推算法和有失真的優(yōu)化搜索策略，在不影響分割效果的前提下極大地提高了改進二維熵的運算速度。具體說明如下
首先，發(fā)明人根據(jù)熵函數(shù)在等概率場下取到最大值的性質(zhì)，對二維熵函數(shù)進行優(yōu)化，提出一種分割效果相同、計算速度更快、實時處理能力更強的二維熵函數(shù)。
設(shè)X是取有限個值的隨機變量，Pi = P{X = Xi),i = 1,2,…，n，其中Pi為事件Xi 發(fā)生的概率，P表示事件的概率，η為樣本容量，則X的Siannon熵H(X)定義為
權(quán)利要求
1.一種基于纖維個性化特征的票據(jù)防偽鑒別方法，其特征在于包括如下步驟(1)圖像預(yù)處理對攝像機獲取到的票據(jù)圖像進行處理，得到標(biāo)準(zhǔn)化的票據(jù)圖像；(2)背景融合采用極大值濾波器進行圖像濾波，將所述票據(jù)圖像中的多類對象轉(zhuǎn)化成平緩區(qū)域背景和纖維目標(biāo)兩類對象；(3)目標(biāo)檢測采用優(yōu)化的二維熵分割算法分割票據(jù)圖像，檢測纖維目標(biāo)；(4)特征提取提取纖維目標(biāo)的防偽特征，所述防偽特征為質(zhì)心坐標(biāo)、面積、曲率和矩特征中的一個或多個；(5)特征匹配基于所述防偽特征進行特征匹配，鑒別票據(jù)的真?zhèn)巍?br> 2.如權(quán)利要求1所述的票據(jù)防偽鑒別方法，其特征在于所述步驟C3)中，首先生成所述票據(jù)圖像關(guān)于點灰度-鄰域灰度均值的二維直方圖，然后在點灰度-鄰域灰度均值平面中沿對角線分布的區(qū)域用點灰度-鄰域灰度均值二維最大熵法確定最佳閾值。
3.如權(quán)利要求2所述的票據(jù)防偽鑒別方法，其特征在于在確定所述最佳閾值時，采用如下無失真的快速遞推算法首先求出每一行P的初始值，然后遞推計算本行其它P值，同時記錄各列的初始增量；下一行運算時首先計算下一行 P的初始值，同時刷新初始行的P值；所述P為所述二維直方圖中沿對角線分布的區(qū)域的像素和。
4.如權(quán)利要求2所述的票據(jù)防偽鑒別方法，其特征在于在確定所述最佳閾值時，采用如下有失真的優(yōu)化搜索策略第一步在點灰度-鄰域灰度均值平面的對角線上進行粗略搜索，尋找使改進二維熵判別函數(shù)取最小值的閾值所在的區(qū)域；第二步在第一步搜索確定的所述區(qū)域周圍鄰域求使所述改進二維熵判別函數(shù)取最小值的閾值作為最佳二維熵分割閾值。
5.如權(quán)利要求1所述的票據(jù)防偽鑒別方法，其特征在于所述步驟(3)中，對于分割后的二值化圖像通過如下步驟進行標(biāo)識步驟1 使用中值濾波消除孤立噪聲點；步驟2 采用膨脹和腐蝕操作合并目標(biāo)區(qū)域的，除去圖像的孔洞；步驟3 采用鄰接連通方法對檢測出來的纖維目標(biāo)的二值圖像進行標(biāo)識。
6.如權(quán)利要求1所述的票據(jù)防偽鑒別方法，其特征在于對于所述纖維目標(biāo)采用雙閾值剔除虛假的目標(biāo)，所述雙閾值包括閾值下限40像素和閾值上限200像素。
7.如權(quán)利要求1所述的票據(jù)防偽鑒別方法，其特征在于所述步驟(1)進一步包括如下的子步驟第一，對攝像機獲取到的票據(jù)圖像進行畸變校正；第二，將票據(jù)圖像中邊界的背景裁剪掉，只保留票據(jù)區(qū)域，并將圖像調(diào)整到統(tǒng)一的尺寸；第三，將裁剪后的票據(jù)圖像進行兩層小波變換，保留變換后的低頻信息作為后續(xù)處理的圖像信息。
8.如權(quán)利要求1所述的票據(jù)防偽鑒別方法，其特征在于所述步驟O)中，所述極大值濾波器的窗口尺寸在5X5 15X15像素范圍內(nèi)。
9.如權(quán)利要求1所述的票據(jù)防偽鑒別方法，其特征在于所述步驟(4)中，所述矩特征采用7個Hu不變矩特征表征。
10.如權(quán)利要求1所述的票據(jù)防偽鑒別方法，其特征在于所述步驟(5)中，如果當(dāng)前票據(jù)中某個纖維目標(biāo)的防偽特征與出票時提取的所有纖維目標(biāo)的防偽特征的最小距離都小于設(shè)定的閾值，則認為該纖維目標(biāo)與數(shù)據(jù)庫匹配，匹配目標(biāo)數(shù)加1 ；當(dāng)所述匹配目標(biāo)數(shù)與當(dāng)前票據(jù)中總的纖維目標(biāo)數(shù)的比值大于預(yù)定值時，認為該票據(jù)為真票；否則認為該票據(jù)為假票。
全文摘要
本發(fā)明公開了一種基于纖維個性化特征的票據(jù)防偽鑒別方法，包括如下步驟對攝像機獲取到的票據(jù)圖像進行處理，得到標(biāo)準(zhǔn)化的票據(jù)圖像；采用極大值濾波器進行圖像濾波，將票據(jù)圖像中的多類對象轉(zhuǎn)化成平緩區(qū)域背景和纖維目標(biāo)兩類對象；采用優(yōu)化的二維熵分割算法分割票據(jù)圖像，檢測纖維目標(biāo)；提取纖維目標(biāo)的防偽特征，防偽特征為質(zhì)心坐標(biāo)、面積、曲率和矩特征中的一個或多個；基于防偽特征進行特征匹配，鑒別票據(jù)的真?zhèn)巍１景l(fā)明融合了極大值濾波和改進二維熵的纖維小目標(biāo)檢測技術(shù)，具有很好的自適應(yīng)性和穩(wěn)定性。
文檔編號G07D7/06GK102542655SQ20111036293
公開日2012年7月4日 申請日期2011年11月16日 優(yōu)先權(quán)日2011年11月16日
發(fā)明者劉通, 惠騰飛, 李沛秦, 謝劍斌, 閆瑋, 陳章永 申請人:中鈔實業(yè)有限公司