邓安良+任明武
摘 要： 纸币面额识别是纸币清分过程中的一个很重要的步骤，目前对纸币面额识别的研究主要集中于灰度图像上，还没有人使用彩色图像做过纸币面额识别的研究。在此提出一种基于HSV空间的纸币面额识别算法，根据待识别纸币和不同面额纸币的H、S、V分量均值的色差大小来对纸币的面额进行识别。在此首先使用扫描仪扫描到的高分辨率的图像进行实验，证明了算法的正确性。然后采用智能点验钞机采集到的低分辨率的图像进行实验，针对低分辨率图像，提出采用直方图均衡化的改进算法，分类准确率达到98.78%，证明本算法能够满足实际应用的需要。
关键词： 纸币清分; 面额识别; HSV空间; 色差
中图分类号： TN919?34; TP391.41 文献标识码： A 文章编号： 1004?373X（2015）02?0088?04
Banknote denomination recognition algorithm based on HSV space
DENG An?liang， REN Ming?wu
（School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）
Abstract： Denomination recognition of banknote is a very important step in the process of paper currency sorting. The current research of the denomination recognition of banknote is mainly concentrated in the gray image， but no one uses color image for the research. A banknote denomination recognition algorithm based on HSV space is presented in this paper， which recognizes the denomination of banknote according to the color scale of H， S， V component of different banknotes. The correctness of the algorithm was proved by the high resolution images got by a scanner. The low resolution images collected by the smart currency detector were employed to carry out an experiment for recognition of low resolution images. An improved algorithm of using histogram equalization is proposed， whose classification accuracy rate reaches 98.78%. It proves that this algorithm can meet the needs of practical application.
Keywords： paper currency sorting; denomination recognition; HSV space; color difference
0 引 言
纸币图像清分是指根据由图像传感器获取到的纸币图像存在的各种特征，对纸币面向、面额、新旧、污渍、破损等进行清分。在纸币的清分处理中，面额清分是一个很重要的功能。智能点验钞机一般具备面额识别、金额累加等功能。人工对面额进行清点和计数效率很低，而且错误率也很高。为此，必须研究出一种高效的纸币面额识别方法。
目前对于纸币面额的识别主要有4种方法：第1种是根据纸币宽度识别[1];第2种是根据纸币金属线的长度识别;第3种是神经网络训练后识别[2];第4种是根据面额数字识别[3]。目前还没有人对利用彩色图像来进行纸币的面额识别进行研究，本文提出了一种利用彩色图像对纸币面额进行识别的算法。
1 算法原理
1.1 HSV颜色空间
采集的彩色图像一般用RGB空间来表示。R，G，B分别代表红、绿、蓝，一个像素和一个三维的向量相关联，向量的每一个分量分别代表的是红、绿、蓝对应的色彩的亮度[4]。
除了RGB空间之外，通常用来表示彩色图像的还有YIQ空间、YUV空间、HSI空间、HSV空间、CMYK空间等等[5]。其中HSI颜色空间和HSV颜色空间是基于感知的彩色空间。本文采用HSV空间来表示图像。
HSV颜色空间通常也称为HSB颜色空间，和人的主观感受一致。H表示像素的色调，S表示像素的饱和度，V表示明度，即像素的亮度[6]。色调H是该光在光谱中所处的位置，用角度来表示，范围是0°～360°，其中红色、绿色和蓝色分别相隔120°，互补的颜色分别相差180°。饱和度H的取值范围为0～1之间，它表示的是是颜色的饱和度和该颜色的最大的饱和度之间的比率。明度H即亮度，表示的是色彩的明亮程度，取值范围也是0～1。
HSV空间的三维的表示是从RGB立方体演化而来的。设想从RGB沿着立方体的对角线的白色的顶点向黑色的顶点进行观察，就可以看到六边形的外形。六边形的边界表示的是色彩，六边形的水平轴表示的是纯度，六边形的垂直轴表示的是明度。
1.2 色差公式
如图1，图2两幅图像是从扫描仪扫描到的高分辨率的纸币彩色图像。
<E：＼王芳＼现代电子技术201502＼Image＼06t1.tif>
图1 扫描仪扫到的100元彩色图像
<E：＼王芳＼现代电子技术201502＼Image＼06t2.tif>
图2 扫描仪扫到的50元彩色图像
用肉眼可以很明显地看出两幅彩色图像之间的颜色差别，如何将这种差异用计算机来表示呢，事实上，在彩色图像处理中，总需要比较一幅或者多幅图像间的彩色。必须要确定和描述在彩色空间中两个颜色的差别。色差公式就是来做这个工作的。使用色差公式来比较2种颜色之间的差异[8]。
HSV模型是一个连续的颜色模型，对于HSV模型，任意的2种颜色之间的距离可以定义为，它们在HSV空间中所处的空间位置的两点间的直线距离。即如果在HSV空间中有两个点X（H1，S1，V1）和Y（H2，S2，V2），则这两点之间的距离表示为：
[D（X，Y）=[（S1×sinH1-S2×sinH2）2+ （S1×cosH1-S2×cosH2）2+（V1-V2）2]12] （1）
1.3 算法原理
使用彩色图像进行纸币的面额识别方法其实也是有很多的，我们可以使用传统的方法，比如模板匹配法[9]。但是使用这些方法对于彩色图像的处理来说速度很慢，不能够适应实际应用的需要。如果能够直接使用颜色信息对纸币面额进行识别的话，那就能够加快处理的速度，为此进行了研究。
通过文献发现，有人使用颜色信息来定位车牌取得了很好的效果[10]，有人使用颜色信息提取成熟的水果取得了很好的效果[11] ，有人用彩色检测车道线[12]。他们使用的方法大都是先将彩色图像转换到某种彩色空间，然后根据色差或者色差图像来进行定位识别。受到这些的启发，思考能不能使用色差来识别纸币面额，答案是肯定的。
其方法是，首先将RGB彩色图像转换到HSV空间，然后分别计算100元、50元、20元、10元、5元、1元的HSV分量的均值。识别的时候对于输入的彩色图像，也计算其HSV分量均值，然后依次同这六个面额的HSV均值进行色差比较，找出色差较小的那一类，纸币就属于那一类。
利用HSV空间识别纸币面额的算法步骤是：
（1） 将纸币图像从RGB空间转换到HSV空间。
（2） 计算出每种面额的纸币的H，S，V分量的均值并记录下来。
（3） 将待识别图像与上述值进行色差比较。
（4） 找出色差较小的类别即为该类别。
2 高分辨率下实验
对100元、50元、20元、10元、5元、1元的纸币分别用扫描仪扫描了多份，得到了纸币的高分辨率图像。将正面正放的RGB图像转换到HSV空间，然后取右半部分各分量均值如表1所示。
表1 不同面额纸币H，S，V分量均值表
进行实验得到结果如表2所示。
由表2可知，使用本算法准确率达到了88.24%。由于本文使用的彩色图像是扫描仪获取的，获得的样本比较少，所以计算各个面额的H，S，V均值方面存在一些误差，导致分类存在一些误差。如果能够获取更多的样本，进行大量的实验，相信本文算法的识别效果还会有所提高。
表2 识别结果
通过上述实验，证明本识别算法是一种正确的识别纸币面额识别算法。但是这只是在扫描仪扫描到的高分辨率的纸币图像有效，是否能对智能点验钞机采集到的低分辨率的彩色图像有效还需要进一步的实验。
3 算法改进
3.1 低分辨率下实验
使用智能点验钞机采集到如下低分辨率彩色纸币图像如图3，图4所示。
<E：＼王芳＼现代电子技术201502＼Image＼06t3.tif>
图3 低分辨率100元纸币图像
<E：＼王芳＼现代电子技术201502＼Image＼06t4.tif>
图4 低分辨率50元纸币图像
为了测试的算法能否用到实际的应用中，使用上述算法对智能点验钞机采集到的低分辨率的图像进行了实验。为了加快处理彩色图像的速度，在这里我们没有对彩色图像中的纸币区域进行提取倾和斜校正等工作。计算了大量图像，得到了各个面额的各个分量的均值表如表3所示。
结合表3，使用1.3节介绍的算法对纸币面额进行识别得到实验数据如表3所示。
3.2 结果分析
由表3和表4可以看出，对于智能点验钞机采集到的低分辨率的图像，本文提出的算法的识别效果很差。由于图像传感器采集原因，低分辨率图像都较暗，导致彩色信息失真，使得我们直接利用其彩色信息时会出现问题。由表3可以看出，50元、20元以及10元的低分辨率图像H、S、V分量均值相差不大，导致它们难以区分彼此。而我们通过扫描仪扫描的彩色图像就没有这种情况，50元、20元和10元颜色分明，识别效果也较好。
表3 不同面额纸币H，S，V分量均值表
表4 低分辨率纸币面额识别结果
为此必须对算法进行改进。
3.3 算法改进
通过分析采集到的低分辨率的纸币彩色图像，发现导致算法识别效果较差的原因是纸币对比度太低，彩色信息失真。为此采用直方图均衡化的方法来增强图像的对比度[13]，校正彩色图像颜色。
根据熵理论可知当图像每个灰度级的像素个数相等时，图像的信息量最大[14]。直方图均衡化的目的就是使得图像每个灰度级的像素个数相等。即把原始图像的直方图变成均匀分布的形式，这样就增加了像素值的范围，增强了图像的对比度。设直方图均衡化前图像的直方图为H1，变换后直方图为H2，将原始灰度级定义为g，g变换后的灰度级定义为G，则必须满足：
[i=0gH1（i）=i=0GH2（i）] （1）
设图像面积为[A0]个像素，则直方图均衡化后，H2要求是每个灰度级上都有[A0N]个像素，显然有：
[i=0gH1（i）=i=0GH2（i）=G×A0N] （2）
从而得到G=F（g）为：
[G=NA0i=0gH1（i）=NA0A（g）] （3）
式中A（g）为像素分布函数（累积函数）。需要注意的是N是有效灰度级。
上述直方图均衡化算法只是针对灰度图像有效，对于彩色图像，应当将彩色图像分离成R、G、B分量图像，然后分别对这三个分量的图像进行直方图均衡化，最后将个分量图像进行组合，组合成彩色图像[15]。
针对低分辨率图像的改进算法是：
（1） 对RGB空间的纸币图像进行直方图均衡化。
（2） 将RGB空间图像转换到HSV空间。
（3） 计算出每种面额的纸币的H、S、V分量的均值并记录下来。
（4） 将待识别图像与上述值进行色差比较。
（5） 找出色差较小的类别即为该类别。
4 改进算法低分辨率下实验
4.1 实验数据
直方图均衡化效果如图5，图6所示。
<E：＼王芳＼现代电子技术201502＼Image＼06t5.tif>
图5 低分辨率100元纸币直方图均衡化前
<E：＼王芳＼现代电子技术201502＼Image＼06t6.tif>
图6 低分辨率100元纸币直方图均衡化后
由图5、图6可以看出，直方图均衡化后纸币的大量信息得到增强，图像对比度也得到了增强。
我们首先对大量图像进行直方图均衡化后转换到HSV空间得出个分量均值如表5所示。
表5 不同面额纸币H，S，V分量均值表
根据表5对纸币的面额进行识别，结果如表6所示。
4.2 数据分析
由表6可知，分类准确率可达98.78%，完全符合实际应用的需要。对于低分辨率图像，进行直方图均衡化后准确率提升了16.74%，证明了直方图均衡化对图像增强后确实能有助于纸币的面额识别。
表6 纸币面额识别结果
5 结 语
本文介绍了一种基于HSV空间的纸币面额识别算法，并用高分辨率下图像证明了算法正确性。针对低分辨率图像识别准确率低的情况，提出一种使用直方图均衡化进行图像增强的改进算法。使用改进算法对低分辨率图像进行实验，准确率很高，证明算法能够满足实际应用的需要。
参考文献
[1] 刘家锋，刘松波，唐降龙.一种实时纸币识别方法的研究[J].计算机研究与发展，2003，40（7）：1057?1061.
[2] 张颖，陈雪波.人民币纸币面值及摆放方向识别方法研究[C]//第二十三届中国控制会议论文集.上海：华东理工大学出版社，2004：290?292.
[3] 郭艳平.纸币币种与币值识别系统研究[D].南京：南京航空航天大学，2007.
[4] 冯志新，安浩平，吴顺丽.基于RGB颜色模型棉花杂质检测算法[J]计算机与现代化，2013（4）：99?102.
[5] 彭彬，费逸伟，佟丽萍，等.基于色差公式的喷气燃料银片腐蚀图像颜色识别[J].表面技术，2011，40（6）：101?104.
[6] 张辰，杨文柱，刘召海.基于HSV综合显著性的彩色图像分割方法[J].计算机工程与设计，2013，34（11）：3944?3947.
[7] KOSCHAN Andreas， ABIDI Mongi. Digital color image processing [M].章毓晋，译.北京：清华大学出版社，2010.
[8] 董彦斌.色差公式研究现状探讨[J].印刷世界，2012（6）：15?17.
[9] 费东巍.基于图像处理的纸币特征识别技术研究[D].哈尔滨：哈尔滨理工大学，2011.
[10] 常巧红，高满屯.基于HSV色彩空间与数学形态学的车牌定位研究[J].图学学报，2013，34（4）：159?162.
[11] 蔡健荣，赵杰文.自然场景下成熟水果的计算机视觉识别[J].农业机械学报，2005，36（2）：61?64.
[12] 杨益，何颖.基于RGB空间的车道线检测与辨识方法[J].计算机与现代化，2014（2）：86?90.
[13] 吴成茂.直方图均衡化的数学模型研究[J].电子学报，2013（3）：598?602.
[15] 李锦，王俊平，万国挺，等.一种结合直方图均衡化和MARCR的图像增强新算法[J].西安电子科技大学学报，2014（3）：110?106.
[16] 郑江云，江巨浪，黄忠.基于RGB灰度值缩放的彩色图像增强[J].计算机工程，2012，38（2）：226?228.
[17] 梁琎，包志强.人民币冠字号码的提取与识别[J].现代电子技术，2013，36（11）：70?74.
通过分析采集到的低分辨率的纸币彩色图像，发现导致算法识别效果较差的原因是纸币对比度太低，彩色信息失真。为此采用直方图均衡化的方法来增强图像的对比度[13]，校正彩色图像颜色。
根据熵理论可知当图像每个灰度级的像素个数相等时，图像的信息量最大[14]。直方图均衡化的目的就是使得图像每个灰度级的像素个数相等。即把原始图像的直方图变成均匀分布的形式，这样就增加了像素值的范围，增强了图像的对比度。设直方图均衡化前图像的直方图为H1，变换后直方图为H2，将原始灰度级定义为g，g变换后的灰度级定义为G，则必须满足：
[i=0gH1（i）=i=0GH2（i）] （1）
设图像面积为[A0]个像素，则直方图均衡化后，H2要求是每个灰度级上都有[A0N]个像素，显然有：
[i=0gH1（i）=i=0GH2（i）=G×A0N] （2）
从而得到G=F（g）为：
[G=NA0i=0gH1（i）=NA0A（g）] （3）
式中A（g）为像素分布函数（累积函数）。需要注意的是N是有效灰度级。
上述直方图均衡化算法只是针对灰度图像有效，对于彩色图像，应当将彩色图像分离成R、G、B分量图像，然后分别对这三个分量的图像进行直方图均衡化，最后将个分量图像进行组合，组合成彩色图像[15]。
针对低分辨率图像的改进算法是：
（1） 对RGB空间的纸币图像进行直方图均衡化。
（2） 将RGB空间图像转换到HSV空间。
（3） 计算出每种面额的纸币的H、S、V分量的均值并记录下来。
（4） 将待识别图像与上述值进行色差比较。
（5） 找出色差较小的类别即为该类别。
4 改进算法低分辨率下实验
4.1 实验数据
直方图均衡化效果如图5，图6所示。
<E：＼王芳＼现代电子技术201502＼Image＼06t5.tif>
图5 低分辨率100元纸币直方图均衡化前
<E：＼王芳＼现代电子技术201502＼Image＼06t6.tif>
图6 低分辨率100元纸币直方图均衡化后
由图5、图6可以看出，直方图均衡化后纸币的大量信息得到增强，图像对比度也得到了增强。
我们首先对大量图像进行直方图均衡化后转换到HSV空间得出个分量均值如表5所示。
表5 不同面额纸币H，S，V分量均值表
根据表5对纸币的面额进行识别，结果如表6所示。
4.2 数据分析
由表6可知，分类准确率可达98.78%，完全符合实际应用的需要。对于低分辨率图像，进行直方图均衡化后准确率提升了16.74%，证明了直方图均衡化对图像增强后确实能有助于纸币的面额识别。
表6 纸币面额识别结果
5 结 语
本文介绍了一种基于HSV空间的纸币面额识别算法，并用高分辨率下图像证明了算法正确性。针对低分辨率图像识别准确率低的情况，提出一种使用直方图均衡化进行图像增强的改进算法。使用改进算法对低分辨率图像进行实验，准确率很高，证明算法能够满足实际应用的需要。
参考文献
[1] 刘家锋，刘松波，唐降龙.一种实时纸币识别方法的研究[J].计算机研究与发展，2003，40（7）：1057?1061.
[2] 张颖，陈雪波.人民币纸币面值及摆放方向识别方法研究[C]//第二十三届中国控制会议论文集.上海：华东理工大学出版社，2004：290?292.
[3] 郭艳平.纸币币种与币值识别系统研究[D].南京：南京航空航天大学，2007.
[4] 冯志新，安浩平，吴顺丽.基于RGB颜色模型棉花杂质检测算法[J]计算机与现代化，2013（4）：99?102.
[5] 彭彬，费逸伟，佟丽萍，等.基于色差公式的喷气燃料银片腐蚀图像颜色识别[J].表面技术，2011，40（6）：101?104.
[6] 张辰，杨文柱，刘召海.基于HSV综合显著性的彩色图像分割方法[J].计算机工程与设计，2013，34（11）：3944?3947.
[7] KOSCHAN Andreas， ABIDI Mongi. Digital color image processing [M].章毓晋，译.北京：清华大学出版社，2010.
[8] 董彦斌.色差公式研究现状探讨[J].印刷世界，2012（6）：15?17.
[9] 费东巍.基于图像处理的纸币特征识别技术研究[D].哈尔滨：哈尔滨理工大学，2011.
[10] 常巧红，高满屯.基于HSV色彩空间与数学形态学的车牌定位研究[J].图学学报，2013，34（4）：159?162.
[11] 蔡健荣，赵杰文.自然场景下成熟水果的计算机视觉识别[J].农业机械学报，2005，36（2）：61?64.
[12] 杨益，何颖.基于RGB空间的车道线检测与辨识方法[J].计算机与现代化，2014（2）：86?90.
[13] 吴成茂.直方图均衡化的数学模型研究[J].电子学报，2013（3）：598?602.
[15] 李锦，王俊平，万国挺，等.一种结合直方图均衡化和MARCR的图像增强新算法[J].西安电子科技大学学报，2014（3）：110?106.
[16] 郑江云，江巨浪，黄忠.基于RGB灰度值缩放的彩色图像增强[J].计算机工程，2012，38（2）：226?228.
[17] 梁琎，包志强.人民币冠字号码的提取与识别[J].现代电子技术，2013，36（11）：70?74.
通过分析采集到的低分辨率的纸币彩色图像，发现导致算法识别效果较差的原因是纸币对比度太低，彩色信息失真。为此采用直方图均衡化的方法来增强图像的对比度[13]，校正彩色图像颜色。
根据熵理论可知当图像每个灰度级的像素个数相等时，图像的信息量最大[14]。直方图均衡化的目的就是使得图像每个灰度级的像素个数相等。即把原始图像的直方图变成均匀分布的形式，这样就增加了像素值的范围，增强了图像的对比度。设直方图均衡化前图像的直方图为H1，变换后直方图为H2，将原始灰度级定义为g，g变换后的灰度级定义为G，则必须满足：
[i=0gH1（i）=i=0GH2（i）] （1）
设图像面积为[A0]个像素，则直方图均衡化后，H2要求是每个灰度级上都有[A0N]个像素，显然有：
[i=0gH1（i）=i=0GH2（i）=G×A0N] （2）
从而得到G=F（g）为：
[G=NA0i=0gH1（i）=NA0A（g）] （3）
式中A（g）为像素分布函数（累积函数）。需要注意的是N是有效灰度级。
上述直方图均衡化算法只是针对灰度图像有效，对于彩色图像，应当将彩色图像分离成R、G、B分量图像，然后分别对这三个分量的图像进行直方图均衡化，最后将个分量图像进行组合，组合成彩色图像[15]。
针对低分辨率图像的改进算法是：
（1） 对RGB空间的纸币图像进行直方图均衡化。
（2） 将RGB空间图像转换到HSV空间。
（3） 计算出每种面额的纸币的H、S、V分量的均值并记录下来。
（4） 将待识别图像与上述值进行色差比较。
（5） 找出色差较小的类别即为该类别。
4 改进算法低分辨率下实验
4.1 实验数据
直方图均衡化效果如图5，图6所示。
<E：＼王芳＼现代电子技术201502＼Image＼06t5.tif>
图5 低分辨率100元纸币直方图均衡化前
<E：＼王芳＼现代电子技术201502＼Image＼06t6.tif>
图6 低分辨率100元纸币直方图均衡化后
由图5、图6可以看出，直方图均衡化后纸币的大量信息得到增强，图像对比度也得到了增强。
我们首先对大量图像进行直方图均衡化后转换到HSV空间得出个分量均值如表5所示。
表5 不同面额纸币H，S，V分量均值表
根据表5对纸币的面额进行识别，结果如表6所示。
4.2 数据分析
由表6可知，分类准确率可达98.78%，完全符合实际应用的需要。对于低分辨率图像，进行直方图均衡化后准确率提升了16.74%，证明了直方图均衡化对图像增强后确实能有助于纸币的面额识别。
表6 纸币面额识别结果
5 结 语
本文介绍了一种基于HSV空间的纸币面额识别算法，并用高分辨率下图像证明了算法正确性。针对低分辨率图像识别准确率低的情况，提出一种使用直方图均衡化进行图像增强的改进算法。使用改进算法对低分辨率图像进行实验，准确率很高，证明算法能够满足实际应用的需要。
参考文献
[1] 刘家锋，刘松波，唐降龙.一种实时纸币识别方法的研究[J].计算机研究与发展，2003，40（7）：1057?1061.
[2] 张颖，陈雪波.人民币纸币面值及摆放方向识别方法研究[C]//第二十三届中国控制会议论文集.上海：华东理工大学出版社，2004：290?292.
[3] 郭艳平.纸币币种与币值识别系统研究[D].南京：南京航空航天大学，2007.
[4] 冯志新，安浩平，吴顺丽.基于RGB颜色模型棉花杂质检测算法[J]计算机与现代化，2013（4）：99?102.
[5] 彭彬，费逸伟，佟丽萍，等.基于色差公式的喷气燃料银片腐蚀图像颜色识别[J].表面技术，2011，40（6）：101?104.
[6] 张辰，杨文柱，刘召海.基于HSV综合显著性的彩色图像分割方法[J].计算机工程与设计，2013，34（11）：3944?3947.
[7] KOSCHAN Andreas， ABIDI Mongi. Digital color image processing [M].章毓晋，译.北京：清华大学出版社，2010.
[8] 董彦斌.色差公式研究现状探讨[J].印刷世界，2012（6）：15?17.
[9] 费东巍.基于图像处理的纸币特征识别技术研究[D].哈尔滨：哈尔滨理工大学，2011.
[10] 常巧红，高满屯.基于HSV色彩空间与数学形态学的车牌定位研究[J].图学学报，2013，34（4）：159?162.
[11] 蔡健荣，赵杰文.自然场景下成熟水果的计算机视觉识别[J].农业机械学报，2005，36（2）：61?64.
[12] 杨益，何颖.基于RGB空间的车道线检测与辨识方法[J].计算机与现代化，2014（2）：86?90.
[13] 吴成茂.直方图均衡化的数学模型研究[J].电子学报，2013（3）：598?602.
[15] 李锦，王俊平，万国挺，等.一种结合直方图均衡化和MARCR的图像增强新算法[J].西安电子科技大学学报，2014（3）：110?106.
[16] 郑江云，江巨浪，黄忠.基于RGB灰度值缩放的彩色图像增强[J].计算机工程，2012，38（2）：226?228.
[17] 梁琎，包志强.人民币冠字号码的提取与识别[J].现代电子技术，2013，36（11）：70?74.
