基于改进加权向量机假币识别算法

《基于改进加权向量机假币识别算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于改进加权向量机假币识别算法摘要：支持向量机在处理样本类别不平衡时，对样本数量少的类别，其分类误差大，针对这一问题提出了一种多核心的加权向量机。将纸币的RGB色彩空间转换到YIQ色彩空间，使用直方图对样本进行特征的提取。在特征空间使用边界区间处理分类问题，加入最小化小样本误识率的机制，使用一种改进的加权支持向量机来识别样本。对样本的不同区域使用不同的核函数。实验表明本算法可行、可靠。关键词：多核学习；加权支持向量机；纸币识别；惩罚因子；加权值中图分类号：TP391文献标志码：A文章编号：100

2、6-8228(2013)02-34-04RecognitionofcounterfeitmoneybasedonimprovedweightedsupportvectormachinesLinShuqing,LiRong(ZengChengcollegeofSouthChinaNormalUniversity,Guangzhou,Guangdong511363,China)Abstract：Todealwiththeunbalancedprobleminclassification,amulti

3、-kernelSupportVectorMachinesispresentedinthispaper.RGBcolorspaceofnoteistransformedtotheYIQcolorspaceandthecharacteristicsareextractedbyusinghistogram・TheclassificationproblemisdeaItwithbyusingtheboundaryintervalineigen-space,andanimprovedweightedsup

4、portvectormachinesareaddedtominimizethefalsealarmrateofthesmallsample・Thedifferentkernelfunctionsareusedindifferentregionsofthesample・SimulationresuItsshowthatthisalgorithmisfeasibleandreliable・Keywords:multi-kernellearning；weightedsupportvectormachi

5、nes；recognitionofthepapermoney；penaltyfactors；weightedvalue0引言纸币的防伪技术是世界各国金融系统所面临的十分重要又棘手问题。目前主要依靠全息磁性安全线磁码、紫外光、红外投射检伪。但在高端产品中仅靠以上技术识伪是不够的，特别是现在很多是使用清分机对高仿纸币的识别。因此国外很多学者不断地研究探索智能识别系统，如Takeda等人利用神经网络系统去分析、识别纸币的特征信号［1,2］；Omatu等人利用遗传算法分析、识别纸币的特征信号［3］；He

6、等人将纸币切割成mXn个等分区域，使用GA算法进行识别［4］；近年来Jae-Kang等人［5］和Ahmadi等人［6］也进行了相应的研究。本文使用多核心加权向量机来识别纸币，将纸币图像分割成mXn个区域，然后使用改进的加权向量机进行识别。对每个区域构建多核心的核矩阵。实验结果证明该算法的计算精确度高，鲁棒性好。1特征提取假钞与真钞的颜色对假币识别用处不大，针对假钞与真钞在色度分布上的差异，我们将RGB色彩空间转换到YIQ色彩空间。其关系方程式为：(1)其中Y分量代表图像的亮度信息，即图像的灰度值

7、(Grayvalue),人民币图像的每一个像素以一个位元组表示其Y值。为了降低输入样本的维度，我们把样本图像转换成直方图。以百元人民币为例。假币使用编号HD90系列。由于取整张钞票图像来识别容易损失个别区域的不同图像特征所反映在色度分布上的信息，于是我们将钞票分割成mXn个区域，如图1所示。图1分割成3X2方式的百元真币再将每个区域转换成Y值的直方图作为特征。结果一张钞票图像分为mXn个256维度的样本。分割后真、假人民币的直方图分别如图2、图3所示。(a)(b)(c)(d)(e)(f)图2切割

8、成3X2方式百元真人民币直方图(a)(b)(c)(d)(e)(f)图3切割成3X2方式的百元假人民币直方图2加权支持向量机2.1C-SVM模型C-SVM原始问题的数学描述为：(2)3是超平面的法向量，b是超平面偏值，C是惩罚参数,为松弛变量。xiGXl为训练点，yie{-l,1}为每个训练点的正确分类。当训练集为非线性时，通过一个非线性映射(xi)把训练数据xi映射到一个高维线性特征空间。利用Lagrange优化方法可得到其对偶问题：ai为拉格朗日乘子。最优化求解ai中，只有aiHO所对应的训练