基于图像配准纸币图像识别方法

《基于图像配准纸币图像识别方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于图像配准纸币图像识别方法　　第3卷第6期2013年12月智能计算机与应用INTELLIGENTCOMPUTERANDAPPLICATIONSVol.3No.6Dec.2013收稿日期：2013-10-24摘要：提出了基于图像配准的多光谱纸币图像识别架构，通过对纸币图像的配准来实现相似纸币识别、纸币防伪特征检测。由于纸币图像同时具有显著的结构特性和不稳定的局部特性，采用分级的变换模型对纸币图像配准：对于全局的刚性形变采用基于Harris角点特征的仿射变换算法，对于纸币图像局部非刚性形变采用基于B

2、-样条的FFD模型的非刚性配准算法。实验表明，本模型能很好的完成纸币图像的配准，并在相似纸币识别和红外防伪特征检测方面能达到较高的精确度。关键词：纸币图像；图像配准；Harris角点特征；B-样条FFD模型中图分类号：TP391.4文献标识码：A文章编号：2095-2163（2013）06-0078-040引言7图像配准是指对同一场景在不同时间、不同视角或不同传感器拍摄的两幅或多幅图像之间确定最佳匹配的过程，广泛应用于计算机视觉、医学诊断、遥感图像处理等多个领域。根据变换模型的不同，图像配准算法可

3、以分为刚性变换和非刚性变换[1，2]。刚性配准既是针对图像的六个自由度（三个平移分量、三个旋转分量）的空间变换。目前的刚性配准算法研究已比较成熟，可以达到较高的配准精度。非刚性配准则涉及图像更多的自由度变换，主要思想是将非刚性配准问题看作一个优化问题，即对待配准图像实施特定的空间变换得到与参考图像相似性测度最大的图像。纸币图像包含有丰富的多光谱图像信息，为了防伪目的纸币印刷采用多种防伪油墨，在不同的光传感器下会呈现不同光谱图像，主要是红外光图像信息和紫外光图像信息，通过局部的防伪特征的检测可以实现

4、纸币的检伪。7由于纸币有着相对固定的印刷格式，将待检测纸币与参考纸币进行比较，是一种比较有效的纸币图像分析方法。但同时纸币图像也具有两大不稳定因素：首先，纸币是以纸张为介质，容易受环境温度、湿度影响，流通中在折叠磨损的作用下会发生难以估计的变化；其次，纸币是极其复杂的印刷品，图案多为细小线条构成，这种局部纹理在低分辨率成像条件下，表现极不稳定，同时不同版次的纸币图案还会有一定的误差（数值可达数毫米）。所以，待检测纸币与参考纸币就会有较大的差异，纸币图像的这种特点则要求在纸币图像配准过程中既需要全局

5、的刚性变换，又需要局部的非刚性变换。本文在分析纸币图像特点的基础上，提出了分级的变换模型对纸币图像进行配准，即首先对图像整体上进行刚性变换，然后对图像采用局部的非刚性变换，并取得了较好的配准结果。1纸币图像配准的分级变换模型针对待配准纸币图像与参考纸币图像之间既存在整体上的刚性形变，又有局部的非刚性畸变的特点，单一的仿射变换已经不能满足纸币图像的配准，本文采用由全局形变和局部形变组成的分级变换模型对纸币图像进行配准。分级变换模型可以进行如下的公式化描述：整体的空间变换T（x，y）分成两个步骤。首先

6、，对纸币图像进行全局的刚性变换Tglobal（x，y）来描述待配准纸币图像与参考图像之间的整体刚性变换，此时可以采用基于Harris角点特征的刚性变换模型作为图像整体刚性配准的空间变换模型。在此基础上，对纸币图像进行局部的非刚性变换Tglobal（x，y），采用基于B样条的FFD模型[3，4]进行描述。具体公式为：T（x，y）=Tglobal（x，y）+Tlocal（x，y）（1）2纸币图像配准2.1纸币图像预处理7纸币清分设备中，实际上都采用高速扫描装置通过传感器来采集纸币图像，在扫描时多会受到

7、倾斜和侧向移动影响，因此通常状况下就会存在一定程度的几何变形。图像采集过程中，传感器紧贴纸币，可以忽略视角、视距对于图像的影响，同时纸币的原始形状是矩形，发生几何形变后纸币图像仍可以保持为平行四边形，因此可以通过检测纸币图像四条边沿，就可以进行倾斜校正。图1为校正前后的纸币图像，直接采用崭新、无折痕的纸币进行采样几何校正后作为参考纸币图像。相似性测度是用来度量待配准图像和参考纸币图像之间的相似程度，经典的相似性测度方法包括灰度差平方和（SSD）、互信息（MI）和互相关法。目前，互信息[5]（Mut

8、ualInformation，MI）法是一种广泛使用的图像配准的相似性测度方法。互信息是信息论的基本概念，通过熵值来描述两幅图像的互信息，表示两幅图像相互包含的信息量。若两幅图像完全相同，则两幅图像的互信息值达到最大，最大值为2，即两幅图像越相似，两者间的互信息值越大。图像A和B的熵分别定义为：H（A）=-∑apA（a）logpA（a）H（B）=-∑bpB（b）logpB（b）（2）图像A和B的联合熵定义为：H（A，B）=-∑a，bpAB（a，b）logpAB（a，b）（3）7这里