CN113239767A - 一种基于机器学习的黑水印鉴别方法及系统 - Google Patents
一种基于机器学习的黑水印鉴别方法及系统 Download PDFInfo
- Publication number
- CN113239767A CN113239767A CN202110479447.1A CN202110479447A CN113239767A CN 113239767 A CN113239767 A CN 113239767A CN 202110479447 A CN202110479447 A CN 202110479447A CN 113239767 A CN113239767 A CN 113239767A
- Authority
- CN
- China
- Prior art keywords
- black watermark
- operator
- identified
- lbp
- extracting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 title claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims description 21
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/80—Recognising image objects characterised by unique random patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2016—Testing patterns thereon using feature extraction, e.g. segmentation, edge detection or Hough-transformation
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2075—Setting acceptance levels or parameters
- G07D7/2083—Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
- Image Analysis (AREA)
Abstract
一种基于机器学习的黑水印鉴别方法及系统,所述方法包括:步骤1,提取待鉴别纸币透射图像的黑水印区域;步骤2,针对所述待鉴别纸币透射图像的黑水印区域,提取其LBP算子,作为待鉴别纸币的LBP算子;步骤3,将待鉴别纸币的LBP算子与黑水印的特征算子进行乘加运算,基于乘加运算结果判定待鉴别纸币黑水印区域的真假。本发明解决现有方法无法广泛适应不同的钞票及图像质量的问题,也解决检出不稳定且耗时多的问题。本发明在检出过程中,只需要采集目标区域图像,然后提取LBP算子,与已经训练好的特征算子进行乘加运算,判定待鉴别纸币黑水印区域的真假,本发明简单高效,且特征算子支持迭代训练和学习,扩展性极强。
Description
技术领域
本发明涉及纸币鉴伪领域,具体涉及一种基于机器学习的黑水印鉴别方法及系统。
背景技术
金融安全是国家安全的重要组成部分,而人民币纸币的安全则是金融安全的重要一环。黑水印特征作为作为人民币上关键的一项鉴伪手段,承担着极其重要的作用。目前常规的图像处理方法,比如二值化、均值、直方图和方差等,均很难有效的对黑水印特征的有无进行检测。再加之钞票在流通之后,黑水印区域的成像的明暗差异很大,极大的增加了黑水印检出的难度。然而现阶段金融机具产品对点钞速度的要求与日俱增——普遍要求在900张/分钟以上,这就意味着在进行其他常规鉴伪之后,很难在极短的时间内完成对黑水印特征的检测。故当前市面上很多金融机具并不具备黑水印鉴别的能力,从而对纸币的安全造成极大隐患。
发明专利申请(公开号CN107358716B)公开了一种黑水印识别方法、装置及终端设备,包括获取需识别黑水印的纸张对应的纸张图像;根据预设的滑动窗口定位所述纸张图像上的黑水印的位置;将定位的黑水印所对应的黑水印图像进行行投影和列投影;根据行投影和列投影后得到的值识别所述黑水印的真伪。通过上述方法,能够提高黑水印识别的精确度,但是使用滑窗对黑水印进行定位然后投影判别真假的方法,受限于图像质量(含污损等)及明暗亮度的变化,检出并不稳定,且误报较高,另外滑窗遍历的方法耗时也较大。
发明内容
鉴于现有技术中存在的技术缺陷和技术弊端,本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种基于机器学习的黑水印鉴别方法及系统,具体方案如下:
作为本发明的第一方面,提供一种基于机器学习的黑水印鉴别方法,其所述方法包括:
步骤1,提取待鉴别纸币透射图像的黑水印区域;
步骤2,针对所述待鉴别纸币透射图像的黑水印区域,提取其LBP(局部二值模式)算子,作为待鉴别纸币的LBP算子;
步骤3,将待鉴别纸币的LBP算子与黑水印的特征算子进行乘加运算,基于乘加运算结果判定待鉴别纸币黑水印区域的真假。
进一步地,所述方法还包括:获取所述黑水印的特征算子,具体为:
提取多个真币透射图像的黑水印区域,作为正样本集,提取多个没有黑水印特征的假币透射图像的对应区域,作为负样本集;
提取所有正样本和负样本的LBP算子,基于所有正样本的LBP算子和所有负样本的LBP算子,使用机器学习方法SVM(支持向量机)训练得到特征算子,即黑水印的特征算子。
进一步地,步骤2还包括:在提取待鉴别纸币的LBP算子之前,对待鉴别纸币透射图像的黑水印区域进行高斯滤波,以消除待鉴别纸币透射图像黑水印区域的噪声影响。
进一步地,所述方法还包括:在提取样本的LBP算子之前,对样本进行高斯滤波消除,以消除样本的噪声影响。
进一步地,所述方法还包括:在提取LBP算子后,采用等价模式对原始LBP算子的模式种类进行降维。
作为本发明的第二方面,提供一种基于机器学习的黑水印鉴别系统,所述系统包括区域提取模块、LBP算子提取模块和计算模块;
所述区域提取模块用于提取待鉴别纸币透射图像的黑水印区域;
所述LBP算子用于针对所述待鉴别纸币透射图像的黑水印区域,提取其LBP算子,作为待鉴别纸币的LBP算子;
所述计算模块用于将待鉴别纸币的LBP算子与黑水印的特征算子进行乘加运算,基于乘加运算结果判定待鉴别纸币黑水印区域的真假。
进一步地,所述特征算子获取模块用于获取所述黑水印的特征算子,具体为:提取多个真币透射图像的黑水印区域,作为正样本集,提取多个没有黑水印特征的假币透射图像的对应区域,作为负样本集;提取所有正样本和负样本的LBP算子,基于所有正样本的LBP算子和所有负样本的LBP算子,使用机器学习方法SVM(支持向量机)训练得到特征算子,即黑水印的特征算子。
进一步地,所述系统还包括第一滤波模块,所述第一滤波模块用于在提取LBP算子之前,对待鉴别纸币透射图像的黑水印区域进行高斯滤波,以消除待鉴别纸币透射图像黑水印区域的噪声影响。
进一步地,所述系统还包括第二滤波模块,所述第二滤波模块用于在提取正样本和负样本的LBP算子之前,对正样本和负样本进行高斯滤波消除,以消除样本的噪声影响。
进一步地,所述系统还包括降维模块,所述降维模块用于在提取LBP算子后,采用等价模式对原始LBP算子的模式种类进行降维。
本发明具有以下有益效果:
本发明解决现有方法无法广泛适应不同的钞票及图像质量的问题,也解决检出不稳定且耗时多的问题。本发明在检出过程中,只需要采集目标区域图像,然后提取LBP算子,与已经训练好的特征算子进行乘加运算,判定待鉴别纸币黑水印区域的真假。本发明简单高效,且特征算子支持迭代训练和学习,扩展性极强。
附图说明
图1为本发明实施例提供的基于机器学习的黑水印鉴别方法流程图;
图2为本发明实施例提供的15版100元纸币的透射图像示意图;
图3为本发明实施例提供的提取的透射图像的黑水印区域;
图4为本发明实施例提供的进行高斯滤波的黑水印区域;
图5为本发明实施例提供的LBP算子提取原理示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,作为本发明的第一实施例,提供一种基于机器学习的黑水印鉴别方法,所述方法包括:
步骤1,在金融机具一端,提取当前采集的待鉴别纸币透射图像的黑水印区域,对提取的黑水印区域进行高斯滤波消除某些噪声的影响;
步骤2,针对所述待鉴别纸币透射图像的黑水印区域,提取其LBP算子,即待鉴别纸币的LBP算子;
步骤3,使用SVM方法训练得到黑水印的特征算子,此过程在上位机上完成,然后将当前待鉴别纸币的LBP算子与SVM方法训练得到的黑水印的特征算子进行乘加运算,即可快速得到黑水印的鉴伪结果。
其中,不同的光谱照射下会得到不同的图像,比如使用单色的红光来照射纸币,此时采集得到的就是红通道图像;而透射图像,则是使用高强度的红外光来照射图像,在图像的另外一面来获取图像,此时则称之为透射图像。
其中,进行乘加运算后可以得到负和非负两种结果,我们根据结果的符号来将结果进行分类,例如,根据学习模型,得分为负则对应负样本,即为假币,得分为正则对应正样本,即为真币。
其中,获取所述黑水印的特征算子具体为:
提取多个真币透射图像的黑水印区域,作为正样本集,提取多个没有黑水印特征的假币透射图像的对应区域,作为负样本集;
提取所有样本的LBP算子,基于所有样本的LBP算子,使用机器学习方法SVM(支持向量机)训练得到特征算子,即黑水印的特征算子。
其中,在提取当前待鉴别纸币的LBP算子和样本的LBP算子之前,均会进行高斯滤波消除,以消除样本的噪声影响。
其中,在提取LBP算子后,采用等价模式对原始LBP算子的模式种类进行降维。
下面将以15版100元纸币对上述方法进行详细阐述,具体如下:
1.如图2所示,根据预设位置,采集人民币上黑水印区域对应图像,即人头水印区域;
2.提取人头水印区域图像后,经过预处理和归一化得到单一朝向的人头黑水印,其中预处理包括仿射变换和抽样,归一化则包含旋转和映射等操作,然后得到如下图3所示黑水印区域图像;
3.接着对图3所示黑水印区域图像进行二维高斯滤波,以消除高斯噪声的影响,二维高斯滤波的公式如下,经高斯滤波后的黑水印示意图如图4所示;
4.通过二维高斯滤波后,就可以在如图4所示的图像上提取对应的LBP算子;
LBP算子是一种用来描述图像局部纹理特征的算子。原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0,这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息,它具有灰度不变性等显著的优点,正好与黑水印区域的特征相吻合;
LBP算子提取原理示意图如图5所示,用公式表示则如下所示:
其中(xc,yc)是中心像素,ic是灰度值,in是相邻像素的灰度值,s是一个符号函数:
考虑到对效率的要求,本发明在实际计算LBP算子时,使用了基于等价模式的LBP的算子,从而对256种维度的原始LBP算子实现降维。等价模式的实际含义是:当某个LBP算子所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该类型保留;跳变次数超过2次时,均归为一类。通过这样的改进,二进制模式的种类大大减少,而不会丢失任何信息。对于3×3邻域内8个采样点来说,二进制模式由原始的256种减少为59种,这使得特征向量的维数更少,并且可以减少高频噪声带来的影响。本发明在此基础上,将目标区域划分为4个小区域,每个区域统计59维信息出现的频次,然后连接成59*4一共236维特征信息。
上述提取LBP算子的过程在上位机和下位机部分实现方法一致。比较特别的是,上位机部分需要将大量正样本提取的LBP算子组成的向量与负样本组成的向量使用SVM(支持向量机)的方式进行二分类,从而得到黑水印的特征算子。而下位机则是在待鉴别纸币的LBP算子,与黑水印的特征算子进行简单计算即可完成黑水印的鉴伪。
本发明采用机器学习的方法进行黑水印鉴伪,增加了稳定性,提升了鉴伪效率,且可以学习迭代;
通过提取待鉴别纸币的黑水印区域的LBP算子,与使用SVM训练的黑水印的特征算子进行运算,提升了检出能力,效率高且稳定性好。
作为本发明的第二实施例,提供一种基于机器学习的黑水印鉴别系统,所述系统包括区域提取模块、LBP算子提取模块和计算模块;
所述区域提取模块用于提取待鉴别纸币透射图像的黑水印区域;
所述LBP算子用于针对所述待鉴别纸币透射图像的黑水印区域,提取其LBP算子,作为待鉴别纸币的LBP算子;
所述计算模块用于将待鉴别纸币的LBP算子与黑水印的特征算子进行乘加运算,基于乘加运算结果判定待鉴别纸币黑水印区域的真假。
其中,所述系统还包括特征算子获取模块,所述特征算子获取模块用于获取所述黑水印的特征算子,具体为:提取多个真币透射图像的黑水印区域,作为正样本集,提取多个没有黑水印特征的假币透射图像的对应区域,作为负样本集;提取所有正样本和负样本的LBP算子,基于所有正样本的LBP算子和所有负样本的LBP算子,使用机器学习方法SVM训练得到特征算子,即黑水印的特征算子。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的黑水印鉴别方法,其特征在于,所述方法包括:
步骤1,提取待鉴别纸币透射图像的黑水印区域;
步骤2,针对所述待鉴别纸币透射图像的黑水印区域,提取其LBP算子,作为待鉴别纸币的LBP算子;
步骤3,将待鉴别纸币的LBP算子与黑水印的特征算子进行乘加运算,基于乘加运算结果判定待鉴别纸币黑水印区域的真假。
2.根据权利要求1所述的基于机器学习的黑水印鉴别方法,其特征在于,所述方法还包括:获取所述黑水印的特征算子,具体为:
提取多个真币透射图像的黑水印区域,作为正样本集,提取多个没有黑水印特征的假币透射图像的对应区域,作为负样本集;
提取所有正样本和负样本的LBP算子,基于所有正样本的LBP算子和所有负样本的LBP算子,使用机器学习方法SVM(支持向量机)训练得到特征算子,即黑水印的特征算子。
3.根据权利要求1所述的基于机器学习的黑水印鉴别方法,其特征在于,步骤2还包括:在提取LBP算子之前,对待鉴别纸币透射图像的黑水印区域进行高斯滤波,以消除待鉴别纸币透射图像黑水印区域的噪声影响。
4.根据权利要求2所述的基于机器学习的黑水印鉴别方法,其特征在于,所述方法还包括:在提取正样本和负样本的LBP算子之前,对正样本和负样本进行高斯滤波消除,以消除样本的噪声影响。
5.根据权利要求1所述的基于机器学习的黑水印鉴别方法,其特征在于,所述方法还包括:在提取LBP算子后,采用等价模式对原始LBP算子的模式种类进行降维。
6.一种基于机器学习的黑水印鉴别系统,其特征在于,所述系统包括区域提取模块、LBP算子提取模块和计算模块;
所述区域提取模块用于提取待鉴别纸币透射图像的黑水印区域;
所述LBP算子用于针对所述待鉴别纸币透射图像的黑水印区域,提取其LBP算子,作为待鉴别纸币的LBP算子;
所述计算模块用于将待鉴别纸币的LBP算子与黑水印的特征算子进行乘加运算,基于乘加运算结果判定待鉴别纸币黑水印区域的真假。
7.根据权利要求6所述的基于机器学习的黑水印鉴别系统,其特征在于,所述系统还包括特征算子获取模块,所述特征算子获取模块用于获取所述黑水印的特征算子,具体为:提取多个真币透射图像的黑水印区域,作为正样本集,提取多个没有黑水印特征的假币透射图像的对应区域,作为负样本集;提取所有正样本和负样本的LBP算子,基于所有正样本的LBP算子和所有负样本的LBP算子,使用机器学习方法SVM训练得到特征算子,即黑水印的特征算子。
8.根据权利要求6所述的基于机器学习的黑水印鉴别系统,其特征在于,所述系统还包括第一滤波模块,所述第一滤波模块用于在提取LBP算子之前,对待鉴别纸币透射图像的黑水印区域进行高斯滤波,以消除待鉴别纸币透射图像黑水印区域的噪声影响。
9.根据权利要求7所述的基于机器学习的黑水印鉴别系统,其特征在于,所述系统还包括第二滤波模块,所述第二滤波模块用于在提取正样本和负样本的LBP算子之前,对正样本和负样本进行高斯滤波消除,以消除样本的噪声影响。
10.根据权利要求7所述的基于机器学习的黑水印鉴别系统,其特征在于,所述系统还包括降维模块,所述降维模块用于在提取LBP算子后,采用等价模式对原始LBP算子的模式种类进行降维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110479447.1A CN113239767A (zh) | 2021-04-30 | 2021-04-30 | 一种基于机器学习的黑水印鉴别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110479447.1A CN113239767A (zh) | 2021-04-30 | 2021-04-30 | 一种基于机器学习的黑水印鉴别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239767A true CN113239767A (zh) | 2021-08-10 |
Family
ID=77131602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110479447.1A Pending CN113239767A (zh) | 2021-04-30 | 2021-04-30 | 一种基于机器学习的黑水印鉴别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239767A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616392A (zh) * | 2015-01-30 | 2015-05-13 | 华中科技大学 | 一种基于局部二值模式的纸币鉴伪方法 |
CN106934922A (zh) * | 2017-03-15 | 2017-07-07 | 深圳怡化电脑股份有限公司 | 一种纸币检测方法及装置 |
CN107305716A (zh) * | 2016-04-20 | 2017-10-31 | 北京新岸线数字图像技术有限公司 | 一种纸币鉴别方法和装置 |
CN107305717A (zh) * | 2016-04-21 | 2017-10-31 | 北京新岸线数字图像技术有限公司 | 一种纸币识别检测方法及装置 |
CN110598699A (zh) * | 2019-09-16 | 2019-12-20 | 华中科技大学 | 一种基于多光谱图像的防伪票据鉴伪系统和方法 |
CN111160345A (zh) * | 2019-12-31 | 2020-05-15 | 重庆木舌科技有限公司 | 一种企业合同智能生成系统及方法 |
CN111310628A (zh) * | 2020-02-10 | 2020-06-19 | 武汉科技大学 | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 |
-
2021
- 2021-04-30 CN CN202110479447.1A patent/CN113239767A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616392A (zh) * | 2015-01-30 | 2015-05-13 | 华中科技大学 | 一种基于局部二值模式的纸币鉴伪方法 |
CN107305716A (zh) * | 2016-04-20 | 2017-10-31 | 北京新岸线数字图像技术有限公司 | 一种纸币鉴别方法和装置 |
CN107305717A (zh) * | 2016-04-21 | 2017-10-31 | 北京新岸线数字图像技术有限公司 | 一种纸币识别检测方法及装置 |
CN106934922A (zh) * | 2017-03-15 | 2017-07-07 | 深圳怡化电脑股份有限公司 | 一种纸币检测方法及装置 |
CN110598699A (zh) * | 2019-09-16 | 2019-12-20 | 华中科技大学 | 一种基于多光谱图像的防伪票据鉴伪系统和方法 |
CN111160345A (zh) * | 2019-12-31 | 2020-05-15 | 重庆木舌科技有限公司 | 一种企业合同智能生成系统及方法 |
CN111310628A (zh) * | 2020-02-10 | 2020-06-19 | 武汉科技大学 | 一种基于纸币印刷图案特征的纸币形成方式检验鉴定方法 |
Non-Patent Citations (1)
Title |
---|
王一丁: "《数字图像处理》", 31 August 2015, 西安电子科技大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616392B (zh) | 一种基于局部二值模式的纸币鉴伪方法 | |
Abburu et al. | Currency recognition system using image processing | |
Zeggeye et al. | Automatic recognition and counterfeit detection of Ethiopian paper currency | |
CN107195069A (zh) | 一种人民币冠字号自动识别方法 | |
CN103886309A (zh) | 人像识别鉴别美元面额的方法 | |
Jadhav et al. | Currency identification and forged banknote detection using deep learning | |
Sharan et al. | Detection of counterfeit Indian currency note using image processing | |
Sharma et al. | Recognition of Indian paper currency based on LBP | |
Gautam | Indian currency detection using image recognition technique | |
Viraktamath et al. | Review on detection of fake currency using image processing techniques | |
Sawant et al. | Currency recognition using image processing and minimum distance classifier technique | |
CN104537364A (zh) | 一种基于纹理分析的美元纸币面额及版本识别方法 | |
Alnowaini et al. | Yemeni paper currency detection system | |
Ponishjino et al. | Bogus currency authorization using HSV techniques | |
CN108269349A (zh) | 一种纸币处理方法、装置、设备和存储介质 | |
CN107527423B (zh) | 纸币防伪识别方法及纸币识别装置 | |
WO2018130119A1 (zh) | 一种基于双冠字号的纸币鉴伪方法和系统 | |
Desai et al. | Cnn based counterfeit Indian currency recognition using generative adversarial network | |
Ansari et al. | A robust method for identification of paper currency using otsu’s thresholding | |
Rajan et al. | An extensive study on currency recognition system using image processing | |
CN106447904B (zh) | 一种纸币的鉴别方法和装置 | |
CN116092230B (zh) | 一种票证鉴伪方法及系统 | |
CN113239767A (zh) | 一种基于机器学习的黑水印鉴别方法及系统 | |
Shinde et al. | Identification of fake currency using soft computing | |
CN117058805A (zh) | 纸币图像处理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |
|
RJ01 | Rejection of invention patent application after publication |