Система распознавания банкнот

Функциональные возможности для обнаружения поддельных банкнот и распознавания банкнот требуются в различных машинах, таких как счетные машины и банкоматы. Распознавание банкноты определяется как распознавание типа банкноты (например, 1 доллар, 2 доллара и 5 долларов США), направления банкноты и даты выпуска банкноты (например, самая ранняя, последняя и самая последняя). Кроме того, распознавание банкнот облегчает обнаружение поддельных банкнот и позволяет контролировать состояние банкнот. Таким образом, исследования по распознаванию банкнот быстро развивались [1–8].

Как правило, аверс и реверс банкноты различаются. Следовательно, банкнота состоит из четырех различных шаблонов (лицевую сторону вперед, лицевую сторону назад, обратную прямую и обратную сторону) в соответствии с направлением банкноты, принятой автоматом. Это увеличивает количество классов банкнот в четыре раза. Следовательно, соответственно возрастает сложность распознавания банкноты, что, в свою очередь, увеличивает время обработки и частоту ошибок распознавания банкноты.

Предыдущие исследования можно разделить на те, которые касались распознавания ориентации банкноты банковским оборудованием [9], и те, которые касались распознавания банкнот [10–17]. Wu et al. предложили метод распознавания ориентации банкноты с использованием сети обратного распространения (BP) [9]. Они классифицировали направление ввода банкнот с помощью трехуровневой сети БП. Эффективность их метода высока, однако в своем эксперименте они использовали только один тип банкноты – 100 юаней (RMB).

Kagehiro et al. предложил метод иерархической классификации банкнот в долларах США (USD). Их метод состоит из трех этапов с использованием алгоритма обобщенного векторного квантования (GLVQ) для достижения высокоскоростной обработки с высокой степенью точности [10]. Эффективность их метода была такова, что 99% банкнот распознавались правильно. Hasanuzzaman et al. предложил метод распознавания банкнот, основанный на функциях ускоренных робастных функций (SURF) [11]. Поскольку он использует функции SURF, их метод устойчив к изменениям освещения и масштабирования, а также к повороту изображения. Однако время обработки, равное двум секундам, для компьютера с процессором 3 ГГц является чрезмерно большим. Gai et al. предложил метод выделения признаков, основанный на кватернионном вейвлет-преобразовании (QWT) и обобщенном распределении Гаусса (GGD) для классификации банкнот [12]. С их помощью банкноты долларов США классифицируются с помощью нейронной сети BP. Ахмади и др. и Omatu et al. предложил метод классификации банкнот с использованием анализа главных компонентов (PCA), кластеризации самоорганизующихся карт (SOM) и классификатора квантования векторов обучения (LVQ) [13–17]. Они представили метод повышения надежности классификации банкнот с использованием локального PCA [13–17] для извлечения признаков данных.

В другом исследовании [18] Yeh et al. предложил метод обнаружения фальшивых банкнот на основе многоядерных векторных машин поддержки (SVM). Они разделили банкноту на разделы и взяли гистограммы яркости разделов (с собственными ядрами) в качестве входных данных в систему. Чтобы объединить несколько ядер, они использовали обучение полуопределенного программирования (SDP). В отличие от нашего исследования, их метод не касается распознавания типа банкноты доллара США. Скорее, он предназначен для обнаружения поддельных тайваньских банкнот. В этом главное отличие их исследований от наших. С их методом требуются два класса [18]: подлинные и поддельные банкноты. Однако для нашего исследования требуется 64 класса: четыре направления и 16 типов банкнот (1 доллар, 2 доллара, 5 долларов, последние 5 долларов, самые последние 5, 10 долларов, последние 10 долларов, последние 10 долларов, 20 долларов, последние 20 долларов, последние 20, 50, последние 50, самые последние
50, 100 и последние 100 долларов).

В предыдущем исследовании [19,20] Bruna et al. предложил метод обнаружения различных типов фальшивых банкнот евро. Они использовали световой осветитель ближнего инфракрасного диапазона (NIR) и камеру для захвата изображения банкноты. Это отличается от нашего метода, в котором используется изображение доллара США в видимом свете. Чтобы отличить подделку от подлинных банкнот, они использовали процент пикселей, удовлетворяющих заранее определенным условиям в заранее определенных областях. Кроме того, они использовали меру корреляции между фрагментами, изученными на этапе обучения, и соответствующими пикселями в областях поиска для распознавания типа банкноты.

Hasanuzzaman et al. предложил метод распознавания банкнот для слабовидящих на основе SURF и пространственного соотношения совпадающих признаков SURF [21]. Хотя они получили 100% -ный коэффициент правильного распознавания банкнот в долларах США, количество классов и изображений для тестирования, равное семи и 140 соответственно, было слишком маленьким.

В предыдущих исследованиях по распознаванию банкнот каждый тип банкноты рассматривался как состоящий из четырех классов (передняя-обратная, обратная-обратная, обратная-прямая и обратная-обратная), а не одного класса. Следовательно, количество классов банкнот значительно больше.

Использованные источники

1. Aoba, ; Kikuchi, T.; Takefuji, Y. Euro banknote recognition system using a three-layered perceptron and RBF networks. IPSJ Trans. Math. Model. Appl. 2003, 44, 99–109.
2. Takeda, ; Omatu, S. A neuro-money recognition using optimized masks by GA. Lect. Notes Comput. Sci. 1995, 1011, 190–201.
3. Kosaka, ; Omatu, S. Classification of the Italian liras using the LVQ method. In Proceedings of IEEE International Conference on Systems, Man, and Cybernetics, Tokyo, Japan, 12–15 October 1999; pp. 845–850.
4. Liu, F.; Liu, S.B.; Tang, X.L. An algorithm of real-time paper currency recognition. J. Comput. Res. Dev. 2003, 40, 1057–1061.
5. Hassanpour, ; Farahabadi, P.M. Using hidden markov models for paper currency recognition. Experts Syst. Appl. 2009, 36, 10105–10111.
6. García-Lamont, ; Cervantes, J.; López, A. Recognition of Mexican banknotes via their color and texture features. Experts Syst. Appl. 2012, 39, 9651–9660.
7. Choi, ; Lee, J.; Yoon, J. Feature extraction for banknote classification using wavelet transform. In Proceedings of International Conference on Pattern Recognition, Hong Kong, China, 20–24 August 2006; pp. 934–937.
8. Ahangaryan, P.; Mohammadpour, T.; Kianisarkaleh, A. Persian banknote recognition using wavelet and neural network. In Proceedings of the International Conference on Computer Science and Electronics Engineering, Hangzhou, China, 23–25 March 2012; pp. 679–684.
9. Wu, ; Zhang. Y.; Ma, Z.; Wang, Z.; Jin, B. A banknote orientation recognition method with BP network. In Proceedings of WRI Global Congress on Intelligent Systems,  Xiamen,  China, 19–21 May 2009; pp. 3–7.
10. Kagehiro, ; Nagayoshi, H.; Sako, H. A hierarchical classification method for US bank notes. In Proceedings of IAPR Conference on Machine Vision Applications, Tsukuba Science City, Japan, 16–18 May 2005; pp. 206–209.
11. Hasanuzzaman, M.; Yang, X.; Tian, Y. Robust and effective component-based banknote recognition by SURF features. In Proceedings of the 20th Annual Wireless and Optical Communications Conference, Newark, NJ, USA, 15–16 April 2011; pp. 1–6.
12. Gai, ; Yang, G.; Wan, M. Employing quaternion wavelet transform for banknote classification. Neurocomputing 2013, 118, 171–178.
13. Ahmadi, ; Omatu, S.; Kosaka, T. A PCA based method for improving the reliability of bank note classifier machines. In Proceedings of the 3rd International Symposium on Image and Signal Processing and Analysis, Rome, Italy, 18–20 September 2003; pp. 494–499.
14. Ahmadi, ; Omatu, S.; Kosaka, T. A Study on evaluating and improving the reliability of bank note neuro-classifiers. In Proceedings of the SICE Annual Conference, Fukui, Japan, 4–6 August 2003; pp. 2550–2554.
15. Ahmadi, ; Omatu, S.; Fujinaka T.; Kosaka, T. Improvement of reliability in banknote classification using reject option and local PCA. Inf. Sci. 2004, 168, 277–293.
16. Omatu, ; Yoshioka,  M.;  Kosaka,  Y.  Bank  note  classification  using  neural  networks. In Proceedings of IEEE Conference on Emerging Technologies and Factory Automation, Patras, Greece, 25–28 September 2007; pp. 413–417.
17. Omatu, ; Yoshioka, M.; Kosaka, Y. Reliable banknote classification using neural networks. In Proceedings of the 3rd International Conference on Advanced Engineering Computing and Applications in Sciences, Sliema, Malta, 11–16 October 2009; pp. 35–40.
18. Yeh, Y.; Su, W.P.; Lee, S.J. Employing Multiple-kernel support vector machines for counterfeit banknote recognition. Appl. Soft Comput. 2011, 11, 1439–1447.
19. Bruna, A.; Farinella, M.; Guarnera, G.C.; Battiato, S. Forgery detection and value identification of Euro banknotes. Sensors 2013, 13, 2515–2529.
20. Battiato, ; Farinella, G.M.; Bruna, A.; Guarnera, G.C. Counterfeit detection and value recognition of Euro banknotes. In Proceedings of International Conference on Computer Vision Theory and Applications, Barcelona, Spain, 21–24 February 2013; 63–66.
21. Hasanuzzaman, M.; Yang, X. Tian, Y. Robust and effective component-based banknote recognition for the blind. IEEE Trans. Syst. Man Cybern. Part. C Appl. Rev. 2012, 42, 1021–1030.
22. Murphy, P. Machine Learning: A Probabilistic Perspective; The MIT Press: Cambrige, MA, USA, 2012.
23. Vapnik, N. Statistical Learning Theory; John Wiley & Sons, Inc.: New York, NY, USA, 1998.
24. LIBSVM—A Library for Support Vector Available online:  csie.ntu.edu.tw/~cjlin/libsvm (accessed on 3 December 2014).

A High Performance Banknote Recognition System Based on a One-Dimensional Visible Light Line Sensor
Young Ho Park, Seung Yong Kwon, Tuyen Danh Pham, Kang Ryoung Park, Dae Sik Jeong, Sungsoo Yoon