论文部分内容阅读
由于纸币在使用过程中极易造成的污点和折痕,扫描获取到的灰度图像中包含大量噪声信息。为了更好的实现纸币编码的识别,必须对纸币图像进行去噪处理。纸币的灰度图像中包含的两种比较明显的噪声——散斑和折痕,其中散斑的形状不规则不确定,折痕通常为直线,其位置的不确定。本文针对不规则形状位置的散斑,提出通过区域平均方式进行去噪的算法;针对不确定位置的直线折痕,提出一种利用折痕贯穿性去除纸币中折痕的算法。通过分析人民币编码的特点,将识别算法分为两大部分:冠字区域识别和号码区域识别。编码的1~3位为冠字区域,由字母和数字组合而成,设计基于BP神经网络的算法,实现对结构复杂、种类较多的字母和数字的混合字符的分类。针对易混淆的字符,提出采用神经网络二次识别的方法;由于普通BP神经网络训练时间过长和容易陷入局部极小,提出免疫算法优化神经网络。编码的4~10位为号码区域,仅由数字构成,设计基于字符拓扑结构的数字识别算法。通过MATLAB软件对1000张含有不同程序污损的人民币编码图片进行识别实验,实验的综合识别率为95.8%,主频为2.2GHz的奔腾双核处理器的PC机上识别速度约为0.2秒/张。实验结果表明,本文提出的关于字符图像处理方面的思想和方法,能较大幅度提高图片的质量,对后续的识别工作具有很大帮助,体现了该方法的特点;本文提出的识别算法,相对于普通神经网络识别算法,在训练时具有更快的收敛速度,在识别时具有更高的识别率和识别速度;而对比字符模板匹配识别法,在保证良好的识别速率的前提下,具有更高的识别率。