高阶统计与局部几何特征结合的货币图像识别

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (23): 141-144.

高阶统计与局部几何特征结合的货币图像识别

李昌春1，曹建福1，2，汪霖1

1.西安交通大学机械制造系统国家重点实验室，西安 710049
2.西安交通大学苏州研究院，江苏苏州 215123

出版日期:2013-12-01 发布日期:2016-06-12

Currency image recognition combining high-order statistics and local geometric characteristics

LI Changchun1, CAO Jianfu1，2, WANG Lin1

1.State Key Laboratory for Manufacturing Systems Engineering, Xi’an Jiaotong University, Xi’an 710049, China
2.Suzhou Academy, Xi’an Jiaotong University, Suzhou, Jiangsu 215123, China

Online:2013-12-01 Published:2016-06-12

摘要/Abstract

摘要： 由于硬币具有多样性特点及现代假币手段的隐蔽性，这给硬币鉴伪带来了很大的困难，为此提出了一种基于高阶统计量与局部几何特征相结合的硬币图像识别方法。利用图像边缘纹理和图像面积的比值不变性，给出了一种变阈值的Robert边缘检测算法。将边缘图像的不变矩、纹理特征以及区域占有率等高阶统计量，以及不同版本硬币的局部几何特征量作为硬币图像的特征向量，采用模糊C均值聚类方法对其进行聚类分析，从而实现硬币的分类识别。实验结果表明该方法的识别率可以达到98.5%以上，并对环境光照的变化有很强的适应性。

关键词: 图像识别, 特征提取, 高阶统计量, 聚类分析

Abstract: Because of the diversity of different coins and the concealment of modern false coins, it has great difficulties to discriminate coins. Thus an image recognition method based on high-order statistics and local geometric characteristics is proposed. With the ratio invariance of image edge texture and image area, a variable threshold-based Robert edge detection algorithm is given. High-order features with the invariant moment, texture characteristic and regional share of the edge image, and local geometric features of different versions of the coins are selected as coin image feature vectors. The feature vectors are clustered using fuzzy C-means clustering, to realize the classification recognition of the coins. Experimental results show that the recognition rate of the proposed method can reach 98.5%, and it is adaptive to the change of environment light.

Key words: image recognition, feature extraction, high-order statistics, clustering analysis

李昌春1，曹建福1，2，汪霖1. 高阶统计与局部几何特征结合的货币图像识别[J]. 计算机工程与应用, 2013, 49(23): 141-144.

LI Changchun1, CAO Jianfu1，2, WANG Lin1. Currency image recognition combining high-order statistics and local geometric characteristics[J]. Computer Engineering and Applications, 2013, 49(23): 141-144.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[3]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[4]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[5]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[6]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[7]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[8]	贺文亮，朱敏玲. 胶囊神经网络研究现状与未来的浅析[J]. 计算机工程与应用, 2021, 57(3): 33-43.
[9]	黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究[J]. 计算机工程与应用, 2021, 57(23): 178-184.
[10]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[11]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[12]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[13]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[14]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[15]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.