本发明涉及人民币鉴伪技术，提供了一种基于斑马线红外图像特征的鉴伪方法，包括以下步骤：步骤A、采集人民币的红外图像，并将采集到的红外图像进行预处理；步骤B、将预处理后的红外图像进行HOG特征提取，并从提取到的HOG特征中选取满足预设条件的HOG特征；步骤C、根据选取出来的HOG特征进行鉴伪。所述的基于斑马线红外图像特征的鉴伪方法采用红外光对人民币的斑马防伪图像进行采集，并使用改进了的HOG和支撑向量机的方法对斑马防伪图像进行处理和识别，能有效消除噪声影响，提高红外图像鉴伪的性能，同时还能提高对真假币鉴伪的准确率。
1.一种基于斑马线红外图像特征的人民币鉴伪方法，其特征在于，包括以下步骤：步骤A：采集人民币的红外图像，并将采集到的红外图像进行预处理；
步骤B：将预处理后的红外图像进行HOG特征提取，并从提取到的HOG特征中选取满足预设条件的HOG特征；
步骤B1：选择合适的HOG特征参数，将图像感兴趣区域划分成若干个特征块，每个特征块均由2×2细胞单元组成，每个细胞单元均由8×8的像素构成；
步骤B3：将所述特征值Xi采用Fisher准则计算Fisher值Fi并将计算出来的Fisher值Fi进行排序；
步骤B4：根据排序结果，从所有的Fisher值Fi中选择最大的Fisher值作为特征输入到SVM分类器中，并计算出相应的类别识别率R；
步骤B5：重复所述步骤B4，直到R＞Rt，其中，Rt为设定的分类识别率。
2.根据权利要求1所述的基于斑马线红外图像特征的人民币鉴伪方法，其特征在于，所述步骤A具体包括：步骤A1：对人民币图像进行采集和定位；
3.根据权利要求2所述的基于斑马线红外图像特征的人民币鉴伪方法，其特征在于，所述步骤A1具体包括：步骤A101：采集人民币正面的红外透射图像It(x，y)和红外反射图像Ir(x，y)；
步骤A102：将所述红外透射图像It(x，y)和红外反射图像Ir(x，y)按如下公式进行加法运算得到图像I(x，y)，步骤A103：采用hough变换检测图像I(x，y)最暗区域的边缘，根据边缘将目标图像进行定位，并将采集的目标图像进行倾斜校正。
4.根据权利要求1所述的基于斑马线红外图像特征的人民币鉴伪方法，其特征在于，所述步骤B2具体包括以下步骤：步骤B201：采用梯度算子[-1，0，1]和[-1，0，1]-1计算每个细胞单元的梯度方向和梯度幅值，计算公式为： G(x，y)＝{[I(x+1，y)-I(x-1，y)]2+[I(x，y+1)-I(x，y-1)]2}1/2，其中，I(x，y)是图像中位于(x，y)的像素灰度值，α(x，y)表示该像素的梯度方向，G(x，y)表示该像素的梯度幅值；
步骤B202：每个细胞单元的HOG特征由其中每个像素加权投票来计算，利用高斯加权梯度幅值和三线性插值方法计算每个像素的权值；
步骤B203：根据每个细胞单元的HOG特征值计算每个特征块的HOG特征值Xi，并进行归一化。
5.根据权利要求1所述的基于斑马线红外图像特征的人民币鉴伪方法，其特征在于，所述步骤B3具体包括以下步骤：步骤B301：根据如下公式计算第i类的类内离散度，其中，ωR表示真币的种类，ωC表示假币的
种类，X表示从每个特征块提取的HOG特征，mi表示类ωR或类ωC的样本特征平均值；
步骤B302：计算所有类的类内离散度之和与类间离散度，其中，Sw表示所有类的类内离散度之和，Sb表示类间离散度，Fisher值Fi等于Sb/Sw。
6.根据权利要求1所述的基于斑马线红外图像特征的人民币鉴伪方法，其特征在于，所述步骤C具体包括：步骤C1：建立模型优化函数， 受制条件为yi
[(W·Xi)+b]≥1-ξi，ξi≥0，其中，W表示特征空间中分类超平面的系数向量，b表示分类面的阈值，ξi是松弛因子，C是对于错分样本的惩罚因子，n表示训练样本集中训练样本数；
中， αi为拉格朗日乘子，Xi为已知样本，yi已知样本标签，X为需要分类的样本，K(Xi，X)为核函数，
步骤C3：比较网格搜索法、遗传算法和粒子群优化算法，得出SVM分类器的参数，再根据所述参数从SVM分类器的HOG特征值集合中进行二类模式识别。
7.一种基于斑马线红外图像特征的人民币鉴伪系统，其特征在于，包括：图像预处理模块，对采集到的人民币红外图像进行预处理；
HOG特征提取模块，将预处理后的红外图像提取HOG特征，并从提取到的HOG特征中选取满足预设条件的HOG特征；
区域划分单元，选取合适的HOG特征参数，将图像感兴趣区域划分成若干个特征块，每个特征块均由2×2单元组成，每个单元均由8×8的像素构成；
HOG特征值计算单元，采用梯度算子[-1，0，1]和[-1，0，1]-1计算每个单元的梯度方向和梯度幅值，计算公式为： G(x，y)＝{[I(x+1，y)-I(x-1，
y)] +[I(x，y+1)-I(x，y-1)] } ，其中，I(x，y)是图像中位于(x，y)的像素灰度值，α(x，y)表示该像素的梯度方向，G(x，y)表示该像素的梯度幅值；每个细胞单元的HOG特征由其中每个像素加权投票来计算，利用高斯加权梯度幅值和三线性插值方法计算每个像素的权值；根据每个细胞单元的HOG特征值计算每个特征块的HOG特征值Xi，并进行归一化；
Fisher值Fi排序单元，将所述特征值Xi采用Fisher准则计算Fisher值Fi，并将计算出来的Fisher值Fi进行排序；
HOG特征值输入单元，根据排序结果，从所有的Fisher值Fi中选择最大的Fisher值Fi作为特征输入到SVM分类器中，并计算出相应的类别识别率R；
结束指令单元，所述HOG特征值输入单元每输入一个Fisher值Fi，执行一次R是否大于Rt的检测动作，直到R＞Rt，其中，Rt为设定的分类识别率。
8.根据权利要求7所述的基于斑马线红外图像特征的人民币鉴伪系统，其特征在于，所述图像预处理模块包括：图像采集和定位单元，采集人民币正面的红外透射图像It(x，y)和红外反射图像Ir(x，y)；将所述红外透射图像It(x，y)和红外反射图像Ir(x，y)按如下公式进行加法运算得到图像I(x，y)， 以精确定位安全线位置；采用hough变换检测图像I(x，y)最暗区域的边缘，根据边缘将目标图像进行定位，将采集的目标图像进行倾斜矫正；
感兴趣区域提取单元，根据定位好的目标图像提取出图像感兴趣区域。
9.根据权利要求7所述的基于斑马线红外图像特征的人民币鉴伪系统，其特征在于，所述人民币鉴伪模块包括：模型建立单元，建立模型优化函数， 受制条件为
yi[(W·Xi)+b]≥1-ξi，ξi≥0，其中，W表示特征空间中分类超平面的系数向量，b表示分类面的阈值，ξi是松弛因子，C是对于错分样本的惩罚因子，n表示训练样本集中训练样本数；
其中， αi为拉格朗日乘子，Xi为已知样本，yi已知样本标签，X为需要分类的样本，K(Xi，X)为核函数，
模式识别单元，选择SVM分类器参数，根据决策函数从SVM分类器的HOG特征值集合中进行二类模式识别。
基于斑马线红外图像特征的鉴伪方法及其系统
技术领域
[0001] 本发明涉及人民币鉴伪技术，尤其涉及基于斑马线红外图像特征的鉴伪方法及其系统。
背景技术
[0002] 2005版的100元、50元、20元、10元等纸币采用红外透射方式成像，安全线区域呈现斑马线防伪图案。由于斑马线伴随着开窗安全线而存在，在日光下不可见，红外光透射成像中才能显现出来，仿造难度极大。现有报道的高仿假钞中，例如以HB90和HD90序列号开头的假币，拥有逼真的水印、变光油墨、隐形面额、磁性特征和紫外特征，未见到红外斑马线防伪点造假。这些可见光下看不到的特征，使得红外图像鉴伪在各种纸币鉴伪领域有独特的优势。
[0003] 图像特征是图像中蕴含信息的某种表示，图像特征可以从一个变换域变换到另一个变换域表示。在图像分类中，提取的特征空间如果能找到明显的分类界限，就可以较好的进行特征分类。在实际应用中，选一个精准的特征表示是解决问题的关键。在纸币图像分类鉴伪识别领域，需要首先对纸币图像进行特征提取，再完成识别和鉴伪。
[0004] 针对原始目标图像，进行特征提取选择，选出具有较好区分度的特征，即在同一种类中具有相似性，不同种类中具有差异性。通过特征提取可以去除冗余信息和相关性特征。提取的特征维数要适当，如果维数太大，影响训练效率，维数过小，类间差别描述过少影响识别效果。因此，需要在众多图像特征中选择具有较好分类效果的特征。另外，不同的应用领域，特征选择的标准也不一样。目标图像受噪声和光照变换的影响，并且其形状、大小及亮度等特征不能同时表达，需要针对具体的问题进行选择和组合。
发明内容
[0005] 本发明所要解决的技术问题在于提供一种基于斑马线红外图像特征的人民币鉴伪方法及其系统，旨在解决现有的验钞机对高仿假钞在鉴别时存在误识别的问题。
[0006] 本发明是这样实现的，基于斑马线红外图像特征的人民币鉴伪方法，包括以下步骤：
[0007] 步骤A：采集人民币的红外图像，并将采集到的红外图像进行预处理；
[0008] 步骤B：将预处理后的红外图像进行HOG特征提取，并从提取到的HOG特征中选取满足预设条件的HOG特征；
[0009] 步骤C：根据选取出来的HOG特征进行鉴伪。
[0010] 进一步地，所述步骤A具体包括：
[0011] 步骤A1：对人民币图像进行采集和定位；
[0012] 步骤A2：从定位好的图像中提取出图像感兴趣区域。
[0013] 进一步地，所述步骤A1具体包括：
[0014] 步骤A101：采集人民币正面的红外透射图像It(x,y)和红外反射图像Ir(x,y)；
[0015] 步骤A102：将所述红外透射图像It(x,y)和红外反射图像Ir(x,y)按如下公式进行加法运算得到图像I(x,y)，
[0016] 步骤A103：采用hough变换检测图像I(x,y)最暗区域的边缘，根据边缘将目标图像进行定位，并将采集的目标图像进行倾斜校正。
[0017] 进一步地，所述步骤B具体包括：
[0018] 步骤B1：选择合适的HOG特征参数，将所述图像感兴趣区域划分成若干个特征块，每个特征块均由2×2细胞单元组成，每个细胞单元均由8×8的像素构成；
[0019] 步骤B2：计算所述每个特征块的HOG特征值Xi；
[0020] 步骤B3：将所述特征值Xi采用Fisher准则计算Fisher值Fi并将计算出来的Fisher值Fi进行排序；
[0021] 步骤B4：根据排序结果，从所有的Fisher值Fi中选择最大的Fisher值作为特征输入到SVM分类器中，并计算出相应的类别识别率R；
[0022] 步骤B5：重复所述步骤B4，直到R>Rt，其中，Rt为设定的分类识别率。
[0023] 进一步地，所述步骤B2具体包括以下步骤：
[0024] 步骤B201：采用梯度算子[-1,0,1]和[-1,0,1]-1计算每个单元的梯度方向和梯度幅值，计算公式为： G(x,y)＝{[I(x+1,y)-I(x-1,y)]2+[I(x,y+1)-I(x,y-1)]2}1/2，其中，I(x,y)是图像中位于(x,y)的像素灰度值，α(x,y)表示该像素的梯度方向，G(x,y)表示该像素的梯度幅值；
[0025] 步骤B202：每个细胞单元的HOG特征由其中每个像素加权投票来计算，利用高斯加权梯度幅值和三线性插值方法计算每个像素的权值；
[0026] 步骤B203：根据每个细胞单元的HOG特征值计算每个特征块的HOG特征值Xi，并进行归一化。
[0027] 进一步地，所述步骤B3具体包括以下步骤：
[0028] 步骤B301：根据如下公式计算第i类的类内离散度， i＝ωRorωC，i＝ωRorωC，其中，ωR表示真币的种类，ωC表示假币的种类，X表示从每个特征块提取的HOG特征，mi表示类ωR或类ωC的样本特征平均值；
[0029] 步骤B302：计算所有类的类内离散度之和与类间离散度， i＝ωRorωC，其中，Sw表示所有类的类内离散度之和，Sb表示类间离散度，Fisher值Fi等于Sb/Sw。
[0030] 进一步地，所述步骤C具体包括：
[0031] 步骤C1：建立模型优化函数， C≥0,(i＝1,2,...,n)，受制条件为yi[(W·Xi)+b]≥1-ξi,ξi≥0，其中，W表示特征空间中分类超平面的系数向量，b表示分类面的阈值，ξi是松弛因子，C是对于错分样本的惩罚因子，n表示训练样本集中训练样本数；
[0032] 步骤C2：根据建立的模型，得到决策函数为其中， αi为拉格朗日乘子，Xi为已知样本，yi已知样本标签，X为需要
分类的样本，K(Xi,X)为核函数，
[0033] 步骤C3：比较网格搜索法、遗传算法和粒子群优化算法，得出SVM分类器的参数，再根据所述参数从SVM分类器的HOG特征值集合中进行二类模式识别。
[0034] 本发明还提供一种基于斑马线红外图像特征的人民币鉴伪系统，包括：
[0035] 图像预处理模块，对采集到的人民币红外图像进行预处理；
[0036] HOG特征提取模块，将预处理后的红外图像提取HOG特征，并从提取到的HOG特征中选取满足预设条件的HOG特征；
[0037] 人民币鉴伪模块，将选取出来的HOG特征进行鉴伪。
[0038] 进一步地，所述图像预处理模块包括：
[0039] 图像采集和定位单元，采集人民币正面的红外透射图像It(x,y)和红外反射图像Ir(x,y)；将所述红外透射图像It(x,y)和红外反射图像Ir(x,y)按如下公式进行加法运算得到图像I(x,y)， 以精确定位安全线位置；采用hough变换检测图像I(x,y)最暗区域的边缘，根据边缘将目标图像进行定位，将采集的目标图像进行倾斜矫正。
[0040] 感兴趣区域提取单元，根据定位好的目标图像提取出图像感兴趣区域。
[0041] 进一步地，所述HOG特征提取模块包括：
[0042] 区域划分单元，选取合适的HOG特征参数，将所述图像感兴趣区域划分成若干个特征块，每个特征块均由2×2单元组成，每个单元均由8×8的像素构成；
[0043] HOG特征值计算单元，采用梯度算子[-1,0,1]和[-1,0,1]-1计算每个单元的梯度方向和梯度幅值，计算公式为： G(x,y)＝{[I(x+1,y)-I(x-1,y)]2+[I(x,y+1)-I(x,y-1)]2}1/2，其中，I(x,y)是图像中位于(x,y)的像素灰度值，α(x,y)表示该像素的梯度方向，G(x,y)表示该像素的梯度幅值；每个细胞单元的HOG特征由其中每个像素加权投票来计算，利用高斯加权梯度幅值和三线性插值方法计算每个像素的权值；根据每个细胞单元的HOG特征值计算每个特征块的HOG特征值Xi，并进行归一化；
[0044] Fisher值Fi排序单元，将所述特征值Xi采用Fisher准则计算Fisher值Fi，并将计算出来的Fisher值Fi进行排序；
[0045] HOG特征值输入单元，根据排序结果，从所有的Fisher值Fi中选择最大的Fisher值Fi作为特征输入到SVM分类器中，并计算出相应的类别识别率R；
[0046] 结束指令单元，所述HOG特征值输入单元每输入一个Fisher值Fi，执行一次R是否大于Rt的检测动作，直到R>Rt，其中，Rt为设定的分类识别率。
[0047] 进一步地，所述人民币鉴伪模块包括：
[0048] 模型建立单元，建立模型优化函数，受制条件为yi[(W·Xi)+b]≥1-ξi,ξi≥0，其中，W表示特征空间中分类超平面的系数向量，b表示分类面的阈值，ξi是松弛因子，C是对于错分样本的惩罚因子，n表示训练样本集中训练样本数；
[0049] 函数分析单元，根据建立的模型，得到决策函数为其中， αi为拉格朗日乘子，Xi为已知样本，yi已知样本标签，X为需要
分类的样本，K(Xi,X)为核函数，
[0050] 模式识别单元，选择SVM分类器参数，根据决策函数从SVM分类器的HOG特征值集合中进行二类模式识别。
[0051] 本发明与现有技术相比，有益效果在于：所述的基于斑马线红外图像特征的鉴伪方法采用红外光对人民币的斑马防伪图像进行采集，并使用改进了的HOG方法对斑马防伪图像进行处理和识别，该方法选取了合适的HOG特征参数和SVM分类器参数，能有效消除噪声影响，提高红外图像鉴伪的性能，对真假币的准确率可以达到99.03％。
附图说明
[0052] 图1是本发明基于斑马线红外图像特征的鉴伪方法的流程图；
[0053] 图2是本发明中斑马线防伪点的感兴趣区域示意图；
[0054] 图3是鉴伪方法中HOG特征提取的流程图；
[0055] 图4是特征块选取数与分类准确率的关系示意图；
[0056] 图5是利用网络法选择参数的实验结果图；
[0057] 图6是利用遗传算法选择参数的实验结果图；
[0058] 图7是利用粒子群优化法选择参数的实验结果图。
具体实施方式
[0059] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0060] 如图1所示，为本发明一较佳的实施例，基于斑马线红外图像特征的人民币鉴伪方法，包括以下步骤：步骤A：采集人民币的红外图像，并将采集到的红外图像进行预处理；步骤B：将预处理后的红外图像进行HOG(Histogram of Orient Gradient，梯度方向直方图)特征提取，并从提取到的HOG特征中选取满足预设条件的HOG特征；步骤C：根据选取出来的HOG特征进行鉴伪。
[0061] 执行步骤A时，首先对人民币图像进行采集和定位。利用红外图像采集系统采集每张人民币正面的红外透射图像It(x,y)和红外反射图像Ir(x,y)，两次采集人民币的位置保持不变，且采集到的图像均为灰度图像。将所述红外透射图像It(x,y)和红外反射图像Ir(x,y)按公式 进行加法运算得到图像I(x,y)，从上式中可知，两幅图像的灰度和超过255时，取值255；灰度和没有超过255时，取两图的灰度和。经过该加法运算后，原图中最暗的区域保留，其他区域都变为白色背景。安全线在透射和反射图像中均为最暗的区域，因此，采用上述的加法运算可以精确定位到安全线区域。
经过hough变换检测图像I(x,y)最暗区域的边缘，根据边缘将目标图像进行定位、旋转，完成采集的目标图像的倾斜校正。斑马线防伪图像在白光下成像不可见，但是在红外透射成像中，显示为明暗交替矩形块(即本申请中称的斑马线)，这一特征点可以作为区分真假币的特征。安全线在红外成像中，是一条黑线，贯穿于整个斑马线图案，即斑马线图案位于安全线周围。如果在上述处理图像的过程中没有找到固定安全线的存在，那么这张钞票直接判定为假币。然后，从定位好的图像中提取出图像感兴趣区域。具体地，安全线的水平位置确定后，ROI(Region of Interest，图像感兴趣区域)中心点的水平坐标也确定了。两个16像素宽的矩形区域分别从安全线的左边和右边分割出来后合并成一个新的斑马线图案。完成上述操作后，5H×32大小的区域提取出来作为图像感兴趣区域，如图2所示，用于纸币鉴伪中的特征提取区域。
[0062] 提取HOG特征时有很多种参数需要选择。其中有几个参数很重要，它们分别是：(1)ROI的大小：从图像中提取的感兴趣区域的大小；(2)Block的大小：从ROI区域划分块的大小；(3)Block滑动步长：利用块的概念进行重叠归一化，克服光照变化影响；(4)Cell的大小：Block中的细胞元大小；(5)Bin的大小：一个细胞元中统计梯度方向的个数；(6)Block和Cell的组合排列方式：在ROI区间中可以选取多种cell排列方式构成一个Block。
[0063] 采用540个样本(500个是真币，40个是假币)进行实验，其中200个真币样本和30个假币样本进行训练。尝试了不同的参数大小及多种特征块(block)中的细胞单元(cell)的排列方式，得到的识别率结果见表1.1。实验发现，当ROI区域选取32×128像素大小，block中选取2×2的cell结构，cell选取8×8像素时，bin取9，滑动块的步长选取一个细胞单元的宽度，得到的分类识别率最高。
[0064] 表1.1 各参数变化与识别率的关系
[0065]
[0066] 参见图3所示，执行步骤B时，首先，按照上述的实验结果选择合适的HOG特征参数，将所述图像感兴趣区域划分成若干个特征块，每个特征块均由2×2细胞单元组成，每个细胞单元均由8×8的像素构成。然后，计算所述每个特征块的HOG特征值Xi。具体地，采用梯度算子[-1,0,1]和[-1,0,1]-1计算每个细胞单元的梯度方向和梯度幅值，计算方法为：G(x,y)＝{[I(x+1,y)-I(x-1,y)]2+[I(x,y+1)-I(x,
y-1)]2}1/2，其中，I(x,y)是图像中位于(x,y)的像素灰度值，α(x,y)表示该像素的梯度方向，G(x,y)表示该像素的梯度幅值。每一个细胞单元的HOG特征由其中的每个像素的加权投票来计算，可以利用高斯加权梯度幅值和三线性插值方法计算每个像素的权值，并根据每个细胞单元的HOG特征值加权投票计算每个特征块的HOG特征值Xi，并进行归一化。再对每个特征块(block)的向量直方图进行L2范数归一化 其中，v表示特征块
中的归一化后的直方图向量，||vk||表示k-范数计算，k＝1或2，ε是一个很小的常数，防止产生无穷大值。对每一特征块进行归一化的目的是补偿采集输入图像时的光源变化。将所有归一化后的直方图向量串联成一个大小为n×m的向量，其中，n表示每个特征块中的直方图向量的维数，m表示图像感兴趣区域里面特征块的个数。优选的，m＝45，n＝36。串联后的向量输入到SVM(Support Vector Machine，支撑向量机)分类器中进行真假币分类识别。然而，HOG的特征向量是高维的向量。例如，当bin设为9，每个块的重叠率设为0.5，该HOG特征维数为45×4×9＝1620。高的特征维数使提取特征、训练样本和分类时的计算强度加大。因此，需要在把HOG特征输入到SVM分类器前进行选取处理。通过观察发现，斑马线防伪点图案的边缘方向主要是水平和垂直方向，可利用Fisher准则去除冗余的HOG特征。根据该准测，如果该特征在同一组内比不同组的相似度大，那么该特征具有较好的区分度。然后进行特征排序，将区分度高的特征挑选出来作为最后的特征。具体地，将特征值Xi采用Fisher准则进行计算，并将计算出来的Fisher值Fi进行排序，计算方法为： i＝ωRorωC，i＝ωRorωC， i＝ωRorωC，
其中，ωR表示真币的种类，ωC表示假币的种类，X表示从每个特征块提取的HOG特征，mi表示类ωR或类ωC的样本特征平均值，Sw表示所有类的类内离散度之和，Sb表示类间离散度。Fi＝Sb/Sw，Fi的比值越大，其特征X的区分能力就越强。根据排序结果，从所有的Fisher值Fi中选择最大的Fisher值作为特征输入到SVM分类器中，并计算出相应的类别识别率R；再从前一次剩下的Fisher值Fi中选择最大的Fisher值作为特征输入到SVM分类器中，重复此动作，直到R>Rt，Rt为设定的分类识别率，停止从剩下的Fisher值Fi中选择较大者输入到SVM分类器。
[0067] 选取好HOG特征输入到SVM分类器后，需要对HOG特征进行鉴伪，从而区分出人民币的真伪。利用SVM分类器进行斑马线特征识别。其实对真币和假币的分类是一个二类模式识别的问题。设给定的训练集为{(x1,y1),(x2,y2),…,(xn,yn)}，其中xi∈Rn为输入HOG特征向量，yi∈{-1,1}为输出向量。xi表示第i个训练样本的HOG特征，yi表示第i个训练样本的类别标签，“-1”代表假币类别，“1”代表真币类别。用SVM进行真假币分类的目标是，给定一个包含真假币的训练集，能够找到一个区分两类数据并且与两类数据有最大间隔的超平面。如果该训练集可被一个超平面划分，则该超平面为W·X+b＝0，式中的参数W和b决定了超平面的位置，W表示特征空间中分类超平面的系数向量，b表示分类面的阈值，W·X为两个向量的内积。为了求得该训练集最优化划分，该问题可以转化为求最优化超平面的问题，因而转化为建立函数模型求解的问题。
[0068] 具体鉴伪方法为：首先，建立模型优化函数，受制条件为yi[(W·Xi)+b]≥1-ξi,ξi≥0，其中，Subject to yi[(W·Xi)+b]≥1-ξi,ξi≥0[0069] W表示特征空间中分类超平面的系数向量，b表示分类面的阈值，ξi是考虑分类误差而引入的松弛因子，C是对于错分样本的惩罚因子，n表示训练样本集中训练样本数。根据建立的模型，可以推出决策函数为 其中，
αi为拉格朗日乘子，Xi为已知样本，yi已知样本标签，X为需要分类
的样本，K(Xi,X)为核函数， 比较网格搜索法、遗传算法和粒子群优化
算法这三种算法，经过比较得出网格搜索法为最优的算法，根据网格搜索法确定出SVM分类器的参数，再根据所述参数从SVM分类器的HOG特征值集合中进行二类模式识别。
[0070] 如图5至图7所示，采用网格搜索法、遗传算法和粒子群优化算法进行比较寻找SVM分类器的参数时，采用了230个训练样本进行实验，比较结果见表1.2。
[0071] 表1.2 基于三种算法的参数比较
[0072]
[0073] 上述三种方法均可得到99.5652％的交叉验证准确率，其中网格搜索法耗时最少，因此选择该方法选择C-SVM分类器的参数，参数结果为C＝1，γ＝0.10882。
[0074] 本发明还提供一种基于斑马线红外图像特征的鉴伪系统，包括：图像预处理模块，对采集到的人民币红外图像进行预处理；HOG特征提取模块，将预处理后的红外图像提取HOG特征，并将提取到的HOG特征进行选取；人民币鉴伪模块，根据选取出来的HOG特征输入到SVM分类器中进行鉴伪。
[0075] 所述图像预处理模块包括图像采集和定位单元和感兴趣区域提取单元。图像采集和定位单元用于采集人民币正面的红外透射图像It(x,y)和红外反射图像Ir(x,y)；并将所述红外透射图像It(x,y)和红外反射图像Ir(x,y)按如下公式进行加法运算得到图像I(x,y)， 以精确定位安全线位置；还用于采用hough变换检测图像I(x,y)最暗区域的边缘，根据边缘将目标图像进行定位，并将采集的目标图像进行倾斜校正。感兴趣区域提取单元根据定位好的目标图像提取出图像感兴趣区域。
[0076] 所述HOG特征提取模块包括区域划分单元、HOG特征值计算单元、Fisher值Si排序单元、HOG特征值输入单元和结束指令单元。区域划分单元用于选取合适的HOG特征参数，将所述图像感兴趣区域划分成若干个特征块，每个特征块均由2×2单元组成，每个单元均由8×8的像素构成。HOG特征值计算单元采用梯度算子[-1,0,1]和[-1,0,1]-1计算每个单元的梯度方向和梯度幅值，计算公式为： G(x,y)＝{[I(x+1,y)-I(x-1,y)]2+[I(x,y+1)-I(x,y-1)]2}1/2，其中，I(x,y)是图像中位于(x,y)的像素灰度值，α(x,y)表示该像素的梯度方向，G(x,y)表示该像素的梯度幅值；每个细胞单元的HOG特征由其中每个像素加权投票来计算，利用高斯加权梯度幅值和三线性插值方法计算每个像素的权值；根据每个细胞单元的HOG特征值计算每个特征块的HOG特征值Xi，并进行归一化。
Fisher值Fi排序单元用于将所述特征值Xi采用Fisher准则进行计算，并将计算出来的Fisher值Fi进行排序。HOG特征值输入单元根据排序结果从所有的Fisher值Fi中选择最大的Fisher值作为特征输入到SVM分类器中，并计算出相应的类别识别率R。所述HOG特征值输入单元每输入一个Fisher值，结束指令单元将执行一次R是否大于Rt的检测动作，直到R>Rt，Rt为设定的分类识别率，停止从剩下的Fisher值Si中选择较大者进行输入到SVM分类器。
[0077] 所述人民币鉴伪模块包括模型建立单元、函数分析单元和模式识别单元。模型建立单元用于建立模型优化函数， C≥0,(i＝1,2,...,n)，受制条件为yi[(W·Xi)+b]≥1-ξi,ξi≥0，其中，W表示特征空间中分类超平面的系数向量，b表示分类面的阈值，ξi是考虑分类误差而引入的松弛因子，C是对于错分样本的惩罚因子，n表示训练样本集中训练样本数。函数分析单元根据建立的模型，可以得到决策函数为
其中， αi为拉格朗日乘子，Xi
为已知样本，yi已知样本标签，X为需要分类的样本，K(Xi,X)为核函数，
模式识别单元用于选择SVM分类器参数，根据决策函数从SVM分类器的HOG特征值集合中进行二类模式识别。
[0078] 在该方法的实验中，真币样本数是500，假币样本数是40，将真假币样本随机划分为训练样本集和测试样本集，例如其中50％的样本用来训练，50％的样本用来测试。即选取250个真币和20个假币样本用来选择HOG特征和训练SVM分类器，另外250个真币和20个假币样本用来测试。重复10次，每次用不同的50％的样本来训练和测试。计算分类识别准确率(accuracy)、漏识率(miss rate or false negative rate)、误识率(false positive rate)的方法为：
其中，TP(true positive)表示实际是真币并且也被预测成真币的样本数，FN(false negative)表示实际是真币但被预测成假币的样本数，FP(false positive)表示实际是假币但被预测成真币的样本数，TN(true negative)表示实际是假币也被预测成假币的样本数。
[0079] 根据上述的特征提取和选取算法选取了斑马线防伪点图案中具有较好区分能力的特征。当选择到第20个特征块时，可以获得99.03％的分类准确率，特征选取过程停止。如图4所示，识别率在开始选取特征块的时候显著增大，当选取的图像特征块的数量超过20的时候，系统分类识别率的增长速度趋于平稳。经过试验发现，利用改进的HOG特征描述算子和C-SVM分类器，得出识别率为99.032％，漏识别率为1％，误识率为0％，平均检测时间为0.25s/张。采用斑马线红外图像特征的鉴伪方法在鉴别人民币时具有较好的识别率且算法效率高，且能缩短检测时间，该方法可应用于纸币鉴伪识别系统中。
[0080] 以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。
