纸币是现代金融的血液,是当今世界上必不可少的东西。自建国以来我国共发行了五套人民币,目前正在流通的是第四套和第五套。纸币面额识别是所有金融设备一个必不可少的组成模块,本文在广泛查阅大量国内外参考文献关于纸币面额识别的基础上,通过仔细分析和研究纸币清分机中的面额识别模块,针对我国人民币自身的特征,设计了两种识别方法。 本文的核心技术在于图像的预处理和识别。首先,为了保证识别的准确性,需要对图像进行预处理,如去除噪声、图像增强、定位分割、图像倾斜校正等。在倾斜校正的过程中,本文提出了采用直线拟合的方法计算出边框底线所在直线的斜率,从而计算出纸币图像的倾斜度,然后再进行图像旋转。在图像定位分割中采用了灰度投影的方法,从而准确定位出纸币的上下和左右边界,使图像和背景分离开来。在纸币识别过程中,一方面根据纸币图像的特殊性,提出了采用轴对称掩膜的方法来提取人民币特征;另一方面充分利用神经网络的并行分布处理和高的容错性特点,将BP神经网络算法应用于纸币的面额识别。大量实验结果表明,该识别算法不仅能够识别新币和感染轻微噪声的纸币,而且对缺损较少但仍能流通的残币、旧币仍具有很强的鲁棒性。当一张人民币通过该识别网络后,识别的结果包括:(1)人民币的面额;(2)人民币正、反面。 识别算法中除了采用神经网络进行识别外,还尝试了模板匹配的方法。传统的二维模板匹配虽然实现简单,但计算量十分庞大,花费时间太长。针对此情况提出了采用一维灰度投影的模板匹配方法。实验结果表明,后者在保证了匹配准确率略高的前提下,识别速度也明显高于前者。基于BP神经网络的识别方法由于采用了轴对称掩膜技术来提取纸币特征,所以只需考虑纸币的正面正放和反面正放这两种进入状态即可,与一维投影模板匹配识别一种面额需要考虑正面正放、正面倒放、反面正放、反面倒放相比,在识别率基本相同的情况下,当用于新币种的人民币或其它国家的纸币纸币识别时,推广能力明显高于后者。