基于纹理识别和卷积神经网络的人民币识别技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 论文的主要研究工作 | 第14-16页 |
| 1.4 论文的结构组织 | 第16-17页 |
| 第2章 纸币图像的采集存储及预处理 | 第17-27页 |
| 2.1 纸币图像的采集 | 第17-18页 |
| 2.1.1 数码相机 | 第17页 |
| 2.1.2 CCD摄像头 | 第17页 |
| 2.1.3 扫描仪 | 第17-18页 |
| 2.2 纸币图像的表现形式和存储格式 | 第18-19页 |
| 2.2.1 图像的表现形式 | 第18-19页 |
| 2.2.2 图像的存储格式 | 第19页 |
| 2.3 纸币图像的预处理 | 第19-26页 |
| 2.3.1 平滑滤波去噪 | 第20-22页 |
| 2.3.2 倾斜校正 | 第22-25页 |
| 2.3.3 目标分割 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于GLCM和马氏距离的纸币识别 | 第27-44页 |
| 3.1 纹理特征简介 | 第27-29页 |
| 3.2 纹理特征的提取方法 | 第29-31页 |
| 3.2.1 模型法 | 第29页 |
| 3.2.2 结构分析法 | 第29-30页 |
| 3.2.3 信号处理法 | 第30页 |
| 3.2.4 统计分析法 | 第30-31页 |
| 3.3 基于GLCM的纸币图像纹理特征提取方法 | 第31-37页 |
| 3.3.1 灰度共生矩阵理论基础 | 第31-33页 |
| 3.3.2 纹理特征参数的选取 | 第33-34页 |
| 3.3.3 纹理特征参数提取的实现 | 第34-37页 |
| 3.4 基于马氏距离的纸币分类算法 | 第37-40页 |
| 3.5 实验描述与结果分析 | 第40-43页 |
| 3.5.1 实验环境及数据集 | 第40-41页 |
| 3.5.2 实验参数设置 | 第41页 |
| 3.5.3 实验结果及分析 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于卷积神经网络的纸币识别 | 第44-63页 |
| 4.1 卷积神经网络相关理论 | 第44-53页 |
| 4.1.1 人工神经网络 | 第44-47页 |
| 4.1.2 BP神经网络 | 第47-49页 |
| 4.1.3 卷积神经网络 | 第49-53页 |
| 4.2 卷积神经网络的训练过程 | 第53-54页 |
| 4.3 基于卷积神经网络的人民币识别 | 第54-62页 |
| 4.3.1 搭建卷积神经网络 | 第54-57页 |
| 4.3.2 实验环境及数据 | 第57-58页 |
| 4.3.3 实验过程及分析 | 第58-61页 |
| 4.3.4 实验总结 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 全文工作总结 | 第63-64页 |
| 5.2 未来工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
