基于图像分析的人民币清分方法研究与实现
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 纸币的分类 | 第11-13页 |
| 1.2.2 纸币污损识别 | 第13-14页 |
| 1.2.3 纸币新旧识别 | 第14-15页 |
| 1.2.4 纸币冠字号码识别 | 第15页 |
| 1.3 纸币清分机功能概述 | 第15-16页 |
| 1.4 本文研究的内容及章节安排 | 第16-17页 |
| 2 纸币图像的采集及预处理 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 图像采集系统 | 第17-18页 |
| 2.3 纸币图像的边界检测 | 第18-23页 |
| 2.3.1 基于霍夫变换的直线检测 | 第19-20页 |
| 2.3.2 基于最小二乘法的直线拟合 | 第20-21页 |
| 2.3.3 基于直线拟合的纸币边界检测 | 第21-23页 |
| 2.4 纸币图像倾斜矫正 | 第23-25页 |
| 2.4.1 基于像素点旋转的倾斜矫正 | 第23-24页 |
| 2.4.2 基于像素点平移的图像矫正 | 第24-25页 |
| 2.5 实验结果及分析 | 第25-27页 |
| 2.5.1 纸币图像边界线检测 | 第25-26页 |
| 2.5.2 纸币图像倾斜矫正 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 纸币面值面向识别 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 基于纸币的几何特征的面值识别 | 第28-29页 |
| 3.3 纸币面向识别 | 第29-30页 |
| 3.4 纸币图像特征提取 | 第30-32页 |
| 3.4.1 网格特征 | 第30-31页 |
| 3.4.2 纸币彩色图像特征 | 第31-32页 |
| 3.5 分类器设计 | 第32-35页 |
| 3.5.1 LVQ神经网络 | 第32-34页 |
| 3.5.2 改进的LVQ算法 | 第34-35页 |
| 3.6 纸币识别系统的设计 | 第35页 |
| 3.7 实验结果及分析 | 第35-39页 |
| 3.7.1 纸币面值识别 | 第35-36页 |
| 3.7.2 LVQ纸币面向识别 | 第36-37页 |
| 3.7.3 竞争层神经元数目确定 | 第37-38页 |
| 3.7.4 纸币图像的面值面向混合识别 | 第38-39页 |
| 3.8 本章小结 | 第39-40页 |
| 4 纸币新旧识别 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 常用的纸币新旧检测法 | 第40-42页 |
| 4.2.1 基于声音的纸币新旧识别 | 第40-41页 |
| 4.2.2 基于图像亮度的纸币新旧识别 | 第41-42页 |
| 4.3 基于图像识别的纸币新旧检测 | 第42-46页 |
| 4.3.1 纸币新旧特征 | 第42-43页 |
| 4.3.2 KNN分类器 | 第43页 |
| 4.3.3 SVM分类器 | 第43-46页 |
| 4.4 实验结果与分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 纸币冠字号码识别 | 第50-70页 |
| 5.1 引言 | 第50页 |
| 5.2 冠字号码区域预处理和字符分割 | 第50-56页 |
| 5.2.1 灰度图像二值化 | 第51-53页 |
| 5.2.2 字符分割 | 第53-55页 |
| 5.2.3 字符归一化 | 第55-56页 |
| 5.3 字符特征提取 | 第56-59页 |
| 5.3.1 八方向梯度特征 | 第56-57页 |
| 5.3.2 Gabor特征 | 第57-59页 |
| 5.4 字符识别的方法 | 第59-64页 |
| 5.4.1 改进的二次判别函数 | 第59-60页 |
| 5.4.2 卷积神经网络 | 第60-62页 |
| 5.4.3 冠字号码识别可靠性度量 | 第62-64页 |
| 5.5 实验结果与分析 | 第64-69页 |
| 5.5.1 实验字符库说明 | 第64页 |
| 5.5.2 冠字号码识别系统 | 第64-65页 |
| 5.5.3 特征提取 | 第65-66页 |
| 5.5.4 分类器比较实验 | 第66-67页 |
| 5.5.5 冠字号码识别可靠性 | 第67-69页 |
| 5.6 本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
