بخشی از مقاله
چکیده
با توجه به اهمیت شناسایی اسکناس در سیستمهای جدید بانکی و عدم کارایی و تطبیق مناسب الگوریتمهای بکار رفته بر روی اسکناسهای غیر ایرانی، در این مقاله سعی شده است تا با ارائه معیاری جدید به دسته بندی اسکناسهای 10، 20، 50 و 100هزار ریالی در 4 دسته مختلف بپردازیم. پس از آن به دستهبندی و محاسبهی احتمال پیشین هر کلاس با استفاده از قوانین بیز میپردازیم و با توجه به خروجی این مرحله، به کمک درخت تصمیم سعی در شناسایی اسکناس داریم. در این مقاله با بکارگیری تکنیکهای پردازش تصویر، زاویهی ت صویر با سطح افق و همچنین اندازهی آن مهم نبوده، اما این روش، قابلیت ت شخیص پ شت و رو بودن ت صویر ورودی را ندارد. در نهایت با انجام آزمایش بر روی 800 قطعه اسکناس، به دقتی در حدود 94 درصد رسیدیم.
مقدمه
با توجه به گسترش دستگاههای خودپرداز و خوددریافت در سیستمهای بانکی و انتقال پول، نیاز به سیستمهای پردازش تصویر و تشخیص اسکناس توسط ماشین به شکلی که تصویر ورودی را دریافت و نوع آن را تشخیص دهد، بیش از پیش احساس میشود. از طرفی دیگر با توجه به حجم بالای پولی که به شکل اسکناس در بین بانکها و افراد مختلف جابجا میشود، مخدوش شدن و فرسودگی و یا تغییر شکل و بافت اسکناسها امری ناگریز میباشد. جایگزین کردن این اسکناسها با اسکناسهای نو هزینهی زیادی میطلبد، به خصوص در شرایطی که کشور مورد نظر، تکنولوژی تولید کاغذ اسکناس یا توان چاپ آن را نداشته باشد.
این مشکل در کشور ایران به دلیل حجم بالای نقدینگی و نیز رواج اسکناسهای فرسوده، دست نویسی شده، پاره و مخدوش چشمگیرتر است، به گونهای که بسیاری از روشها و الگوریتمهای رایج برای تشخیص اسکناسهای خارجی در مقابل تشخیص اسکناسهای ایرانی ناتوانند. از این جهت در مقالهی پیش رو سعی شده است که راهکاری مطابق و متناسب با اسکناسهای رایج در کشور ایران برای تشخیص و دستهبندی آنها در قالب 4 دستهی اسکناسهای 10هزار ریالی، 20 هزار ریالی، 50 هزار ریالی و 100 هزار ریالی ارائه گردد.
کارهای پیشین
در زمینهی تشخیص اسکناس راهکارهای زیادی ارائه گردیده است که بطور کلی دسته بندی را با استفاده از دو معیار رنگ و بافت تصویر انجام میشود. در این بخش به مرور چند روش متداول میپردازیم.
-2-1 روش استفاده از تبدیل موجک
اگر هر اسکناس را در حوزه فرکانس، الگویی با دامنهای مشخص از فواصل فرکانسی فرض کنیم آنگاه میتوان آن را به چند زیرمجموعه از باندهای فرکانسی مختلف تجزیه کرد. سپس با محاسبهی فاصلهی هر تصویر ورودی از این باندها، شبیهترین تصویر مرجع به تصویر ورودی را تشخیص داد.[3]
-2-2 روش تشخیص لبهها
یک راهکار برای تشخیص و تمایز اسکناسها، تشخیص لبه میباشد.[4] بهطور کلی در این روش ابتدا تصویر را به مجموعهای از چندین تصویر کوچکتر تجزیه میکنیم. سپس در هر زیرمجموعه، تعداد لبهها را شمارش میکنیم و این تعداد را بهعنوان یک ویژگی از تصویر به شبکهی عصبی اعمال میکنیم. از آنجا که در اسکناسهای ایرانی میزان مخدوش بودن میتواند بسیار بالا باشد، این روش چندان کارآمد نیست.[5]
-2-3 روش استفاده از ماسکهای لغزان تصادفی
اگر ماسکی مربعی و متقارن با مقادیر تصادفی باینری را درنظر بگیریم و سپس بر روی تصویر مرجع باینری حرکت دهیم و در هر مرحله میزان تطابق را شمارش کنیم، و همین عمل را بر محل یکسان در تصویر ورودی باینری انجام دهیم، با مقایسهی میزان تطابقها در دو تصویر میتوان به معیاری جهت سنجش شباهت رسید. این مقادیر را به مانند روش 3-1 میتوان به شبکهی عصبی اعمال کرد و نوع بهترین ماسکها را بهوسیلهی الگوریتم ژنتیک استخراج کرد. نقطهی قوت این روش، در متقارن بودن ماسکها میباشد به گونهای که به وارونه بودن یا چرخش 180 درجهای تصویر ورودی حساس نیست.ضعف این روش وابستگی شدید به مقادیر پیکسلهاست بهگونهای که با تغییر نور محیط سیستم دچار اختلال و اشتباه میشود.[6]
-2-4 تشخیص بافت تصویر به روش PCA
در این روش ویژگیهای بافت هر اسکناس مرجع استخراج شده و بهوسیلهی تکنیکهای موجود در شناسایی الگو، ابعاد و حجم ویژگیها ببا استفاده از روش PCA کاهش داده شده و سپس جهت تطابق به شبکهی عصبی یا سایر ابزارهای یادگیری اعمال گردد.[7]
-2-5 روش مدل مخفی مارکوف
با توجه به اینکه بطور کلی میزان تغییرات دو پیکسل همجوار در حالت همسایگی قطری یا 8گانه بیشتر از میزان تغییرات دو پیکسل همجوار در حالت همسایگی چهارگانه است، در این روش میزان تغییرات پیکسلهای موجود بر قطر اصلی به عنوان زنجیرهای از مقادیر ذخیره میگردد. در این راهکار،مقادیر موجود بر قطر اصلی تصویر مرجع و تصویر ورودی با توجه به معیار Jensen مقایسه میگردد.[8] در این روش وارونه بودن تصویر باعث ایجاد اشتباه و اختلال نمیگردد.
روش پیشنهادی -3-1 روش بیز در دسته بندی
دستهبندی کنندههای بیزین براساس قانون بیز و با فرض یک تابع چگالی احتمال مشخص برای دادههای هر طبقه، آنها را دستهبندی میکند. در این قانون یک الگوی نامشخص - ورودی جدید - ، به طبقهای که با احتمال بیشتری عضو آن است، دستهبندی میشود. فرض کن ید c طب قه - دس ته - ، … ، 2، 1 داریم و میخواهیم بردار ویژگی x را در یکی از این طبقهها دستهبندی کنیم. برای این کار باید c احتمال شرطی - | - ، = 1, … , ، را تشکیل دهیم. بدیهی است که هر کدام از بقیه بزرگتر باشد، x عضو آن طبقه میباشد.
- به این احتمالهای شرطی - a posteriori نیز گفته میشود که احتمال عضویت الگوی نام شخص x را به هر طبقه ن شان می دهند - . اما م شکل آن ا ست که مقدار - | - به صورت مستقم در دسترس نمیباشد. برای حل این مشکل از قوانین احت مال و همچنین داده های آموزشی - مجمو عهای از داده ها با م شخص بودن طبقهای که ع ضو آن ه ستند - ا ستفاده میکنیم که این کار منجر به قانون بیز میشود.
-3-2 استخراج پارامترهای قضیهی بیز
به این دلیل که در اسکناسهای ایرانی در برخی مواردی برچسبهای تیره یا نوشتههایی با حجم بالا درج و نصب میگردد، تمرکز بر یافتن بافت یا قسمت خاصی از تصویر ممکن است با خطا مواجه گردد.برای مثال اگر معیار تشخیص وجود عدد یا تمثال و بافت خاصی بر تصویر باشد، در صورتی که برچسب بر آن ناحیه واقع شده باشد، الگوریتم با مشکل مواجه میشود. حال آنکه از دید انسان آن اسکناس دارای اعتبار میباشد.از طرفی، با توجه به میزان فرسودگی و میزان بالای مخدوش بودن اسکناسهای رایج، راهکارهای پیشین ارائه شده در بسیاری موارد که اسکناس ورودی مخدوش، پاره یا کهنه میباشد با خطا مواجه میگردد.
از اینرو سعی شده است که مقیاسی ارائه گردد که میزان شباهت را مطابق با اسکناسهای رایج ایرانی در کل تصویر بیابد نه فقط در قسمتهایی مشخص و محدود. گرچه در دستگاههای خودپرداز و موارد مشابه محفظههای مشخصی برای قرارگیری اسکناس تعبیه شده است اما در صورت لزوم نیاز است تا اسکناس را در راستای طولی - و یا عرضی - صاف یا تراز کنیم. برای اینکار ابتدا لازم است که میزان کج بودن اسکناس را با تشخیص دو گوشهی آن و تشکیل مثلثی قائمالزاویه بهدست آوریم - شکل - 1 الف - . برای مواردی که اسکناس در گوشهها شامل پارگی یا خردگی میباشد، ابتدا لازم است که بالاترین نقطهی اسکناس را با استفاده از برخورد دو خط قائم طول و عرض اسکناس محاسبه کنیم - شکل - 1 ب - .
واضح است که اگر شدت رنگ در سه کانال تصویر ورودی بیش از حد با تصویر مرجع یا اسکناسهای رایج فاصله داشته باشد، علیرغم میزان بالای تشابه در بافت، نباید به عنوان اسکناس معتبر تشخیص داده شود.درعین حال تشابه بافت دو تصویر ورودی و مرجع از اهمیت بالایی برخوردار است. برای هرچه نزدیکتر کردن معیار پیشنهادی به واقعیت، سعی شده است که میزان تطابق اسکناس مورد آزمایش با ترکیبی از میزان شباهت رنگ و بافت سنجیده شود.
برای اینکار ابتدا تصویری که مراحل پردازش اولیه را طی کرده است را به شکل ماتریسی سطری تبدیل میکنیم. بدین ترتیب که هر سطر از تصویر را در ادامهی سطر قبل قرار میدهیم تا برای مثال برای تصویری با شکل:2 نمایش دو سیگنال دو تصویر به طول 600 ابعاد 30* 60 ماتریسی با ابعاد 1 * 1800 تشکیل شود. این ماتریس را میتوان به شکل سیگنالی یک بعدی تعبیر کرد. همین رویه را برای تصویر مرجع مورد نظر هم تکرار میکنیم که در نهایت به دو سیگنال به قرار شکل 2 میرسیم.
