مقاله دسته‌بندی و تشخیص اسکناس‌های ایرانی مبتنی بر تکنیک های پردازش تصویر با مشخصه‌های بافت و رنگ تصویر

بخشی از مقاله

خلاصه

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 روشی برای بهبود دستهبندی و تشخیص اسکناسهای ایرانی ارائه گردد. روش پیشنهادی شامل تکنیکهای پردازش تصویر برای تطابق الگویی رنگ اسکناس ایرانی و الگوریتم SURF برای استخراج ویژگیهای بافت است که استفاده از نتایج آن برای تطابق ویژگیها و تعیین وارونگی اسکناس ایرانی میباشد تا این اسکناسها را دستهبندی و تشخیص دهد. نتایج حاصل از روش پیشنهادی در چهار دسته اسکناس تمیز، رنگ رفته، کثیف - چروک و دارای دست نوشته - و دارای پارگی بر روی 900 قطعه اسکناس 5، 10، 20، 50 و 100هزار ریالی رایج ایرانی قابلیت تشخیص 98,10 درصد را نشان میدهد.

کلمات کلیدی: تشخیص اسکناس، پردازش تصویر، SURF

.1 مقدمه

در سالهای اخیر تلاش های فراوانی برای جامعه با پول نقد کمتر انجام شده است با این حال بسیار از معاملات به شدت به چکها و پولهای کاغذی نیازمندند. هزینه پردازش این چکها و پولهای کاغذی برای بانکها در سال هزینه بالایی دارد که علاوه بر این هزینه نیازمند به زمان بالا برای شمارش دستی است که جهت رفع این مشکل پردازشهای الکترونیکی را در بانکها گسترش داده و رو به گسترش است.تشخیص اسکناسهای تمیز، رنگرفته، دارای دستنوشته، چروک و پارگی در دستگاههای خودپرداز، خوددریافت، سیستم تشخیص اسکناس نابینایان و سیستمهای تصدیق پول بانکی از نیازهای روزمره جوامع امروزی و افراد مختلف می-باشد.

دستگاههای ساخته شده در این حوزه در حال گسترش میباشد و روز به روز در حال ارتقای تشخیص کارآمدتر، سریعتر و دقیقتر هستند تا اسکناسها با سرعت بالا و قابلیت اطمینان بالا تشخیص داده شود و از اشتباه از تشخیص که در بعضی موارد میتواند باعث زیان مالی جبران ناپذیر شود جلوگیری کند.با توجه به محدود بودن اسکناسهای رایج هر کشور و متفاوت بودن اسکناسهای هر کشور، نیاز به سیستمهای بومی برای اسکناسهای ایرانی بیشتر به چشم میآید. در کشور ایران به دلیل رواج اسکناسهای فرسوده، دارای دست نوشته و پاره، برای دستهبندی و تشخیص نیازمند روشهای خاص است که اسکناسهای رایج را با اطمینان بالا در قالب 5 دسته اسکناس 5، 10، 20، 50 و 100 هزار ریال قرار دهد. از این جهت در مقاله روبرو سعی شده است روشی مطابق با اسکناس-های ایرانی ارائه گردد.

.2 کارهای پیشین

در زمینهی تشخیص اسکناس راهکارهای زیادی ارائه گردیده است که بطور کلی دستهبندی 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.[1]

.2,2 روش تشخیص لبهها

یک راهکار برای تشخیص و تمایز اسکناسها، تشخیص لبه میباشد.[2] 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.[3]

.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 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.[4]

.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.[5]

.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.[6]در این روش وارونه بودن تصویر باعث ایجاد اشتباه و اختلال نمیگردد.

.2,6 شبکه های عصبی

با استفاده از عدد فارسی قرمز رنگ، سطح فارسی اسکناس تشخیص داده شده و وارونگی اسکناس با استفاده از ویژگی خاص اسکناس تشخیص و تصحیح شده سپس با استفاده از تکنیک های پردازش تصویر اعداد فارسی روی اسکناس استخراج می شود. سپس با استفاده از اعداد استخراج شده، ویژگی های خاص اسکناس را برای کار با شبکه عصبی بدست آورده و دوشبکه عصبی برای تشخیص و صحت تشخیص اسکناس تولید می نماییم.[7]

-2-7 درخت تصمیم و بیز

با تشکیل سیگنالهایی یک بعدی از تصویر ورودی و تصاویر مرجع و تطابق بهوسیلهی مساحت شکل گرفته بین آنها به معیاری قابل اتکا رسید. برای اینکه الگوریتم، نسبت بهتغییرات نور محیط یا نویزهای موجود بر تصویر مقاوم باشد میتوان با جابجا کردن سیگنال تصویر ورودی در راستای محور افق، در راستای کاهش مساحت شکل گرفته حرکت کرد.

مشاهده گردید که کانال قرمز در دسته بندی اولیه بالاترین دقت را دارست اما جهت بالاتر بردن دقت دسته بندی، میتوان بهوسیلهی تشکیل درخت تصمیم یکبار دیگر با توجه به خروجی مرحله اول، دقت تصمیمگیری را بهبود داد.[8]

.3 روش پیشنهادی

در این مقاله روشی برای تشخیص اسکناس ارائه میگردد که از مشخصات مهم اسکناس شامل رنگ و بافت استفاده میکند و در آخر اسکناس را تشخیص و دستهبندی میکند. در اکثر روشهای موجود، به طور معمول جهت تشخیص و دستهبندی اسکناسها از بافت تصویر یا ساختار رنگی اسکناس به کار میرود که این مسئله عدم تشخیص تعدادی از اسکناسها را باعث شده و روش جامع و کامل نمیتواند باشد. اما همان گونه که درشکل 1 مشخص شده، روش پیشنهادی