一、人民币纸币识别系统（论文文献综述）
郭玉慧,梁循[1]（2022）在《基于异构特征聚合的局部视图扭曲型纸币识别》文中研究说明如何识别同一物体的不同结构的表现形式,对于机器而言,是一个比较困难的识别工作.本文以易变形的纸币为例,提出了一种基于异构特征聚合的局部视图扭曲型纸币识别方法.首先利用灰度梯度共生矩阵、Haishoku算法和圆形LBP分别获得纹理风格、色谱风格和纹理,这些特征从不同的角度描述了局部纸币图像,然后通过VGG-16、ResNet-18和DenseNet-121网络学习这些不变形特征得到输出特征,将输出特征聚合后输入识别层Softmax,达到三模型融合效果,进而识别局部视图扭曲型纸币.实验结果表明,多特征聚合和不同类型模型融合可以最大可能地捕获图像的语义,在准确率、精度、召回率和F1上优于基于单特征和双特征的识别,且优于单类模型和两类模型融合的识别性能,此外,在准确率和时间复杂度等评价标准下,与已有主流方法相比都取得了相对较好的效果.
孙伟忠[2]（2021）在《基于图像光谱特征的纸币新旧识别关键技术研究》文中研究指明随着商品经济的发展,货币的出现让人类金融交易更加便捷,商品流通的速度越来越快。纸币在人们日常的商业活动中扮演着重要的角色,是商品交换的基础,遍布于人们进行商品交换的各个领域。随着世界各国经济的迅速发展,商业活动十分频繁,使得纸币发行量逐年增加。世界上每天都有大量的现金交易,这给银行部门带来了繁重的纸币处理工作。传统的人工清点由于工作环境恶劣、清点速度慢和易出错等原因,已经不能满足社会发展对纸币的需求,纸币清分设备的出现正在逐渐解决央行和商业银行所面临的问题。清分技术的应用,不仅大幅度降低了银行工作人员的劳动强度,还大大提高了工作人员的工作效率,同时也明显提升了纸币的清点质量。尽管纸币清分技术在近几年得到了大力发展,但纸币的新旧、污渍和字迹检测技术还不能满足行业需求。其主要原因有以下几个方面:首先,纸币的新旧是一个模糊的概念,不同的人理解不同;其次,纸币本身的图案纹理复杂,这给纸币检测带来了巨大的难度;再次,污渍所在的位置不固定,深浅不一,形状各异,这同样加大了检测难度;最后,字迹的粗细、颜色、形状和大小不同,这对纸币的检测来说更是难上加难。针对上述问题,论文提出了一种基于图像光谱特征的纸币新旧识别方法。该方法以CIS图像传感器采集到的多光谱纸币图像为研究对象,针对纸币的新旧、污渍和字迹特征把纸币的新旧检测分为整张的新旧纸币和局部的脏污纸币,提出一种基于纸币图像灰度共生矩阵的纹理特征提取方法来分析不同光源对于纸币新旧检测的影响,并提出了一种基于图像纹理特征的WOA-MLSVMs纸币新旧识别方法。此外,论文还提出一种基于卷积神经网的多光谱纸币新旧识别方法和一种基于高斯置信度的多光谱纸币脏污检测方法。论文的主要研究工作和贡献如下:第一,提出了一种FPGA+CPU的嵌入式数字图像处理平台架构,并基于该平台架构设计实现了采用XC7Z020核心FPGA芯片的嵌入式数字图像处理单元。首先,该平台通过CIS图像传感器采集纸币图像,并对采集到的纸币图像在硬件上进行图像像素校正和漂移校正。其次,使用基于搜索的直线扫描检测算法对采集到的纸币图像进行边缘检测,并利用仿射变换等算法对纸币图像进行正规化处理。再次,使用一种多光谱模板匹配的纸币面值面向识别算法对纸币的基本信息进行识别。最后,通过实验验证该平台的可靠性,为后续的研究提供了有利的支撑。第二,提出了一种基于纸币图像灰度共生矩阵的纹理特征提取方法,有效降低了不同光源对于纸币新旧检测的影响。该方法使用纸币在红光、绿光、蓝光、红外光和紫外光下的双面反射图像,以及绿光透射和红外光透射图像为研究对象。首先,通过灰度共生矩阵提取纸币图像的诸如能量、熵及惯性等纹理特性参数来描述纸币新旧的视觉特征,分析确定了红光反射和紫外光反射的双面图像的纹理特征对纸币新旧识别效果不明显。其次,采取其它8幅图像提取的纹理特征建立纸币新旧识别模型,并结合5种本质维数估计方法和17种数据降维方法确定本质维数和最优降维方法。最后,使用基于鲸鱼优化算法的MLSVMs实现全光谱纸币新旧识别,并通过仿真测试结果表明所提方法的有效性。第三,提出了一种基于卷积神经网的多光谱纸币新旧识别方法。该方法使用绿光和蓝光下的双面反射图像,以及绿光和红外光下的透射图像为研究对象。首先,构建一种适用于纸币新旧识别的卷积神经网络,该网络具有9层深度,其中构建了3层卷积层、3层池化层和3层全连接层。其次,描述了该卷积神经网的损失函数以及前向传播训练阶段和反向传播训练阶段的训练过程和方法。最后,通过实验训练了人民币2015版100元、2005版50元和2005版20元的网络参数,并通过对比实验验证了该方法的有效性和准确性。第四,提出了一种基于高斯置信度的多光谱纸币脏污检测方法。该方法使用红光、绿光、蓝光和红外光下的双面反射图像为研究对象。首先,使用高斯置信度特征提取算法对纸币的多光谱图像进行建模和特征提取。其次,使用边界跟踪的图像拓扑结构分析算法对检测到的纸币脏污特征进行轮廓检测,实现特征提取后的定量计算,给出脏污纸币的量化指标。最后,以具有污渍的纸币和字迹的纸币为例,展示该方法在各个阶段对脏污纸币不同光谱下采集到的图像的处理结果,验证了该方法的有效性。
周忙[3]（2021）在《第五套人民币纸币的图像研究与设计提升》文中进行了进一步梳理国家形象的建构是新中国成立以来的持续性课题。人民币作为国家经济安全系统的重要保障,也是国家形象的重要载体,从建国以来的第一套到一五套人民币一直承担着国家形象建构的历史重任。而当前国内外关于人民币的研究主要集中在政治、社会与经济等宏观层面,对作为物质图像载体的功能与美学分析相对较少,恰恰通过聚焦于图像内容与形式的微观层面分析,才能深刻理解人民币对于建构国家形象的重要意义。笔者以2019年深入参与第五套人民币5元纸币设计提升的项目经历为基础,将第五套人民币作为研究对象,通过内容与形式的双重分析对第五套人民币的图像展开专题研究,具体分为以下四个部分:（1）第五套人民币纸币主题图像的象征性研究。基于图像的象征性内涵,探究第五套人民币中的主题图像在国家、社会、文化等多个方面的内涵。（2）第五套人民币纸币防伪图像的安全性研究。立足于安全防伪的图像类型,分析1999年版第五套人民币中的面额、图案、特殊图像等防伪图像元素的安全特性。（3）第五套人民币纸币主题图像的视觉设计提升。剖析第五套人民币提升品在人像设计、图案设计与视觉信息设计三个方面的变化,探究主景图像设计提升的形式语言。（4）第五套人民币纸币防伪图像的视觉设计提升。分析第五套人民币提升品防伪视觉设计的演变,探究防伪图像设计提升的形式语言。通过研究,本论文认为人民币主题图像与防伪图像的双重交织正是人民币图像区别于一般图像的核心特征,而这两种图像在人民币设计提升过程中呈现的从完整丰富到系统协调的主题图像趋势与从平面识别到立体识别的防伪图像趋势深刻反映了人民币中图像建构国家形象的关键策略。笔者希望通过此研究能为国家形象的建构提供一个微观视角的物质分析基础,提供一个有价值的分析材料。
郭素珍[4]（2020）在《基于手机图像的人民币鉴伪技术研究与实现》文中研究指明基于手机图像的人民币鉴伪方法的研究有助于维护人民币在国际上的声誉,保障我国金融安全,维护社会正常的经济秩序以及维护社会的稳定性,推进反假鉴伪工作,同时有助于人民币鉴伪在移动手机端的扩展,具有重要的研究意义和应用前景。本文基于手机人民币图像进行鉴伪技术研究与实现。具体工作如下:（1）建立了一个手机人民币图像真假数据集。通过对手机人民币图像鉴伪部位的分析,使用5种配置（三种手机四种分辨率,魅族16plus＿4032＿3024、小米8＿4032＿3024、小米8＿4032＿2268、荣耀v20＿4000＿3000、荣耀v20＿2992＿2992）对100元真假币的四个凹版印刷区域（国徽、中间100、梅花、衣领）进行数据采集。每种配置每种鉴伪区域的训练集真假样本各900张、验证集真假样本各300张、测试集真假样本各300张。（2）提出并实现了基于纹理特征和颜色加权的LR鉴伪方法。本文数据集由凹版印刷区组成,具有丰富的纹理特征,故而设计了基于GLCM纹理特征、GGCM纹理特征、GLCM纹理特征和颜色加权、GGCM纹理特征和颜色加权的LR四种鉴伪方法。它们都以共生矩阵的二阶统计量（ASM、CON、IDM和ENT）作为纹理特征,均以LR作为分类器,颜色加权通过1×1的卷积核实现。实验证明了仅使用GLCM或GGCM纹理特征的鉴伪方法准确率较低,增加颜色加权后准确率均有提高。（3）提出并实现了基于颜色加权和VGG16的人民币图像鉴伪方法。在基于通用深度卷积网络的人民币图像鉴伪方法中,使用四种经典网络（VGG16、Inception＿v3、Res Net50、Dense Net＿121）进行实验分析。实验证明了卷积神经网络作为特征提取器的鉴伪性能优于使用纹理特征的鉴伪模型;VGG16的block5作为特征提取器时鉴伪性能最高,故而后期提出了基于颜色加权和VGG16的人民币鉴伪方法。实验证明了颜色加权有助于基于VGG16构建的人民币鉴伪方法鉴伪性能的提高。（4）提出并实现了基于颜色加权和VGG16构建的BCNN的人民币图像鉴伪方法。基于VGG16构建的BCNN鉴伪方法、基于颜色加权和VGG16构建的BCNN方法的两种方法均是用一路VGG16模拟两路从而构建BCNN,颜色加权通过在输入层之后紧接形状为[1,1,3,3]的卷积层实现。实验证明了BCNN鉴伪模型在各种二分类指标上全面优于通用卷积神经网络;颜色加权同样有利于鉴伪性能提高。（5）实现了手机人民币图像鉴伪模型在移动手机端的移植。通过谷歌开源的keras框架将鉴伪模型量化为安卓系统可以调用的轻量化模型。
彭昌辉[5]（2019）在《ATM机纸币图像采集系统设计》文中认为随着网络移动支付的发展,银行传统ATM小额现金业务受到了很大的冲击,银行网点需要进行改革,由普通的ATM业务转向大额存取款的业务需求。为了提高用户的体验效果以及银行对大额现金金融安全的考虑,大额存取款业务需要ATM能够对纸币处理速度达到12张/秒以上,并能实时保存交易的每张纸币多光谱图像。传统的ATM由于处理器架构性能的影响纸币处理速度最高只能达到8张/秒,同时只能实时上传OCR冠字号小图,无法实时上传所有纸币交易多光谱大图的需求。因此,高性能的ATM机纸币图像采集系统的研究具有重大的理论意义和实际应用价值。针对上述情况,本文提出了基于Altera公司SoC FPGA处理器的纸币图像采集系统的总体设计方案。利用SoC FPGA架构的特点,对纸币图像采集系统的硬件和软件框架进行了重新规划,FPGA端逻辑资源实现CIS图像采集和校准,HPS端利用嵌入式Linux系统多线程技术实现纸币图像采集流程和USB实时上传图像功能,利用高速互联AXI总线实现了不同架构多核间的通信。最后,论文对整个纸币图像采集系统进行了软硬件联调测试。本文以人民币和美元为样本进行测试,使用相同的公司现有图像处理算法库,与传统的DSP+FPGA架构进行比较,本文基于SoC FPGA系统设计方案实现的ATM机纸币图像采集系统采集的图像清晰分辨率高,系统采集速度快、工作稳定,纸币处理速度达到14张/秒,并实现USB实时上传每笔交易纸币多光谱图像功能。本文所述的系统已经通过中国人民银行“金标”认证,通过多个银行网点测试并上线使用。
伊占博[6]（2019）在《图像处理中的亮度解耦控制算法研究》文中研究表明当前,图像传感器在扫描仪,传真机,纸币清分机等产品中被大量使用,其具有体积小,成本低,图像处理速度快等优点,使得图像采集成为一个重要的信息获取途径。在图像采集中,如果不对图像采集设备进行定期校正,则采集出的图像亮度会逐渐偏离基准,因此需要频繁地对设备进行校正,费时费力。此外设备自身问题及光照度等因素,也会导致获得的图像亮度存在偏差,影响到后续的使用和识读。因此一种能够自动对图像亮度进行校正,以提高图像识别率的控制算法及其在设备中的应用就有着重要意义。本课题以聚龙股份有限公司（上市代码:300202）的纸币清分机系统为背景,研究纸币图像采集和处理中的亮度调节。在纸币清分系统中,需要识别出纸币的币值、面向、真伪、孔洞、缺角、新旧、变造甚至粘贴等信息,因而既需要对纸币总体进行判断,又需要对纸币细节进行识别,而且识别结果要具有可重复性,这就要求图像传感器采集出的图像具有较好的质量,其中纸币像素的亮度就是一个非常重要的指标。但图像传感器自身特性会受到温度、湿度、光源衰变、感光元件老化等因素影响,使采集的图像亮度不稳定。针对这种情况而采取的对应措施是在图像传感器头部粘贴标准亮度参考条,因为参考条和纸币的特性可视为相同的,因此设计PID控制器根据采集的参考条亮度即可对纸币图像亮度进行校正,这样可以大幅减少环境因素对图像亮度的影响。但在图像传感器的图像采集中,由于纸张表面粗糙或是传感器的感光元件聚焦不理想而使一部分光被漫反射到传感器内部,使图像传感器内部各个感光元件受到不同程度的影响,若将参考条亮度与纸币亮度视为两个变量,则二者间存在耦合。所以本文通过研究图像传感器的特性、结构与工作原理,通过采集大量钞票样本进行试验比对,结合实际应用情况提出了一种基于对角矩阵解耦法改良的解耦算法,可以有效地消除基准区与纸币区之间亮度的耦合关系,准确还原基准区亮度。将解耦算法与PID控制器相结合,并在其中加入图像的均衡补偿,完成本文的亮度控制系统的设计。本课题首次在图像处理的亮度控制中,应用了解耦控制算法,大幅提高纸币图像样张的识别成功率。目前市场上投入使用的清点设备有庞大的规模,本方法可以在无需进行硬件改造的前提下,对目前正在投入使用中的大量清分设备系统进行优化,便于改造升级且成本相对较低,具有非常大的实用价值。
王军敏[7]（2019）在《面向纹理图像识别的特征提取方法研究》文中研究说明纹理图像在现实世界中无处不在,纹理图像中所蕴含的纹理模式特征是人类认知世界所需的重要视觉特征,这使得纹理图像识别研究具有重要的理论和应用价值,而纹理图像特征提取是该研究的核心内容。但是,目前存在的纹理图像特征提取方法存在以下不足之处:（1）对纹理图像的光照、旋转、尺度变化和训练样本个数缺乏综合的稳健性;（2）不能同时获得较高的纹理识别精度和较高的实时性。针对以上问题,本文对纹理图像识别中的特征提取方法进行了深入研究,取得了以下的创新性成果。（1）提出了一种基于局部特征描述和纹理基元学习的纹理图像特征提取方法。该方法利用5个特征量（局部熵值、局部方差、局部最大变化幅度、局部差分符号计数、局部差分幅值计数）对局部潜在的纹理基元特征进行描述,并利用K均值聚类算法进行纹理基元字典学习。实验结果表明,该方法所采用的局部特征描述子具有很强的鉴别能力,并且特征维数低（7维）,所需的纹理基元字典规模更小（仅为传统方法中纹理基元字典规模的1/2）。这使得该方法在纹理图像局部特征提取、纹理基元字典学习、纹理基元编码和特征匹配等阶段的实时性都得到显着提高,克服了传统纹理基元学习方法实时性较差的问题,同时在纹理识别精度上也超越了传统的纹理基元学习方法。（2）提出了一种将全局Gabor特征和局部编码Gabor特征进行融合的纹理图像特征提取方法。该方法首先利用采样和插值的方法为每个纹理图像构建一个四层的图像金字塔空间,然后利用多个尺度和方向的Gabor滤波器组对金字塔空间中的每个纹理图像进行滤波,用滤波后幅值图像的均值和方差作为全局Gabor特征,用滤波后幅值图像和相位图像的联合编码作为局部Gabor特征,并在最近子空间分类器的框架下实现了全局和局部Gabor特征的融合以及最终的纹理图像识别。实验结果表明,该方法提取的纹理图像特征具有很强的鉴别能力,在纹理识别精度上显着超越了传统的Gabor滤波方法,同时保持了较高的实时性,对纹理图像的尺度变化和训练样本个数也具有较好的稳健性。（3）提出了一种光照、旋转和尺度稳健的改进CLBP纹理图像特征提取方法。该方法利用局部模式主导方向的调谐作用,使传统的CLBP算法具有旋转不变性;利用连续的高斯滤波构造纹理图像的多尺度空间,并对不同尺度的联合直方图特征进行跨尺度取最大值,以使所提取的纹理特征具有对尺度变化的稳健性;利用多个半径的特征融合来捕获宏观和微观的纹理特征。实验结果表明,该方法提取的纹理图像特征具有很强的鉴别能力,在多个基准纹理库上都能获得很高的纹理识别精度,超越了目前很多先进的纹理识别算法。同时,该方法具有较高的实时性,对纹理图像的光照、旋转、尺度变化和训练样本个数也具有较好的稳健性,是一种综合性能较强的纹理图像特征提取方法。（4）提出了一种将粗略颜色信息和灰度纹理特征进行融合的彩色纹理图像特征提取方法。该方法利用纹理图像中的颜色信息具有低频性质并呈区域性分布的特点,对HSV空间中表示颜色信息的色调分量H和饱和度分量S采用粗略量化的策略,并用粗略量化后H分量和S分量的联合直方图来描述颜色信息,同时利用V分量进行灰度纹理特征的提取,最后将所提取的粗略颜色信息和灰度纹理特征进行融合,作为彩色纹理图像的特征描述。实验结果表明,与单独的灰度纹理特征和单独的颜色信息相比,该方法提取的彩色纹理图像特征具有更强的鉴别能力,能进一步提高纹理图像的识别精度,同时保持了较高的实时性,并在树皮分类、图像检索和纸币鉴别等工程领域获得了较好的应用效果。
吕海龙[8]（2019）在《小型人民币冠字号码识别系统的研究与实现》文中进行了进一步梳理人民币是中国的法定货币,人民币纸币上的冠字号码,具有唯一性,在钞票的印制、仓管和流通环节中都发挥着重要作用。为有效解决银行业金融机构对外误付假币,银行涉假纠纷的举证和责任认定,提高金融机构公信力等问题,人民银行近两年提出了金融机具需要具备号码识别能力的要求。本文针对人民币冠字号码的特征,结合嵌入式软件、电子硬件和图像处理等技术,实现了一套可以快速稳定地自动识别冠字号码小型点验钞系统。在系统架构方面,本文提出了软件架构和硬件架构的改进。硬件架构采用多核心ARM+FPGA+A/D+CIS的方案不同于传统的DSP+MCU+FPGA+A/D+CIS的方案,这不单提高整机的运算性能而且有更高的性价比;本文用硬件FPGA程序实现图像亮度均衡补偿的预处理,可以节省CPU资源。软件架构基于嵌入式Linux系统,使用V4L2构建钞票图像采集驱动,使用多线程构建应用程序,使用QT构建人机交互界面,并加入提升了可以提升系统实时性的RT-linux补丁。本文在冠字号码图像识别算法处理过程中,一直在顾及系统快速点钞的需求和系统运算资源的限制。本文先实现了冠字号码字符的定位和分割的快速算法,之后比较和实现了2种冠字号识别方法。第一种识别方法是在提取HOG特征向量后用SVM一对多分类器进行号码分类识别的方法。第一种识别方法在经过SVM的样本训练后,识别率稍低,没有达到国标要求。第二种识别方法是实现了基于LeNet-5改进的卷积神经网络。改进后的网络结构经包括2个卷积层,1个池化层,2个全连接层,并用Softmax作为网络的输出层。第二种识别方法在经过大数量级样本的训练后,识别率明显高于第一种方法,且满足国标要求。本系统经过软件、硬件系统和图像算法等方面的调试和测试后投入批量生产。本系统既有优良的号码识别性能,又兼有经济成本优势和前沿技术优势。
汪锡平[9]（2019）在《基于深度学习的假币图像识别》文中进行了进一步梳理基于手机图像的人民币真伪鉴别是实现手机拍照鉴别人民币真伪的关键技术,是实现人民币真伪鉴别手机终端化的重要环节。本文以人民币手机图像为研究对象,重点研究了基于丰富纹理的图像去噪、图像校正、基于传统纹理特征的真伪鉴别和基于深度卷积特征的真伪鉴别等工作。具体内容如下:（1）建立了一个真伪人民币数据集。其中真币样本1000张,假币样本137张。在多方协助下,采集了假币原始样本137张,其中全假币50张,左真右假变造币41张,左假右真变造币45张,左真右真变造币1张。（2）设计并实现了一种基于人民币纹理分析的组合中值滤波。针对人民币纹理细节丰富的特点,将人民币图像划分为小块,对每块进行纹理分析,设计了一个量化纹理的纹理复杂因子,当图像块中纹理复杂因子较小时采用大尺寸方形中值滤波,反之则采用小尺寸线性中值滤波。实验结果表明,相比单一的传统中值滤波不仅具有较好的视觉效果,而且在PSNR和SSIM标准下也具有更优的表现。设计了基于理想直线的误差惩罚加权函数,改进了加权最小二乘直线拟合法,对比试验表明该方法能够有效地降低异常点对边缘直线拟合结果的影响。（3）设计并实现了在D-S证据理论框架下融合GLCM纹理特征和Gabor纹理特征的人民币真伪鉴别法。经对比研究选定了人民币图像的防伪区域,利用基于GLCM纹理特征提取法和基于Gabor纹理特征提取法分别对选定区域进行特征提取,然后利用LIBSVM中带RBF核的SVM进行分类,实验结果表明,基于单特征的真伪识别效果欠佳。利用D-S证据理论融合这两种特征,对人民币进行真伪鉴别,对比实验表明,基于D-S多特征融合鉴别法可以有效提升基于单特征鉴别法的识别率,降低其误识率和拒识率。（4）设计并实现了基于VGG-19卷积神经网络的人民币真伪鉴别。使用VGG-19卷积神经网络对人民币特征区域进行特征提取,设计了两个1 X 1卷积层取代全连接层对提取的特征进行融合降维,最后使用LIBSVM中带RBF核的SVM进行分类,实现人民币真伪鉴别。实验对比基于传统特征的真伪鉴别方法,基于卷积神经网络的真伪识别方法不仅具有更高的准确率,而且对于特征区域发生平移等具有更好的容错能力,具有更佳的泛化能力。
董扬帆[10]（2018）在《基于纹理识别和卷积神经网络的人民币识别技术研究》文中进行了进一步梳理在银行业以及自助服务业等涉及到纸币识别的金融服务行业,纸币清分机扮演了十分重要的角色,它出现后便取代了很多枯燥而且容易出错的人工工作,并且让纸币清分这项业务在速率和效率上有了极大的提高。然而我国与国际上拥有先进纸币清分机制造技术的国家在纸币清分机制造领域还有很大的差距,我国的大型银行等一些金融机构所使用的纸币清分机几乎都是从国外进口,价格都在百万人民币以上。纸币的面额识别是纸币清分机的核心功能,因此要打破国外在我国清分机市场的垄断局面,就要研发具有自主知识产权的高效纸币识别技术。本文在充分调研国内外人民币纸币识别市场情况以及广泛阅读相关文献后,提出了两种人民币纸币图像的识别方法,分别是基于灰度共生矩阵（GLCM）与马氏距离（Mahalanobis）的统计理论识别方法和基于卷积神经网络（CNN）的识别方法。在进行人民币纸币图像识别前,首先对采集的图像进行了平滑滤波去噪、倾斜校正、目标分割等一系列预处理。其中滤波去噪部分采用中值滤波方法,倾斜校正部分采用霍夫（Hough）变换方法,目标分割部分采用灰度投影方法。基于灰度共生矩阵（GLCM）与马氏（Mahalanobis）距离的统计理论识别方法部分,首先运用经典的基于灰度共生矩阵的统计学方法提取人民币图像的纹理特征参数,然后利用各种纸币纹理特征参数的统计数据得到的马氏距离作为分类器,来达到识别人民币纸币的目的,该算法在识别人民币纸币面额的同时也能识别人民币纸币的面向。实验数据表明,该算法的人民币纸币的综合识别率为99.4%。基于卷积神经网络（CNN）的人民币纸币识别方法部分,在着名的深度学习框架TensorFlow上,设计了一种具有十一个隐藏层的卷积神经网络,并进行了一系列参数的学习训练及调整,最后训练出了一个在本实验数据集上能达到99.8%识别率的卷积神经网络,识别结果达到了实际应用场景的要求,给我国纸币清分机制造领域提供了新的研究方法和思路。
二、人民币纸币识别系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人民币纸币识别系统（论文提纲范文）
（1）基于异构特征聚合的局部视图扭曲型纸币识别（论文提纲范文）
| 1 引 言 |
| 2 相关工作 |
| 2.1 纸币的识别工作 |
| 2.1.1 整体纸币的识别工作 |
| 2.1.2 局部纸币的识别工作 |
| 2.2 面向局部视图的识别 |
| 3 局部视图扭曲的纸币识别 |
| 3.1 局部纸币风格的预处理 |
| 3.1.1 纹理风格的表示 |
| 3.1.2 色谱风格的表示 |
| 3.2 局部纸币图像的纹理提取 |
| 3.3 深度学习模型的动态融合 |
| 3.3.1 改进的VGG-16模型结构 |
| 3.3.2 改进的ResNet-18模型结构 |
| 3.3.3 改进的DenseNet-121模型结构 |
| 3.3.4 深度模型的融合与识别 |
| 4 实验分析 |
| 4.1 数据集的预处理 |
| (1)纹理风格的数据集预处理 |
| (2)色谱风格的数据集预处理 |
| (3)纹理图像的数据集预处理 |
| 4.2 实验结果与比较 |
| 4.2.1 不变形特征的聚合效果 |
| (1)基于单特征的识别 |
| (2)基于双特征聚合的识别 |
| (3)基于三特征聚合的识别 |
| 4.2.2 多模型融合的性能比较 |
| (1)基于同类模型融合的识别比较 |
| (2)基于两类模型融合的识别比较 |
| 4.2.3 与现有方法的性能比较 |
| (1)各方法的识别性能比较 |
| (2)各方法的效率比较 |
| 5 结束语 |
| Background |
（2）基于图像光谱特征的纸币新旧识别关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 纸币业务需求层面 |
| 1.1.2 国家标准和规范层面 |
| 1.1.3 技术难点层面 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外技术路线分析 |
| 1.3 论文研究内容安排 |
| 第2章 纸币数字图像处理平台架构的实现 |
| 2.1 纸币数字图像处理平台架构 |
| 2.1.1 纸币图像采集系统整体框架 |
| 2.1.2 系统内部模块设计 |
| 2.2 CIS图像采集校正算法 |
| 2.2.1 CIS图像传感器物理特性 |
| 2.2.2 CIS图像传感器像素校正 |
| 2.2.3 CIS图像传感器漂移校正 |
| 2.2.4 实验与分析 |
| 2.3 纸币图像预处理算法 |
| 2.3.1 纸币图像边缘检测 |
| 2.3.2 纸币图像仿射变换 |
| 2.3.3 实验与分析 |
| 2.4 纸币面值面向识别算法 |
| 2.4.1 纸币特征提取 |
| 2.4.2 构建纸币图像模板 |
| 2.4.3 模板匹配识别纸币面值面向 |
| 2.4.4 实验与分析 |
| 2.5 本章小结 |
| 第3章 基于GLCM的纸币图像光谱分析及纹理特征提取 |
| 3.1 相关研究 |
| 3.2 纸币图像数据准备 |
| 3.3 基于灰度共生矩阵的纸币图像纹理特征提取 |
| 3.3.1 数字图像处理 |
| 3.3.2 纸币图像纹理特征提取 |
| 3.3.3 纸币图像纹理特征时间复杂性分析 |
| 3.3.4 纸币图像纹理特征数据集 |
| 3.4 纸币图像纹理特征分析 |
| 3.5 本章小结 |
| 第4章 基于图像纹理特征的WOA-MLSVMs纸币新旧识别方法 |
| 4.1 相关研究 |
| 4.2 基于纸币图像纹理特征的MLSVMs脏污度识别 |
| 4.2.1 支持向量机 |
| 4.2.2 基于纸币图像纹理特征的MLSVMs脏污度识别 |
| 4.3 本质维数估计及高维特征数据降维 |
| 4.3.1 本质维数估计 |
| 4.3.2 高维特征数据降维 |
| 4.4 基于鲸鱼优化算法的纸币脏污度MLSVMs识别方法 |
| 4.4.1 鲸鱼优化算法 |
| 4.4.2 纸币脏污度WOA-MLSVMs识别方法 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第5章 基于卷积神经网的多光谱纸币新旧识别算法 |
| 5.1 相关研究 |
| 5.2 卷积神经网算法 |
| 5.2.1 神经元模型介绍 |
| 5.2.2 卷积神经网络基本结构 |
| 5.2.3 卷积神经网络的训练过程 |
| 5.3 纸币新旧识别卷积神经网 |
| 5.3.1 构建卷积神经网 |
| 5.3.2 训练卷积神经网络 |
| 5.4 实验与分析 |
| 5.5 本章小结 |
| 第6章 基于高斯置信度的多光谱纸币脏污检测算法 |
| 6.1 相关研究 |
| 6.2 纸币脏污特征提取方法 |
| 6.2.1 高斯置信度算法介绍 |
| 6.2.2 特征图像建模 |
| 6.2.3 实验与分析 |
| 6.3 纸币脏污轮廓检测方法 |
| 6.3.1 边界跟踪的图像拓扑结构分析算法 |
| 6.3.2 实验与分析 |
| 6.4 本章小结 |
| 第7章 结束语 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及攻读学位期间发表的学术论文与研究成果 |
（3）第五套人民币纸币的图像研究与设计提升（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 选题的提出 |
| 1.1.2 选题的意义 |
| 1.2 研究现状与文献综述 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 第五套人民币纸币主题图像的象征性研究 |
| 2.1 图像与象征的内涵 |
| 2.1.1 图像的象征观念 |
| 2.1.2 图像的象征载体 |
| 2.2 主景图像的象征性研究 |
| 2.2.1 肖像与国家象征 |
| 2.2.2 建筑与社会象征 |
| 2.2.3 风景与文化象征 |
| 2.3 主题图案元素的象征性研究 |
| 2.3.1 国徽与国家象征 |
| 2.3.2 团花与艺术象征 |
| 2.3.3 文字与民族象征 |
| 2.4 小结 |
| 第3章 第五套人民币纸币防伪图像的安全性研究 |
| 3.1 面额防伪图像的安全性研究 |
| 3.1.1 光变油墨面额数字 |
| 3.1.2 隐形面额数字 |
| 3.2 图案防伪图像的安全性研究 |
| 3.2.1 手工雕刻凹版头像图案 |
| 3.2.2 固定水印图案 |
| 3.3 特殊防伪图像的安全性研究 |
| 3.3.1 胶印对印图案 |
| 3.3.2 开窗图案 |
| 3.4 小结 |
| 第4章 第五套人民币纸币主题图像的视觉设计提升 |
| 4.1 从精确到精微的人像设计提升 |
| 4.1.1 整体样式的调整 |
| 4.1.2 肖像细节的提升 |
| 4.2 从稳重到明快的图案设计提升 |
| 4.2.1 票面色彩的提升 |
| 4.2.2 图案层次的提升 |
| 4.3 由繁至简的视觉信息设计提升 |
| 4.3.1 元素构成的简化 |
| 4.3.2 整体版式的统一 |
| 4.4 小结 |
| 第5章 第五套人民币纸币防伪图像的视觉设计提升 |
| 5.1 从单向到动感的视觉设计提升 |
| 5.1.1 光彩光变数字防伪图像 |
| 5.1.2 动感光变镂空开窗 |
| 5.2 从单立到融合的视觉设计提升 |
| 5.2.1 凹印对印水仙图案 |
| 5.2.2 凹印对印面额数字 |
| 5.3 从单一到丰富的视觉设计提升 |
| 5.3.1 白水印防伪图案 |
| 5.3.2 胶印对印数字防伪图案 |
| 5.4 小结 |
| 第6章 结语 |
| 参考文献 |
| 图表目录 |
| 致谢 |
| 学术论文发表成果统计 |
| 学术成果统计-作品、论文及专着发表 |
| 学术成果统计-展览及获奖 |
（4）基于手机图像的人民币鉴伪技术研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 纸币鉴伪国内外研究现状 |
| 1.2.2 手机APP在反假币中的应用现状 |
| 1.3 论文主要研究内容及章节安排 |
| 2 手机人民币图像数据采集及相关技术分析 |
| 2.1 手机人民币图像鉴伪部位分析 |
| 2.1.1 人民币防伪特征介绍 |
| 2.1.2 人民币假币种类与特征 |
| 2.1.3 人民币鉴伪部位选择 |
| 2.2 手机人民图像数据采集 |
| 2.2.1 手机人民币图像数据采集方案设计 |
| 2.2.2 手机人民币图像鉴伪数据库组成 |
| 2.3 细粒度图像分类方法 |
| 2.3.1 细粒度图像分类 |
| 2.3.2 基于传统的特征提取的细粒度图像分类方法 |
| 2.3.3 基于通用深度卷积网络的细粒度图像分类方法 |
| 2.3.4 基于定位-识别的细粒度图像分类方法 |
| 2.3.5 基于通用深度卷积网络集成的细粒度图像分类方法 |
| 2.4 二分类模型主要评价指标 |
| 2.5 keras深度学习框架 |
| 2.5.1 主流深度学习框架对比 |
| 2.5.2 keras深度学习框架 |
| 2.5.3 本文实验基本网络配置 |
| 2.6 本章小结 |
| 3 一种基于纹理特征和颜色加权的LR鉴伪方法 |
| 3.1 引言 |
| 3.2 纹理特征提取方法对比 |
| 3.2.1 纹理基本定义和组成单元 |
| 3.2.2 纹理的种类 |
| 3.2.3 纹理特征提取方法 |
| 3.2.4 纹理特征提取方法比较 |
| 3.3 逻辑回归分类器 |
| 3.3.1 机器学习分类器 |
| 3.3.2 逻辑回归分类器 |
| 3.4 基于GLCM纹理特征的LR鉴伪方法 |
| 3.4.1 灰度共生矩阵(GLCM) |
| 3.4.2 基于GLCM纹理特征的LR鉴伪方法流程及模型 |
| 3.4.3 实验分析 |
| 3.5 基于GGCM纹理特征的LR鉴伪方法 |
| 3.5.1 灰度梯度共生矩阵(GGCM) |
| 3.5.2 边缘检测算子 |
| 3.5.3 基于GGCM纹理特征的LR鉴伪方法流程及模型 |
| 3.5.4 实验分析 |
| 3.6 基于纹理特征和颜色加权的LR鉴伪方法 |
| 3.6.1 基于卷积层的颜色加权 |
| 3.6.2 基于纹理特征和颜色加权的LR鉴伪方法流程及模型 |
| 3.6.3 实验分析 |
| 3.7 本章小结 |
| 4 基于颜色加权和VGG16 的人民币图像鉴伪方法 |
| 4.1 引言 |
| 4.2 卷积神经网络 |
| 4.2.1 .深度学习的发展 |
| 4.2.2 卷积神经网络概述 |
| 4.3 基于通用DCNN的人民币图像鉴伪方法 |
| 4.3.1 基于VGG16 的人民币图像鉴伪方法 |
| 4.3.2 基于Inception_v3 的人民币图像鉴伪方法 |
| 4.3.3 基于Res Net50 的人民币图像鉴伪方法 |
| 4.3.4 基于Dense Net_121 的人民币图像鉴伪方法 |
| 4.3.5 实验分析 |
| 4.4 基于颜色加权和VGG16 的人民币图像鉴伪方法 |
| 4.4.1 基于卷积层的颜色加权方法 |
| 4.4.2 基于颜色加权和VGG16 的人民币图像鉴伪方法模型 |
| 4.4.3 实验分析 |
| 4.5 本章小结 |
| 5 基于颜色加权和VGG16 构建的BCNN的人民币图像鉴伪方法 |
| 5.1 引言 |
| 5.2 双线性BCNN |
| 5.2.1 双线性来源 |
| 5.2.2 双线性汇合操作 |
| 5.2.3 双线性CNN模型 |
| 5.3 基于VGG16 构建的BCNN的人民币图像鉴伪方法 |
| 5.3.1 基于VGG16和BilinearPooling层简单组合的人民币图像鉴伪方法 |
| 5.3.2 基于VGG16和BilinearPooling层端到端组合的人民币图像鉴伪方法 |
| 5.3.3 实验分析 |
| 5.4 基于颜色加权和VGG16 构建的BCNN的人民币图像鉴伪方法 |
| 5.4.1 基于颜色加权和VGG16 构建的BCNN的人民币图像鉴伪模型 |
| 5.4.2 实验分析 |
| 5.5 手机人民币图像鉴伪模型的移动端实现 |
| 5.5.1 深度学习模型的压缩 |
| 5.5.2 移动端系统概述 |
| 5.5.3 手机APP结果展示 |
| 5.6 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）ATM机纸币图像采集系统设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.3 课题研究的主要内容 |
| 第二章 ALTERA SOC FPGA系统介绍 |
| 2.1 ALTERA SOC核心处理器概述 |
| 2.2 嵌入式ALTERA SOC软硬件开发流程 |
| 2.3 纸币图像采集系统SOC硬件平台简介 |
| 2.4 本章小结 |
| 第三章 纸币图像采集系统硬件方案设计 |
| 3.1 系统核心处理器选型 |
| 3.2 系统硬件设计总体框架 |
| 3.3 接触式图像传感器(CIS)驱动模块 |
| 3.4 图像采集AD转换电路模块 |
| 3.5 图像数据DDR3缓存模块 |
| 3.6 USB数据传输模块 |
| 3.7 SOC FPGA硬核处理器系统 |
| 3.8 本章小结 |
| 第四章 纸币图像采集系统软件方案设计 |
| 4.1 系统软件的总体框架及说明 |
| 4.2 处理器系统(HPS)启动 |
| 4.3 图像AD转换器初始化配置软件设计 |
| 4.4 CIS打光时序及图像采样时序设计 |
| 4.5 纸币图像数据采集 |
| 4.6 图像校准软件设计 |
| 4.7 SOC FPGA数据传输设计 |
| 4.8 HPS端LINUX应用程序及多线程设计 |
| 4.9 HPS双核相互通信 |
| 4.10 图像采集系统链表设计 |
| 4.11 本章小结 |
| 第五章 纸币图像采集系统软硬件联合调试 |
| 5.1 系统硬件调试 |
| 5.2 系统软件调试 |
| 5.3 联合调试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 课题研究的总结 |
| 6.2 进一步改进的工作 |
| 参考文献 |
| 致谢 |
（6）图像处理中的亮度解耦控制算法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 研究现状与发展 |
| 1.2.1 图像传感器研究现状与发展 |
| 1.2.2 图像亮度控制研究现状与发展 |
| 1.2.3 解耦控制研究现状与发展 |
| 1.3 论文结构安排 |
| 2.解耦原理相关概述 |
| 2.1 解耦的相关概念 |
| 2.2 耦合的概念 |
| 2.3 耦合程度分析方法 |
| 2.3.1 相对增益的定义 |
| 2.3.2 相对增益的性质 |
| 2.3.3 相对增益的计算方法 |
| 2.4 常见解耦方法的分析与使用 |
| 2.4.1 前馈解耦法 |
| 2.4.2 反馈解耦法 |
| 2.4.3 对角矩阵解耦法 |
| 2.5 PID控制器概述 |
| 3.亮度控制系统硬件研究 |
| 3.1 图像采集系统 |
| 3.1.1 FPGA |
| 3.1.2 A/D图像转换 |
| 3.1.3 CIS图像传感器 |
| 3.2 图像处理系统 |
| 3.2.1 DSP的基本特点 |
| 3.2.2 TMS320DM648 图像芯片 |
| 3.3 CIS图像传感器的特性 |
| 4.纸币图像亮度解耦控制及仿真分析 |
| 4.1 传感器采集亮度参考模型推导 |
| 4.2 耦合情况分析 |
| 4.3 解耦算法研究 |
| 4.4 图像亮度控制器 |
| 5.总结与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（7）面向纹理图像识别的特征提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状以及存在的问题 |
| 1.2.1 研究现状 |
| 1.2.2 存在的问题 |
| 1.3 论文的主要工作与结构安排 |
| 2 基于局部特征描述和纹理基元学习的纹理特征提取方法研究 |
| 2.1 引言 |
| 2.2 纹理基元学习方法简介 |
| 2.3 本章方法描述 |
| 2.3.1 局部纹理特征描述 |
| 2.3.2 纹理基元字典学习 |
| 2.3.3 纹理基元编码和特征向量构建 |
| 2.3.4 分类器设计 |
| 2.4 实验与结果分析 |
| 2.4.1 纹理数据库和实验设置 |
| 2.4.2 最佳的纹理基元字典规模分析 |
| 2.4.3 纹理识别精度分析 |
| 2.4.4 实时性分析 |
| 2.5 本章小结 |
| 3 全局和局部编码Gabor特征融合的纹理特征提取方法研究 |
| 3.1 引言 |
| 3.2 Gabor滤波方法简介 |
| 3.3 本章方法描述 |
| 3.4 实验与结果分析 |
| 3.4.1 纹理数据库和实验设置 |
| 3.4.2 Gabor特征融合的最佳权值分析 |
| 3.4.3 Gabor滤波不同分量的识别性能分析 |
| 3.4.4 纹理识别精度分析 |
| 3.4.5 对训练样本个数的稳健性分析 |
| 3.4.6 实时性分析 |
| 3.5 本章小结 |
| 4 光照、旋转和尺度稳健的改进CLBP纹理特征提取方法研究 |
| 4.1 引言 |
| 4.2 基本的CLBP算法简介 |
| 4.3 本章方法描述 |
| 4.3.1 对光照变化的稳健性实现 |
| 4.3.2 对图像旋转的稳健性实现 |
| 4.3.3 对尺度变化的稳健性实现 |
| 4.3.4 多个半径的特征融合 |
| 4.3.5 本章方法的原理总结 |
| 4.4 实验与结果分析 |
| 4.4.1 纹理数据库和实验设置 |
| 4.4.2 最佳的高斯滤波次数分析 |
| 4.4.3 纹理识别精度分析 |
| 4.4.4 对训练样本个数的稳健性分析 |
| 4.4.5 实时性分析 |
| 4.5 本章小结 |
| 5 彩色纹理图像的特征提取方法研究 |
| 5.1 引言 |
| 5.2 颜色信息的作用和应用条件 |
| 5.3 彩色纹理图像的特征提取方法研究 |
| 5.4 实验与结果分析 |
| 5.4.1 彩色纹理图像特征提取和识别系统的构建 |
| 5.4.2 纹理数据库和实验设置 |
| 5.4.3 最佳的颜色量化等级个数分析 |
| 5.4.4 纹理识别精度分析 |
| 5.4.5 颜色信息的贡献分析 |
| 5.4.6 对训练样本个数的稳健性分析 |
| 5.4.7 实时性分析 |
| 5.5 本章小结 |
| 6 纹理图像特征提取方法的应用研究 |
| 6.1 引言 |
| 6.2 纹理图像特征提取方法的应用1:树皮分类 |
| 6.2.1 基于纹理特征提取的树皮分类系统设计 |
| 6.2.2 树皮纹理库和实验设置 |
| 6.2.3 树皮分类的结果分析 |
| 6.3 纹理图像特征提取方法的应用2:图像检索 |
| 6.3.1 基于纹理特征提取的图像检索系统设计 |
| 6.3.2 图像检索数据库和图像检索评价指标 |
| 6.3.3 图像检索实验和结果分析 |
| 6.4 纹理图像特征提取方法的应用3:纸币鉴别 |
| 6.4.1 基于纹理特征提取的纸币鉴别系统设计 |
| 6.4.2 纸币图像的倾斜校正 |
| 6.4.3 基于粗略颜色信息的纸币面额识别 |
| 6.4.4 基于灰度纹理特征的纸币真伪鉴别 |
| 6.4.5 纸币鉴别的结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（8）小型人民币冠字号码识别系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题背景 |
| 1.1.2 课题研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外文献综述的简析 |
| 1.3 本文的主要研究内容 |
| 第2章 冠字号码识别系统相关原理与算法介绍 |
| 2.1 电子硬件系统介绍 |
| 2.1.1 硬件架构的介绍 |
| 2.1.2 图像感光元件介绍及选型 |
| 2.1.3 A/D转换器介绍及选型 |
| 2.1.4 FPGA介绍及选型 |
| 2.1.5 传统架构处理芯片介绍 |
| 2.2 冠字号字符定位和分割 |
| 2.2.1 采集图像光谱特征介绍 |
| 2.2.2 边缘检测方法的介绍 |
| 2.2.3 面额识别方法 |
| 2.2.4 纸币方向识别 |
| 2.2.5 字符区域定位和分割 |
| 2.3 字符特征提取和分类方法 |
| 2.3.1 HOG特征提取方法介绍 |
| 2.3.2 卷积神经网络介绍 |
| 2.3.3 SVM构造多分类器 |
| 2.3.4 Softmax分类 |
| 2.4 本章小结 |
| 第3章 冠字号码识别系统方案和方法的研究与改进 |
| 3.1 系统架构改进 |
| 3.1.1 嵌入式处理芯片选型改进 |
| 3.1.2 用FPGA硬件实现亮度补偿 |
| 3.1.3 软件架构改进 |
| 3.1.4 系统实时性优化 |
| 3.2 基于HOG和 SVM的字符识别 |
| 3.2.1 提取冠字号码的HOG特征 |
| 3.2.2 用SVM对 HOG特征进行分类 |
| 3.3 基于CNN改进的字符识别 |
| 3.3.1 改进LeNet-5 网络结构 |
| 3.3.2 用Softmax改进LeNet-5 的输出层 |
| 3.4 本章小结 |
| 第4章 系统实现及结果分析 |
| 4.1 实验条件介绍 |
| 4.2 字符识别结果分析 |
| 4.3 ARM和 DSP平台对比 |
| 4.4 系统实时性分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（9）基于深度学习的假币图像识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文结构 |
| 2 人民币手机图像预处理 |
| 2.1 人民币手机图像去噪 |
| 2.1.1 图像噪声模型 |
| 2.1.2 常见图像噪声 |
| 2.1.3 常用的去噪算法 |
| 2.1.4 基于人民币纹理的组合中值滤波 |
| 2.1.5 实验对比分析 |
| 2.2 人民币手机图像增强 |
| 2.2.1 线性变换和非线性变换 |
| 2.2.2 直方图均衡化 |
| 2.3 人民币手机图像校正 |
| 2.3.1 人民币手机图像边缘检测 |
| 2.3.2 人民币手机图像畸变校正 |
| 2.4 本章小结 |
| 3 GLCM纹理特征和Gabor纹理特征 |
| 3.1 引言 |
| 3.2 纹理特征简介 |
| 3.3 纹理特征提取方法 |
| 3.3.1 基于统计的提取方法 |
| 3.3.2 基于模型的提取方法 |
| 3.3.3 基于结构的提取方法 |
| 3.3.4 基于信号的提取方法 |
| 3.4 基于GLCM的人民币手机图像特征提取 |
| 3.4.1 GLCM理论基础 |
| 3.4.2 基于GLCM纹理特征参数的选择 |
| 3.4.3 基于GLCM的人民币纹理特征提取 |
| 3.5 基于Gabor滤波器的人民币手机图像特征提取 |
| 3.5.1 二维Gabor滤波器 |
| 3.5.2 基于Gabor滤波器的人民币特征提取 |
| 3.6 本章小结 |
| 4 基于SVM和D-S理论的人民币手机图像鉴伪 |
| 4.1 引言 |
| 4.2 SVM理论基础 |
| 4.2.1 线性可分SVM |
| 4.2.2 线性不可分SVM |
| 4.3 D-S证据理论基础 |
| 4.3.1 假设空间 |
| 4.3.2 基本概率分配函数 |
| 4.3.3 信任函数和似然函数 |
| 4.3.4 信任区间 |
| 4.3.5 D-S证据合成规则 |
| 4.4 D-S证据融合分类方法 |
| 4.4.1 分类方法结构 |
| 4.4.2 基本信任分配函数 |
| 4.4.3 分类决策规则 |
| 4.5 基于手机图像的人民币鉴伪实验 |
| 4.5.1 基于手机图像的人民币数据集 |
| 4.5.2 基于手机图像的人民币鉴伪实验分析 |
| 4.6 本章小结 |
| 5 基于深度学习的人民币手机图像鉴伪 |
| 5.1 引言 |
| 5.2 深度学习理论基础 |
| 5.2.1 人工神经网络 |
| 5.2.2 前馈神经网络 |
| 5.2.3 反向传播算法 |
| 5.2.4 卷积神经网络 |
| 5.2.5 卷积神经网络结构 |
| 5.2.6 常用的卷积神经网络介绍 |
| 5.3 基于VGG-19的人民币手机图像特征提取 |
| 5.3.1 数据集 |
| 5.3.2 VGG-19特征可视化 |
| 5.3.3 基于VGG-19特征选择 |
| 5.4 实验分析 |
| 5.4.1 与基于纹理特征的人民币手机图像鉴伪比较 |
| 5.4.2 影响识别率原因分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于纹理识别和卷积神经网络的人民币识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要研究工作 |
| 1.4 论文的结构组织 |
| 第2章 纸币图像的采集存储及预处理 |
| 2.1 纸币图像的采集 |
| 2.1.1 数码相机 |
| 2.1.2 CCD摄像头 |
| 2.1.3 扫描仪 |
| 2.2 纸币图像的表现形式和存储格式 |
| 2.2.1 图像的表现形式 |
| 2.2.2 图像的存储格式 |
| 2.3 纸币图像的预处理 |
| 2.3.1 平滑滤波去噪 |
| 2.3.2 倾斜校正 |
| 2.3.3 目标分割 |
| 2.4 本章小结 |
| 第3章 基于GLCM和马氏距离的纸币识别 |
| 3.1 纹理特征简介 |
| 3.2 纹理特征的提取方法 |
| 3.2.1 模型法 |
| 3.2.2 结构分析法 |
| 3.2.3 信号处理法 |
| 3.2.4 统计分析法 |
| 3.3 基于GLCM的纸币图像纹理特征提取方法 |
| 3.3.1 灰度共生矩阵理论基础 |
| 3.3.2 纹理特征参数的选取 |
| 3.3.3 纹理特征参数提取的实现 |
| 3.4 基于马氏距离的纸币分类算法 |
| 3.5 实验描述与结果分析 |
| 3.5.1 实验环境及数据集 |
| 3.5.2 实验参数设置 |
| 3.5.3 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于卷积神经网络的纸币识别 |
| 4.1 卷积神经网络相关理论 |
| 4.1.1 人工神经网络 |
| 4.1.2 BP神经网络 |
| 4.1.3 卷积神经网络 |
| 4.2 卷积神经网络的训练过程 |
| 4.3 基于卷积神经网络的人民币识别 |
| 4.3.1 搭建卷积神经网络 |
| 4.3.2 实验环境及数据 |
| 4.3.3 实验过程及分析 |
| 4.3.4 实验总结 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
四、人民币纸币识别系统（论文参考文献）
- [1]基于异构特征聚合的局部视图扭曲型纸币识别[J]. 郭玉慧,梁循. 计算机学报, 2022
- [2]基于图像光谱特征的纸币新旧识别关键技术研究[D]. 孙伟忠. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(01)
- [3]第五套人民币纸币的图像研究与设计提升[D]. 周忙. 中央美术学院, 2021(08)
- [4]基于手机图像的人民币鉴伪技术研究与实现[D]. 郭素珍. 南京理工大学, 2020(01)
- [5]ATM机纸币图像采集系统设计[D]. 彭昌辉. 广州大学, 2019(01)
- [6]图像处理中的亮度解耦控制算法研究[D]. 伊占博. 辽宁科技大学, 2019(01)
- [7]面向纹理图像识别的特征提取方法研究[D]. 王军敏. 西北工业大学, 2019(04)
- [8]小型人民币冠字号码识别系统的研究与实现[D]. 吕海龙. 哈尔滨工业大学, 2019(02)
- [9]基于深度学习的假币图像识别[D]. 汪锡平. 南京理工大学, 2019(07)
- [10]基于纹理识别和卷积神经网络的人民币识别技术研究[D]. 董扬帆. 武汉大学, 2018(12)