薄片識別設備和薄片識別方法

2023-10-07 05:29:54 1

專利名稱：薄片識別設備和薄片識別方法
技術領域：
本發明涉及在諸如債券之類薄片的自動檢查設備中，通過比較從薄片獲得的圖像圖案與預置的基準圖案，識別每個薄片(例如紙張)的類型和真/偽的薄片識別設備和薄片識別方法。
背景技術：
一般來說，數字圖像圖案(下面簡稱為圖案)的識別過程趨向於獲得更高解析度的傳感器輸出，因為希望執行更高等級的識別過程。但是，此時，從實用性的觀點來看，希望以較低的計算成本實時地實現該過程。
於是，提出了選擇並處理一部分圖案(像素或像素組)的各種方法。一般來說，由於圖案包含許多冗餘信息，因此通過充分地選擇圖案的多個部分，並在使解析度保持較高的情況下執行少量的計算，能夠獲得足夠高的識別性能。
例如，已知通過執行隨機像素選擇操作來減少(narrow down)待處理的像素，並獲得高解析度和高速處理的技術(例如，參見日本專利申請KOKAI公開No.H9-134464)。就上述公知技術來說，由於對每個檢查過程隨機進行像素選擇操作，實際上變得不可能檢測檢查部分，從而不可能增強可靠性。
但是，就上述公知技術來說，沒有考慮位置加權，並且均勻地把選擇地像素分布在整個圖案區域中被認為是理想的。當然，為了使得難以檢測檢查部分，理想的是從整個圖案區域中均勻地選擇像素。但是，一般來說，均勻地處理整個圖案區域，從而獲得識別結果的方法存在局部特徵不能被充分清楚地識別，或者介質中的局部變化(汙點、淺的筆觸等)會影響識別性能的問題。
於是，希望提出一種能夠充分識別局部特徵，同時保持高速操作和高可靠性的識別方法。
此外，當選擇並處理部分圖案時，在一些情況下，由薄片的供給狀態引起的薄片的印刷濃度、歪斜和滑動的波動會產生影響。

發明內容
因此，本發明的目的是提供一種薄片(sheet)識別設備和薄片識別方法，它能夠有效地估計諸如紙張之類的薄片的類別，並通過把每個薄片的圖像圖案(image pattern)分割成多個區域(像素或多組像素)，加權並選擇區域，獲得相應區域的識別結果，並根據識別結果的邏輯組合，確定整個部分的識別結果，執行對介質中的變化具有魯棒性的圖案識別過程。
根據本發明的第一方面，提供一種薄片識別設備，它通過比較從薄片獲得的圖像圖案和預置的基準圖案識別薄片的類型和真/偽，所述薄片識別設備包括把從薄片獲得的圖像圖案分成多個區域的區域分割裝置，對由區域分割裝置分割的區域加權的加權裝置，從由加權裝置加權的區域中選擇用於識別的區域的區域選擇裝置，利用由區域選擇裝置選擇的每個區域的基準圖案獲得識別結果的識別結果獲取裝置，和依據由識別結果獲取裝置獲得的相應區域的識別結果的邏輯組合，確定整個部分的識別結果的識別結果確定裝置。
根據本發明的第二方面，提供一種薄片識別方法，它通過比較從薄片獲得的圖像圖案和預置的基準圖案識別薄片的類型和真/偽，所述薄片識別方法包括把從薄片獲得的圖像圖案分成多個區域的區域分割步驟，對區域分割步驟分割的區域加權的加權步驟，從加權步驟加權的區域中選擇用於識別的區域的區域選擇步驟，利用區域選擇步驟選擇的每個區域的基準圖案獲得識別結果的識別結果獲取步驟，和依據識別結果獲取步驟獲得的相應區域的識別結果的邏輯組合，確定整個部分的識別結果的識別結果確定步驟。
根據本發明，可提供能夠有效地估計每個薄片的類別，並通過把每個薄片的圖像圖案分割成多個區域(像素或多組像素)，加權並選擇區域，獲得相應區域的識別結果，並根據上述識別結果的邏輯組合，確定整個部分的識別結果，執行對介質中的變化具有魯棒性的圖案識別過程的薄片識別設備和薄片識別方法。
本發明的其它目的和優點將在下面的說明中陳述，並且根據所述說明，部分將是明顯的，或者可通過本發明的實踐獲悉。利用下面特別指出的手段和組合，可實現和獲得本發明的目的和優點。


包含在說明書中並構成說明書的一部分的附解說明本發明的實施例，並和上面給出的一般說明及下面給出的實施例的詳細說明一起，用於解釋本發明的原理。
圖1是示意表示根據本發明的一個實施例的薄片識別設備的結構的方框圖。
圖2是圖解說明根據第一實施例的薄片識別過程的流程圖。
圖3是圖解說明圖案區域分割方式和分割參數的圖。
圖4表示A類基準圖案的一個例子。
圖5示意地表示A類基準圖案的區域分割狀態。
圖6表示B類基準圖案的一個例子。
圖7示意地表示B類基準圖案的區域分割狀態。
圖8是圖解說明根據本發明的第二實施例的薄片識別過程的流程圖。
圖9是圖解說明根據第二實施例的修改的薄片識別過程的流程圖。
圖10是圖解說明根據本發明的第三實施例的薄片識別過程的流程圖。
圖11是圖解說明根據本發明的第四實施例的薄片識別過程的流程圖。
圖12是圖解說明根據第四實施例的修改的薄片識別過程的流程圖。
圖13是圖解說明根據第五實施例的薄片識別過程的流程圖。
圖14是圖解說明根據本發明的第六實施例的薄片識別過程的流程圖。
圖15和16是圖解說明第六實施例中的薄片供給狀態的示意圖。
圖17是圖解說明根據本發明的第七實施例的薄片識別過程的流程圖。
圖18是圖解說明第七實施例中的坐標改變方式的示意圖。
圖19是圖解說明第七實施例的濃度改變方式的示意圖。
具體實施例方式
下面參考

本發明的實施例。
根據本發明的薄片識別設備根據薄片的圖像圖案識別薄片，例如紙張識別薄片(介質)的類型和真/偽。例如，它根據通過光學讀取印刷在紙張，比如債券(例如，鈔票)上的圖像而獲得的圖像圖案(圖像數據)，識別薄片的類型(類別、面額)和真/偽。
下面首先說明本發明的第一實施例。
圖1示意地表示根據本發明的一個實施例的薄片識別設備的結構。薄片識別設備包括輸入通過光學讀取薄片(比如紙張)上的圖像而獲得的圖像圖案(輸入圖案)的輸入接口(I/F)部分1，臨時保存通過識別過程而獲得的前級識別結果和候選者的前級識別結果緩衝器部分10，和臨時保存圖像圖案(輸入圖案)輸入的輸入圖案緩衝器部分11。此外，它包括用作把輸入圖像圖案分成多個區域的區域分割裝置的分割部分2，保持分割參數的分割參數保持部分21，用作對分割的區域加權的加權裝置的加權部分3，保持加權參數的加權參數保持部分31，用作從加權區域中選擇用於識別的區域的區域選擇裝置的選擇部分4，和保持選擇參數的選擇參數保持部分41。另外，它包括用作利用每個所選區域的基準圖案獲得識別結果的識別結果獲取裝置的區域識別部分5，保持每個區域的識別結果的區域識別結果保持部分51，識別整個部分的識別結果的整個部分識別部分6，保持整個部分的識別結果的整個部分識別結果保持部分61，用作通過利用相應區域的識別結果的邏輯組合，確定整個部分的識別結果的識別結果確定裝置的最終識別部分7，保持最終識別結果的最終識別結果保持部分71，輸出識別結果的輸出接口(I/F)部分8，和臨時保存輸出結果的輸出結果緩衝器部分81。
圖2是圖解說明根據第一實施例的薄片識別過程的流程圖。下面根據該流程圖說明識別過程。
首先，分割參數被初始化(ST1)。這種情況下，分割模式指示表述每個圖案的區域劃分的具體數字值。例如，在圖3中，作為例子表示了其中以網格形式把輸入圖案均勻地分成橫向方向的32個區域和縱向方向上的13個區域(總共416個區域)的情況。此時，分割參數被如下表述，例如pi＝{hi，vi，li，di}其中pi表示第i個區域(1≤i≤416)的分割參數，hi表示第i個區域的起點的水平坐標，vi表示第i個區域的起點的垂直坐標，li表示第i個區域的水平寬度，di表示第i個區域的垂直高度。在分割參數初始化過程中，具體的數字值被代入pi中。
隨後，加權參數被初始化(ST2)。加權參數表述區域的重要程度，但是由於在初始狀態下，區域的重要程度並不清楚，因此所有加權參數被設為相同的值。即，得到下述等式。
wi＝1/416。
其中wi表示第i個區域的加權參數。
此外，選擇參數被初始化(ST3)。如果選擇參數被設為Q，那麼選擇參數Q被分成選擇率q0和選擇區域編號qj(j≥1)。即，得到下述等式。
Q＝{q0，q1，q2，...}選擇率是選擇的區域與整個區域的比值。即，設置下述表達式。
0.0≤q0≤1.0
此時選擇的區域的編號被設為選擇區域編號。根據選擇率確定選擇區域編號的數目。在本實施例中，選擇區域編號的值被設定在下述範圍中。
1≤qj≤416在初始狀態下，由於各個區域的重要程度不清楚，因此登記足夠的值。例如，如果選擇率q0＝0.25，那麼選擇參數Q被如下初始化。
Q＝{0.25，1，2，...，104}如果參數初始化過程完成，那麼輸入基準圖案。為了使說明清楚，在本實施例中，圖案的類別的數目被設為「2」，處理2類(2-class)識別問題。圖4、5和圖6、7示意地表示不同類別的兩種圖案。這種情況下，基準圖案是用作某一類別的不受介質的汙點和輸入變化的影響的基準的圖案。為每個類別設定一個基準圖案。
此外，基準圖案所屬於的每個類別已知。當這樣的基準圖案被輸入時，執行區域分割過程。對圖4中所示的基準圖案(A類)執行圖5中所示的區域分割過程。此外，對圖6中所示的基準圖案(B類)執行圖7中所示的區域分割過程。圖5和7示意地表示了區域分割的狀態。對所有類別反覆執行基準圖案輸入過程和區域分割過程(ST4-ST6)。
當對所有類別的基準圖案輸入過程和區域分割過程都完成時，加權參數被更新(ST7)。此時，按照類別之間的差異更新加權參數。例如，如果兩種類別A和B的基準圖案由a(0)和b(0)表示，並且包含在一個區域中的像素的數目被設為N，那麼特徵量被表示成如下所述，例如f(a(0)，i)＝{a(0，i，1)，a(0，i，2)，...，a(0，i，n)，...，a(0，i，N)}f(b(0)，i)＝{b(0，i，1)，b(0，i，2)，...，b(0，i，n)，...，b(0，i，N)}其中f(a(0)，i)和f(b(0)，i)是a(0)和b(0)的第i個區域(1≤i≤416)的特徵量。此外，a(0，i，n)和b(0，i，n)是a(0)和b(0)的第i個區域(1≤i≤416)的第n個像素的像素值。
即，特徵量是由N個像素值確定的n維向量。此時，加權參數被如下計算。
wi＝D(f(a(0)，i)，f(b(0)，i))/∑i{D(f(a(0)，i)，f(b(0)，i))}
其中D(f(a(0)，i)，f(b(0)，i))是在第i個區域中a(0)和b(0)之間的歐幾裡德距離，並被表示成如下所示。
D(f(a(0)，i)，f(b(0)，i))＝sqrt[∑n{b(0，i，n)-a(0，i，n)}2]即，以通過把相應區域的基準圖案之間的距離除以所有區域的基準圖案之間的差值的總和而獲得的值的形式，得到加權參數。一般來說，由於在其中代表類別的基準圖案之間的距離更大的區域中更有利於類別之間的識別，因此作為區域加權處理的第一階段，上述處理是足夠的。
但是，會發生其中存在根據對象圖案而在類別方面不同的區域的情況。例如，stump、籤名、符號或數字可被提供。為了獲得更穩定的類別之間的識別，區域應被較少加權。於是，在本實施例中，利用學習圖案調整加權參數。這種情況下，學習圖案是屬於除了基準圖案之外的一種已知類別的樣本。學習圖案最好具有一定數目的樣本，並且反映它們所屬於的類別的各組所有圖案的分布。如果學習圖案被輸入，那麼類似於基準圖案的情況進行區域分割過程。對所有類別的所有樣本反覆進行學習圖案輸入處理和區域分割過程(ST8-ST10)。
當結束所有類別的所有樣本的學習圖案輸入過程和區域分割過程時，加權參數被重新(ST11)。此時，按照類別中的變化更新加權參數。例如，如果兩種類別A和B的M個學習圖案由a(k)和b(k)(1≤k≤M)表示，那麼能夠得到指示表述變化的值的下述等式。
s(a，i)＝∑k||f(a(k)，i)-μ(a，i)||s(b，i)＝∑k||f(b(k)，i)-μ(b，i)||其中s(a，i)和s(b，i)表示類別A和B的第i個區域的變化值，μ(a(k)，i)和μ(b(k)，i)表示類別A和B的第i個區域的平均向量。即，通過得到相應區域的相應類別的學習圖案的標準偏差，獲得本實施例中的變化值。此時，加權參數被如下更新。
wi←wi/{s(a)+s(b，i)}即，通過把初始的加權值除以類別A和B的變化值之和，得到加權參數。更新之後，如下進行歸一化處理。
wi←wi/∑iwi從而，通過考慮類別之間的差值和類別中的變化，確定加權參數。
隨後，更新選擇參數(ST12)。在本實施例中，按照遞增的加權度的順序從上面的位置選擇和選擇率Q對應的編號的參數。例如，在選擇率q0＝0.25的情況下，104個區域(它們是416個區域的1/4)的編號被按照遞增的加權度記錄為選擇的區域編號qj。從而，基於類別之間的差值和類別中的變化的區域加權和選擇處理被執行，並且學習階段完成。
下面說明識別階段。在識別階段中，輸入未知的圖案，並且輸出識別結果。未知圖案是屬於一種未知類別的樣本。如果這樣的未知圖案被輸入(ST13，ST14)，那麼類似於基準圖案和學習圖案的情況執行區域分割過程(ST15)。
隨後，選擇由選擇參數指定的區域(ST16)。此外，對每個選擇區域進行識別過程(ST17-S19)。
在本發明中，識別過程本身的算法並沒有特別限制，但是就2類識別問題來說，識別過程的結果被設為「A類」、「B類」和「拒絕」之一。多數原始的識別算法利用基準圖案和未知圖案之間的歐幾裡德距離。例如，如果未知圖案為x，並且未知圖案x的第i個區域的識別結果為z(x，i)，那麼可獲得下述關係。
z(x，i)＝A類(如果D(f(x，i)，f(b(0)，i))＞D(f(x，i)，f(a(0)，i))+ε)z(x，i)＝B類(如果D(f(x，i)，f(a(0)，i))＞D(f(x，i)，f(b(0)，i))+ε)z(x，i)＝拒絕(如果|D(f(x，i)，f(a(0)，i))-D(f(x，i)，f(b(0)，i))|≤ε)其中ε為定義類別之間的顯著差異的恰當常數。
隨後，根據相應區域的識別結果，確定總的識別結果。如前所述，本發明的特徵在於為每個區域臨時獲得識別結果，並根據多數決定原則(majority rule)、邏輯等式或其加權處理，確定整個部分的識別結果。
按照慣例，如前所述得到每個區域的歐幾裡德距離，並得到簡單平均值或加權平均值，隨後在不得出每個區域的識別結果的情況下確定總的識別結果。但是，這存在不能充分識別局部特徵，並且局部介質變化(汙點，淺的筆觸等)影響識別性能的問題。
根據本實施例，由於局部特徵並不依賴於其它部分，並且可在局部變化並不影響其它部分的情況下獲得局部變化，因此能夠實現更高精度的識別過程。例如，如果未知圖案為x，未知圖案x的總的識別結果為z(x)，那麼就多數決定原則來說，能夠獲得下述關係。
z(x)＝A類(如果∑i|(z(x，i)＝A類)最經常發生)z(x)＝B類(如果∑i|(z(x，i)＝B類)最經常發生)z(x)＝拒絕(如果∑i|(z(x，i)＝拒絕)最經常發生)其中∑i|(z(x，i)＝A類)，∑i|(z(x，i)＝B類)和∑i|(z(x，i)＝拒絕)指示其中區域識別結果變成「A類」、「B類」和「拒絕」的區域的編號。
此外，通過利用邏輯等式表述∑i|(z(x，i)＝A類)，∑i|(z(x，i)＝B類)和∑i|(z(x，i)＝拒絕)之間的關係，可確定整個部分的識別結果。
例如，z(x)＝A類，如果下述條件被滿足。
∑i|(z(x，i)＝B類)/∑i|(z(x，i)＝A類)＜α，並且(∑i|(z(x，i)＝A類)+∑i|(z(x，i)＝B類)＞∑i|(z(x，i)＝拒絕)+βz(x)＝B類，如果下述條件被滿足。
∑i|(z(x，i)＝A類)/∑i|(z(x，i)＝B類)＜α＝拒絕)+β在其它情況下，z(x)＝拒絕。
其中α是定義類別之間的顯著差異的恰當常數，β是調整「拒絕」的比率的恰當常數。從而，能夠根據參數(α，β等)容易地調整整個識別的行為的事實也是本發明的特徵。
此外，通過考慮到加權參數對多數決定原則和邏輯等式的加權程度，能夠利用加權的多數決定原則和加權的邏輯等式。即，能夠獲得下述關係。
z(x)＝A類(如果∑iwi|(z(x，i)＝A類)最經常發生)z(x)＝B類(如果∑iwi|(z(x，i)＝B類)最經常發生)z(x)＝拒絕(如果∑iwi|(z(x，i)＝拒絕)最經常發生)
另一方面，如果下述條件被滿足，那麼z(x)＝A類。
∑iwi|(z(x，i)＝B類)/∑iwi|(z(x，i)＝A類)＜α，並且(∑iwi|(z(x，i)＝A類)+∑iwi|(z(x，i)＝B類)＞∑iwi|(z(x，i)＝拒絕)+β如果下述條件被滿足，那麼z(x)＝B類。
∑iwi|(z(x，i)＝A類)/∑iwi|(z(x，i)＝B類)＜α，並且(∑iwi|(z(x，i)＝A類)+∑iwi|(z(x，i)＝B類)＞∑iwi|(z(x，i)＝拒絕)+β在其它情況下，z(x)＝拒絕。
上述處理獲得的未知圖案的識別結果z(x)被輸出(ST19)。
從而，根據第一實施例，能夠有效地估計薄片或紙張的類別，並通過把紙張的圖像圖案分成多個區域(像素或像素組)，加權和選擇區域，獲得相應區域的識別結果，並根據識別結果的邏輯組合確定整個部分的識別結果，能夠執行對介質中的變化具有魯棒性的圖案識別過程。
特別地，由於根據類別之間的差異和類別中的變化，加權和選擇區域，因此和均勻地處理圖案的整個部分的方法相比，計算量可被減少，並且能夠獲得高的識別性能。
此外，由於對各個區域臨時獲得識別結果，根據多數決定原則、邏輯等式或其加權處理，確定總的識別結果，因此和各個區域的特徵量的簡單平均值相比，局部特徵並不取決於其它部分，並且可在局部變化不影響其它部分的情況下獲得局部變化，並且使用參數能夠容易地調整整個識別過程的行為。
下面說明本發明的第二實施例。
圖8是圖解說明根據第二實施例的薄片識別過程的流程圖。分割參數的初始化，加權參數的初始化和選擇參數的初始化(ST1，ST2，ST3)和第一實施例的對應步驟相同，其說明被省略。在第二實施例中，在輸入學習圖案的時候，反覆執行隨機區域選擇處理，並根據評估順序優化加權參數。
在完成參數的初始化處理之後，類似於第一實施例輸入基準圖案(ST4-ST6)。在第二實施例中，為了使說明清楚，圖案的類別的數目被設為「2」，並處理2-類識別問題。基準圖案是用作某一類別的不受歸因於介質的汙點和輸入變化的影響的基準的圖案。為每種類別設定一個基準圖案。此外，基準圖案所屬的類別已知。
當這樣的基準圖案被輸入時，執行區域分割過程。對所有類別重複進行基準圖案輸入過程和區域分割過程。在第二實施例中，不執行第一實施例的利用基準圖案更新加權參數的操作。
隨後，類似於第一實施例，輸入學習圖案(ST8，ST9)。學習圖案最好具有一定數目的樣本，並反映圖案所屬的類別的各組所有圖案的分布。當學習圖案被輸入時，執行區域分割過程(ST10)。
此時，隨機設置選擇區域編號(ST21)。例如，如果選擇率q0＝0.25，那麼不重疊地隨機提取104個區域(它是416個區域的1/4)的編號，並記錄為選擇區域編號qj(ST22)。
隨後，評估隨機選擇的區域(ST23)。基本的評估方法是，如果該區域對輸入的學習圖案的識別有效的話，增強選擇區域的加權參數的程度(degree)，並且如果該區域無效的話，降低選擇區域的加權參數的程度。在本發明中，確定「有效」或「無效」的方式不受限制。但是，通過使用基準圖案和學習圖案之間的歐幾裡德距離，獲得最簡單的評估算法。例如，當兩種類別的基準圖案被設為a(0)和b(0)，並且屬於A類的學習圖案為y時，那麼可獲得下述關係。
wi←wi+δ如果∑iD(f(y，i)，f(b(0)，i))＞D(f(y，i)，f(a(0)，i)+θ在其它情況下，wi←wi+δ其中θ是定義區域選擇是否有效的恰當常數，δ是相對於wi的小的校正項(δ＞0)。對所有的學習圖案反覆執行加權參數更新操作(ST24)，在更新操作之後，如下進行歸一化處理(ST25)。
wi←wi/∑iwi從而，反覆交替執行隨機區域選擇和評估操作，並確定基於評估的加權參數。
隨後，更新選擇參數，但是其內容被按照遞增的加權度的次序，順序記錄為選擇區域編號，類似於第一實施例(ST26)。在第二實施例中，獲得選擇區域編號被進一步減少(ST27)的特徵。從而，結束學習階段。
第二實施例的在未知圖案輸入操作之後的識別階段(ST13-ST19)和第一實施例的對應步驟相同。最後，輸出未知圖案的識別結果。
此外，提供一種在不進行隨機區域選擇的情況下，反覆對所有區域進行評估處理，並根據評估順序優化加權參數的方法。圖9是圖解說明其中在第二實施例中不執行隨機區域選擇的情況的流程圖。由於該流程圖中的步驟和上面(在圖8中)描述的那些步驟相同，因此省略對其的說明。
從而，根據第二實施例，反覆執行對隨機選擇的區域或者對所有區域的評估處理，並根據評估順序更新區域的加權度。從而，能夠執行使用和真實數據對應的參數的識別過程。
此外，通過對選擇的區域應用隨機掩蔽(mask)和減少區域，能夠提高識別性能和可靠性。
下面說明本發明的第三實施例。
圖10是圖解說明根據第三實施例的識別過程的流程圖。參數初始化處理對應於分割參數初始化過程，加權參數初始化過程和選擇參數初始化處理和選擇參數初始化過程，這裡省略對其的說明。第三實施例具有對於通過多個區域選擇過程而獲得的多個識別結果，根據多數決定原則、邏輯等式或其加權過程，確定最終的識別結果的特徵。
首先，執行多個區域選擇過程(ST31，ST32)。作為區域選擇算法，可以使用第一實施例或第二實施例中的區域選擇算法。如果循環次數被設為LOOPMAX，那麼可獲得LOOPMAX的選擇參數Qloop。
Qloop(1≤loop≤LOOPMAX)從而結束學習階段(ST33-ST35)。
下面說明識別階段。在識別階段中，輸入未知的圖案(ST36，ST37)，並輸出其識別結果(ST38)。但是，這種情況下，不同於第一實施例和第二實施例，根據LOOPMAX的選擇參數執行LOOPMAX次未知圖案處理，從而可獲得LOOPMAX個總的識別結果(ST39-ST42)。未知圖案被設為x，並且基於選擇參數Qloop的未知圖案x的總的識別結果被設為z(x，loop)。
隨後，執行最終識別過程(ST43)。如前所述，本實施例具有對於由多個區域選擇處理獲得的多個識別結果，根據多數決定原則、邏輯等式或其加權處理，確定最終的識別結果的特徵。例如，如果應用多數決定原則，那麼能夠獲得下述關係。
z(x)＝A類(如果∑loop|(z(x，loop)＝A類)最經常發生)z(x)＝B類(如果∑loop|(z(x，loop)＝B類)最經常發生)z(x)＝拒絕(如果∑loop|(z(x，loop)＝拒絕)最經常發生)其中∑loop|(z(x，loop)＝A類)，∑loop|(z(x，loop)＝B類)，∑loop|(z(x，loop)＝拒絕)分別表示總的識別結果變成「A類」、「B類」和「拒絕」的數目。
此外，可利用邏輯等式表述∑loop|(z(x，loop)＝A類)，∑loop|(z(x，loop)＝B類)，∑loop|(z(x，loop)＝拒絕)之間的關係，並確定最終的識別結果。
如果下述條件被滿足，那麼z(x)＝A類∑loop|(z(x，loop)＝B類)/∑loop|(z(x，loop)＝A類)＜α，並且∑loop|(z(x，loop)＝A類)+∑loop|(z(x，loop)＝B類)＞∑loop|(z(x，loop)＝拒絕)+β如果下述條件被滿足，那麼z(x)＝B類∑loop|(z(x，loop)＝A類)/∑loop|(z(x，loop)＝B類)＜α，並且∑loop|(z(x，loop)＝A類)+∑loop|(z(x，loop)＝B類)＞∑loop|(z(x，loop)＝拒絕)+β在其它情況下，z(x)＝拒絕。
這種情況下，α表示定義類別之間的顯著差異的恰當常數，β表示調整「拒絕」率的恰當常數。
此外，通過在多數決定原則和邏輯等式中考慮加權參數的加權度，能夠獲得加權的多數決定原則和加權的邏輯等式。即，能夠獲得下述關係。
z(x)＝A類(如果∑loopwi|(z(x，loop)＝A類)最經常發生)z(x)＝B類(如果∑loopwi|(z(x，loop)＝B類)最經常發生)z(x)＝拒絕(如果∑loopwi|(z(x，loop)＝拒絕)最經常發生)另一方面，如果下述條件被滿足，那麼z(x)＝A類∑loopwi|(z(x，loop)＝B類)/∑loopwi|(z(x，loop)＝A類)＜α，並且∑loopwi|(z(x，loop)＝A類)+∑loopwi|(z(x，loop)＝B類))＞∑loopwi|(z(x，loop)＝拒絕)+β如果下述條件被滿足，那麼z(x)＝B類∑loopwi|(z(x，loop)＝A類)/∑loopwi|(z(x，loop)＝B類)＜α，並且∑loopwi|(z(x，loop)＝A類)+∑loopwi|(z(x，loop)＝B類))＞∑loopwi|(z(x，loop)＝拒絕)+β在其它情況下，z(x)＝拒絕。
由上述處理獲得的未知圖案的識別結果z(x)被輸出(ST44)。
從而，根據第三實施例，如果對於由多個區域選擇處理獲得的多個識別結果，根據多數決定原則、邏輯等式或其加權處理，確定最終的識別結果，那麼基於各種觀點識別的結果可被統一。於是，能夠獲得比由一個區域識別過程所獲得的識別性能更穩固的識別性能。
下面說明本發明的第四實施例。
圖11是圖解說明根據第四實施例的識別過程的流程圖。第四實施例具有由設置在前級中的不同識別裝置獲得的前級識別過程的結果的一級候選者和二級候選者，多個(n個)高級候選者，或者待識別的所需級數的兩個或更多的候選者，例如待識別的所需級數的2-n個候選者被設為識別過程候選者，並且通過組合所述候選者確定最終的識別結果的特徵。
首先，輸入前級識別過程的結果(ST51)。在本實施例中，前級識別過程的算法沒有特別限制，但是識別過程的結果一般由一組「級數，類別(種類)，分數(相似性)」表述。例如，提供下述條目。
1，$1,9902，$100,900
3，S20,5004，...
隨後，選擇識別過程的候選者(ST52)。例如，在上面的例子中，假定前級識別過程的結果的第一候選者的分數(990)和第二候選者的分數(900)之間的差異較小，對於前級識別過程做出「拒絕」的確定。此時，在本實施例中，第一候選者($1)和第二候選者($100)的這兩種類別被記錄為識別過程的候選者。另一方面，可選擇待識別的所需級數的兩個候選者。例如，假定在另一例子中提供下述條目。
1，$20(舊)，9902，$20(新)，9803，S1,9004，...
第一候選者($20(舊))和第二候選者($20(新))的分數彼此接近，但是只有它們的世代是不同的，它們的金額相同，即，在一些情況下不需要清楚地識別它們。這種情況下，例如，第一候選者($20(舊))和第三候選者($1)被選擇。
這樣，在選擇識別過程的候選者之後，輸入未知圖案(ST53，ST54)，並對識別過程的候選者處理未知圖案(ST55)。由於處理內容和上面說明的其它實施例相同，因此這裡省略對其的說明。
上述處理獲得的未知圖案識別結果z(x)被輸出(ST56)。
在第四實施例中，假定在前級識別過程中沒有發生任何錯誤，但是在實際情況中，在一些情況下，在前級識別過程中會發生錯誤。例如，在前級識別過程中，第一候選者為$20(舊)，第二候選者為$20(新)，但是存在其中正確的答案為$20(新)的情況。於是，提供一種把根據前級識別過程的結果選擇的候選者的數目設為「n」而不是「2」，相對於n個候選者處理未知圖案，並根據處理結果確定最終識別結果的方法。
圖12是圖解說明其中相對於第四實施例中的n個候選者執行處理，隨後確定最終識別結果的的情況的流程圖。在圖11中所示的處理中另外提供組合一級未知圖案識別結果的處理(ST57)。一級未知圖案識別結果zij(x)是根據第i個和第j個候選者獲得的未知圖案識別結果。在下面的情況下進行說明。
1，$20(舊)，9902，$20(新)，9803，S1,900這種情況下，例如，假定第一級未知圖案識別結果被如下設置。
z12(x)＝$20(新)z13(x)＝拒絕z23(x)＝$20(新)即使前級識別過程的結果的第一候選者為$20(舊)，也獲得z12(x)＝S20(新)的結果。此外，z13(x)＝「拒絕」。在這種情況下，考慮使用確定在前級識別過程中發生錯誤的方法，並且z23(x)的結果被設為最終的未知圖案識別結果。
從而，根據第四實施例，通過把由在設置在前級中的不同識別裝置獲得的前級識別過程的結果的一級和二級候選者，多個(n個)高級候選者，或者待識別的兩個或更多所需級數的候選者設為識別過程候選者，並通過組合這些候選者確定最終識別結果，能夠減少待處理的類別的數目。此外，即使在前級識別過程中做出「拒絕」的決定，在一些情況下按照本發明的高識別性能也能夠做出「接受」的決定。
下面說明本發明的第五實施例。
圖13是圖解說明根據第五實施例的識別過程的流程圖。第五實施例具有將在其中在紙張等上書寫或印刷的籤名或印章的特徵不穩定，並且已知將被排除的區域被預先記錄為待排除區域，之後，不同於待排除區域的區域作為對象被處理。
例如，為每個區域設置一個待排除區域標記，如果區域是待排除區域，那麼待排除區域標記被設為「1」，如果區域不是待排除區域，那麼待排除區域標記被設為「0」(ST61)。從而，能夠確定區域是否是待排除區域。由於在待排除區域標記設置處理(ST61)之後執行的處理和在其它實施例中說明的處理相同，因此這裡省略對其的說明。
從而，根據第五實施例，由於通過預先登記已知的待排除區域，能夠對用作處理對象的不同於待排除區域的區域進行區域選擇處理之後的處理，因此能夠獲得高速並且穩定的識別過程。
下面說明本發明的第六實施例。
圖14是圖解說明根據第六實施例的識別過程的流程圖。在第六實施例中，檢測由紙張的進給條件引起的紙張等的歪斜和滑動(ST71)，根據檢測的滑動量和歪斜量，按照預先準備的偏移變換表，讀取對應的偏移值(ST72)，按照偏移值變換各個區域的坐標(ST73)。在坐標變換過程之後，執行從區域分割過程開始的過程(ST74)。由於從區域分割過程開始的處理和在其它實施例中描述的過程相同，因此這裡省略對其的說明。
圖15是圖解說明第六實施例的示意圖。當進給紙張P時，使用透射光傳感器檢測紙張P的位置。現在假定當在紙張P的理想進給條件下輸入紙張時，紙張P的位置(基準位置)被如下表示。
(XLT，YLT)，(XRT，YRT)，(XLB，YLB)，(XRB，YRB)其中(XLT，YLT)表示紙張P的左上端點的坐標，(XRT，YRT)表示紙張P的右上端點的坐標，(XLB，YLB)表示紙張P的左下端點的坐標，(XRB，YRB)表示紙張P的右下端點的坐標。
現在假定當在受由紙張P等的進給狀態導致的滑動和歪斜的影響下，輸入紙張P等時，紙張P的位置被如下表示。
(X′LT，Y′LT)，(X′RT，Y′RT)，(X′LB，Y′LB)，(X′RB，Y′RB)其中(X′LT，Y′LT)表示紙張P的左上端點的坐標，，(X′RT，Y′RT)表示紙張P的右上端點的坐標，(X′LB，Y′LB)表示紙張P的左下端點的坐標，(X′RB，Y′RB)表示紙張P的右下端點的坐標。此時，如下得到紙張P的滑動量。
ΔXC＝X′C-XCΔYC＝Y′C-YC注意XC、YC、X′C和Y′C如下計算XC＝(XLT+XRT+XLB+XRB)/4
YC＝(YLT+YRT+YLB+YRB)/4X′C＝(X′LT+X′RT+X′LB+X′RB)/4Y′C＝(Y′LT+Y′RT+Y′LB+Y′RB)/4即，方法是得出在理想情況下四個端點的坐標的重心，和在受滑動和歪斜影響的情況下的四個端點的坐標的重心，並把這兩個重心之間的差值設為滑動量。
此外，如下得出歪斜量。
θ＝arctan[(Y′RT-Y′LT)/(X′RT-X′LT)]或者θ＝arctan[(Y′RB-Y′LB)/(X′RB-X′LB)]即，提供一種根據紙張等的左上端點和右上端點的坐標，或者左下端點和右下端點的坐標得出傾度，並計算歪斜量的方法。
根據這樣得出的滑動量ΔXC，ΔYC和歪斜量θ，如下變換各個區域的坐標。
X′i＝Xicos[θ]-Yisin[θ]+ΔXCY′i＝Xisin[θ]+Yicos[θ]+ΔYC其中(Xi，Yi)是理想情況下第i個區域中的第n個像素的坐標，(X′i，Y′i)是當考慮滑動和歪斜的影響時，第i個區域中的第n個像素的坐標。
基本上，對區域中的所有像素進行坐標變換。然而，在一種簡單的方法中，可以只對區域中的中心像素進行所述變換。這種情況下，可高速識別紙張，同時減少每頁紙張的滑動和歪斜的影響。
由於三角函數，比如arctan、cos和sin的計算量較大，因此可以考慮預先把部分計算結果記錄到偏移變換表中，並在處理時從偏移變換表中讀取和使用對應的偏移值的方法。
在不改變提取幀的傾度的情況下進行坐標變換。這種情況下，識別紙張的效率會降低。然而，能夠消除每頁紙張的滑動和歪斜的幾乎全部影響，因為中心像素的坐標被校正(或者被變換)。鑑於此，在不改變提取幀的傾度的情況下進行的變換不會導致任何問題。相反，它是有利的，因為它實現了高速薄片識別。
從而，根據第六實施例，由紙張的進給狀態導致的滑動和歪斜被檢測，根據滑動量和歪斜量從準備的偏移變換表中讀出對應的偏移值，並利用偏移值變換各個區域的坐標。從而，能夠高速、高精度地進行隨後的區域分割過程。
下面說明本發明的第七實施例。
圖17是圖解說明根據第七實施例的識別過程的流程圖。第七實施例具有當為每個區域獲得識別結果時，對在一個或兩個對象圖案的預置範圍中擺動的坐標和溫度反覆進行處理，並根據上述處理確定識別結果的特徵。
坐標和濃度擺動的狀態由稱為「漂移參數」(shift parameter)的參數表述。漂移參數被表述如下所示。
ri＝{αi，βi，γi，δi}其中ri是第j個漂移參數(1≤j≤J)，α是表示水平偏移的因子，β是表示垂直偏移的因子，γ是表示濃度增益的因子，δ是表示濃度偏移的因子。例如，其中可設定α和β的範圍是基準量±1(像素)。此外，其中可設定γ的範圍是基準量±20(％)，其中可設定δ的範圍是基準量±2(層次)。
在本實施例中，根據J個漂移參數的所設漂移參數，c類的基準圖案c(0)的第i個區域的特徵量f(c(0)，i)被變換成漂移特徵量f′(c(0)，i)(ST81-ST84)，並且對漂移特徵量進行處理(ST85，ST86)。
現在說明擺動坐標的方式。圖18是圖解說明坐標擺動方式的示意圖。在圖17中，其中可設定作為與坐標相關的偏移量的α和β的範圍是基準量±1(像素)。現在，考慮計算如圖18中所示的提取的輸入圖案(第i個區域)P1和如圖18中所示的基準圖案P2之間的距離的情況。在圖18中，(Xi，Yi)表示第i個區域的基準坐標。當α和β為「0」(基準坐標)時，距離為「256」。
這種情況下，為了使說明清楚，距離不被設為歐幾裡德距離，而是被設為這兩個圖案的像素之間的濃度差的總和。例如，當α和β為「0」(基準坐標)時，該距離被表述成如下所示。
|0-66|+|0-0|+|0-66|+|0-0|+|80-50|+|0-0|+|0-34|+|0-0|+|60-0|＝256在圖18中，示出當α和β為「1」時，所述距離變成最小(44)。
下面說明擺動濃度的方式。圖19是圖解說明濃度擺動方式的示意圖。在圖19中，其中可設定濃度增益γ的範圍是基準量±20(％)，其中可設定濃度偏移量δ的範圍是基準量±2(層次)。現在考慮計算圖19中所示的輸入圖案P3和基準圖案P4之間的距離的情況。作為該距離的定義，和上面的情況類似，得到這兩個圖案之間的像素的濃度差的總和。例如，當γ＝100並且δ＝0(基準濃度)時，該距離變成「44」。在圖19中，示出當γ＝80並且δ＝2時，該距離變成最小(0)。
從而，坐標和濃度可在預置範圍中擺動，從而總共獲得J個處理結果。最後，根據這J個處理結果確定最終的區域識別結果(ST87)。作為最簡單的確定方法的一個例子，使用這J個處理結果中變成最小的距離的值。在上面的例子中，由於當α＝1，β＝1，γ＝80並且δ＝2時，該距離變得最小(0)，因此使用該值。作為另一方法，考慮使用這J個距離的平均值。
如上所述，根據第七實施例，即使發生由紙張的進給狀態導致的滑動、歪斜和照度變化，並且在區域的特徵量方面發生預置範圍的錯誤，當對各個區域獲得識別結果時，通過對在一個或兩個對象圖案的預置範圍中擺動的坐標和濃度反覆進行處理，並根據上面的處理確定識別結果，能夠在考慮到上述錯誤的影響的情況下，變換特徵量。從而，能夠準確地執行隨後的區域識別過程。
本發明並不局限於上述實施例。例如，由於多類別識別問題基本上等同於2類識別問題的疊加，因此本發明可被應用於這種情況。此外，區域識別算法並不局限於利用歐幾裡德距離的算法，例如可以應用各種方法，比如簡單的相似性方法，子空間方法和向量量化方法。
本領域的技術人員易於想到另外的優點和修改。於是，本發明並不局限於這裡表示和描述的具體細節和典型實施例。因此，在不脫離由附加權利要求及其等同物限定的一般發明原理的精神或範圍的情況下，可做出各種修改。
權利要求
1.一種薄片識別設備，它通過比較從薄片獲得的圖像圖案和預置的基準圖案識別待識別薄片的類型和真/偽，其特徵在於包括把從薄片獲得的圖像圖案分成多個區域的區域分割裝置，對由區域分割裝置分割的區域加權的加權裝置，從由加權裝置加權的區域中選擇用於識別的區域的區域選擇裝置，利用由區域選擇裝置選擇的每個區域的基準圖案獲得識別結果的識別結果獲取裝置，和依據由識別結果獲取裝置獲得的相應區域的識別結果的邏輯組合，確定整個部分的識別結果的識別結果確定裝置。
2.按照權利要求1所述的薄片識別設備，其特徵在於根據薄片的類別之間的差異和類別中的變化，執行加權裝置對相應區域的加權過程和區域選擇裝置選擇區域的過程。
3.按照權利要求1所述的薄片識別設備，其特徵在於對應於由識別結果獲取裝置獲得的相應區域的識別結果，識別結果確定裝置根據多數決定原則、邏輯等式和其加權過程之一，確定整個識別結果。
4.按照權利要求1所述的薄片識別設備，其特徵在於加權裝置反覆評估隨機選擇的區域中的相應區域和整個區域，並根據評估順序更新區域的加權度。
5.按照權利要求1所述的薄片識別設備，其特徵在於還包括對由區域選擇裝置選擇的區域應用隨機掩蔽並減少區域的處理裝置。
6.按照權利要求1所述的薄片識別設備，其特徵在於區域選擇裝置執行多個區域選擇過程，識別結果獲取裝置利用由區域選擇裝置執行的多個區域選擇過程得到的多個區域中的每個區域的基準圖案，獲得識別結果，並且識別結果確定裝置按照由識別結果獲取裝置獲得的多個區域中的每個區域的識別結果，根據多數決定原則、邏輯等式和其加權過程之一，確定最終的識別結果。
7.按照權利要求1所述的薄片識別設備，其特徵在於由設置在前級中的不同識別裝置獲得的前級識別過程的結果的第一級和第二級候選者、多個高級候選者以及待識別的所需級別的至少兩個候選者中的候選者被設定為識別過程候選者。
8.按照權利要求1所述的薄片識別設備，其特徵在於還包括預先登記已知待排除區域的待排除區域登記裝置，其中區域選擇裝置通過把除由待排除區域登記裝置登記的待排除區域之外的區域用作對象，執行區域選擇過程。
9.按照權利要求1所述的薄片識別設備，其特徵在於還包括檢測薄片的進給狀態的進給狀態檢測裝置，和根據由進給狀態檢測裝置檢測的薄片的進給狀態，變換從薄片獲得的圖像圖案的坐標的坐標變換裝置，其中區域分割裝置把其坐標被坐標變換裝置變換的圖像圖案分割成多個區域。
10.按照權利要求9所述的薄片識別設備，其特徵在於由進給狀態檢測裝置檢測的薄片的進給狀態是由薄片的進給狀態引起的薄片的滑動和歪斜。
11.按照權利要求10所述的薄片識別設備，其特徵在於坐標變換裝置根據預先準備的偏移變換表，按照由進給狀態檢測裝置檢測的滑動量和歪斜量，讀取對應的偏移值，並利用偏移值執行坐標變換處理。
12.按照權利要求1所述的薄片識別設備，其特徵在於當獲取每個區域的識別結果時，識別結果獲取裝置通過在預定範圍中擺動一個對象圖案和兩個對象圖案之一的坐標和濃度，反覆執行過程，並根據所述過程確定識別結果。
13.一種薄片識別方法，它通過比較從薄片獲得的圖像圖案和預置的基準圖案識別待識別薄片的類型和真/偽，其特徵在於包括把從薄片獲得的圖像圖案分成多個區域的區域分割步驟，對由區域分割步驟分割的區域加權的加權步驟，從由加權步驟加權的區域中選擇用於識別的區域的區域選擇步驟，相對於由區域選擇步驟選擇的每個區域的基準圖案獲得識別結果的識別結果獲取步驟，和依據由識別結果獲取步驟獲得的相應區域的識別結果的邏輯組合，確定整個部分的識別結果的識別結果確定步驟。
全文摘要
薄片的類別被有效估計，並且通過把薄片的圖像圖案分割(1)成多個區域(像素或多組像素)，加權(3)並選擇(4)區域，獲得相應區域的識別結果，並根據(6)識別結果的邏輯組合，確定整個部分的識別結果，能夠執行對介質中的變化具有魯棒性的圖案識別過程。特別地，由於根據類別之間的差異和類別中的變化，進行區域加權和選擇處理，因此計算量可被減少，能夠獲得比均勻地處理圖案的整個部分的方法更高的識別性能。
文檔編號G07D7/00GK1912932SQ20061011079
公開日2007年2月14日 申請日期2006年8月8日 優先權日2005年8月8日
發明者名取直毅 申請人:株式會社東芝