没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.comJournal of King Saud University使用智能手机进行货币识别:彩色SIFT和灰度SIFT算法Iyad Abu Doush*,Sahar AL-Btoush约旦伊尔比德耶尔穆克大学计算机科学系接收日期2016年4月9日;修订日期2016年5月21日;接受日期2016年6月23日2016年7月1日上线摘要纸币识别是将纸币(硬币和纸币)分类到正确的类别。在本文中,我们为约旦货币开发了一个数据集之后,我们应用自动移动识别系统,使用智能手机上的数据集,使用尺度不变特征变换(SIFT)算法。据作者所知,这是第一次尝试使用SIFT算法在智能手机上识别硬币和纸币SIFT已经发展成为最鲁棒和有效的局部不变特征描述符。颜色在对象描述过程和匹配任务中提供了重要的信息和价值。许多物体没有颜色特征就不能正确分类。比较了彩色图像局部不变特征描述子(彩色SIFT方法)和灰度图像局部不变特征描述子(灰度SIFT方法)。评价结果表明,彩色SIFT方法优于灰度SIFT方法的处理时间和准确性。©2016作者。制作和主办:Elsevier B.V.代表沙特国王大学 这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍大多数国家都使用实物纸币(纸币和硬币)硬币和纸币的自动货币识别对于许多应用是至关重要的:例如,帮助盲人,*通讯作者。电 子 邮 件 地 址 : iyad. yu.edu.jo ( I.Abu Doush ) , eng.sa7arbtoosh@yahoo.com(美国)AL-Btoush)。沙特国王大学负责同行审查纸币计数机,或分类存入ATM机的钱(Toytman和Thambidurai,2011年)。硬币和纸币在识别方面具有不同的性质对于硬币检测,已经提出了各种方法:统计方法,矢量量化,特征空间分解和图像配准。所有这些方法都对照明条件敏感,并且它们中的许多依赖于在固定的环境设置(例如,图像背景和相机位置)下拍摄图像,这使得识别任务对于帮助视力受损的人的一些应用来说是困难的另一方面,由于缺乏镜面反射,钞票对照明表现出更大的耐受性;此外,它们还有许多需要识别的细节。然而,票据识别还存在其他问题,http://dx.doi.org/10.1016/j.jksuci.2016.06.0031319-1578© 2016作者制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier关键词货币识别;SIFT算法;移动货币识别使用智能手机进行485由 于 褶 皱 和 /或 折 叠 导 致 的 形 状 变 形 ( Toytman 和Thambidurai,2011)。纸币识别方法包括:隐马尔可夫链、人工神经网络和模仿人脑行为的动态模板匹配。这些方法大多在个人电脑上进行了测试。尺度不变特征变换(SIFT)算法可以为每个目标产生它被认为是最鲁棒的特征提取算法之一(Wang等人,2013年)。虽然已经设计了许多替代SIFT的算法,如SURF(Bay例如,2006年),它仍然是由几个研究人员(林和赵,2008年)。SIFT算法是一种特征选择技术,它依赖于对象在特定兴趣点处的外观。这些兴趣点不会因图像缩放或旋转而改变。该技术对于照明变化、图像上的噪声以及图像视点的微小变化是鲁棒的(Bastanlar等人,2010;Geng and Jiang,2009).目前智能手机的计算能力和摄像头的可用性使它们成为货币识别的良好候选者。然而,少数文献已经解 决了 这 样 的问 题 (Toytman和 Thambidurai, 2011;Wang等人, 2013年)。在本文中,我们介绍了一个移动系统的货币识别,可以识别约旦货币在不同的角度和规模。例如,图像可能不是理想地定向的,并且可能由于距相机的距离的变化和照明变化而具有比例变化。可变环境下的纸币识别是一个复杂的问题,因为我们有许多不可控的条件,影响图像质量。我们开发了一个智能手机应用程序来识别部分可见,折叠,起皱甚至磨损的货币。尺度不变特征变换(SIFT)主要是针对灰度图像设计的。而颜色在目标描述和匹配中提供了重要的信息和价值。许多物体没有颜色特征就不能正确分类。我们评估了彩色和灰度局部不变特征描述符的处理时间和准确率。2. 文献综述大量的研究人员对开发货币识别技术做出了一些硬币和纸币之间的不同属性使得研究人员对每一种硬币都有不同的识别任务在本节中,我们回顾了以前在货币识别技术方面的工作2.1. 硬币货币确认方法Mitsukura 等 人 ( 2000 ) 提 出 了 一 种 使 用 遗 传 算 法(GA)和模拟退火(SA)来设计神经网络(NN)的方法。硬币图像的相似特征尺寸、重量、颜色和图案)对狗识别造成麻烦。该方案发现了几个特征,识别率约为98%。该技术需要长时间和高计算能力。因此,它不适合智能手机。Modi和Bawa(2011)开发了一种具有旋转不变性的人工神经网络(ANN)自动印度硬币识别系统。Hough变换和模式平均技术被用来提取图像特征。然后,将提取的特征作为输入来训练神经网络。使用5040张以不同角度旋转的所有印度硬币价值的图像实验表明,该系统具有97.74%的正确识别率。Velu和Vivknandand(2009)提出了一种简单的具有旋转不变性的印度硬币识别方法。该算法结合了直线检测算法、曲线检测算法和圆检测算法的特点。实验结果表明,该方法获得了100%的正确识别率。Mahajan和Gaikwad(2014)提出了一个印度硬币识别系统。分割技术通过遍历图像的行和列来应用。基于半径匹配来选择图像用于比较该论文提到,所提出的方法取得了良好的准确率的硬币识别没有更多的细节。这些技术假定用于硬币图像的受控环境,其中没有高照明或拍摄图像的一部分。这样的技术不适合应用于多个可变条件环境(例如,使用智能电话),这可能影响所获得的图像的质量。Khashman等人(2006年)提出了一种基于硬币表面图案和神经网络的硬币识别系统,用于识别间隔为15°的旋转硬币。该系统使用图像预处理作为其第一阶段。然后使用反向传播神经网络来理解硬币图案。实验结果表明,硬币识别的正确率为95.83%。Meenakumari(Meenakumari,2013)通过应用具有旋转不变性的自适应铰链超平面(AHH)算法来对印度硬币进行分类,设计了一种硬币该系统采用印度硬币的参数,如大小,形状,重量,表面等。该系统对不同旋转角度的硬币识别效果良好,且不需要准确度信息。这些技术采用所拍摄图像的一个不变量,即旋转。不考虑拍摄图像时的其他不变量。然而,这样的多个不变量是必要的,以实现在不受控制的环境中的准确识别。Reisert等人(2006)提出的硬币识别系统使用梯度向量的方向和快速傅立叶变换。分类是使用最近邻搜索。结果表明,方向信息是足够好的设计一个可靠的分类系统,达到97%的准确率。2.2. 纸币确认方法Mirza和Nanda(Mirza and Nanda,2012)使用从钞票中提取的三个特征,包括识别标记、安全线和水印。特征提取使用基于边缘的分割Sobel算子。Sharma 等 人 提 出 了 一 种 基 于 局 部 二 进 制 模 式(LBP)的印度纸币识别算法。(2012年)。结果表明,该系统提供了486I. Abu Doush,S. 卜图什对于低噪声的图像具有良好的性能,准确率为99%。Sargano等人(2013)提出了一种新的巴基斯坦纸币识别智能系统。与其他系统相比,拟议的系统所需的时间更少。三层前馈反向传播神经网络(BPN)用于分类。该系统使用350张巴基斯坦钞票进行测试实验结果表明,该系统具有100%的识别准确率。该技术应用于纸币而没有任何变形(例如,起皱或折叠)。Da Costa(da Costa,2014)开发了一种纸币识别系统,以识别不同视角和比例的多张纸币。通过特征检测、描述和匹配来提高识别结果的可信度钞票轮廓是使用同态计算的。该系统使用82幅测试图像进行了评估,所有的欧元纸币都被成功识别。该系统提供了强大的结果,以处理折叠和起皱的钞票与几种照明。该算法需要几个步骤,计算开销很大,这使得它不适合智能手机使用。Debnath等人(2010)提出了一种使用集成神经网络(ENN)的纸币识别系统。ENN中的各个神经网络通过负相关学习(NCL)进行资格认证。使用的货币有三种类型:新的,旧的和嘈杂的。将钞票图像转换为灰度级,然后进行压缩。然后,压缩图像的每个像素作为输入传递到网络。该方法能有效地识别和匹配含噪声的货币图像,与单个网络和独立训练的集成网络相比,具有较好的识别效果。实验结果表明,在不同的噪声水平下,识别精度在100%~ 54%之间。Vijay和Jain(2013)提出了一种图像处理技术来提取纸币面额。将提取的感兴趣区域(ROI)与模式识别和神经网络匹配技术相结合。在该方法中,他们通过具有固定尺寸的简单平板扫描仪捕获图像该文件没有关于所提出的算法的准确性的信息。Reel等人(2011年)使用启发式分析印度纸币的字符和数字进行识别。这个过程是不变的光线条件下,使用字体类型和变形的字符所造成的图像的倾斜在特征提取之前,先对字符进行启发式分析,得到字符的字符分割部分提出的挑战之一是有时两个字符连接在一起。这些技术的重点是提取纸币上的数字。然而,这种技术在起皱或折叠的钞票的情况下是不可行的。Paisios等人(2012)开发了一种使用SIFT识别部分图像的移动货币识别系统。使用具有不同状态的有限样本集对系统进行评估:折叠、不完整或定向和旋转。结果表明,最近邻算法的准确率为75%,最近邻与次最近邻比值算法的准确率为93.83%Toytman 和 Thambidura ( Toytman 和 Thambidurai ,2011)提出了一种基于Android的纸币识别系统,该系统具有改进的加速鲁棒特征SIFT。算法-RITHM解决了与照明条件、比例和旋转有关的问题。该方法对纸币的杂乱、遮挡容忍度和扭曲不敏感。该方法进行了测试,并取得了良好的效果与杂波和光照变化另一方面,无法检测折叠纸币的问题没有得到解决。该论文没有提供任何关于算法准确性的信息。Rashid等人(2013)提出了分类器的模型(即,支持向量机(SVM)、人工神经网络(ANN)和隐马尔可夫模型(HMM))用于低成本嵌入式系统。他们在实时识别过程中使用了SIFT、词袋和SVM分类器。采用接触式图像传感器对钞票的两面进行图像同步采集。实验结果表明,SVM分类器的性能优于ANN和HMM。这些技术试图仅在智能手机上识别纸币。这些技术都没有将原始SIFT与彩色SIFT进行比较。2.3. 彩色SIFT描述子和灰度SIFT描述子Van De Sande等人(2010)提出了局部颜色描述符与灰度值描述符之间的比较。他们使用Mikolayzcyk和Schmid的评价框架到局部灰度值不变量的水平。实验结果表明,结合颜色信息和SIFT特征的方法可以得到更好的结果。Abdel-Hakim和Farag(2006)引入了彩色局部不变特征描述符(CSIFT),作为在对象描述中结合颜色和几何信息的结果评价结果表明,CSIFT的高性能和良好的效果相比,灰度空间SIFT描述符。尺度不变特征变换(SIFT)主要用于灰度图像。许多局部特征在没有颜色信息的情况下无法Cui等人(2010)使用了一种新的颜色空间,称为基于感知的颜色空间,而不是传统的SIFT,所提出的方法使用了SIFT颜色描述符,结果表明彩色描述符比标准SIFT更鲁棒。Rassem和Khoo(2011)设计了不同颜色的SIFT描述符,以评估对象类识别系统的性能,并实现了这些描述符的所有可能组合。实验结果表明,一些颜色SIFT描述子组合获得了显著的分类精度。采用非线性v2核支持向量机作为学习分类器。这些技术尚未在智能手机上进行评估或测试。这种算法在智能手机上的性能可以提高通过最小化步骤的数量或引入算法特征检测过程的增强来加速该过程的需要3. 方法提 出 的 纸 币 识 别 系 统 是 基 于 尺 度 不 变 特 征 变 换(SIFT)算法。使用SIFT算法需要比较和分类大量的关键点。 由于这个原因,移动电话上的操作相对较慢(Paisios等人, 2012年)。使用智能手机进行487×SIFT被设计用于灰度图像。然而,颜色为对象描述提供了重要信息。许多物体如果没有颜色特征就无法正确分类(Abdel-Hakim and Farag,2006)。我们比较了两种方法:彩色局部不变特征描述子和灰度图像局部不变特征描述子。3.1. 系统设计所提出的系统使用一组样本图像的约旦钞票被用作训练集的分类算法。训练数据用于帮助算法正确识别约旦货币。我们的系统是在移动电话中实现的,它具有图中所示的以下阶段。一 曰:(1) 钞票图像由手机捕获。(2) 对采集到的图像进行预处理:利用离散小波变换对图像进行裁剪,将图像从背景中分离出来,得到感兴趣区域。然后使用最近邻域插值压缩图像(大小小于20 KB),因为SIFT计算太昂贵,并且这种压缩不会显著影响精度。如果该技术是彩色SIFT方法,则将图像转换为灰度。(3) 关键点检测:识别图像中的点,在这些点处,它们是来自其邻居的最大或最小像素(Van DeSande等人, 2010年)。(4) 关键点描述:检测到的关键点位置周围的每个区域被转换成可以与其它描述符匹配的更紧凑和稳定的描述符。数据集是通过拍摄约旦纸币和硬币(50 JD,20 JD,10 JD,5 JD,1 JD,50 pia)的不同图像来收集的。25皮雅、10皮雅、5皮雅和1皮雅)。所有的图像都是使用Galaxy Grand 2相机(8 MP 3264 2448像素)智能手机在不同的背景下拍摄的。 这些照片是由手机都是从两边拿 图 2展示了每个条件下的几个示例图像。总共使用了100个训练图像,并且对于每种货币类别,通过相同的手机20图像收集的数据集可在链接https://www.dropbox.com/sh/b7 bmmpdx 4sutt/AAD 6 b-Yd3-YrmVOimDKBryn_a?dl=0。3.2. 一种具有颜色特征的3.2.1. 图像预处理为了改进描述性特征的识别并确保系统具有有效识别,应用预处理步骤来自训练和测试样本的图像都被压缩(大小小于20 KB),以减少处理时间并提高RAM效率。然后,图像从其背景中自动裁剪,以检测图像边界。3.2.2. 图像主色提取纸币颜色的提取不是一项简单的任务,因为图像对周围环境照明敏感代表每张钞票的颜色是使用一组5张图像和照明变化来识别的。然后,提取三个主要的颜色为每个图像的图像被转换为位图格式。位图被定义为一个规则的矩形单元格,称为像素,每个像素都有一个颜色值。它们仅由两个参数表示:像素数和每个像 素 的 颜 色 深 度 ( Lu 和 Chang , 2007; Sawalha 和AbuDoush,2012)。3.2.3. 使用SIFT描述符SIFT提取的关键点不受旋转和缩放的影响该算法包括两个主要阶段:关键点检测和创建描述符。以下是SIFT算法的步骤:(1) 构建尺度空间:尺度空间可以通过获取原始图像来创建,并产生模糊图像。接下来,将原始图像的大小调整为一半大小图1货币识别系统概述。488I. Abu Doush,S. 卜图什×图2识别系统数据集的几个示例。并再次产生许多模糊的图像,形成一个八度音阶(相同大小的垂直图像)(Vidhi和Khushbu,2014)。(2) 高斯拉普拉斯近似:高斯拉普拉斯技术计算图像的两个连续尺度高斯差分(DOG)是一种特征改进算法,通过将原始图像的一个模糊版本与同一图像的另一个模糊程度较低的版本相减来计算(Vidhi和Khushbu,2014)。(3) 寻找关键点:在图像中识别这些关键点通常是找到图像关键点的第一步是从所有相邻像素中找到最大和最小像素(Vidhi和Khushbu,2014)。(4) 消除边缘和低对比度区域:需要消除边缘。为此 , 使 用 Harris 角 点 检 测 器 的 概 念 。 一 个 2 2Hessian矩阵(H)被用来计算主曲率.如果该比率大于阈值,则移除该关键点(Chaudhry和S., 2015年)。(5) 方向分配:将方向分配给每个关键点,以获得图像旋转的不变性。直方图中的最大峰用于计算 方 向 , 并 考 虑 高 于 直 方 图 80% 的 任 何 峰(Vidhi和Khushbu,2014)。的图3方向分配。使用智能手机进行489×为关键点周围的所有像素计算幅度和方向。一个1 JD纸币的方向分配示例如图所示。3.第三章。(6) 关键点描述符:在检测到关键点之后,必须通过在所获取的关键点周围获取16 × 16邻域来创建描述符(Vidhi和Khushbu,2014; Pan和Lyu,2010)。3.3. 关键点匹配为了表示每个钞票类别的最佳参考图像描述符,可以应用许多技术最简单的技术是为每个类别找到五个训练图像的总关键点,以表示将存储在内部数据库中作为每个类别的最佳参考图像描述符的主要类别特征然后计算测试图像关键点与数据库中的参考图像描述符之间的欧氏距离使用这种技术的结果表明,图像之间只有20个共同特征。从数据集中提取更多的特征将提高分类精度。为了提高检测精度,我们通过改进技术来增加提取特征的数量。所使用的技术针对每个类别获取第一训练图像关键点与第二训练图像关键点然后取第三个训练图像关键点与第四个训练图像关键点的交集,以此类推,直到五个训练图像。接下来,总交集的总和表示将被存储在内部数据库中的主要特征,作为用于匹配的每个钞票类别的最佳参考图像描述符然后计算测试图像关键点与数据库中参考图像描述符之间的欧氏距离使用这种技术的结果表明,有50个共同的特点。每个图像关键点描述符与5个最佳参考图像描述符相关联。这允许通过计算参考关键点之间的欧几里德距离来决定它是否是正确的匹配。在这种情况下,将采用不变 描 述 符 向 量 的 最 小 欧 几 里 得 距 离 ( Pan 和 Lyu ,2010)。作者通过实验找到了这些参考关键点之间的最佳欧氏距离阈值为200。所有低于200的值都将被丢弃。表1示出了欧几里得距离和来自对应的两个的匹配结果。表1两幅不同图像的欧氏距离及匹配结果。阈值Image1Image2MinNumber匹配特征特征(f1、的百分f2)匹配10365456365005036545636510.27%100365456365215.75%1503654563655314.52%20036545636522160.54%相同纸币的图像,在比例和照明方面存在一些差异。灰度SIFT描述子技术的步骤与彩色SIFT相同,除了在图像预处理步骤中不需要将图像转换为灰度图像。3.4. 执行系统采用Java编程语言,并结合Android和OpenCV库进行开发。OpenCV是计算机视觉和机器学习软件库。它提供了一组重要的SIFT功能(Mitsukura等人,2000年)。对象检测是使用OpenCV中的内置对象检测器完成的。OpenCV还提供了在关键点位置上绘制小圆圈的功能,甚至可以显示其方向。识别系统通过搜索包含每个货币类别的最佳参考图像描述符的内部数据库来对货币进行分类识别程序使用OpenCV库中的C函数来识别不同的货币。为了使用C函 数 ,在 应 用 程 序中 使 用 了 Java Native Interface2(JNI)(Ledwich和Williams,2004)。4. 实验与评价所提出的系统的性能进行了评估,使用开发的数据集的400幅图像。在实验中,作者测试了400张约旦钞票的数据库,其中包括10种约旦钞票(50 JD,20 JD,10 JD,5 JD,1 JD,50 piaster,25 piaster,10 piaster,5 pia)。ster,1 piaster)。计算每个识别过程的处理时间图4示出了被测试的钞票的样本以及它们的关键点的检测。图5示出了测试钞票的样本以及使用灰色SIFT方法对其关键点的检测。4.1. 比较我们计算了彩色SIFT方法对硬币和纸币的平均正确识别率和平均处理时间。表2显示了这些结果。计算了灰色SIFT方法对硬币和纸币的平均正确识别率和平均处理时间。表3显示了这些结果。实验结果表明,对硬币的识别准确率低于对纸币的识别准确率。这是因为照明,使关键点为相同的硬币类不同。彩色SIFT的性能与灰色SIFT的性能之间的比较进行和识别过程所需的时间进行了计算。SIFT和彩色SIFT的输入是同一组图像。从结果中可以清楚地看出,彩色SIFT在图像中检测到的特征数量大于灰度SIFT。彩色SIFT具有大量重复的特征,这导致对钞票价值的更准确的估计(Abdel-Hakim和Farag,2006)。这导致检测特征的增加,并提高了490I. Abu Doush,S. 卜图什表2正确识别平均值和处理时间颜色SIFT方法的平均值。钞票类型纸币硬币货币平均正确识别0.71平均处理时间(秒)72.90.2578.2表3正确识别平均值和处理时间灰色SIFT方法的平均值。钞票类型纸币硬币货币平均正确识别0.53平均处理时间(秒)72.40.2080图4被测钞票样本及其关键点(颜色)检测图5被测钞票样本及其关键点检测(灰度)使用智能手机进行491识别过程。此外,灰色SIFT的识别过程所需的时间比彩色SIFT所需的时间长。因此,彩色SIFT在识别过程和处理时间方面表现更好。4.2. 讨论所提出的方法在纸币的情况下提供了良好的结果,除了以下一些情况:太皱:很难匹配精确的描述符(一些关键点不出现或改变)。折叠多次:很难匹配精确的描述符(一些关键点没有出现或改变)。从近距离拍摄图像:裁剪图像的大部分,这意味着很难匹配精确的描述符(大量的关键点不会出现)。从太远的距离拍摄图像:裁剪大部分背景,这意味着很难匹配精确的描述符(出现大量冗余关键点)。所提出的方法在硬币纸币的情况下提供了良好的结果,除了以下情况:高亮度图像:很难匹配精确的描述符(一些关键点不出现或改变)。从近距离拍摄图像:裁剪图像的大部分,这意味着很难匹配精确的描述符(大量的关键点不会出现)。从太远的距离拍摄图像:裁剪大部分背景,这意味着很难匹配精确的描述符(出现大量冗余关键点)。5. 结论在不受控制的环境中的货币确认(即,使用智能电话)并不是一件容易的任务,因为可能影响图像质量的多种可变条件。实验结果表明,SIFT算法的有效性,一般约旦钞票识别,虽然我们的算法是在一个更具挑战性的数据集与在不同条件下拍摄的图像进行测试该系统依赖于对象在特定兴趣点处的外观。实验结果表明,对硬币的识别率这是因为影响硬币图像的照明条件我们引入了彩色SIFT方法,目的是将颜色和局部对象特征描述符相结合,与常见的现有方法(灰度SIFT)不同。从结果中可以清楚地看出,彩色SIFT中检测到的特征数量大于灰度SIFT中检测到的特征数量。评价结果表明,彩色SIFT描述符的高性能相比,灰度SIFT描述符的处理时间和准确率。作者太亮的硬币。每个测试图像的处理速度将降低到不到1分钟,以更适合智能手机用户。引用Abdel-Hakim,A.E.,Farag,A.A.,2006. CSIFT:具有颜色不变特 性 的 SIFT 描 述 符 。 In : Computer Vision andPatternRecognition,2006 IEEE Computer Society Conference,vol. 2,pp. 1978-1983年。Bastanlar,Y.,Temizel,A.,Yardımckirn,Y.,2010.改进的尺度差异图像对SIFT匹配。电子。4,346-348.贝,H.,Tuytelaars,T.,凡古尔湖,2006. Surf:加速健壮的功能 。 In : Computer vision-ECCV 2006. Springer , BerlinHei-delberg,pp. 404- 417Chaudhry,S.,&钱德拉河,巴西-地(2015年)。面向视障人士 的 移 动 人 脸 识 别 系 统 设 计 。 arXiv 预 印 本 arXiv :1502.00756。崔,Y.,Pagani,A.,&Stricker,D. (2010,九月)。在基于感知的颜色空间中进行筛选。在图像处理(ICIP),2010年第17届IEEE国际会议上(pp.3909-3912)。IEEE..da Costa,C.,2014. 2014年通过成分和形状分析进行多视图钞票识别https://www.researchgate。net/publication/260392128_Multiview_pointe_recognition_with_component_and_shape_analysis,检索日期:2015年8月3日。Debnath,K.,Ahmed,A.,Shahjahan,M.,2010.一种基于负相关神经网络的纸币识别系统。J. Multimedia 5(6),560-567.Geng,C.,江X,2009.用于人脸识别的SIFT特征。在:计算机科学和信息技术,2009年。ICCSIT2009.第二届IEEE国际会议,pp。 598- 602Khashman,A.,Sekeroglu,B.,Dimiler,K.,2006.使用神经网络进行硬币识别。上一篇:第五届WSEAS Int. Conf. onSignal Processing(SIP'06),Istanbul,Turkey,vol. 27,p. 第二十九章。莱德维奇湖Williams,S.,2004.减少SIFT特征用于图像检索和 室 内 定 位 。 In : Australian Conference onRobotics andAutomation,vol. 322,p. 3.第三章。Lin,C.L.,Zhao,Y.M.,2008年 基于Sift特征的商标检索算法。Comput. Eng.23,257-277.卢,TC,Chang,C.C.,2007.基于颜色特征和图像位图的彩色图像检索技术。信息处理。管理。2,461-472. Mahajan,S.A.,Gaikwad,C.M.,2014.货币硬币检测的旋转不变方法。国际计算机Sci. Inf. Technol. 5,1117-1119Meenakumari,M.,2013.印度硬币识别和价值计算系统通过高强度点检测。自动 奥顿系统5,114-117。米尔扎河,Nanda,V.,2012.基于sobel算子边缘分割特征提取的印度纸币鉴别系统的设计与实现。Int. J. Eng. Res.Dev. 3(2),41-46。Mitsukura,Y.,'ukumi,M.,Akamatsu,N.,2000.用遗传算法和模拟退火算法设计和评价用于硬币识别的神经网络. 见:IEEE-INNS-ENNS神经网络国际联合会议记录,2000年,第5卷。JJCNN,pp. 178- 183.莫迪,Sh.,巴瓦湾,2011年。基于人工神经网络的硬币自动识别系统。26(4).Paisios,N.,Rubinsteyn,A.,萨勃拉曼尼亚湖2012年。毫无畏惧地兑换现金:盲人快速移动货币阅读器。在:讲习班在普及计算的可访问性前沿,第6卷。 ACM。平移X.,Lyu,S.,2010.利用SIFT特征检测图像区域重复。在:声学语音和信号处理(ICASSP),2010年IEEE国际会议,pp。 1706-1709年。●●●●●●●492I. Abu Doush,S. 卜图什Rashid,A.,Prati,A.,库基亚拉河2013年。 嵌入式钞票识别解决方案的设计。光学工程52(9),093106-1-093106-12Rassem,T.H.,Khoo,B.E.,2011.使用颜色SIFT描述符的组合的 对 象 类 别 识 别 。 In : Imaging Systems andTechniques(IST),2011 IEEE International Conference,pp. 290- 295.Reel,P.,Krishan,G.,Kotwal,S.,2011.基于图像处理的启发式分析增强货币识别。Int. J. Adv. Technol.2(1),83-89.Reisert,M.,龙内贝格湖,澳-地Burkhardt,H.,2006.一种用于硬币识别的基于梯度的有效配准技术。输入:程序Muscle CIS Coin Competition Workshop,Berlin,Germany,pp. 十九比三十一Sargano,A.,Sarfraz,M.,哈克,N.,2013.强大的功能和纸币识别系统。在:第六届信息技术国际会议,ICIT 2013,约旦安曼。Sawalha,Rana,Abu Doush,Iyad,2012年。基于和声搜索选择特征的人脸识别。国际混合动力信息技术杂志。5(2),1-16.Sharma,B.,Kaur,A.,维潘,2012年。基于LBP的印度纸币识别。Int. J. Comput. Appl. 59(1),24-27。托伊特曼岛,Thambidurai,J.,2011年。Android平台上的纸币识别可在:http://www.stanford.edu/class/ee368/Pro-ject_11/Reports/Toytman_Thambidurai_Coin_counting_with_Android。 PDF.VanDe Sande,K.E.,Gevers,T.,Snoek,C.G.,2010年。 评估物体和场景识别的颜色描述符。IEEE传输模式分析马赫内特尔32(9),1582-1596。Velu,C.,Vivknandand,P.,2009.基于启发式方法和houch变换的图像分割的印度硬币识别系统。国际数学杂志未解决问题计算。数学2(2).Vidhi河, Khushbu,sh.,2014. Dct Sift集成技术&用于检测图像伪造。Int. J. Technol. Res. Eng. 1(10),12-15.维贾伊河贾恩,V.,2013.利用图像处理技术识别印度货币面额。国际计算机Sci. Inf. Technol. 4(1),126-128。Wang,G.,Rister,B.,Cavallaro,J.R.,2013. SIFT算法在智能手机上的性能分析和基于OpenCL的高效实现。IEEE全球信号与信息处理会议论文集(GlobalSIP)759-762。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功