본 연구에서는 물체 인식 분야에서 잘 알려진 회전, 스케일, 조명의 변화에 강인한 특징치인 SIFT를 이용하여 지폐의 특징 벡터를 구하고 이를 ANN알고리즘에 의해 정합하여 다국적 지폐를 인식하는 방법에 관한 것으로 계층적 지폐인식 방법을 제안한다. 지폐마다 지니고 있는 특징치를 추출하여 국적 및 권종을 인식하기 위하여 자외선, 적외선, 및 백색 투과광 조명을 개발하고 조명 변화에 따라 촬영된 영상으로부터 SIFT특징치를 구하고 다국적 지폐의 국적과 권종을 인식하는 방법을 구현하였다. 한화, 달러화, 유로화에 관하여 회전 및 크기 변화가 있는 환경에서 제안한 알고리즘을 적용하였고 잘 작동하고 있음을 확인 하였다.
본 연구에서는 물체 인식 분야에서 잘 알려진 회전, 스케일, 조명의 변화에 강인한 특징치인 SIFT를 이용하여 지폐의 특징 벡터를 구하고 이를 ANN알고리즘에 의해 정합하여 다국적 지폐를 인식하는 방법에 관한 것으로 계층적 지폐인식 방법을 제안한다. 지폐마다 지니고 있는 특징치를 추출하여 국적 및 권종을 인식하기 위하여 자외선, 적외선, 및 백색 투과광 조명을 개발하고 조명 변화에 따라 촬영된 영상으로부터 SIFT특징치를 구하고 다국적 지폐의 국적과 권종을 인식하는 방법을 구현하였다. 한화, 달러화, 유로화에 관하여 회전 및 크기 변화가 있는 환경에서 제안한 알고리즘을 적용하였고 잘 작동하고 있음을 확인 하였다.
In this paper, we not only take advantage of the SIFT features in banknote recognition, which has robustness to illumination changes, geometric rotation as well as scale changes, but also propose the hierarchical banknote recognition algorithm, which comprised of feature vector extraction from the f...
In this paper, we not only take advantage of the SIFT features in banknote recognition, which has robustness to illumination changes, geometric rotation as well as scale changes, but also propose the hierarchical banknote recognition algorithm, which comprised of feature vector extraction from the frame grabbed image of the banknotes, and matching to the prepared data base of multinational banknotes by ANN algorithm. The images of banknote under the developed UV, IR and white illumination are used so as to extract the SIFT features peculiar to each banknotes. These SIFT features are used in recognition of the nationality as well as face value. We confirmed successful function of the proposed algorithm by applying the proposed algorithm to the banknotes of Korean and USD as well as EURO.
In this paper, we not only take advantage of the SIFT features in banknote recognition, which has robustness to illumination changes, geometric rotation as well as scale changes, but also propose the hierarchical banknote recognition algorithm, which comprised of feature vector extraction from the frame grabbed image of the banknotes, and matching to the prepared data base of multinational banknotes by ANN algorithm. The images of banknote under the developed UV, IR and white illumination are used so as to extract the SIFT features peculiar to each banknotes. These SIFT features are used in recognition of the nationality as well as face value. We confirmed successful function of the proposed algorithm by applying the proposed algorithm to the banknotes of Korean and USD as well as EURO.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 조명과 회전 및 크기변화에 강인한 SIFT특징치를 지폐인식 알고리즘에 적용하여 다국적 지폐의 인식을 위한 데이터 베이스를 구축하였다. 매칭의 방법으로는 ANN방법을 사용하였고, 매칭된 결과는 RANSAC알고리즘을 이용하여 검증하였다.
제안 방법
본 연구에서는 2절에서 지폐로부터 추출된 SIFT특징치를 이용하여 지폐의 특징 벡터를 구하고 이를 정합(Matching) 하는 방법을 이용하였다. 이를 이용하여 다국 지폐의 국적 판별은 물론 권종의 인식 및 인식된 권종의 앞면과 뒷면을 동시에 분리하는 연구를 그림 9와 같은 계층적 지폐인식 알고리즘을 구축 하였다.
본 연구에서는 2절에서 추출된 SIFT특징치를 이용하여 지폐의 특징 벡터를 구하고 이를 정합(Matching) 하는 방법을 이용하였다. 이를 이용하여 다국 지폐의 국적 판별은 물론 권종의 인식 및 인식된 권종의 앞면과 뒷면을 동시에 분리하는 연구를 그림 9에 따라 수행한다.
그림 4와 같은 경우 각각의 특징점마다 32 차원의 특징 벡터를 얻게 된다. 본 연구에서는 4x4영역에 대해 8개의 각도로 양자화된 히스토그램을 사용하여 각각의 특징점마다 128 차원의 특징 벡터를 얻었다.
본 연구에서는 2절에서 지폐로부터 추출된 SIFT특징치를 이용하여 지폐의 특징 벡터를 구하고 이를 정합(Matching) 하는 방법을 이용하였다. 이를 이용하여 다국 지폐의 국적 판별은 물론 권종의 인식 및 인식된 권종의 앞면과 뒷면을 동시에 분리하는 연구를 그림 9와 같은 계층적 지폐인식 알고리즘을 구축 하였다. 본 연구에서 진행한 자기 학습형 지폐인식 시스템의 전체 구성은 다음의 그림 9와 같다.
추출된 특징점의 주변 영역에서 각 픽셀들의 영상의 기울어진 방향을 계산하고, 이후 이들 기울어진 방향을 36개의 각도로 양자화하여, 가장 빈도수가 높은 각도를 특징점의 기준방향으로 결정한다. 주변 영역 픽셀들의 방향에서 기준 방향을 뺀 새로운 방향은 영상의 회전 변환에 불변인 기준방향이 된다.
특히, 위폐방지 특징치 자체를 센싱하는 종래의 방법대신에 자외선, 적외선, 백색 투과광등 조명을 변화시켜 지폐에 투사하고 이를 카메라로 촬영하여 얻은 영상을 이용하여 지폐인식 알고리즘을 구현 한다. 2절에서는 본 연구의 지폐인식의 특징치 추출로 사용한 조명과 회전 및 스캐일 변화에 강인한 특징치인 SIFT(: Scale Invariant Feature Transformation)와 매칭을 위한 ANN(: Approximated Nearest Neighbor) 방법을 제안하며, 매칭된 결과를 검증하기 위한 RANSAC(: Ramdom Sample Consensus)방법에 관하여 설명한다[5].
이론/모형
대응하는 특징점들의 어파인 변환을 구하기 위해서 그림 6과 같은 RANSAC 알고리즘을 사용하였다.
본 연구에서는 조명과 회전 및 크기변화에 강인한 SIFT특징치를 지폐인식 알고리즘에 적용하여 다국적 지폐의 인식을 위한 데이터 베이스를 구축하였다. 매칭의 방법으로는 ANN방법을 사용하였고, 매칭된 결과는 RANSAC알고리즘을 이용하여 검증하였다.
본 연구에서 매칭(Voting)의 방법으로는 ANN방법을 사용하였다. 이후 k-d tree의 다차원 공간상에서 특징치간 두 점 사이 유클리드 거리를 식(2)를 이용하여 구하고 가장 작은 값을 지니는 데이터에 해당하는 영상을 인식결과로 출력한다.
성능/효과
또한 자기 학습형 지폐인식 알고리즘을 적용하여 입력된 지폐의 앞뒤구분 없이 국적과 권종을 인식 하도록 구현하였고, 제안한 알고리즘이 회전과 크기 변화에 강인하게 작동하고 있음을 확인하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
지폐인식의 국제적인 표준은 무엇인가?
지폐 인식은 지폐를 출금하거나 입금하는 무인 자동화 기기나 은행 창구등 다량의 지폐를 처리해야 하는 경우 핵심 기술로써 국가별 지폐 및 권종의 다양성과 사용자의 습관 등에 따라 지폐를 인식하는 기술적 난이도가 가장 높으며, 자동화기기의 품질을 결정 하는 가장 중요한 기능이다. 지폐인식의 경우 위폐를 위폐로 인식은 오차없이 100%인식하여야 하며, 진폐를 위폐로 인식률은 2% 이내이어야 하는 것이 국제적인 표준으로 되어있다. 또한 대부분의 지폐인식 장치들은 지폐에 표시된 마그네틱 선이나 적외선, 홀로 그램 등을 인식에 사용한다[1-4].
지폐 인식이란 무엇인가?
지폐 인식은 지폐를 출금하거나 입금하는 무인 자동화 기기나 은행 창구등 다량의 지폐를 처리해야 하는 경우 핵심 기술로써 국가별 지폐 및 권종의 다양성과 사용자의 습관 등에 따라 지폐를 인식하는 기술적 난이도가 가장 높으며, 자동화기기의 품질을 결정 하는 가장 중요한 기능이다. 지폐인식의 경우 위폐를 위폐로 인식은 오차없이 100%인식하여야 하며, 진폐를 위폐로 인식률은 2% 이내이어야 하는 것이 국제적인 표준으로 되어있다.
본 논문에서 ANN알고리즘에 의해 다국적 지폐를 인식하는 방법으로 제안한 계층적 지폐인식 방법은 어떠한 방식인가?
본 연구에서는 물체 인식 분야에서 잘 알려진 회전, 스케일, 조명의 변화에 강인한 특징치인 SIFT를 이용하여 지폐의 특징 벡터를 구하고 이를 ANN알고리즘에 의해 정합하여 다국적 지폐를 인식하는 방법에 관한 것으로 계층적 지폐인식 방법을 제안한다. 지폐마다 지니고 있는 특징치를 추출하여 국적 및 권종을 인식하기 위하여 자외선, 적외선, 및 백색 투과광 조명을 개발하고 조명 변화에 따라 촬영된 영상으로부터 SIFT특징치를 구하고 다국적 지폐의 국적과 권종을 인식하는 방법을 구현하였다. 한화, 달러화, 유로화에 관하여 회전 및 크기 변화가 있는 환경에서 제안한 알고리즘을 적용하였고 잘 작동하고 있음을 확인 하였다.
참고문헌 (13)
J. Hara and H Miyahara, "Automtic banknote transaction apparatus," United States Patent, no. 5021639, 4 june, 1991.
B. Storey, "Apparatus and method for testing banknotes for genuineness using Fourier transform analysis," United Sstaes Patent, no. 5530772, 21 October, 1998
R. Cavalcanti and N Wallace, "A model of private bank-note issue," Review of Economic Dynamics, Elsevier, vol. 2, issue 1, Jan. 1999, pp. 104-136.
M. Aoba, T. Kikuchi, and Y. Takefuji, "Euro Banknote Recognition System Using a Three-layered Perceptron and RBF Networks," Information Processing Society of Japan, Trans. Mathematical Modelling and Its Applications, vol. 44, no. SIG 7(TOM 8), May 2003.
D. Mount, "ANN Programming Manual," Dept. of Computer Science and Institute for Advanced Computer Studies, University of Maryland, College Park, 2005.
David G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," International Journal of Computer Vision, vol. 60, no. 2, 2004, pp. 91-110.
S. Se, David G. Lowe, and J. Little, "Mobile robot localization and mapping with uncertainty using scale-invariant visual landmarks," Int. J. of Robotics Research, vol. 21, no. 8, 2002, pp. 735-758.
S. Se, David G. Lowe, and Jim Little, "Global localization using distinctive visual features,-" Int. Conf. on Intelligent Robots and System pattern matching using wavelet decomposition," Pattern Recognition Letters, vol. 23, 2002, pp. 191-201.
H. Lam and C. Ng, "The selection of pattern features for structural damage detection using an extended Bayesian ANN algorithm," Engineering Structures, ELSEVIER, vol. 30, issue 10, Oct. 2008, pp. 2762-2770.
B. Kim, E. Lee, B. Suhng, D. Ryu, and W. Lee, "Feature Extraction using FFT for Banknotes Recognition in a Variety of Lighting Conditions," Int. Conf. on Control, Automation and Systems 2013, Gwangju, Korea, Oct. 2013, pp. 698-700.
H. Lim, H. Yoon, C. Kim, and K.Lee, "F-Hessian SIFT-Based Railroad Level-Crossing Vision System," J. of the Korea Institute of Electronic Communication Sciences, vol.5 no.2, 2010, pp138-144
J. Zhu, J. Chong, and K. kim, "The Recognition and Distance Estimation of a Golf Ball using a WebCam," J. of the Korea Institute of Electronic Communication Sciences, vol.8 no.12, 2013, pp1833-1839
S. Kim, J. Song, and J. Park, "Height Estimation of pedestrian based on image," J. of the Korea Institute of Electronic Communication Sciences, vol.9 no.9, 2014, pp.1035-1042.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.