28、基于神经网络特征的高效纸币识别与图像搜索

基于神经网络特征的高效纸币识别与图像搜索

在当今数字化时代，纸币识别和图像搜索技术在诸多领域发挥着重要作用。本文将深入探讨基于经典CBIR管道的纸币识别方案以及应用于深度神经网络视觉特征的相似性搜索技术。

纸币识别方案

在纸币识别方面，由于用户获取纸币图像的方式和条件具有一定特殊性，如通常使用智能手机或可穿戴相机获取，图像质量和取景难以保证，可能存在遮挡或部分信息缺失的问题。以往的纸币识别方法多采用尺寸、颜色、纹理等特征，且多数方法包含复杂的检测和识别步骤，还存在假设图像包含完整纸币、较少考虑光照变化等问题。

为解决这些问题，提出了一种基于经典CBIR管道的新纸币识别方案：
1. 特征提取 ：选择SURF特征，因其计算成本较低。
2. 特征表示 ：采用Bag of Features表示，将图像表示为特征向量。
3. 相似度匹配 ：通过kNN程序，根据合适的相似度度量将图像与排名最佳的纸币面额关联起来。

该方法相较于以往工作，具有更简单、计算效率更高的优点，且无需纸币检测阶段，在模糊、部分遮挡、杂乱等情况下也非常有效。

数据集

• 图库数据集 ：由112张图像组成，分为不同类别（如EUR 5、10、20、50和100），每个类别16张图像，包含正反两面和不同方向的图像，在均匀背景下采集并手动标注。
• 测试集 ：包含370张查询图像，每个纸币类别约36 - 90张，图像分辨