[发明专利]一种纸币防伪点多特征融合的鉴别纸币真伪的方法

权利要求书

1.一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其特征在于：通过AdaBoost算法针对不同的训练样本集训练同一弱分类器，分别根据所述训练样本集中错分的训练样本和所述弱分类器中训练样本错分的情况调整每个所述训练样本和所述弱分类器的权重，实现对所述训练样本集的重新分布之后再次对弱分类器重新训练，以此循环，所述弱分类器经过T次循环之后，得到了T个弱分类器和每个所述弱分类器对应的权重，最后把T个所述弱分类器集合起来，构成最终的强分类器；具体步骤如下：

S1取待鉴别真伪的z张训练样本，并分别获取每张所述训练样本的白光图像、红外图像、和紫外图像的防伪特征标记和真假特征标记构建一组训练集：,其中，x_i为样本描述，y_i为样本标示，且y_i∈(0,1)，0表示所述训练样本为假币，1表示所述训练样本为真币；

S2初始化所述训练样本的权值为＝1/n,其中n为样本总数；

S3对循环执行以下步骤：

S31每次循环中对所述训练样本的权重进行归一化得到q_t,i：

其中，wt,i表示第i个样本在第t次循环中的权重，Xt,j表示第t次循环中第j个防伪特征,qt,i表示最终结果；

S32针对每个特征j训练处一个弱分类器h_j,并计算出每个所述弱分类器的加权错误率：

S33确定适合的θ_j，使得ε_j最小；

S34根据步骤S23中得到的所述作为最佳弱分类器h_t；

S34根据步骤S24中所得的所述最佳弱分类器调整权重：

其中，e_i＝0表示x_i被正确分类，e_i＝1表示x_i被错误分类；

S35以此循环，直至T循环结束，形成强分类器为：

其中：

βt为针对每轮迭代使得样本错误率最小的调整参数；αt为与βt相对应的针对每轮迭代所选中的弱分类器的最终权值；ht为每轮迭代学习后所确定的最佳弱分类器；C(x)为弱分类器融合后所获得的最终强分类器；

S3利用训练出的所述强分类器对测试样本集进行测试，统计测试错误率，以此循环直至设置的最大循环次数T结束完得到练样本集各防伪点融合的分类模型；其中，若测试纸币经强分类器计算后得到C(x)＝0则表示该纸币为假币，若C(x)＝1则表示该纸币为真币。

2.如权利要求1所述的一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其特征在于：在步骤S1中通过多光谱点钞机的高速扫描装置获取每张所述训练样本的防伪特征标记和真假特征标记。

3.如权利要求2所述的一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其特征在于：在步骤S1中，所述纸币面额包括：100元、50元、20元、10元、5元、和1元；所述纸币类型为人民币、港币、美元、欧元、英镑、或日元。

4.如权利要求3所述的一种纸币防伪点多特征融合的鉴别纸币真伪的方法， 其特征在于：在步骤S1中，取z张待鉴别真伪各个面额的纸币、假币、变造币、和残缺币，分别获取每张所述训练样本的白光图、红光图以及紫外图并进行归一化构成训练样本集。

5.如权利要求4所述的一种纸币防伪点多特征融合的鉴别纸币真伪的方法，其特征在于：将所述白光图、所述红光图、以及所述紫外图归一化为200*100。