当前位置： 首页 > news >正文

用Python和颜色矩，手把手教你识别不同面额的人民币（附完整代码）

news 2026/5/31 1:30:10

用Python实现人民币面额智能识别：从颜色矩到SVM分类实战

在数字支付盛行的今天，纸币识别技术依然在自动售货机、ATM机和金融点钞设备中扮演着关键角色。本文将带您从零开始构建一个基于颜色特征的人民币面额识别系统，使用Python中的PIL、NumPy和Scikit-learn等库，通过计算RGB颜色矩特征并训练SVM分类器，实现对1元到100元纸币的自动识别。

1. 项目准备与环境搭建

1.1 数据集获取与预处理

我们使用的数据集包含1元、5元、10元、20元、50元和100元六种面额的人民币图像，每种面额采集40张图片（正反面各20张），共计240张。图像命名遵循"面额_序号.png"的格式，如"1_1.png"、"100_40.png"等。

import os from PIL import Image import numpy as np # 设置图像路径 dataset_path = "currency_images/" image_files = os.listdir(dataset_path) print(f"共加载{len(image_files)}张图片")

1.2 必需库的安装

确保已安装以下Python库：

  • Pillow (PIL)：图像处理
  • NumPy：数值计算
  • scikit-learn：机器学习模型
  • matplotlib（可选）：可视化
pip install pillow numpy scikit-learn matplotlib

2. 颜色矩特征工程

2.1 颜色矩理论基础

颜色矩是图像颜色分布的统计特征，包括：

  1. 一阶矩（均值）：反映颜色通道的平均亮度
  2. 二阶矩（标准差）：描述颜色分布的离散程度
  3. 三阶矩（偏度）：表示颜色分布的不对称性

对于RGB图像的每个通道，我们计算这三阶矩，共得到9个特征。

2.2 特征提取实现

def calculate_color_moments(image_array): """计算RGB图像的颜色矩特征""" # 将像素值归一化到[0,1]范围 pixels = image_array / 255.0 # 计算各阶矩 mean = np.mean(pixels, axis=(0,1)) std = np.std(pixels, axis=(0,1)) # 三阶矩计算 skewness = np.mean((pixels - mean)**3, axis=(0,1)) ** (1/3) return np.concatenate([mean, std, skewness]) def extract_features(image_path): """从单张图像提取特征""" img = Image.open(image_path) img_array = np.array(img) return calculate_color_moments(img_array)

3. 构建分类模型

3.1 数据准备与划分

from sklearn.model_selection import train_test_split # 初始化特征和标签数组 X = np.zeros((len(image_files), 9)) # 9个特征 y = np.zeros(len(image_files)) # 面额标签 # 提取特征和标签 for i, filename in enumerate(image_files): img_path = os.path.join(dataset_path, filename) X[i] = extract_features(img_path) y[i] = float(filename.split('_')[0]) # 从文件名提取面额 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42)

3.2 支持向量机(SVM)模型训练

SVM特别适合小样本、高维度的分类问题，是我们纸币识别的理想选择。

from sklearn.svm import SVC from sklearn.metrics import accuracy_score # 初始化SVM分类器 svm_model = SVC(kernel='rbf', C=10, gamma='scale', random_state=42) # 训练模型 svm_model.fit(X_train, y_train) # 评估模型 train_acc = svm_model.score(X_train, y_train) test_acc = svm_model.score(X_test, y_test) print(f"训练集准确率: {train_acc:.2%}") print(f"测试集准确率: {test_acc:.2%}")

4. 模型优化与性能提升

4.1 特征重要性分析

通过分析各颜色矩特征的贡献度，我们可以优化特征选择：

import matplotlib.pyplot as plt # 特征名称 feature_names = ['R_mean', 'G_mean', 'B_mean', 'R_std', 'G_std', 'B_std', 'R_skew', 'G_skew', 'B_skew'] # 计算各特征在不同面额上的区分度 feature_importance = [] for i in range(9): # 使用方差作为区分度指标 importance = np.var(X[:, i]) feature_importance.append(importance) # 可视化 plt.figure(figsize=(10, 5)) plt.bar(feature_names, feature_importance) plt.title('Feature Importance Analysis') plt.xticks(rotation=45) plt.ylabel('Variance') plt.tight_layout() plt.show()

4.2 模型参数调优

使用网格搜索寻找最优超参数：

from sklearn.model_selection import GridSearchCV # 定义参数网格 param_grid = { 'C': [0.1, 1, 10, 100], 'gamma': ['scale', 'auto', 0.1, 1], 'kernel': ['rbf', 'linear'] } # 网格搜索 grid_search = GridSearchCV(SVC(), param_grid, cv=5, verbose=2) grid_search.fit(X_train, y_train) # 最佳参数 print("最佳参数:", grid_search.best_params_) print("最佳分数:", grid_search.best_score_)

5. 实际应用与扩展

5.1 构建端到端识别系统

将上述流程封装成可重用的类：

class CurrencyRecognizer: def __init__(self, model_path=None): if model_path: self.model = joblib.load(model_path) else: self.model = SVC(kernel='rbf', C=10, gamma='scale') def train(self, X_train, y_train): self.model.fit(X_train, y_train) def predict(self, image_path): features = extract_features(image_path) return self.model.predict([features])[0] def save_model(self, save_path): joblib.dump(self.model, save_path) # 使用示例 recognizer = CurrencyRecognizer() recognizer.train(X_train, y_train) prediction = recognizer.predict("test_images/50_1.png") print(f"预测面额: {prediction}元")

5.2 处理实际场景中的挑战

在实际应用中，我们可能遇到以下问题及解决方案：

  1. 光照条件变化：

    • 使用色彩恒常性算法进行预处理
    • 增加数据增强（调整亮度、对比度）

  2. 纸币褶皱或破损：

    • 引入局部特征提取方法
    • 使用深度学习模型提高鲁棒性

  3. 多纸币同时识别：

    • 结合目标检测技术（如YOLO）
    • 实现纸币定位后再分类
# 示例：光照归一化处理 def normalize_illumination(image_array): """简单的光照归一化""" lab_img = cv2.cvtColor(image_array, cv2.COLOR_RGB2LAB) l, a, b = cv2.split(lab_img) clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) cl = clahe.apply(l) limg = cv2.merge((cl,a,b)) return cv2.cvtColor(limg, cv2.COLOR_LAB2RGB)

6. 项目扩展方向

6.1 融合多特征提升准确率

除了颜色矩，可以结合以下特征：

  • 纹理特征：LBP、HOG
  • 形状特征：边缘检测、轮廓分析
  • 局部特征：SIFT、SURF
from skimage.feature import local_binary_pattern def extract_lbp_features(image_array, P=8, R=1): """提取LBP纹理特征""" gray = np.mean(image_array, axis=2) # 转为灰度 lbp = local_binary_pattern(gray, P=P, R=R, method='uniform') hist, _ = np.histogram(lbp, bins=P*(P-1)+3, range=(0, P*(P-1)+2)) return hist / hist.sum() # 归一化

6.2 深度学习替代方案

对于更复杂的识别任务，可以考虑CNN模型：

import tensorflow as tf from tensorflow.keras import layers, models def build_cnn_model(input_shape, num_classes): model = models.Sequential([ layers.Conv2D(32, (3,3), activation='relu', input_shape=input_shape), layers.MaxPooling2D((2,2)), layers.Conv2D(64, (3,3), activation='relu'), layers.MaxPooling2D((2,2)), layers.Flatten(), layers.Dense(64, activation='relu'), layers.Dense(num_classes, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) return model # 使用示例 # 需要先将图像调整为统一尺寸并构建适合CNN的输入

在实际项目中，我发现颜色矩特征对于新版人民币的识别效果较好，因为不同面额的颜色差异明显。但对于旧版或严重磨损的纸币，可能需要结合更多特征或采用深度学习方法来提高识别率。

http://www.gsyq.cn/news/1431082.html

相关文章：

  • 2026年兰州小户型装修公司性价比排名，靠谱的有哪些 - mypinpai
  • 想入门视频动作识别？从零开始用Breakfast数据集跑通你的第一个模型（附完整代码）
  • Java八股文学习记录之三
  • 大语言模型量化技术：双极INT格式与比特级矩阵乘法优化
  • 如何用ImageGlass打造你的Windows终极图像浏览器：90+格式支持与深度体验指南
  • Qwen2.5-7B大语言模型：解密70亿参数智能大脑的模块化设计哲学 [特殊字符]
  • 基于Dify+EdgeOne的化学试剂反应在线展示系统
  • 自动跑，不需要点击 allow
  • 如何用Python实现QQ空间历史数据完整备份：GetQzonehistory深度解析与实践指南
  • 2026成都到喀什物流专线评测：成都靠谱物流公司/易碎品木箱打包服务/物流货物木架加固打包/4家品牌核心维度对比 - 优质品牌商家
  • 2026成都机械设备跨省运输品牌实测与技术解析 - 优质品牌商家
  • 宜宾门窗厂技术实力盘点：核心维度与靠谱品牌解析 - 优质品牌商家
  • 客观复盘贾子（Kucius）AI二十项不可修复原罪理论：从初始评价、多层误解修正到内核本质完整研判
  • 2026年福建企业管理咨询与精益生产服务商深度横评推荐 - 精选优质企业推荐官
  • 【周末消息】2026年5月30日-6月1日
  • HTML To Figma：打破设计与开发壁垒的转换神器
  • 告别测试报告流水账：用CAPL的TestStep函数写出清晰易懂的测试步骤
  • 咖啡机出海省流量实战：映翰通IR202白名单配置指南
  • 实验十 华为路由器和交换机实现RIP 动态路由协议配置实验指导书
  • 循环结构：for循环，while循环，do-while循环
  • 3分钟免费搞定城通网盘直连下载：告别限速的终极解决方案
  • 基于电致发光图像的太阳能电池缺陷检测基准数据集：2624张图像实现99.8%分类准确率
  • 论文开题报告怎么写好?
  • OEXN外汇：投教内容、服务流程与品牌可信度评测
  • MCP 的本质：不是调模型，而是限制 Agent 行为边界
  • 5大核心模块解析：Atom简体中文汉化包如何重塑你的编程体验
  • Windows 事件与跨线程调用
  • 从零开始学fMRI：用Python+SPM12处理你的第一个静息态数据（保姆级避坑指南）
  • 【深度解析】Hermes Agent Velocity Release：长期记忆、自进化技能与多智能体任务编排实践
  • 基于 YOLOv8 的快递纸箱缺陷检测系统（完整项目｜可直接运行）快递纸箱缺陷检测数据集训练及应用