为视障人士设计的可穿戴辅助设备中，纸币识别是必不可少的基本功能。根据文献调 研，传统的纸币识别方法多应用于金融服务系统，识别场景固定、背景单一、光照无明显 变化，少数应用于视障人士领域的方案均采用 RGB 相机，实时性较差，无法满足视障人 士纸币识别的实际应用。 本文提出了一种有效的解决方法，测试者只需在可穿戴样机前面放置一张纸币，样机 可立即准确识别面值并反馈结果。该方法首先通过 RGB-D 相机获取深度不超过 0.8 米手 臂长度范围的近距离场景，通过 Haar 特征和 Adaboost 算法训练获得的分类器检测近距离 场景中的疑似纸币区域；将这些区域的 SURF 特征点与标准纸币区域的 SURF 特征点匹 配，匹配过程采用优化算法，可以筛选出高质量匹配点对，匹配点对数量的极大值对应的 面值即为纸币识别的结果；最后，将结果通过声音传递给测试者。同时，为形成完整的纸 币识别系统，结合视频流的输入，加入帧间差分检测、深度填充比判断、多帧累计结果输 出，提高算法的实时性与稳定性。 该方法使用 RGB-D 相机，结合机器学习和 SURF 的改进算法，使最终的纸币识别继 承了 SURF 算法的尺寸不变性和旋转不变性的优点，并且可以在图像有缩放、旋转、部分 遮挡、光照变化、方向颠倒、运动模糊、背景杂乱和多张纸币时均可以得到正确的检测结 果，具有良好的鲁棒性；同时，使用机器学习大图像粗定位，SURF 特征小区域精匹配， 兼顾了实时性，可应用于视障人士的实时纸币识别
关注微信
