確認前の媒体アイテムの画像の処理
自動媒体アイテム確認は、媒体アイテムが破損していたり、書き込みがあった場合には通常うまく機能しない。この問題を解決する自動確認の前に媒体アイテムの画像を処理するための方法について説明する。異常のある画像要素が、例えば、帯域フィルタにより識別される。異常のある画像要素は、中立判定用データにより置き換えられる。このデータは、指定の自動媒体アイテム確認プロセスである判定プロセスに対して中立である。例えば、異常のある各画像要素の場合には、推定分布が、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切ってその画像位置にアクセスされる。自動媒体アイテム確認プロセスにより使用される有意水準に関連する有意水準に基づいて、推定分布からある値が選択される。このようにして、破れていたり、孔があいていたり、書き込みがあったり汚れていたりしている媒体アイテムは、自動媒体アイテム確認装置によりうまく処理される。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、確認前の媒体アイテムの画像を処理するための方法および装置に関する。本発明は、特に、銀行券、パスポート、債券、株券、小切手等のような媒体アイテムの画像の処理に関するが、これに限定されない。
【背景技術】
【０００２】
（関連出願との相互参照）
本出願は、２００５年１２月１６日付けで出願された米国特許出願第１１／３０５，５３７号の一部継続出願である２００６年３月２日付けで出願された米国特許出願第１１／３６６，１４７号の一部継続出願である。２００６年３月２日付けで出願された米国特許出願第１１／３６６，１４７号および２００５年１２月１６日付けで出願された米国特許出願第１１／３０５，５３７号は、参照により本明細書に組み込むものとする。
【０００３】
簡単で、信頼性が高く、コスト・パフォーマンスの良い方法で、異なる貨幣および金種の銀行券の自動検証および確認に対するニーズはますます増大している。このようなチェックおよび確認は、例えば、セルフサービス・キオスク、券売機、預金を受け入れるように配置されている自動金銭受け払い機、セルフサービス両替機等のような銀行券を受け入れるセルフサービス装置の場合に必要になる。
【０００４】
以前は、貨幣確認のための手動式方法は、銀行券の画像のチェック、すかしのような透過効果、および糸のすき入れ（ｔｈｒｅａｄ ｒｅｇｉｓｔｒａｔｉｏｎ ｍａｒｋ）、銀行券の手触りおよびさらに匂いを含んでいた。他の周知の方法は、半手動式質問を必要とする半ば公然の特徴に依存していた。例えば、磁気的手段、紫外線センサ、蛍光、赤外線検出器、キャパシタンス、金属ストリップ、画像パターンおよび類似のものを使用していた。しかし、これらの性質そのものにより、これらの方法は手動式または半手動式であり、長時間手動の介入を使用することができない多くの用途に適していない。例えば、セルフサービス装置には適していない。
【０００５】
自動貨幣確認装置を作成するには、かなり面倒な問題を克服しなければならない。例えば、異なるセキュリティ形体（ｓｅｃｕｒｉｔｙ ｆｅａｔｕｒｅ）および基材のタイプと一緒に多くの異なるタイプの貨幣が存在する。これらの異なる金種においても、異なるレベルのセキュリティ形体を含むものが共通に存在する。それ故、これらの異なる貨幣および金種に対して容易にまた簡単に貨幣の確認を行うための一般的な方法が求められている。
【０００６】
貨幣確認装置のタスクは、所与の銀行券が真券か偽造紙幣かを見分けることである。以前の自動確認方法は、通常、分類装置をトレーニングするために知らなければならない偽造紙幣の比較的多数の例を必要とした。さらに、これらの以前の分類装置は、既知の偽造紙幣のみを検出するためにトレーニングされる。このことは厄介なことである。何故なら、多くの場合、可能な偽造についての情報はほとんど入手することができないか、または全然入手することができないからである。例えば、このことは、新しく導入された金種または新しく導入された貨幣の場合に特に問題になる。
【０００７】
Ｃｈａｏ Ｈｅ、Ｍａｒｋ ＧｉｒｏｌａｍｉおよびＧａｒｙ Ｒｏｓｓ（このうちの２人は本願の発明者である）のＰａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ３７（２００４年）１０８５〜１０９６ページ掲載の、「Ｅｍｐｌｏｙｉｎｇ ｏｐｔｉｍｉｚｅｄ ｃｏｍｂｉｎａｔｉｏｎｓ ｏｆ ｏｎｅ−ｃｌａｓｓ ｃｌａｓｓｉｆｉｅｒｓ ｆｏｒ ａｕｔｏｍａｔｅｄ ｃｕｒｒｅｎｃｙ ｖａｌｉｄａｔｉｏｎ」という名称の以前の論文に自動貨幣確認方法が開示されている（欧州特許第ＥＰ１４８４７１９号公報、米国第ＵＳ２００４２４７１６９号公報）。この方法は、グリッド構造を使用して銀行券全体の画像をいくつかの領域にセグメント分割するステップを含む。個々の「１クラス」分類装置は、各領域に対して組み立てられ、領域特定分類装置の小さなサブセットが全体の判定を提供するように組み合わされる。（「１クラス」という用語については以下にさらに詳細に説明する。）性能をよくするための領域特定分類装置のセグメント分割および組合せは、遺伝的アルゴリズムを使用することにより行われる。この方法は、遺伝的アルゴリズムの段階で少数の偽造サンプルを必要とするので、偽造データが入手できない場合には適していない。
【特許文献１】欧州特許第ＥＰ１４８４７１９号公報
【特許文献２】米国第ＵＳ２００４２４７１６９号公報
【発明の開示】
【発明が解決しようとする課題】
【０００８】
また、リアルタイムで実行することができる計算コストの安い方法での自動的な貨幣の確認も求められている。
【０００９】
自動的貨幣確認は、銀行券が破損していたり、書き込みがあった場合には、通常うまく機能しない。例えば、銀行券が破れていたり、孔があいていたり、汚れていたり、および／または隅が折れていたりすると、うまく機能しない。銀行券が磨耗している間に銀行券が古くなったりまた汚れたりしていた場合にも、自動貨幣確認システムはうまく機能しない。
【００１０】
上記問題の多くのものは、また、パスポート、株券、債券、小切手等のような他のタイプの媒体の確認の場合にも当てはまる。
【課題を解決するための手段】
【００１１】
自動的媒体確認は、媒体アイテムが破損していたり、書き込みがあった場合には、通常うまく機能しない。この問題を解決する自動確認の前に媒体アイテムの画像を処理するための方法について説明する。異常のある画像要素が、例えば、帯域フィルタにより識別される。異常のある画像要素は、中立判定用データにより置き換えられる。このデータは、指定の自動貨幣確認プロセスである判定プロセスにとって中立である。例えば、異常のある各画像要素の場合には、推定分布が、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切ってその画像位置にアクセスされる。自動媒体確認プロセスにより使用される有意水準に関連する有意水準に基づいて推定分布からある値が選択される。このようにして、破れていたり、孔があいていたり、書き込みがあったり、または汚れていたりする媒体アイテムは、自動媒体確認装置によりうまく処理される。
【００１２】
この方法は、記憶媒体上で機械可読形態でソフトウェアにより実行することができる。この方法ステップは、当業者であれば理解できると思うが、任意の適切な順序でおよび／または並列に実行することができる。
【００１３】
このことは、ソフトウェアが、高価で、個々に取引することができる商品であり得ることを示している。所望の機能を実行するために、「ダム（ｄｕｍｂ）」端末または標準ハードウェア上で稼働し、または制御するソフトウェアを含むことを意図していて、（およびそれ故、ソフトウェアが、媒体確認装置の機能を本質的に定義し、それ故、その標準ハードウェアと結合する前でも、媒体確認装置と呼ぶことができる）。類似の理由のために、所望の機能を実行する目的で、シリコンチップを設計するために、または汎用プログラマブル・チップを構成するために使用するように、ＨＤＬ（ハードウェア記述言語）ソフトウェアのようなハードウェアの構成を「記述」または定義するソフトウェアを含めることを意図している。
【００１４】
好適な機能は、当業者であれば理解できると思うが、必要に応じて組み合わせることもできるし、本発明の任意の態様と結合することもできる。
【００１５】
添付の図面を参照しながら本発明の実施形態について説明するが、これは単に例示としてのものに過ぎない。
【発明を実施するための最良の形態】
【００１６】
以下に本発明の実施形態について説明するが、これは単に例示としてのものに過ぎない。これらの例は、出願人が現在知っている本発明を実施するための最善の方法を示しているが、しかし、これらの方法は、本発明を実施することができる唯一の方法ではない。これらの例は、自動貨幣確認のために実施されるものとして本明細書に記載し、図示してあるが、本明細書に記載するシステムは、例示としてのものであって、本発明を制限するものではない。当業者であれば理解できると思うが、これらの例はパスポート確認システム、小切手確認システム、および債券および株券のための確認システムを含むが、これらに限定されない種々の異なるタイプの媒体確認システムで使用するのに適している。
【００１７】
「１クラス分類装置」という用語は、１つのクラスからだけの例についての情報を使用して形成または構成する分類装置を指すために使用されるが、新しく提示された例をその１つのクラスに割り当てるか割り当てないかを決めるために使用される。これが、２つのクラスからの例についての情報を使用して形成され、これら２つのクラスの一方または他方に新しい例を割り当てるために使用される従来の２進分類装置と異なるところである。１つのクラスの分類装置は、その境界ではみ出す例が、既知のクラスに属さないと見なされるように、既知のクラスの周囲の境界を定義するものと見なされる。
【００１８】
すでに説明したように、自動貨幣確認は、破損していたり、書き込みのある銀行券の場合には、通常、うまく機能しない。例えば、銀行券が破れていたり、孔があいていたり、汚れていたり、および／または隅が折れていたりすると、うまく機能しない。銀行券が磨耗している間に、銀行券が古くなったりまた汚れたりしていた場合にも、自動貨幣確認システムはうまく機能しない。
【００１９】
例えば、自動貨幣確認システムは、それにより確認する銀行券の画像がセグメントに分割されるプロセスを使用することができる。これらのセグメントは、グリッド構造または空間位置情報だけを使用する他の方法により形成することができる。別の方法としては、セグメントは、一組のトレーニング銀行券の画像の各部分の対応する画像セグメント間の画像要素の相対値に関する情報を使用するセグメント分割マップにより形成することができる。
【００２０】
確認する銀行券が、破損していたり、書き込みがあったりする場合には、自動銀行券確認プロセスはうまく機能しない。何故なら、情報のあるものが異常であるか、または正しくないからである。例えば、銀行券に孔があいていると、その銀行券の画像の画素の輝度が異常に高くなる場合がある。また、銀行券上に汚れまたは書き込みがあると、その銀行券の画像の画素の輝度が異常に低くなる場合がある。
【００２１】
確認する銀行券の画像が、確認プロセスの一部として、複数のセグメントに分割されている場合には、１つの選択肢は、異常なデータ（例えば、孔、書き込み、折れ、破れ等）を含んでいるこれらのセグメントを無視することである。しかし、少数のセグメントしか使用できない場合には、このことはデータの多くの部分を無視することを意味する。また、無視したセグメントが、セキュリティ形体（例えば、ホログラム、糸のすき入れ、透かし等）のような重要な銀行券の領域をたまたま含んでいた場合には、銀行券確認装置の信頼水準が低下する。
【００２２】
これらの問題を解決するために、本発明者らは、確認する銀行券のような媒体アイテムの画像で異常な画像要素を識別し、これらを判定中立データで置き換える。「判定中立データ」または「中立判定用データ」という用語は、予め指定した媒体アイテム確認プロセスの結果に影響を受けないデータを意味する。この媒体アイテム確認プロセスは、本明細書に記載する特定の媒体アイテム確認プロセスを含むがこれに限定されない任意の適当なタイプのものであってもよい。
【００２３】
図１は、確認する銀行券の画像を処理するための方法のハイレベルの流れ図である。
【００２４】
確認する銀行券の画像が、以下にさらに詳細に説明する任意の適切な技術により捕捉される（ボックス１参照）。例えば、画像を特定の向きに整合し、それを特定のサイズにスケーリングするために、画像が正規化および／または前処理される（ボックス２参照）。これによりセンサおよび照明状態の変化を考慮に入れることができる。次に、オプションとしてのステップ（ボックス３参照）は、銀行券の貨幣、シリーズ、金種および向きのうちの１つまたは複数を判定するための認識アルゴリズムを使用するステップを含む。認識アルゴリズムがうまく機能しなかった場合には、銀行券の画像の異なる縁部または隅を参照することにより、再試行が行われる。４つすべての縁部が試され、うまくいかなかった場合には、銀行券は拒否される（ボックス７参照）。そうでない場合には、プロセスは続行し、画像の収差がチェックされる（ボックス４参照）。
【００２５】
収差は、任意の適切な方法で識別することができる。例えば、銀行券において、領域が欠損していたり、孔があいている場合には、通常、画像領域の輝度が異常に高くなる。この場合、指定のしきい値を超える輝度を有するすべての画像領域、要素または画素を収差として識別することができる。
【００２６】
ある貨幣の場合には、窓を有するポリマー銀行券を使用している。このような窓は、また、画像領域の輝度を高くする。これらの窓が収差であると識別されないように、収差を識別する際に、これらの窓の予想される場所、位置およびサイズの知識を考慮に入れることができる。
【００２７】
汚れ、マーカーペンによる書き込み、ホッチキスの針、折れ、および他のこのような破損があると、銀行券の画像に過度に半透明領域ができる。この場合、指定のしきい値より低い輝度を有するすべての画像領域、要素または画素を収差として識別することができる。任意選択として、収差を識別する場合に、特定の貨幣および金種に対する画像要素の予想した輝度に関する情報を考慮に入れることができる。
【００２８】
指定のしきい値より高いまたは低い輝度を有する画像要素を迅速に識別するために、帯域フィルタを使用することができる。
【００２９】
収差を識別した場合には、判定中立データで置換することにより収差が除去される（ボックス５参照）。任意選択として、異常と識別された銀行券の画像の割合がチェックされる。この割合が指定したしきい値より大きく、認識アルゴリズム工程で拒否されていなかった場合には、銀行券は拒否される（ボックス７）。これにより、偽造紙幣であるとはっきり分からない銀行券の一部と結合している真券の一部から作られた偽造紙幣が確実に拒否される。また、この方法により、置換することができる異常なデータの量を制限することができる。プロセスが、判定中立データにより置換される銀行券の画像の１００％に近くなると、偽造紙幣を検出する能力が低減する。
【００３０】
次に、銀行券の結果として得られる修正した画像は、確認のために銀行券確認システムに送られる（ボックス６参照）。
【００３１】
図３を参照しながら判定中立データを形成するプロセスについて以下にさらに詳細に説明する。
【００３２】
特定のグループの実施形態においては、予め指定した銀行券確認プロセスは、今説明したように形成された分類装置を使用する。
【００３３】
図２は、銀行券確認のための分類装置を形成する方法のハイレベルの流れ図である。
【００３４】
最初に、真券の画像のトレーニング・セットが入手される（図１のボックス１０参照）。これらは、同じ貨幣および金種の銀行券から入手した同じタイプの画像である。画像のタイプは、画像の入手方法に関連し、これは当業者であれば周知の任意の方法で行われる。例えば、反射画像、透過画像、赤、青または緑のチャネルのうちの任意の色の画像、熱画像、赤外線画像、紫外線画像、ｘ線画像または他の画像タイプを使用することができる。トレーニング・セットの画像は、登録されていて、同じサイズである。当業者であれば周知のように、必要な場合には、画像を整合し、適切なサイズにスケーリングするために、前処理を行うことができる。
【００３５】
次に、本発明者らは、トレーニング・セットの画像からの情報を使用してセグメント分割マップを生成する（図２のボックス１２参照）。セグメント分割マップは、複数のセグメントへの画像の分割方法に関する情報を含む。セグメントは、連続していなくてもよい。すなわち、所与のセグメントは、画像の異なる領域内に２つ以上のパッチを含むことができる。好適には、しかし、必ずしもそうする必要はないが、セグメント分割マップは、また、使用するための指定の数のセグメントを含むことが好ましい。
【００３６】
本発明者らは、セグメント分割マップを使用して、トレーニング・セット内の各画像をセグメント分割する（図２のボックス１４参照）。次に、本発明者らは、各トレーニング・セット画像内の各セグメントから１つまたは複数の特徴を抽出する（図２のボックス１６参照）。「特徴（ｆｅａｔｕｒｅ）」という用語は、セグメントの任意の統計的または他の特徴を意味する。例えば、平均画素輝度、中間画素輝度、画素輝度のモード、テクスチャ、ヒストグラム、フーリエ変換記述子、ウェーブレット変換記述子、および／またはセグメント内の任意の他の統計を意味する。
【００３７】
次に、特徴情報を使用して分類装置が形成される（図２のボックス１８参照）。当業者であれば周知のように、任意の適切なタイプの分類装置を使用することができる。本発明の特に好ましい実施形態の場合には、分類装置は、１クラス分類装置であり、偽造紙幣に関する情報を必要としない。しかし、当業者であれば周知のように、２進分類装置または任意の適切なタイプの他のタイプの分類装置も使用することができる。
【００３８】
図２の方法を使用すれば、特定の貨幣および金種の銀行券の確認のための分類装置を簡単に、迅速にまた効果的に形成することができる。他の貨幣または金種に対する分類装置を形成するためには、適当なトレーニング・セット画像でこの方法が反復して使用される。
【００３９】
（発明の背景のところで説明したように）上記欧州特許第ＥＰ１４８４７１９号公報および米国特許第ＵＳ２００４２４７１６９号公報のところでは、セグメント分割マップを形成するために、画像面上でのグリッド構造の使用、および遺伝的アルゴリズム方法の使用を含むセグメント分割技術を使用した。そのため、偽造紙幣に関する情報を使用しなければならなくなり、遺伝的アルゴリズム探索を行う場合に、計算上のコストがかかるようになった。
【００４０】
本発明は、多数の可能なセグメント分割マップ内で優れたセグメント分割マップを探索するために、遺伝的アルゴリズムまたは等価の方法を使用しないですむセグメント分割マップを形成するための異なる方法を使用する。これにより、計算に関するコストが低減し、性能が改善する。さらに、偽造紙幣に関する情報が必要なくなる。
【００４１】
本発明者らは、通常、偽造プロセスにおいて、銀行券全体の模造の質を均一にすることは難しく、それ故、銀行券のある領域は他の領域と比較してうまくコピーするのがもっと難しいと考える。それ故、厳格に均一なグリッド・セグメント分割を使用するよりも、もっと精巧なセグメント分割を使用することにより銀行券の確認を改善することができることを認識している。本発明者らが行った経験的な試験は、全くその通りであることを示していた。パターン、色およびテクスチャのような形態的特徴に基づくセグメント分割により、偽造紙幣を検出する際の性能が改善された。しかし、エッジ検出器の使用のような従来の画像セグメント分割方法は、トレーニング・セット内の各画像に適用した場合は使用するのが難しかった。それは、各トレーニング・セット部材に対して入手する結果が変化するからであり、異なるトレーニング・セット画像内の対応する特徴を整合するのが難しいからである。セグメント整合のこの問題を回避するために、ある好ましい実施形態の場合には、いわゆる「時空間画像分解」を使用した。
【００４２】
ここでセグメント分割マップを形成するための方法について詳細に説明する。ハイレベルにおいて、この方法は、画像面を、それぞれが複数の指定した画素を含む複数のセグメントに分割するための方法の指定とみなすことができる。セグメントは、すでに説明したように、連続していなくてもよい。例えば、この指定は、トレーニング・セット内のすべての画像からの情報に基づいて行われる。対照的に、厳格なグリッド構造を使用するセグメント分割は、トレーニング・セット内の画像からの情報を必要としない。
【００４３】
例えば、各セグメント分割マップは、トレーニング・セット内のすべての画像間の対応する画像要素の関係に関する情報を含む。
【００４４】
スタック状態にあって、同じ向きに相互に整合しているトレーニング・セット内の画像について考えてみよう。銀行券画像面内の所与の画素を取り上げてみると、この画素は、各トレーニング・セット画像内の特定の画素位置のところの画素輝度に関する情報を含む「画素輝度プロファイル」を有していると見なされる。任意の適切なクラスタリング・アルゴリズムを使用して、画像面内の画素位置が、セグメント内にクラスタリングされる。この場合、これらセグメント内の画素位置は、類似のまたは相互に関連する画素輝度プロファイルを有する。
【００４５】
好ましい例の場合には、これら画素輝度プロファイルを使用する。しかし、画素輝度プロファイルは必ずしも使用しなくてもよい。また、トレーニング・セット内のすべての画像からの他の情報を使用することもできる。例えば、４つの隣接する画素のブロックに対する輝度プロファイル、または各トレーニング・セット画像内の同じ位置のところの画素に対する画素輝度の平均値を使用することもできる。
【００４６】
ここでセグメント分割マップを形成するための方法の特に好ましい実施形態について詳細に説明する。この実施形態は、下記の刊行物Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ、２３５２：７４７〜７５８ページ、２００２年に掲載のＳ．Ａｖｉｄａｎの、「ＥｉｇｅｎＳｅｇｍｅｎｔｓ：Ａ ｓｐａｔｉｏ−ｔｅｍｐｏｒａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｏｆ ａｎ ｅｎｓｅｍｂｌｅ ｏｆ ｉｍａｇｅｓ」に教示されている方法に基づいている。
【００４７】
同じサイズｒ×ｃの登録され、スケーリングされた画像｛Ｉｉ｝ｉ＝１，２，Λ，Ｎのアンサンブルの場合には、各画像Ｉｉは、ベクトルの形で、その画素により
【数１】
として表すことができる。ここで、ａｊｉ（ｊ＝１，２，Λ，Ｍ）は、ｉ番目の画像のｊ番目の画素の輝度であり、Ｍ＝ｒ・ｃは画像内の画素の全数である。次に、アンサンブル内のすべての画像の（平均値を使用してゼロにした）ベクトルＩｉをスタックすることにより、デザイン・マトリクス
【数２】
を生成することができる。それ故、
【数３】
となる。Ａ内の行ベクトル
【数４】
は、Ｎ個の画像を横切る特定の画素（ｊ番目）に対する輝度プロファイルとみなすことができる。２つの画素が、画像の同じパターン領域からのものである場合には、これらの画素は、類似の輝度値を有する可能性があり、それ故、強い時間的相関を有する可能性がある。本明細書においては、「時間的」という用語は、時間軸に正確に対応しないが、アンサンブル内のいくつかの画像を横切る軸を示すのに借用していることに留意されたい。我々のアルゴリズムは、これらの相関を発見しようとし、画像面を類似の時間的行動を有する画素の領域に空間的にセグメント分割する。本発明者らは、輝度プロファイル間のメトリックを定義することによりこの相関を測定する。簡単な方法としては、ユークリッド距離を使用する方法がある。すなわち、２つの画素ｊおよびｋ間の時間的相関は、
【数５】
で表示することができる。ｄ（ｊ，ｋ）が小さくなればなるほど、２つの画素間の相関は強くなる。
【００４８】
画素間の時間的相関により画像面を空間的に分解するために、本発明者らは、画素輝度プロファイル（デザイン・マトリクスＡの行）上でクラスタリング・アルゴリズムを使用する。それにより時間的に相関付けられた画素のクラスタができる。最も簡単な選択は、Ｋ−平均アルゴリズムを使用することであるが、任意の他のクラスタリング・アルゴリズムを使用することもできる。その結果、画像面は、時間的に相関付けられた画素のいくつかのセグメントに分割される。次に、これは、トレーニング・セット内のすべての画像をセグメント分割するためのマップとして使用することができ、分類装置をトレーニング・セット内のすべての画像のこれらのセグメントから抽出した特徴上で構成することができる。
【００４９】
偽造紙幣を使用しないで、トレーニングを達成するために、１クラス分類装置を使用することが好ましい。当業者であれば周知のように、任意の適切なタイプの１クラス分類装置を使用することができる。例えば、ニューラル・ネットワーク・ベースの１クラス分類装置および統計ベースの１クラス分類装置を使用することができる。
【００５０】
１クラス分類に対する適切な統計的方法は、一般に、考慮対象の観察が、対象クラスから行われるヌル仮説の下のログ尤度比の最大化に基づいていて、これらのものは、対象クラス（真券）に対する多変量ガウス分布を仮定するＤ２試験（ＤＦ．Ｍｏｒｒｉｓｏｎの、「Ｍｕｌｔｉｖａｒｉａｔｅ Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｔｈｏｄｓ」（第３版）、ＭｃＧｒａｗ−Ｈｉｌｌ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐａｎｙ社、ニューヨーク、１９９０年に記載）を含む。任意の非ガウス分布の場合には、対象クラスの密度は、例えば、ガウシアンの半パラメトリック混合（ＣＭ．Ｂｉｓｈｏｐの、「Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ」、Ｏｘｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ、ニューヨーク、１９９５年に記載）、または非パラメトリックＰａｒｚｅｎ ｗｉｎｄｏｗ（ＲＯ． Ｄｕｄａ、ＰＥ． Ｈａｒｔ、ＤＧ． Ｓｔｏｒｋの、「Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ」（第２版）、Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，ＩＮＣ社、ニューヨーク、２００１年に記載）を使用して推定することができ、ヌル仮説の下のログ尤度比の分布は、ブートストラップ（Ｓ． Ｗａｎｇ、ＷＡ． Ｗｏｏｄｗａｒｄ、ＨＬ． Ｇａｒｙ他の、「Ａ ｎｅｗ ｔｅｓｔ ｆｏｒ ｏｕｔｌｉｅｒ ｄｅｔｅｔｉｏｎ ｆｒｏｍ ａ ｍｕｌｔｉｖａｒｉａｔｅ ｍｉｘｔｕｒｅ ｄｉｓｔｒｉｂｕｔｉｏｎ」、Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔａｔｉｏｎａｌ ａｎｄ Ｇｒａｐｈｉｃａｌ Ｓｔａｔｉｓｔｉｃｓ社、６（３）：２８５〜２９９ページ、１９９７年に記載）のようなサンプリング技術により入手することができる。
【００５１】
１クラス分類に使用することができる他の方法は、「支持推定（ｓｕｐｐｏｒｔ ｅｓｔｉｍａｔｉｏｎ）」（Ｐ．Ｈａｙｔｏｎ、Ｂ．Ｓｃｈｏｅｌｋｏｐｆ、Ｌ．Ｔａｒｒａｓｓｅｎｋｏ、Ｐ．Ａｎｕｚｉｓの、「Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｎｏｖｅｌｔｙ Ｄｅｔｅｃｔｉｏｎ Ａｐｐｌｉｅｄ ｔｏ Ｊｅｔ Ｅｎｇｉｎｅ Ｖｉｂｒａｔｉｏｎ Ｓｐｅｃｔｒａ」、Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、１３、ｅｄｓ Ｔｏｄｄ Ｋ．ＬｅｅｎおよびＴｈｏｍａｓ Ｇ．ＤｉｅｔｔｅｒｉｃｈおよびＶｏｌｋｅｒ Ｔｒｅｓｐ、ＭＩＴ Ｐｒｅｓｓ、９４６〜９５２ページ、２００１年に記載）とも呼ばれる「支持ベクトル・データ・ドメイン記述（ＳＶＤＤ）」（ＤＭＪ．Ｔａｘ、ＲＰＷ．Ｄｕｉｎの、「Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｄｏｍａｉｎ ｄｅｓｃｒｉｐｔｉｏｎ」、Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ、２０（１１〜１２）、１１９１〜１１９９ページ、１９９９年に記載）、および「極値理論（Ｅｘｔｒｅｍｅ Ｖａｌｕｅ Ｔｈｅｏｒｙ （ＥＶＴ）」（ＳＪ．Ｒｏｂｅｒｔｓの、「Ｎｏｖｅｌｔｙ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｅｘｔｒｅｍｅ Ｖａｌｕｅ ｓｔａｔｉｓｔｉｃｓ」、視覚、画像および信号処理に関するＩＥＥ議事録（ＩＥＥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｎ Ｖｉｓｉｏｎ， Ｉｍａｇｅ ＆ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ）、１４６（３）、１２４〜１２９ページ、１９９９年に記載）である。ＳＶＤＤにおいては、データ分布の支持が推定され、一方、ＥＶＴは、極端な数値の分布を推定する。この特定の用途の場合には、真券の多数の例を使用することができるので、この場合、対象クラスの分布の信頼性の高い推定値を入手することができる。それ故、本発明者らは、好ましい実施形態内で密度分布をはっきりと推定することができる１クラス分類方法を選択するが、必ずしもそうしなくても良い。好ましい実施形態の場合には、本発明者らは、パラメータＤ２試験に基づいて１クラス分類方法を使用する。
【００５２】
好ましい実施形態の場合には、本発明者らの１クラス分類装置のために使用する統計的仮説試験について以下に詳細に説明する。
【００５３】
ｐ（ｘ｜θ）で表されるパラメータθを含む基本的密度関数を含むＮ個の独立していて同様に分布しているｐ次元ベクトル・サンプル（各銀行券に対する特徴セット）ｘ１，Λ，ｘＮ∈Ｃについて考えてみよう。下記の仮説試験が、
【数６】
になるように新しい点ｘＮ＋１に対して行われる。ここで、Ｃはヌル仮説が真であり、ｐ（ｘ｜θ）で定義される領域を示す。代替仮説の場合に分布は均一であると仮定した場合、ヌルおよび代替仮説に対する下式
【数７】
で表される標準ログ尤度比を、ヌル仮説に対する試験統計として使用することができる。この好ましい実施形態の場合には、本発明者らは、ログ尤度比を新しく提示された銀行券を確認するための試験統計として使用することができる。
【００５４】
１）多変量ガウス密度を含む特徴ベクトル：サンプル内の個々の点を記述する特徴ベクトルは多変量ガウシアンであるという仮定の下で、サンプル内の各点が共通平均を共有するか否かを査定する、上記尤度比（１）から得られる試験は、（ＤＦ．Ｍｏｒｒｉｓｏｎの、「Ｍｕｌｔｉｖａｒｉａｔｅ Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｔｈｏｄｓ」（第三版）、ＭｃＧｒａｗ−Ｈｉｌｌ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐａｎｙ社、ニューヨーク、１９９０年）に記載されている。そのサンプルの推定値が
【数８】
および
【数９】
である平均μおよび共分散Ｃを有する多変量正規分布からのＮ個の独立していて同様に分布しているｐ次元ベクトル・サンプルｘ１，Λ，ｘＮについて考えてみよう。このサンプルから、ｘ０で表すランダム選択について考えてみよう。下式
【数１０】
で表す関連平方マハラノビス距離は、下式
【数１１】
で表されるｐおよびＮ−ｐ−１自由度の中央Ｆ分布として分布していることを示すことができる。
【００５５】
次に、共通母平均ベクトルｘ０および残りｘｉのヌル仮説が、下式の場合には拒否される。
【数１２】
ここで、Ｆα；ｐ，Ｎ−ｐ−１は、（ｐ，Ｎ−ｐ−１）自由度を有するＦ分布の上部α・１００％点である。
【００５６】
ここで、ｘ０が、最大Ｄ２統計を有する観察ベクトルとして選択されると仮定しよう。サイズＮのランダム・サンプルからの最大Ｄ２の分布は複雑である。しかし、１００αパーセント上部臨界値への内輪の近似値（ｃｏｎｓｅｒｖａｔｉｖｅ ａｐｐｒｏｘｉｍａｔｉｏｎ）は、Ｂｏｎｆｅｒｒｏｎｉ不等式により入手することができる。それ故、本発明者らは、下式の場合には、ｘ０は外れ値であると結論することができる。
【数１３】
【００５７】
実際には、外れ値を検出するために両方の式（４）または（５）を使用することができる。
【００５８】
本発明者らは、追加のデータｘＮ＋１を入手することができる場合には、元のサンプルの一部を形成していない新しい例に対する試験を考える際に、平均および共分散の下記の増分推定値を使用することができる。すなわち、平均は、下式で表すことができ、
【数１４】
共分散は、下式で表すことができる。
【数１５】
【００５９】
式（６）、（７）およびマトリクス反転補助定理を使用することにより、Ｎ−サンプルの参照セットおよびＮ＋１番目の試験点の式（２）は、下式のようになる。
【数１６】
ここで、
【数１７】
および
【数１８】
【数１９】
による
【数２０】
で表した場合、下式のようになる。
【数２１】
【００６０】
それ故、新しい点ｘＮ＋１を、共通推定平均
【数２２】
および共分散
【数２３】
に対する推定されたおよび仮定された正規分布に対して試験することができる。多くの場合、多変量ガウス特徴ベクトルの仮定は実際には当てはまらないが、多くの用途に対する適当な実用的な選択が発見されている。本発明者らは、この仮定を緩和して、下記のセクションで任意の密度について考察する。
【００６１】
２）任意の密度を有する特徴ベクトル：確率密度推定値
【数２４】
は、当業者であれば周知のように、任意の適切な半パラメトリック（例えば、ガウスの混合モデル）または非パラメトリック（例えば、Ｐａｒｚｅｎウィンドウ法）密度推定方法により、任意の密度ｐ（ｘ）から引いた有限データ・サンプル
【数２５】
から入手することができる。次に、この密度は、ログ尤度比（１）を計算する際に使用することができる。多変量ガウス分布の場合とは異なり、ヌル仮説の下では試験統計（λ）に対する解析的分布はない。それ故、この分布を入手する目的で、推定した密度の下でそうでない解析的ではないヌル分布を入手するために数字ブートストラップ方法を使用することができ、それ故、λｃｒｉｔの種々の臨界値を入手した経験的分布から確立することができる。Ｎ→∞のような限界内においては、尤度比を下式により推定することができる。
【数２６】
ここで、
【数２７】
は、元のＮ個のサンプルから推定したモデルの下でのｘＮ＋１の確率密度を示す。
【００６２】
参照データ・セットからのＮ個のサンプルのＢセット・ブートストラップを生成し、密度分布
【数２８】
のパラメータを推定するためにこれらのそれぞれを使用した後で、試験統計
【数２９】
のＢブートストラップ複製は、Ｎ＋１’番目のサンプルをランダムに選択し、
【数３０】
を計算することにより入手することができる。
【数３１】
を昇順に並べることにより、
【数３２】
である場合には、所望の有意水準でヌル仮説を拒否するために臨界値αを定義することができる。ここで、λαは、
【数３３】
のｊ番目の最も小さな値であり、α＝ｊ／（Ｂ＋１）である。
【００６３】
好適には、分類装置を形成するための方法を異なる数のセグメントに対して反復し、偽造紙幣であるのかそうでないことが分かっている銀行券の画像により試験することが好ましい。次に、最善の性能になるセグメントの数が選択され、その数のセグメントを使用する分類装置が使用される。本発明者らは、セグメントの最善の数は約２〜１５であることを発見した。しかし、任意の適切な数のセグメントを使用することもできる。
【００６４】
すでに説明したように、ある特定の問題は、確認する銀行券の画像の異常な画像要素の識別および置換を含んでいる。図３は、判定中立データで、異常な画像要素を置換するプロセスの流れ図である。例えば、画素、画素のグループのような各画像要素（ボックス３００）の場合には、その画像位置に対する分布がアクセスされる（ボックス３０１）。この分布は、画像のトレーニング・セット内のすべての画像を横切るその画像位置に対する推定分布である。画像のトレーニング・セットは、すでに説明したように、真券の複数の画像であってもよい。例えば、この分布は、４つの画素位置のブロックに対する画素輝度プロファイル、または輝度プロファイルまたは上記類似のものであってもよい。好適には、分布は、すでに説明したように、銀行券確認装置のためのセグメント分割マップを形成するプロセス中に使用したものと同一の分布であることが好ましい。これにより、計算コストを低減し、時間を節約することができる。何故なら、これらの分布はすでに推定済みであるからである。
【００６５】
有意水準（信頼水準とも呼ぶ）に基づいて、アクセスした分布からある値が選択される（ボックス３０２）。有意水準は、銀行券確認装置で使用する分類装置の有意水準に関連する。例えば、有意水準は、分類装置が使用する有意水準と同じものである。このようにして、値を選択することにより、判定中立データが入手される。何故なら、有意水準は分類装置の有意水準と関連しているからである。次に、異常な画像要素のところの値が、選択した値により置換される（ボックス３０３参照）。このように判定中立データを使用することにより、本発明者らは、銀行券の残りの部分が銀行券確認装置の分類結果を確実に示すことができた。このことは、真券上の喪失またはデータ化けが、多くの誤り拒否を避けるためには、誤り受け入れ率を我慢しなければならない従来のアプローチと比較した場合の利点である。このようにして、本発明者らは、コアの銀行券確認プロセスを修正しなくても、破損した、磨耗した、破れたまたは一部が退色した銀行券をうまく処理することができた。銀行券の画像を前処理するだけですむ。さらに、このことは、誤り受け入れ率を犠牲にしないで行うことができる。
【００６６】
図４は、銀行券確認のための分類装置２２を生成するための装置２０の略図である。この装置は下記のものを含む。
・銀行券の画像のトレーニング・セットにアクセスするように配置されている入力２１
・トレーニング・セット画像を使用してセグメント分割マップを生成するように配置されているプロセッサ２３
・セグメント分割マップにより、各トレーニング・セット画像をセグメント分割するように配置されているセグメント分割装置２４
・各トレーニング・セット画像内の各セグメントから１つまたは複数の特徴を抽出するように配置されている特徴抽出部２５
・前記特徴情報を使用して前記分類装置を形成するように配置される分類形成手段２６
この場合、プロセッサは、例えば、上記時空画像分解を使用して、トレーニング・セット内のすべての画像からの情報に基づいてセグメント分割マップを生成するように配置されている。
【００６７】
図５は、銀行券確認装置３１の略図である。この銀行券確認装置は、下記のものを含む。
・確認する銀行券の少なくとも１つの画像３０を受け入れるように配置されている入力
・セグメント分割マップ３２
・画像の収差を識別するように配置されるプロセッサ３６
・分類装置３５に対する中立判定用データである中立判定用データにより識別した収差を置換することにより修正した画像を形成するように配置される画像修正装置３７
・セグメント分割マップにより、銀行券の画像をセグメント分割するように配置される（プロセッサ３６と一体にすることができる）もう１つのプロセッサ３３
・銀行券の画像の各セグメントから１つまたは複数の特徴を抽出するように配置されている特徴抽出部３４
・銀行券を、抽出した特徴に基づいて真券であるかないかに分類するように配置されている分類装置３５
この場合、セグメント分割マップは、銀行券のトレーニング画像の各セットに関する情報に基づいて形成される。図３の構成要素が相互に独立していることは必ずしも必要でないことに留意されたい。これらの構成要素は一体に形成することができる。
【００６８】
図６は、銀行券を確認するための方法の流れ図である。この方法は下記のステップを含む。
・確認する銀行券の少なくとも１つの画像にアクセスするステップ（ボックス４０）
・異常のある画像要素を識別するステップ（ボックス４１）
・判定中立データによる異常のある画像要素の置換するステップ（ボックス４２）
・セグメント分割マップにアクセスするステップ（ボックス４３）
・セグメント分割マップにより銀行券の画像をセグメント分割するステップ（ボックス４４）
・銀行券の画像の各セグメントから特徴を抽出するステップ（ボックス４５）
・分類装置により抽出した特徴に基づいて銀行券を真券であるかないかに分類するステップ（ボックス４６）
この場合、セグメント分割マップは、銀行券のトレーニング画像の各セットに関する情報に基づいて作成される。これらの方法のステップは、当業者であれば周知のように、任意の適切な順序または組合せで実行することができる。セグメント分割マップは、暗黙にトレーニング・セット内の各画像に関する情報を含んでいるということができる。何故なら、セグメント分割マップはこの情報に基づいて作成されたものだからである。しかし、セグメント分割マップ内の明示の情報は、各セグメント内に内蔵させる画素・アドレスのリストを含む簡単なファイルであってもよい。
【００６９】
図７は、銀行券確認装置５３を備えるセルフサービス装置５１の略図である。この装置は、下記のものを含む。
・銀行券を受け入れるための手段５０
・銀行券のデジタル画像を入手するための画像形成手段５２
・判定中立データ５４で異常な画像要素を置換するためのプロセッサ
・上記銀行券確認装置５３
【００７０】
本明細書に記載する方法は、銀行券の任意の適切なタイプの画像または他の表示上で実行される。例えば、赤、青および緑のチャネルのうちのいずれの上の画像、または上記他の画像上で実行することができる。
【００７１】
セグメント分割は、例えば、赤のチャネルのようなたった１つのタイプの画像に基づいて行うことができる。別の方法としては、セグメント分割マップは、例えば、赤、青および緑のチャネルのようなすべてのタイプの画像に基づいて作成することができる。また、画像の各タイプまたは複数の画像タイプの組合せに対して複数のセグメント分割マップを形成することもできる。例えば、赤のチャネルの画像に対して１つ、青のチャネルの画像に対して１つ、および緑のチャネルの画像に対して１つ、３つのセグメント分割マップを使用することもできる。その場合、個々の銀行券を確認している間に、選択した画像のタイプにより、適当なセグメント分割マップ／分類装置が使用される。それ故、上記各方法は、異なるタイプの画像および対応するセグメント分割マップ／分類装置を使用して修正することができる。
【００７２】
銀行券を受け入れる手段は、画像形成手段として当業者であれば周知の任意の適切なタイプのものである。特徴抽出のステップで使用するための１つまたは複数のタイプの特徴を選択するために、当業者であれば周知の任意の特徴選択アルゴリズムを使用することができる。また、分類装置を、本明細書に記載する特徴情報の他に、例えば、所与の貨幣および金種の色または他の情報、空間周波数または形状のような銀行券の特定の金種または貨幣に関する指定の情報に基づいて、特にデータを多く含んでいる領域に関する情報に基づいて形成することができる。
【００７３】
本明細書に記載する任意の範囲またはデバイスの値は、当業者であれば理解することができると思うが、必要な効果を失わないで拡張または変更することができる。
【００７４】
好ましい実施形態の上記説明は、単に例示としてのものにすぎないこと、および当業者であれば種々の修正を行うことができることを理解することができるだろう。
【図面の簡単な説明】
【００７５】
【図１】銀行券の画像で異常のある画像要素を識別し、置換するための方法の流れ図である。
【図２】銀行券を確認するための分類装置を作成するための方法の流れ図である。
【図３】銀行券の画像で異常のある画像要素を置換するための方法の流れ図である。
【図４】銀行券を確認するための分類装置を作成するための装置の略図である。
【図５】銀行券確認装置の略図である。
【図６】銀行券を確認するための方法の流れ図である。
【図７】銀行券確認装置を含むセルフサービス装置の略図である。
【技術分野】
【０００１】
本発明は、確認前の媒体アイテムの画像を処理するための方法および装置に関する。本発明は、特に、銀行券、パスポート、債券、株券、小切手等のような媒体アイテムの画像の処理に関するが、これに限定されない。
【背景技術】
【０００２】
（関連出願との相互参照）
本出願は、２００５年１２月１６日付けで出願された米国特許出願第１１／３０５，５３７号の一部継続出願である２００６年３月２日付けで出願された米国特許出願第１１／３６６，１４７号の一部継続出願である。２００６年３月２日付けで出願された米国特許出願第１１／３６６，１４７号および２００５年１２月１６日付けで出願された米国特許出願第１１／３０５，５３７号は、参照により本明細書に組み込むものとする。
【０００３】
簡単で、信頼性が高く、コスト・パフォーマンスの良い方法で、異なる貨幣および金種の銀行券の自動検証および確認に対するニーズはますます増大している。このようなチェックおよび確認は、例えば、セルフサービス・キオスク、券売機、預金を受け入れるように配置されている自動金銭受け払い機、セルフサービス両替機等のような銀行券を受け入れるセルフサービス装置の場合に必要になる。
【０００４】
以前は、貨幣確認のための手動式方法は、銀行券の画像のチェック、すかしのような透過効果、および糸のすき入れ（ｔｈｒｅａｄ ｒｅｇｉｓｔｒａｔｉｏｎ ｍａｒｋ）、銀行券の手触りおよびさらに匂いを含んでいた。他の周知の方法は、半手動式質問を必要とする半ば公然の特徴に依存していた。例えば、磁気的手段、紫外線センサ、蛍光、赤外線検出器、キャパシタンス、金属ストリップ、画像パターンおよび類似のものを使用していた。しかし、これらの性質そのものにより、これらの方法は手動式または半手動式であり、長時間手動の介入を使用することができない多くの用途に適していない。例えば、セルフサービス装置には適していない。
【０００５】
自動貨幣確認装置を作成するには、かなり面倒な問題を克服しなければならない。例えば、異なるセキュリティ形体（ｓｅｃｕｒｉｔｙ ｆｅａｔｕｒｅ）および基材のタイプと一緒に多くの異なるタイプの貨幣が存在する。これらの異なる金種においても、異なるレベルのセキュリティ形体を含むものが共通に存在する。それ故、これらの異なる貨幣および金種に対して容易にまた簡単に貨幣の確認を行うための一般的な方法が求められている。
【０００６】
貨幣確認装置のタスクは、所与の銀行券が真券か偽造紙幣かを見分けることである。以前の自動確認方法は、通常、分類装置をトレーニングするために知らなければならない偽造紙幣の比較的多数の例を必要とした。さらに、これらの以前の分類装置は、既知の偽造紙幣のみを検出するためにトレーニングされる。このことは厄介なことである。何故なら、多くの場合、可能な偽造についての情報はほとんど入手することができないか、または全然入手することができないからである。例えば、このことは、新しく導入された金種または新しく導入された貨幣の場合に特に問題になる。
【０００７】
Ｃｈａｏ Ｈｅ、Ｍａｒｋ ＧｉｒｏｌａｍｉおよびＧａｒｙ Ｒｏｓｓ（このうちの２人は本願の発明者である）のＰａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ３７（２００４年）１０８５〜１０９６ページ掲載の、「Ｅｍｐｌｏｙｉｎｇ ｏｐｔｉｍｉｚｅｄ ｃｏｍｂｉｎａｔｉｏｎｓ ｏｆ ｏｎｅ−ｃｌａｓｓ ｃｌａｓｓｉｆｉｅｒｓ ｆｏｒ ａｕｔｏｍａｔｅｄ ｃｕｒｒｅｎｃｙ ｖａｌｉｄａｔｉｏｎ」という名称の以前の論文に自動貨幣確認方法が開示されている（欧州特許第ＥＰ１４８４７１９号公報、米国第ＵＳ２００４２４７１６９号公報）。この方法は、グリッド構造を使用して銀行券全体の画像をいくつかの領域にセグメント分割するステップを含む。個々の「１クラス」分類装置は、各領域に対して組み立てられ、領域特定分類装置の小さなサブセットが全体の判定を提供するように組み合わされる。（「１クラス」という用語については以下にさらに詳細に説明する。）性能をよくするための領域特定分類装置のセグメント分割および組合せは、遺伝的アルゴリズムを使用することにより行われる。この方法は、遺伝的アルゴリズムの段階で少数の偽造サンプルを必要とするので、偽造データが入手できない場合には適していない。
【特許文献１】欧州特許第ＥＰ１４８４７１９号公報
【特許文献２】米国第ＵＳ２００４２４７１６９号公報
【発明の開示】
【発明が解決しようとする課題】
【０００８】
また、リアルタイムで実行することができる計算コストの安い方法での自動的な貨幣の確認も求められている。
【０００９】
自動的貨幣確認は、銀行券が破損していたり、書き込みがあった場合には、通常うまく機能しない。例えば、銀行券が破れていたり、孔があいていたり、汚れていたり、および／または隅が折れていたりすると、うまく機能しない。銀行券が磨耗している間に銀行券が古くなったりまた汚れたりしていた場合にも、自動貨幣確認システムはうまく機能しない。
【００１０】
上記問題の多くのものは、また、パスポート、株券、債券、小切手等のような他のタイプの媒体の確認の場合にも当てはまる。
【課題を解決するための手段】
【００１１】
自動的媒体確認は、媒体アイテムが破損していたり、書き込みがあった場合には、通常うまく機能しない。この問題を解決する自動確認の前に媒体アイテムの画像を処理するための方法について説明する。異常のある画像要素が、例えば、帯域フィルタにより識別される。異常のある画像要素は、中立判定用データにより置き換えられる。このデータは、指定の自動貨幣確認プロセスである判定プロセスにとって中立である。例えば、異常のある各画像要素の場合には、推定分布が、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切ってその画像位置にアクセスされる。自動媒体確認プロセスにより使用される有意水準に関連する有意水準に基づいて推定分布からある値が選択される。このようにして、破れていたり、孔があいていたり、書き込みがあったり、または汚れていたりする媒体アイテムは、自動媒体確認装置によりうまく処理される。
【００１２】
この方法は、記憶媒体上で機械可読形態でソフトウェアにより実行することができる。この方法ステップは、当業者であれば理解できると思うが、任意の適切な順序でおよび／または並列に実行することができる。
【００１３】
このことは、ソフトウェアが、高価で、個々に取引することができる商品であり得ることを示している。所望の機能を実行するために、「ダム（ｄｕｍｂ）」端末または標準ハードウェア上で稼働し、または制御するソフトウェアを含むことを意図していて、（およびそれ故、ソフトウェアが、媒体確認装置の機能を本質的に定義し、それ故、その標準ハードウェアと結合する前でも、媒体確認装置と呼ぶことができる）。類似の理由のために、所望の機能を実行する目的で、シリコンチップを設計するために、または汎用プログラマブル・チップを構成するために使用するように、ＨＤＬ（ハードウェア記述言語）ソフトウェアのようなハードウェアの構成を「記述」または定義するソフトウェアを含めることを意図している。
【００１４】
好適な機能は、当業者であれば理解できると思うが、必要に応じて組み合わせることもできるし、本発明の任意の態様と結合することもできる。
【００１５】
添付の図面を参照しながら本発明の実施形態について説明するが、これは単に例示としてのものに過ぎない。
【発明を実施するための最良の形態】
【００１６】
以下に本発明の実施形態について説明するが、これは単に例示としてのものに過ぎない。これらの例は、出願人が現在知っている本発明を実施するための最善の方法を示しているが、しかし、これらの方法は、本発明を実施することができる唯一の方法ではない。これらの例は、自動貨幣確認のために実施されるものとして本明細書に記載し、図示してあるが、本明細書に記載するシステムは、例示としてのものであって、本発明を制限するものではない。当業者であれば理解できると思うが、これらの例はパスポート確認システム、小切手確認システム、および債券および株券のための確認システムを含むが、これらに限定されない種々の異なるタイプの媒体確認システムで使用するのに適している。
【００１７】
「１クラス分類装置」という用語は、１つのクラスからだけの例についての情報を使用して形成または構成する分類装置を指すために使用されるが、新しく提示された例をその１つのクラスに割り当てるか割り当てないかを決めるために使用される。これが、２つのクラスからの例についての情報を使用して形成され、これら２つのクラスの一方または他方に新しい例を割り当てるために使用される従来の２進分類装置と異なるところである。１つのクラスの分類装置は、その境界ではみ出す例が、既知のクラスに属さないと見なされるように、既知のクラスの周囲の境界を定義するものと見なされる。
【００１８】
すでに説明したように、自動貨幣確認は、破損していたり、書き込みのある銀行券の場合には、通常、うまく機能しない。例えば、銀行券が破れていたり、孔があいていたり、汚れていたり、および／または隅が折れていたりすると、うまく機能しない。銀行券が磨耗している間に、銀行券が古くなったりまた汚れたりしていた場合にも、自動貨幣確認システムはうまく機能しない。
【００１９】
例えば、自動貨幣確認システムは、それにより確認する銀行券の画像がセグメントに分割されるプロセスを使用することができる。これらのセグメントは、グリッド構造または空間位置情報だけを使用する他の方法により形成することができる。別の方法としては、セグメントは、一組のトレーニング銀行券の画像の各部分の対応する画像セグメント間の画像要素の相対値に関する情報を使用するセグメント分割マップにより形成することができる。
【００２０】
確認する銀行券が、破損していたり、書き込みがあったりする場合には、自動銀行券確認プロセスはうまく機能しない。何故なら、情報のあるものが異常であるか、または正しくないからである。例えば、銀行券に孔があいていると、その銀行券の画像の画素の輝度が異常に高くなる場合がある。また、銀行券上に汚れまたは書き込みがあると、その銀行券の画像の画素の輝度が異常に低くなる場合がある。
【００２１】
確認する銀行券の画像が、確認プロセスの一部として、複数のセグメントに分割されている場合には、１つの選択肢は、異常なデータ（例えば、孔、書き込み、折れ、破れ等）を含んでいるこれらのセグメントを無視することである。しかし、少数のセグメントしか使用できない場合には、このことはデータの多くの部分を無視することを意味する。また、無視したセグメントが、セキュリティ形体（例えば、ホログラム、糸のすき入れ、透かし等）のような重要な銀行券の領域をたまたま含んでいた場合には、銀行券確認装置の信頼水準が低下する。
【００２２】
これらの問題を解決するために、本発明者らは、確認する銀行券のような媒体アイテムの画像で異常な画像要素を識別し、これらを判定中立データで置き換える。「判定中立データ」または「中立判定用データ」という用語は、予め指定した媒体アイテム確認プロセスの結果に影響を受けないデータを意味する。この媒体アイテム確認プロセスは、本明細書に記載する特定の媒体アイテム確認プロセスを含むがこれに限定されない任意の適当なタイプのものであってもよい。
【００２３】
図１は、確認する銀行券の画像を処理するための方法のハイレベルの流れ図である。
【００２４】
確認する銀行券の画像が、以下にさらに詳細に説明する任意の適切な技術により捕捉される（ボックス１参照）。例えば、画像を特定の向きに整合し、それを特定のサイズにスケーリングするために、画像が正規化および／または前処理される（ボックス２参照）。これによりセンサおよび照明状態の変化を考慮に入れることができる。次に、オプションとしてのステップ（ボックス３参照）は、銀行券の貨幣、シリーズ、金種および向きのうちの１つまたは複数を判定するための認識アルゴリズムを使用するステップを含む。認識アルゴリズムがうまく機能しなかった場合には、銀行券の画像の異なる縁部または隅を参照することにより、再試行が行われる。４つすべての縁部が試され、うまくいかなかった場合には、銀行券は拒否される（ボックス７参照）。そうでない場合には、プロセスは続行し、画像の収差がチェックされる（ボックス４参照）。
【００２５】
収差は、任意の適切な方法で識別することができる。例えば、銀行券において、領域が欠損していたり、孔があいている場合には、通常、画像領域の輝度が異常に高くなる。この場合、指定のしきい値を超える輝度を有するすべての画像領域、要素または画素を収差として識別することができる。
【００２６】
ある貨幣の場合には、窓を有するポリマー銀行券を使用している。このような窓は、また、画像領域の輝度を高くする。これらの窓が収差であると識別されないように、収差を識別する際に、これらの窓の予想される場所、位置およびサイズの知識を考慮に入れることができる。
【００２７】
汚れ、マーカーペンによる書き込み、ホッチキスの針、折れ、および他のこのような破損があると、銀行券の画像に過度に半透明領域ができる。この場合、指定のしきい値より低い輝度を有するすべての画像領域、要素または画素を収差として識別することができる。任意選択として、収差を識別する場合に、特定の貨幣および金種に対する画像要素の予想した輝度に関する情報を考慮に入れることができる。
【００２８】
指定のしきい値より高いまたは低い輝度を有する画像要素を迅速に識別するために、帯域フィルタを使用することができる。
【００２９】
収差を識別した場合には、判定中立データで置換することにより収差が除去される（ボックス５参照）。任意選択として、異常と識別された銀行券の画像の割合がチェックされる。この割合が指定したしきい値より大きく、認識アルゴリズム工程で拒否されていなかった場合には、銀行券は拒否される（ボックス７）。これにより、偽造紙幣であるとはっきり分からない銀行券の一部と結合している真券の一部から作られた偽造紙幣が確実に拒否される。また、この方法により、置換することができる異常なデータの量を制限することができる。プロセスが、判定中立データにより置換される銀行券の画像の１００％に近くなると、偽造紙幣を検出する能力が低減する。
【００３０】
次に、銀行券の結果として得られる修正した画像は、確認のために銀行券確認システムに送られる（ボックス６参照）。
【００３１】
図３を参照しながら判定中立データを形成するプロセスについて以下にさらに詳細に説明する。
【００３２】
特定のグループの実施形態においては、予め指定した銀行券確認プロセスは、今説明したように形成された分類装置を使用する。
【００３３】
図２は、銀行券確認のための分類装置を形成する方法のハイレベルの流れ図である。
【００３４】
最初に、真券の画像のトレーニング・セットが入手される（図１のボックス１０参照）。これらは、同じ貨幣および金種の銀行券から入手した同じタイプの画像である。画像のタイプは、画像の入手方法に関連し、これは当業者であれば周知の任意の方法で行われる。例えば、反射画像、透過画像、赤、青または緑のチャネルのうちの任意の色の画像、熱画像、赤外線画像、紫外線画像、ｘ線画像または他の画像タイプを使用することができる。トレーニング・セットの画像は、登録されていて、同じサイズである。当業者であれば周知のように、必要な場合には、画像を整合し、適切なサイズにスケーリングするために、前処理を行うことができる。
【００３５】
次に、本発明者らは、トレーニング・セットの画像からの情報を使用してセグメント分割マップを生成する（図２のボックス１２参照）。セグメント分割マップは、複数のセグメントへの画像の分割方法に関する情報を含む。セグメントは、連続していなくてもよい。すなわち、所与のセグメントは、画像の異なる領域内に２つ以上のパッチを含むことができる。好適には、しかし、必ずしもそうする必要はないが、セグメント分割マップは、また、使用するための指定の数のセグメントを含むことが好ましい。
【００３６】
本発明者らは、セグメント分割マップを使用して、トレーニング・セット内の各画像をセグメント分割する（図２のボックス１４参照）。次に、本発明者らは、各トレーニング・セット画像内の各セグメントから１つまたは複数の特徴を抽出する（図２のボックス１６参照）。「特徴（ｆｅａｔｕｒｅ）」という用語は、セグメントの任意の統計的または他の特徴を意味する。例えば、平均画素輝度、中間画素輝度、画素輝度のモード、テクスチャ、ヒストグラム、フーリエ変換記述子、ウェーブレット変換記述子、および／またはセグメント内の任意の他の統計を意味する。
【００３７】
次に、特徴情報を使用して分類装置が形成される（図２のボックス１８参照）。当業者であれば周知のように、任意の適切なタイプの分類装置を使用することができる。本発明の特に好ましい実施形態の場合には、分類装置は、１クラス分類装置であり、偽造紙幣に関する情報を必要としない。しかし、当業者であれば周知のように、２進分類装置または任意の適切なタイプの他のタイプの分類装置も使用することができる。
【００３８】
図２の方法を使用すれば、特定の貨幣および金種の銀行券の確認のための分類装置を簡単に、迅速にまた効果的に形成することができる。他の貨幣または金種に対する分類装置を形成するためには、適当なトレーニング・セット画像でこの方法が反復して使用される。
【００３９】
（発明の背景のところで説明したように）上記欧州特許第ＥＰ１４８４７１９号公報および米国特許第ＵＳ２００４２４７１６９号公報のところでは、セグメント分割マップを形成するために、画像面上でのグリッド構造の使用、および遺伝的アルゴリズム方法の使用を含むセグメント分割技術を使用した。そのため、偽造紙幣に関する情報を使用しなければならなくなり、遺伝的アルゴリズム探索を行う場合に、計算上のコストがかかるようになった。
【００４０】
本発明は、多数の可能なセグメント分割マップ内で優れたセグメント分割マップを探索するために、遺伝的アルゴリズムまたは等価の方法を使用しないですむセグメント分割マップを形成するための異なる方法を使用する。これにより、計算に関するコストが低減し、性能が改善する。さらに、偽造紙幣に関する情報が必要なくなる。
【００４１】
本発明者らは、通常、偽造プロセスにおいて、銀行券全体の模造の質を均一にすることは難しく、それ故、銀行券のある領域は他の領域と比較してうまくコピーするのがもっと難しいと考える。それ故、厳格に均一なグリッド・セグメント分割を使用するよりも、もっと精巧なセグメント分割を使用することにより銀行券の確認を改善することができることを認識している。本発明者らが行った経験的な試験は、全くその通りであることを示していた。パターン、色およびテクスチャのような形態的特徴に基づくセグメント分割により、偽造紙幣を検出する際の性能が改善された。しかし、エッジ検出器の使用のような従来の画像セグメント分割方法は、トレーニング・セット内の各画像に適用した場合は使用するのが難しかった。それは、各トレーニング・セット部材に対して入手する結果が変化するからであり、異なるトレーニング・セット画像内の対応する特徴を整合するのが難しいからである。セグメント整合のこの問題を回避するために、ある好ましい実施形態の場合には、いわゆる「時空間画像分解」を使用した。
【００４２】
ここでセグメント分割マップを形成するための方法について詳細に説明する。ハイレベルにおいて、この方法は、画像面を、それぞれが複数の指定した画素を含む複数のセグメントに分割するための方法の指定とみなすことができる。セグメントは、すでに説明したように、連続していなくてもよい。例えば、この指定は、トレーニング・セット内のすべての画像からの情報に基づいて行われる。対照的に、厳格なグリッド構造を使用するセグメント分割は、トレーニング・セット内の画像からの情報を必要としない。
【００４３】
例えば、各セグメント分割マップは、トレーニング・セット内のすべての画像間の対応する画像要素の関係に関する情報を含む。
【００４４】
スタック状態にあって、同じ向きに相互に整合しているトレーニング・セット内の画像について考えてみよう。銀行券画像面内の所与の画素を取り上げてみると、この画素は、各トレーニング・セット画像内の特定の画素位置のところの画素輝度に関する情報を含む「画素輝度プロファイル」を有していると見なされる。任意の適切なクラスタリング・アルゴリズムを使用して、画像面内の画素位置が、セグメント内にクラスタリングされる。この場合、これらセグメント内の画素位置は、類似のまたは相互に関連する画素輝度プロファイルを有する。
【００４５】
好ましい例の場合には、これら画素輝度プロファイルを使用する。しかし、画素輝度プロファイルは必ずしも使用しなくてもよい。また、トレーニング・セット内のすべての画像からの他の情報を使用することもできる。例えば、４つの隣接する画素のブロックに対する輝度プロファイル、または各トレーニング・セット画像内の同じ位置のところの画素に対する画素輝度の平均値を使用することもできる。
【００４６】
ここでセグメント分割マップを形成するための方法の特に好ましい実施形態について詳細に説明する。この実施形態は、下記の刊行物Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ、２３５２：７４７〜７５８ページ、２００２年に掲載のＳ．Ａｖｉｄａｎの、「ＥｉｇｅｎＳｅｇｍｅｎｔｓ：Ａ ｓｐａｔｉｏ−ｔｅｍｐｏｒａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｏｆ ａｎ ｅｎｓｅｍｂｌｅ ｏｆ ｉｍａｇｅｓ」に教示されている方法に基づいている。
【００４７】
同じサイズｒ×ｃの登録され、スケーリングされた画像｛Ｉｉ｝ｉ＝１，２，Λ，Ｎのアンサンブルの場合には、各画像Ｉｉは、ベクトルの形で、その画素により
【数１】
として表すことができる。ここで、ａｊｉ（ｊ＝１，２，Λ，Ｍ）は、ｉ番目の画像のｊ番目の画素の輝度であり、Ｍ＝ｒ・ｃは画像内の画素の全数である。次に、アンサンブル内のすべての画像の（平均値を使用してゼロにした）ベクトルＩｉをスタックすることにより、デザイン・マトリクス
【数２】
を生成することができる。それ故、
【数３】
となる。Ａ内の行ベクトル
【数４】
は、Ｎ個の画像を横切る特定の画素（ｊ番目）に対する輝度プロファイルとみなすことができる。２つの画素が、画像の同じパターン領域からのものである場合には、これらの画素は、類似の輝度値を有する可能性があり、それ故、強い時間的相関を有する可能性がある。本明細書においては、「時間的」という用語は、時間軸に正確に対応しないが、アンサンブル内のいくつかの画像を横切る軸を示すのに借用していることに留意されたい。我々のアルゴリズムは、これらの相関を発見しようとし、画像面を類似の時間的行動を有する画素の領域に空間的にセグメント分割する。本発明者らは、輝度プロファイル間のメトリックを定義することによりこの相関を測定する。簡単な方法としては、ユークリッド距離を使用する方法がある。すなわち、２つの画素ｊおよびｋ間の時間的相関は、
【数５】
で表示することができる。ｄ（ｊ，ｋ）が小さくなればなるほど、２つの画素間の相関は強くなる。
【００４８】
画素間の時間的相関により画像面を空間的に分解するために、本発明者らは、画素輝度プロファイル（デザイン・マトリクスＡの行）上でクラスタリング・アルゴリズムを使用する。それにより時間的に相関付けられた画素のクラスタができる。最も簡単な選択は、Ｋ−平均アルゴリズムを使用することであるが、任意の他のクラスタリング・アルゴリズムを使用することもできる。その結果、画像面は、時間的に相関付けられた画素のいくつかのセグメントに分割される。次に、これは、トレーニング・セット内のすべての画像をセグメント分割するためのマップとして使用することができ、分類装置をトレーニング・セット内のすべての画像のこれらのセグメントから抽出した特徴上で構成することができる。
【００４９】
偽造紙幣を使用しないで、トレーニングを達成するために、１クラス分類装置を使用することが好ましい。当業者であれば周知のように、任意の適切なタイプの１クラス分類装置を使用することができる。例えば、ニューラル・ネットワーク・ベースの１クラス分類装置および統計ベースの１クラス分類装置を使用することができる。
【００５０】
１クラス分類に対する適切な統計的方法は、一般に、考慮対象の観察が、対象クラスから行われるヌル仮説の下のログ尤度比の最大化に基づいていて、これらのものは、対象クラス（真券）に対する多変量ガウス分布を仮定するＤ２試験（ＤＦ．Ｍｏｒｒｉｓｏｎの、「Ｍｕｌｔｉｖａｒｉａｔｅ Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｔｈｏｄｓ」（第３版）、ＭｃＧｒａｗ−Ｈｉｌｌ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐａｎｙ社、ニューヨーク、１９９０年に記載）を含む。任意の非ガウス分布の場合には、対象クラスの密度は、例えば、ガウシアンの半パラメトリック混合（ＣＭ．Ｂｉｓｈｏｐの、「Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ」、Ｏｘｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ、ニューヨーク、１９９５年に記載）、または非パラメトリックＰａｒｚｅｎ ｗｉｎｄｏｗ（ＲＯ． Ｄｕｄａ、ＰＥ． Ｈａｒｔ、ＤＧ． Ｓｔｏｒｋの、「Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ」（第２版）、Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，ＩＮＣ社、ニューヨーク、２００１年に記載）を使用して推定することができ、ヌル仮説の下のログ尤度比の分布は、ブートストラップ（Ｓ． Ｗａｎｇ、ＷＡ． Ｗｏｏｄｗａｒｄ、ＨＬ． Ｇａｒｙ他の、「Ａ ｎｅｗ ｔｅｓｔ ｆｏｒ ｏｕｔｌｉｅｒ ｄｅｔｅｔｉｏｎ ｆｒｏｍ ａ ｍｕｌｔｉｖａｒｉａｔｅ ｍｉｘｔｕｒｅ ｄｉｓｔｒｉｂｕｔｉｏｎ」、Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔａｔｉｏｎａｌ ａｎｄ Ｇｒａｐｈｉｃａｌ Ｓｔａｔｉｓｔｉｃｓ社、６（３）：２８５〜２９９ページ、１９９７年に記載）のようなサンプリング技術により入手することができる。
【００５１】
１クラス分類に使用することができる他の方法は、「支持推定（ｓｕｐｐｏｒｔ ｅｓｔｉｍａｔｉｏｎ）」（Ｐ．Ｈａｙｔｏｎ、Ｂ．Ｓｃｈｏｅｌｋｏｐｆ、Ｌ．Ｔａｒｒａｓｓｅｎｋｏ、Ｐ．Ａｎｕｚｉｓの、「Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｎｏｖｅｌｔｙ Ｄｅｔｅｃｔｉｏｎ Ａｐｐｌｉｅｄ ｔｏ Ｊｅｔ Ｅｎｇｉｎｅ Ｖｉｂｒａｔｉｏｎ Ｓｐｅｃｔｒａ」、Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、１３、ｅｄｓ Ｔｏｄｄ Ｋ．ＬｅｅｎおよびＴｈｏｍａｓ Ｇ．ＤｉｅｔｔｅｒｉｃｈおよびＶｏｌｋｅｒ Ｔｒｅｓｐ、ＭＩＴ Ｐｒｅｓｓ、９４６〜９５２ページ、２００１年に記載）とも呼ばれる「支持ベクトル・データ・ドメイン記述（ＳＶＤＤ）」（ＤＭＪ．Ｔａｘ、ＲＰＷ．Ｄｕｉｎの、「Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｄｏｍａｉｎ ｄｅｓｃｒｉｐｔｉｏｎ」、Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ、２０（１１〜１２）、１１９１〜１１９９ページ、１９９９年に記載）、および「極値理論（Ｅｘｔｒｅｍｅ Ｖａｌｕｅ Ｔｈｅｏｒｙ （ＥＶＴ）」（ＳＪ．Ｒｏｂｅｒｔｓの、「Ｎｏｖｅｌｔｙ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｅｘｔｒｅｍｅ Ｖａｌｕｅ ｓｔａｔｉｓｔｉｃｓ」、視覚、画像および信号処理に関するＩＥＥ議事録（ＩＥＥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｎ Ｖｉｓｉｏｎ， Ｉｍａｇｅ ＆ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ）、１４６（３）、１２４〜１２９ページ、１９９９年に記載）である。ＳＶＤＤにおいては、データ分布の支持が推定され、一方、ＥＶＴは、極端な数値の分布を推定する。この特定の用途の場合には、真券の多数の例を使用することができるので、この場合、対象クラスの分布の信頼性の高い推定値を入手することができる。それ故、本発明者らは、好ましい実施形態内で密度分布をはっきりと推定することができる１クラス分類方法を選択するが、必ずしもそうしなくても良い。好ましい実施形態の場合には、本発明者らは、パラメータＤ２試験に基づいて１クラス分類方法を使用する。
【００５２】
好ましい実施形態の場合には、本発明者らの１クラス分類装置のために使用する統計的仮説試験について以下に詳細に説明する。
【００５３】
ｐ（ｘ｜θ）で表されるパラメータθを含む基本的密度関数を含むＮ個の独立していて同様に分布しているｐ次元ベクトル・サンプル（各銀行券に対する特徴セット）ｘ１，Λ，ｘＮ∈Ｃについて考えてみよう。下記の仮説試験が、
【数６】
になるように新しい点ｘＮ＋１に対して行われる。ここで、Ｃはヌル仮説が真であり、ｐ（ｘ｜θ）で定義される領域を示す。代替仮説の場合に分布は均一であると仮定した場合、ヌルおよび代替仮説に対する下式
【数７】
で表される標準ログ尤度比を、ヌル仮説に対する試験統計として使用することができる。この好ましい実施形態の場合には、本発明者らは、ログ尤度比を新しく提示された銀行券を確認するための試験統計として使用することができる。
【００５４】
１）多変量ガウス密度を含む特徴ベクトル：サンプル内の個々の点を記述する特徴ベクトルは多変量ガウシアンであるという仮定の下で、サンプル内の各点が共通平均を共有するか否かを査定する、上記尤度比（１）から得られる試験は、（ＤＦ．Ｍｏｒｒｉｓｏｎの、「Ｍｕｌｔｉｖａｒｉａｔｅ Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｔｈｏｄｓ」（第三版）、ＭｃＧｒａｗ−Ｈｉｌｌ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐａｎｙ社、ニューヨーク、１９９０年）に記載されている。そのサンプルの推定値が
【数８】
および
【数９】
である平均μおよび共分散Ｃを有する多変量正規分布からのＮ個の独立していて同様に分布しているｐ次元ベクトル・サンプルｘ１，Λ，ｘＮについて考えてみよう。このサンプルから、ｘ０で表すランダム選択について考えてみよう。下式
【数１０】
で表す関連平方マハラノビス距離は、下式
【数１１】
で表されるｐおよびＮ−ｐ−１自由度の中央Ｆ分布として分布していることを示すことができる。
【００５５】
次に、共通母平均ベクトルｘ０および残りｘｉのヌル仮説が、下式の場合には拒否される。
【数１２】
ここで、Ｆα；ｐ，Ｎ−ｐ−１は、（ｐ，Ｎ−ｐ−１）自由度を有するＦ分布の上部α・１００％点である。
【００５６】
ここで、ｘ０が、最大Ｄ２統計を有する観察ベクトルとして選択されると仮定しよう。サイズＮのランダム・サンプルからの最大Ｄ２の分布は複雑である。しかし、１００αパーセント上部臨界値への内輪の近似値（ｃｏｎｓｅｒｖａｔｉｖｅ ａｐｐｒｏｘｉｍａｔｉｏｎ）は、Ｂｏｎｆｅｒｒｏｎｉ不等式により入手することができる。それ故、本発明者らは、下式の場合には、ｘ０は外れ値であると結論することができる。
【数１３】
【００５７】
実際には、外れ値を検出するために両方の式（４）または（５）を使用することができる。
【００５８】
本発明者らは、追加のデータｘＮ＋１を入手することができる場合には、元のサンプルの一部を形成していない新しい例に対する試験を考える際に、平均および共分散の下記の増分推定値を使用することができる。すなわち、平均は、下式で表すことができ、
【数１４】
共分散は、下式で表すことができる。
【数１５】
【００５９】
式（６）、（７）およびマトリクス反転補助定理を使用することにより、Ｎ−サンプルの参照セットおよびＮ＋１番目の試験点の式（２）は、下式のようになる。
【数１６】
ここで、
【数１７】
および
【数１８】
【数１９】
による
【数２０】
で表した場合、下式のようになる。
【数２１】
【００６０】
それ故、新しい点ｘＮ＋１を、共通推定平均
【数２２】
および共分散
【数２３】
に対する推定されたおよび仮定された正規分布に対して試験することができる。多くの場合、多変量ガウス特徴ベクトルの仮定は実際には当てはまらないが、多くの用途に対する適当な実用的な選択が発見されている。本発明者らは、この仮定を緩和して、下記のセクションで任意の密度について考察する。
【００６１】
２）任意の密度を有する特徴ベクトル：確率密度推定値
【数２４】
は、当業者であれば周知のように、任意の適切な半パラメトリック（例えば、ガウスの混合モデル）または非パラメトリック（例えば、Ｐａｒｚｅｎウィンドウ法）密度推定方法により、任意の密度ｐ（ｘ）から引いた有限データ・サンプル
【数２５】
から入手することができる。次に、この密度は、ログ尤度比（１）を計算する際に使用することができる。多変量ガウス分布の場合とは異なり、ヌル仮説の下では試験統計（λ）に対する解析的分布はない。それ故、この分布を入手する目的で、推定した密度の下でそうでない解析的ではないヌル分布を入手するために数字ブートストラップ方法を使用することができ、それ故、λｃｒｉｔの種々の臨界値を入手した経験的分布から確立することができる。Ｎ→∞のような限界内においては、尤度比を下式により推定することができる。
【数２６】
ここで、
【数２７】
は、元のＮ個のサンプルから推定したモデルの下でのｘＮ＋１の確率密度を示す。
【００６２】
参照データ・セットからのＮ個のサンプルのＢセット・ブートストラップを生成し、密度分布
【数２８】
のパラメータを推定するためにこれらのそれぞれを使用した後で、試験統計
【数２９】
のＢブートストラップ複製は、Ｎ＋１’番目のサンプルをランダムに選択し、
【数３０】
を計算することにより入手することができる。
【数３１】
を昇順に並べることにより、
【数３２】
である場合には、所望の有意水準でヌル仮説を拒否するために臨界値αを定義することができる。ここで、λαは、
【数３３】
のｊ番目の最も小さな値であり、α＝ｊ／（Ｂ＋１）である。
【００６３】
好適には、分類装置を形成するための方法を異なる数のセグメントに対して反復し、偽造紙幣であるのかそうでないことが分かっている銀行券の画像により試験することが好ましい。次に、最善の性能になるセグメントの数が選択され、その数のセグメントを使用する分類装置が使用される。本発明者らは、セグメントの最善の数は約２〜１５であることを発見した。しかし、任意の適切な数のセグメントを使用することもできる。
【００６４】
すでに説明したように、ある特定の問題は、確認する銀行券の画像の異常な画像要素の識別および置換を含んでいる。図３は、判定中立データで、異常な画像要素を置換するプロセスの流れ図である。例えば、画素、画素のグループのような各画像要素（ボックス３００）の場合には、その画像位置に対する分布がアクセスされる（ボックス３０１）。この分布は、画像のトレーニング・セット内のすべての画像を横切るその画像位置に対する推定分布である。画像のトレーニング・セットは、すでに説明したように、真券の複数の画像であってもよい。例えば、この分布は、４つの画素位置のブロックに対する画素輝度プロファイル、または輝度プロファイルまたは上記類似のものであってもよい。好適には、分布は、すでに説明したように、銀行券確認装置のためのセグメント分割マップを形成するプロセス中に使用したものと同一の分布であることが好ましい。これにより、計算コストを低減し、時間を節約することができる。何故なら、これらの分布はすでに推定済みであるからである。
【００６５】
有意水準（信頼水準とも呼ぶ）に基づいて、アクセスした分布からある値が選択される（ボックス３０２）。有意水準は、銀行券確認装置で使用する分類装置の有意水準に関連する。例えば、有意水準は、分類装置が使用する有意水準と同じものである。このようにして、値を選択することにより、判定中立データが入手される。何故なら、有意水準は分類装置の有意水準と関連しているからである。次に、異常な画像要素のところの値が、選択した値により置換される（ボックス３０３参照）。このように判定中立データを使用することにより、本発明者らは、銀行券の残りの部分が銀行券確認装置の分類結果を確実に示すことができた。このことは、真券上の喪失またはデータ化けが、多くの誤り拒否を避けるためには、誤り受け入れ率を我慢しなければならない従来のアプローチと比較した場合の利点である。このようにして、本発明者らは、コアの銀行券確認プロセスを修正しなくても、破損した、磨耗した、破れたまたは一部が退色した銀行券をうまく処理することができた。銀行券の画像を前処理するだけですむ。さらに、このことは、誤り受け入れ率を犠牲にしないで行うことができる。
【００６６】
図４は、銀行券確認のための分類装置２２を生成するための装置２０の略図である。この装置は下記のものを含む。
・銀行券の画像のトレーニング・セットにアクセスするように配置されている入力２１
・トレーニング・セット画像を使用してセグメント分割マップを生成するように配置されているプロセッサ２３
・セグメント分割マップにより、各トレーニング・セット画像をセグメント分割するように配置されているセグメント分割装置２４
・各トレーニング・セット画像内の各セグメントから１つまたは複数の特徴を抽出するように配置されている特徴抽出部２５
・前記特徴情報を使用して前記分類装置を形成するように配置される分類形成手段２６
この場合、プロセッサは、例えば、上記時空画像分解を使用して、トレーニング・セット内のすべての画像からの情報に基づいてセグメント分割マップを生成するように配置されている。
【００６７】
図５は、銀行券確認装置３１の略図である。この銀行券確認装置は、下記のものを含む。
・確認する銀行券の少なくとも１つの画像３０を受け入れるように配置されている入力
・セグメント分割マップ３２
・画像の収差を識別するように配置されるプロセッサ３６
・分類装置３５に対する中立判定用データである中立判定用データにより識別した収差を置換することにより修正した画像を形成するように配置される画像修正装置３７
・セグメント分割マップにより、銀行券の画像をセグメント分割するように配置される（プロセッサ３６と一体にすることができる）もう１つのプロセッサ３３
・銀行券の画像の各セグメントから１つまたは複数の特徴を抽出するように配置されている特徴抽出部３４
・銀行券を、抽出した特徴に基づいて真券であるかないかに分類するように配置されている分類装置３５
この場合、セグメント分割マップは、銀行券のトレーニング画像の各セットに関する情報に基づいて形成される。図３の構成要素が相互に独立していることは必ずしも必要でないことに留意されたい。これらの構成要素は一体に形成することができる。
【００６８】
図６は、銀行券を確認するための方法の流れ図である。この方法は下記のステップを含む。
・確認する銀行券の少なくとも１つの画像にアクセスするステップ（ボックス４０）
・異常のある画像要素を識別するステップ（ボックス４１）
・判定中立データによる異常のある画像要素の置換するステップ（ボックス４２）
・セグメント分割マップにアクセスするステップ（ボックス４３）
・セグメント分割マップにより銀行券の画像をセグメント分割するステップ（ボックス４４）
・銀行券の画像の各セグメントから特徴を抽出するステップ（ボックス４５）
・分類装置により抽出した特徴に基づいて銀行券を真券であるかないかに分類するステップ（ボックス４６）
この場合、セグメント分割マップは、銀行券のトレーニング画像の各セットに関する情報に基づいて作成される。これらの方法のステップは、当業者であれば周知のように、任意の適切な順序または組合せで実行することができる。セグメント分割マップは、暗黙にトレーニング・セット内の各画像に関する情報を含んでいるということができる。何故なら、セグメント分割マップはこの情報に基づいて作成されたものだからである。しかし、セグメント分割マップ内の明示の情報は、各セグメント内に内蔵させる画素・アドレスのリストを含む簡単なファイルであってもよい。
【００６９】
図７は、銀行券確認装置５３を備えるセルフサービス装置５１の略図である。この装置は、下記のものを含む。
・銀行券を受け入れるための手段５０
・銀行券のデジタル画像を入手するための画像形成手段５２
・判定中立データ５４で異常な画像要素を置換するためのプロセッサ
・上記銀行券確認装置５３
【００７０】
本明細書に記載する方法は、銀行券の任意の適切なタイプの画像または他の表示上で実行される。例えば、赤、青および緑のチャネルのうちのいずれの上の画像、または上記他の画像上で実行することができる。
【００７１】
セグメント分割は、例えば、赤のチャネルのようなたった１つのタイプの画像に基づいて行うことができる。別の方法としては、セグメント分割マップは、例えば、赤、青および緑のチャネルのようなすべてのタイプの画像に基づいて作成することができる。また、画像の各タイプまたは複数の画像タイプの組合せに対して複数のセグメント分割マップを形成することもできる。例えば、赤のチャネルの画像に対して１つ、青のチャネルの画像に対して１つ、および緑のチャネルの画像に対して１つ、３つのセグメント分割マップを使用することもできる。その場合、個々の銀行券を確認している間に、選択した画像のタイプにより、適当なセグメント分割マップ／分類装置が使用される。それ故、上記各方法は、異なるタイプの画像および対応するセグメント分割マップ／分類装置を使用して修正することができる。
【００７２】
銀行券を受け入れる手段は、画像形成手段として当業者であれば周知の任意の適切なタイプのものである。特徴抽出のステップで使用するための１つまたは複数のタイプの特徴を選択するために、当業者であれば周知の任意の特徴選択アルゴリズムを使用することができる。また、分類装置を、本明細書に記載する特徴情報の他に、例えば、所与の貨幣および金種の色または他の情報、空間周波数または形状のような銀行券の特定の金種または貨幣に関する指定の情報に基づいて、特にデータを多く含んでいる領域に関する情報に基づいて形成することができる。
【００７３】
本明細書に記載する任意の範囲またはデバイスの値は、当業者であれば理解することができると思うが、必要な効果を失わないで拡張または変更することができる。
【００７４】
好ましい実施形態の上記説明は、単に例示としてのものにすぎないこと、および当業者であれば種々の修正を行うことができることを理解することができるだろう。
【図面の簡単な説明】
【００７５】
【図１】銀行券の画像で異常のある画像要素を識別し、置換するための方法の流れ図である。
【図２】銀行券を確認するための分類装置を作成するための方法の流れ図である。
【図３】銀行券の画像で異常のある画像要素を置換するための方法の流れ図である。
【図４】銀行券を確認するための分類装置を作成するための装置の略図である。
【図５】銀行券確認装置の略図である。
【図６】銀行券を確認するための方法の流れ図である。
【図７】銀行券確認装置を含むセルフサービス装置の略図である。
【特許請求の範囲】
【請求項１】
媒体アイテムの画像を処理するための方法であって、
（ｉ）前記画像の収差を識別するステップと、
（ｉｉ）中立判定用データにより、前記識別した収差を置換することにより修正した画像を形成するステップであって、前記データが予め指定した媒体アイテム確認プロセスである判定プロセスに対して中立判定用データであるステップと、
を含む方法。
【請求項２】
前記画像の収差を識別する前記ステップが、帯域フィルタを適用するステップを含む、請求項１に記載の方法。
【請求項３】
前記方法が、異常のある各画像要素に対して、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切ってその画像位置に対する推定分布にアクセスし、前記推定分布から値を選択することにより前記中立判定用データを入手するステップを含む、請求項１に記載の方法。
【請求項４】
前記値が、前記予め指定した媒体アイテム確認プロセスの有意水準である有意水準に基づいて前記推定分布から選択される、請求項３に記載の方法。
【請求項５】
媒体アイテムの画像の前記トレーニング・セットが、真性な媒体アイテムの画像だけを含む、請求項３に記載の方法。
【請求項６】
前記分布が、画素輝度プロファイルに基づいて推定される、請求項３に記載の方法。
【請求項７】
前記予め指定した媒体アイテム確認プロセスが、１クラス分類装置を使用するステップを含む、請求項１に記載の方法。
【請求項８】
前記予め指定した媒体アイテム確認プロセスへの入力として前記修正した画像を供給するステップをさらに含む、請求項１に記載の方法。
【請求項９】
媒体アイテムの画像を処理するための装置であって、
（ｉ）前記画像の収差を識別するように配置されるプロセッサと、
（ｉｉ）中立判定用データにより前記識別した収差を置換することにより、修正した画像を形成するように配置される画像修正装置であって、前記データが予め指定した媒体アイテム確認プロセスである判定プロセスに対する中立判定用データである画像修正装置と、
を含む装置。
【請求項１０】
前記プロセッサが、前記画像の収差を識別するための帯域フィルタを含む、請求項９に記載の装置。
【請求項１１】
前記画像修正装置が、異常のある各画像要素に対して、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切って、その画像位置に対する推定分布にアクセスし、前記推定分布から値を選択することにより前記中立判定用データを入手するように配置される、請求項９に記載の装置。
【請求項１２】
前記画像修正装置が、前記予め指定した媒体アイテム確認プロセスの有意水準である、有意水準に基づいて前記推定分布から前記値を選択するように配置される、請求項１１に記載の装置。
【請求項１３】
前記画像修正装置が、画素輝度プロファイルに基づいて前記分布を推定するように配置される、請求項１１に記載の装置。
【請求項１４】
前記画像修正装置が、真性な媒体アイテムの画像だけを含む画像のトレーニング・セットから前記分布を推定するように配置される、請求項１１に記載の装置。
【請求項１５】
銀行券確認装置を備え、前記画像修正装置が、前記媒体アイテム確認装置へ前記修正した画像を入力するように配置される、請求項９に記載の装置。
【請求項１６】
前記媒体アイテム確認装置が、１クラス分類装置を備える、請求項１５に記載の装置。
【請求項１７】
媒体アイテム確認装置であって、
（ｉ）確認する媒体アイテムの少なくとも１つの画像を受け入れるように配置される入力と、
（ｉｉ）前記画像の収差を識別するように配置されるプロセッサと、
（ｉｉｉ）中立判定用データにより前記識別した収差を置換することにより、修正した画像を形成するように配置される画像修正装置であって、前記データが、前記媒体アイテム確認装置の分類装置に対する中立判定用データである画像修正装置と、
（ｉｖ）セグメント分割マップと、
（ｖ）前記セグメント分割マップを使用して前記媒体アイテムの前記画像をセグメント分割するように配置されるプロセッサと、
（ｖｉ）前記媒体アイテムの前記画像の各セグメントから、１つまたは複数の特徴を抽出するように配置される特徴抽出部と、
（ｖｉｉ）前記抽出した特徴に基づいて前記媒体アイテムを分類するように配置される分類装置とを含み、
前記セグメント分割マップが、媒体アイテムの一組のトレーニング画像のすべての画像間の対応する画像要素の関係に関する情報を含む媒体アイテム確認装置。
【請求項１８】
前記画像修正装置が、異常のある各画像要素に対して、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切って、その画像位置に対する推定分布にアクセスし、前記推定分布から値を選択することにより前記中立判定用データを入手するように配置される、請求項１７に記載の媒体アイテム確認装置。
【請求項１９】
銀行券の画像を処理するための方法のすべてのステップを実行することができるコンピュータ・プログラム・コード手段を備えるコンピュータ・プログラムであって、
（ｉ）前記画像の収差を識別するステップと、
（ｉｉ）中立判定用データにより前記識別した収差を置換することにより修正した画像を形成するステップであって、前記データが、前記プログラムをコンピュータ上で稼働した場合に、予め指定した銀行券確認プロセスである判定プロセスに対する中立判定用データであるステップと、
を含むコンピュータ・プログラム。
【請求項２０】
コンピュータ可読媒体上で実施される、請求項１９に記載のコンピュータ・プログラム。
【請求項２１】
セルフ・サービス装置であって、
（ｉ）媒体アイテムを受け入れるための手段と、
（ｉｉ）前記媒体アイテムのデジタル画像を入手するための画像形成手段と、
（ｉｉｉ）媒体アイテム確認装置とを含み、前記媒体アイテム確認装置が、
（ｉ）確認する媒体アイテムの少なくとも１つの画像を受け入れるように配置される入力と、
（ｉｉ）前記画像の収差を識別するように配置されるプロセッサと、
（ｉｉｉ）中立判定用データにより前記識別した収差を置換することにより、修正した画像を形成するように配置される画像修正装置であって、前記データが、媒体アイテム確認装置の分類装置に対する中立判定用データである画像修正装置と、
（ｉｖ）セグメント分割マップと、
（ｖ）前記セグメント分割マップを使用して前記媒体アイテムの前記画像をセグメント分割するように配置されるプロセッサと、
（ｖｉ）前記媒体アイテムの前記画像の各セグメントから１つまたは複数の特徴を抽出するように配置される特徴抽出部と、
（ｖｉｉ）前記抽出した特徴に基づいて前記媒体アイテムを分類するように配置される分類装置とを含み、
前記セグメント分割マップが、媒体アイテムの一組のトレーニング画像のすべての画像間の対応する画像要素の関係に関する情報を含むコンピュータ・プログラム。
【請求項１】
媒体アイテムの画像を処理するための方法であって、
（ｉ）前記画像の収差を識別するステップと、
（ｉｉ）中立判定用データにより、前記識別した収差を置換することにより修正した画像を形成するステップであって、前記データが予め指定した媒体アイテム確認プロセスである判定プロセスに対して中立判定用データであるステップと、
を含む方法。
【請求項２】
前記画像の収差を識別する前記ステップが、帯域フィルタを適用するステップを含む、請求項１に記載の方法。
【請求項３】
前記方法が、異常のある各画像要素に対して、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切ってその画像位置に対する推定分布にアクセスし、前記推定分布から値を選択することにより前記中立判定用データを入手するステップを含む、請求項１に記載の方法。
【請求項４】
前記値が、前記予め指定した媒体アイテム確認プロセスの有意水準である有意水準に基づいて前記推定分布から選択される、請求項３に記載の方法。
【請求項５】
媒体アイテムの画像の前記トレーニング・セットが、真性な媒体アイテムの画像だけを含む、請求項３に記載の方法。
【請求項６】
前記分布が、画素輝度プロファイルに基づいて推定される、請求項３に記載の方法。
【請求項７】
前記予め指定した媒体アイテム確認プロセスが、１クラス分類装置を使用するステップを含む、請求項１に記載の方法。
【請求項８】
前記予め指定した媒体アイテム確認プロセスへの入力として前記修正した画像を供給するステップをさらに含む、請求項１に記載の方法。
【請求項９】
媒体アイテムの画像を処理するための装置であって、
（ｉ）前記画像の収差を識別するように配置されるプロセッサと、
（ｉｉ）中立判定用データにより前記識別した収差を置換することにより、修正した画像を形成するように配置される画像修正装置であって、前記データが予め指定した媒体アイテム確認プロセスである判定プロセスに対する中立判定用データである画像修正装置と、
を含む装置。
【請求項１０】
前記プロセッサが、前記画像の収差を識別するための帯域フィルタを含む、請求項９に記載の装置。
【請求項１１】
前記画像修正装置が、異常のある各画像要素に対して、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切って、その画像位置に対する推定分布にアクセスし、前記推定分布から値を選択することにより前記中立判定用データを入手するように配置される、請求項９に記載の装置。
【請求項１２】
前記画像修正装置が、前記予め指定した媒体アイテム確認プロセスの有意水準である、有意水準に基づいて前記推定分布から前記値を選択するように配置される、請求項１１に記載の装置。
【請求項１３】
前記画像修正装置が、画素輝度プロファイルに基づいて前記分布を推定するように配置される、請求項１１に記載の装置。
【請求項１４】
前記画像修正装置が、真性な媒体アイテムの画像だけを含む画像のトレーニング・セットから前記分布を推定するように配置される、請求項１１に記載の装置。
【請求項１５】
銀行券確認装置を備え、前記画像修正装置が、前記媒体アイテム確認装置へ前記修正した画像を入力するように配置される、請求項９に記載の装置。
【請求項１６】
前記媒体アイテム確認装置が、１クラス分類装置を備える、請求項１５に記載の装置。
【請求項１７】
媒体アイテム確認装置であって、
（ｉ）確認する媒体アイテムの少なくとも１つの画像を受け入れるように配置される入力と、
（ｉｉ）前記画像の収差を識別するように配置されるプロセッサと、
（ｉｉｉ）中立判定用データにより前記識別した収差を置換することにより、修正した画像を形成するように配置される画像修正装置であって、前記データが、前記媒体アイテム確認装置の分類装置に対する中立判定用データである画像修正装置と、
（ｉｖ）セグメント分割マップと、
（ｖ）前記セグメント分割マップを使用して前記媒体アイテムの前記画像をセグメント分割するように配置されるプロセッサと、
（ｖｉ）前記媒体アイテムの前記画像の各セグメントから、１つまたは複数の特徴を抽出するように配置される特徴抽出部と、
（ｖｉｉ）前記抽出した特徴に基づいて前記媒体アイテムを分類するように配置される分類装置とを含み、
前記セグメント分割マップが、媒体アイテムの一組のトレーニング画像のすべての画像間の対応する画像要素の関係に関する情報を含む媒体アイテム確認装置。
【請求項１８】
前記画像修正装置が、異常のある各画像要素に対して、媒体アイテムの画像のトレーニング・セット内のすべての画像を横切って、その画像位置に対する推定分布にアクセスし、前記推定分布から値を選択することにより前記中立判定用データを入手するように配置される、請求項１７に記載の媒体アイテム確認装置。
【請求項１９】
銀行券の画像を処理するための方法のすべてのステップを実行することができるコンピュータ・プログラム・コード手段を備えるコンピュータ・プログラムであって、
（ｉ）前記画像の収差を識別するステップと、
（ｉｉ）中立判定用データにより前記識別した収差を置換することにより修正した画像を形成するステップであって、前記データが、前記プログラムをコンピュータ上で稼働した場合に、予め指定した銀行券確認プロセスである判定プロセスに対する中立判定用データであるステップと、
を含むコンピュータ・プログラム。
【請求項２０】
コンピュータ可読媒体上で実施される、請求項１９に記載のコンピュータ・プログラム。
【請求項２１】
セルフ・サービス装置であって、
（ｉ）媒体アイテムを受け入れるための手段と、
（ｉｉ）前記媒体アイテムのデジタル画像を入手するための画像形成手段と、
（ｉｉｉ）媒体アイテム確認装置とを含み、前記媒体アイテム確認装置が、
（ｉ）確認する媒体アイテムの少なくとも１つの画像を受け入れるように配置される入力と、
（ｉｉ）前記画像の収差を識別するように配置されるプロセッサと、
（ｉｉｉ）中立判定用データにより前記識別した収差を置換することにより、修正した画像を形成するように配置される画像修正装置であって、前記データが、媒体アイテム確認装置の分類装置に対する中立判定用データである画像修正装置と、
（ｉｖ）セグメント分割マップと、
（ｖ）前記セグメント分割マップを使用して前記媒体アイテムの前記画像をセグメント分割するように配置されるプロセッサと、
（ｖｉ）前記媒体アイテムの前記画像の各セグメントから１つまたは複数の特徴を抽出するように配置される特徴抽出部と、
（ｖｉｉ）前記抽出した特徴に基づいて前記媒体アイテムを分類するように配置される分類装置とを含み、
前記セグメント分割マップが、媒体アイテムの一組のトレーニング画像のすべての画像間の対応する画像要素の関係に関する情報を含むコンピュータ・プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【公表番号】特表２００９−５２７０２７（Ｐ２００９−５２７０２７Ａ）
【公表日】平成２１年７月２３日（２００９．７．２３）
【国際特許分類】
【出願番号】特願２００８−５４５０８５（Ｐ２００８−５４５０８５）
【出願日】平成１８年１２月１４日（２００６．１２．１４）
【国際出願番号】ＰＣＴ／ＧＢ２００６／００４６６３
【国際公開番号】ＷＯ２００７／０６８９２３
【国際公開日】平成１９年６月２１日（２００７．６．２１）
【出願人】（３９１００７１６１）エヌ・シー・アール・コーポレイション (85)
【氏名又は名称原語表記】ＮＣＲ ＣＯＲＰＯＲＡＴＩＯＮ
【Ｆターム（参考）】
【公表日】平成２１年７月２３日（２００９．７．２３）
【国際特許分類】
【出願日】平成１８年１２月１４日（２００６．１２．１４）
【国際出願番号】ＰＣＴ／ＧＢ２００６／００４６６３
【国際公開番号】ＷＯ２００７／０６８９２３
【国際公開日】平成１９年６月２１日（２００７．６．２１）
【出願人】（３９１００７１６１）エヌ・シー・アール・コーポレイション (85)
【氏名又は名称原語表記】ＮＣＲ ＣＯＲＰＯＲＡＴＩＯＮ
【Ｆターム（参考）】
[ Back to top ]