紙葉類識別装置
【課題】劣化券が少数しかない場合、または、非劣化券しかない場合、において、高精度の紙葉類識別器を備える紙葉類識別装置を提供する。
【解決手段】紙葉類を識別する紙葉類識別器を備える紙葉類識別装置であって、紙葉類識別装置は、紙葉類の画像を入力する画像入力部と、紙葉類の劣化度合いを表すパラメタを決定するためのデータを入力する入力部と、劣化した紙葉類の画像である紙葉類劣化画像を生成する紙葉類劣化画像生成部と、を備え、紙葉類劣化画像生成部は、入力されたデータに基づいて、紙葉類の劣化度合いを表すパラメタを決定し、決定されたパラメタに基づいて、画素値が非一様な画像を生成し、生成された画素値が非一様な画像を、画像入力部に入力された紙葉類の画像に加えることによって、紙葉類劣化画像を生成することを特徴とする。
【解決手段】紙葉類を識別する紙葉類識別器を備える紙葉類識別装置であって、紙葉類識別装置は、紙葉類の画像を入力する画像入力部と、紙葉類の劣化度合いを表すパラメタを決定するためのデータを入力する入力部と、劣化した紙葉類の画像である紙葉類劣化画像を生成する紙葉類劣化画像生成部と、を備え、紙葉類劣化画像生成部は、入力されたデータに基づいて、紙葉類の劣化度合いを表すパラメタを決定し、決定されたパラメタに基づいて、画素値が非一様な画像を生成し、生成された画素値が非一様な画像を、画像入力部に入力された紙葉類の画像に加えることによって、紙葉類劣化画像を生成することを特徴とする。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、紙葉類識別装置に関し、特に、劣化のない紙葉類から生成された画像データを用いて紙葉類識別器を学習させる紙葉類識別装置に関する。
【背景技術】
【０００２】
銀行の自動預金預け払い機（ＡＴＭ）などの紙葉類自動取引装置は、紙葉類を識別する紙葉類識別器を備えており、紙葉類自動取引装置に挿入された紙葉類の種類および真贋などを紙葉類識別器が判定する。
【０００３】
紙葉類識別器に紙葉類を学習させる手法として、統計的学習がある。統計的学習は、紙葉類の紙面上の複数の位置から画素値の統計的特性（以下、統計的特性と記す。）を抽出し、紙葉類識別器に抽出された統計的特性を学習させる。
【０００４】
紙葉類識別器は、紙葉類自動取引装置に挿入された紙葉類の紙面上の複数の位置から統計的特性を抽出し、抽出された統計的特性と学習した統計的特性とを比較することによって紙葉類を識別する。以下、印刷されたばかりの状態とあまり変わりがなく、劣化の度合いが小さい綺麗な紙葉類を非劣化券と呼び、市場に出回って、劣化した紙葉類を劣化券と呼ぶ。
【０００５】
前述した統計的学習を行う場合、多数の学習用の紙葉類サンプルを必要とする。また、高精度の識別を行うためには、非劣化券および劣化券の両方を学習用の紙葉類サンプルとして紙葉類識別器に学習させる必要がある。
【０００６】
学習用の紙葉類サンプルとして非劣化券のみを用いた場合、非劣化券および劣化券の両方を学習用の紙葉類サンプルとして用いた場合と比べ、紙葉類識別器の識別精度は、著しく下がる。識別精度の著しい低下の理由は、紙葉類が市場に流通する間に、経年劣化および物理的接触などによって、紙葉類の統計的特性が多様化し、紙葉類識別器に学習させた紙葉類の統計的特性と市場に流通した紙葉類（劣化券）の統計的特性とに相違が生じるためである。
【０００７】
しかし、従来から、非劣化券を用いて紙葉類識別器を学習させることを可能にしたいというニーズがある。その理由として、第一に、非劣化券は劣化券に比べ収集が容易であり、短期間で収集可能であること。例えば、非劣化券は、紙葉類の印刷所で容易に手に入る。一方、劣化券は市場から回収しなければならず、多数入手するのは困難であり、収集にはコストと時間がかかる。第二に、新しい種類の紙葉類の発行に合わせて紙葉類識別器を学習される場合、非劣化券しか存在しないため、劣化券を入手することは不可能であり、非劣化券のみを学習用の紙葉類サンプルとして紙葉類識別器に学習させなければならない。以下、紙葉類の真贋判定を例に識別精度を説明する。
【０００８】
図１は、従来の非劣化券および劣化券を学習用の紙葉類サンプルとして紙葉類識別器に学習させた場合の非類似度値の分布を示した説明図である。
【０００９】
横軸は学習用の紙葉類サンプルとの非類似度を表す。非類似度の値が小さいほど、つまり、左側に位置する分布ほど真券（学習用に用いた紙葉類サンプル）に近いと判定され、非類似度の値が大きいほど、つまり、右側に位置する分布ほど偽券に近いと判定される。縦軸は頻度を表し、ある類似度の紙葉類の頻度（数）を表す。
【００１０】
非類似度値分布１００は、非劣化券および劣化券を学習用の紙葉類サンプルとして用いた場合の非類似度値の分布である。非類似度分布１０１は、未知の劣化券の非類似度値の分布であり、非類似度値分布１００と重なっている。また、非類似度値分布１０２は偽券の非類似度値の分布であり、非類似度値分布１０１は、非類似度値分布１０２と離れている。
【００１１】
真贋判定において、非類似度値分布１００の右側のすその終端値あたりを真券であるこことを示す閾値とすることによって、紙葉類識別器は、未知の劣化券（非類似度値分布１０１）を正しく識別できる。
【００１２】
図２は、従来の非劣化券のみを学習用の紙葉類サンプルとして紙葉類識別器に学習させた場合の非類似度値の分布を示した説明図である。
【００１３】
非類似度値分布２００は、非劣化券のみを学習用の紙葉類サンプルとして用いた場合の非類似度値の分布である。非類似度値分布２０１は未知の劣化券の非類似度値の分布であり、非類似度値分布２００と離れている。非類似度値分布２０２は、偽券の非類似度値の分布であり、非類似度値分布２０１は非類似度値分布２０２と隣接している。
【００１４】
この場合、真贋判定を行うための閾値を決定することができない。例えば、真券であることを示す閾値を大きめに設定しても、紙葉類識別器は、未知の劣化券（非類似値分布２０１）を偽券と判定してしまう可能性がある。
【００１５】
図３は、従来の真贋判定において、真券であることを示す閾値のマージンを示した説明図である。
【００１６】
真贋判定において、紙葉類の劣化に対する耐性を向上させる従来技術は現在のところほとんど知られていない。一般的には、図３にように、学習用の紙葉類サンプルの非類似度値分布３００に対し、閾値３０１に示すように真券であることを示す閾値を決定し、紙葉類の劣化に対する許容度を広げる方法がある。しかし、前述した方法は、マージンの大きさを直感に頼らねばならず、偽券が真券と判定されるなど、紙葉類識別器の信頼性を低下させる。また、図２に示すように、未知の劣化券の非類似度値分布２０１と偽券の非類似度値分布２０２とが隣接する場合、前述の方法を用いることができない。
【００１７】
紙葉類の劣化に対する耐性を向上させる方法として、文字認識における文字の劣化に対する識別精度を向上させる方法を用いることが考えられる。
【００１８】
例えば、学習用の文字データにノイズを加え、ノイズに対して影響を受けないような識別関数を文字認識装置に学習させる方法が考えられる（例えば、特許文献１を参照）。特許文献１には、ランダムに画素値「１」を「０」にしたり、画素値「０」を「１」にしたりすることによって、学習用文字データを劣化させている。しかし、特許文献１は、文字画像の読み取り時または印刷時における文字パタンの欠損および損傷を表現することを目的としており、市場に流通することによって劣化する紙葉類に対応するものではない。
【００１９】
また、文字の辞書データを部分的に拡大、縮小、または、平行移動を行い、学習用の文字データを生成し、生成された文字データを用いて学習させることによって、文字の劣化に対する識別精度を向上させる方法が考えられる（例えば、特許文献２を参照）。また、辞書データを拡大、縮小、または、ぼかし処理を行い、学習用の文字データを生成し、生成された文字データを用いて学習させることによって、文字の劣化に対する識別精度を向上させる方法が考えられる（例えば、特許文献３を参照）。
【特許文献１】特開平１０−６３７８９号公報
【特許文献２】特開平０７−０４９９２７号公報
【特許文献３】特開２００６−０５９３５号公報
【発明の開示】
【発明が解決しようとする課題】
【００２０】
しかし、前述した従来技術は、いずれも文字の幾何学的変形、および、ぼかしを用いるもので、市場に流通することによって劣化する紙葉類を再現したものではない。
【００２１】
本発明は、劣化券が少数しかない場合、または、非劣化券しかない場合、において、多数の劣化券を用いた統計的学習と同等の紙葉類の識別が可能な紙葉類識別器を備える紙葉類識別装置を提供することを目的とする。
【課題を解決するための手段】
【００２２】
本発明の代表的な一例を示せば以下の通りである。すなわち、紙葉類を識別する紙葉類識別器を備える紙葉類識別装置であって、前記紙葉類識別装置は、紙葉類の画像を入力する画像入力部と、紙葉類の劣化度合いを表すパラメタを決定するためのデータを入力する入力部と、劣化した紙葉類の画像である紙葉類劣化画像を生成する紙葉類劣化画像生成部と、を備え、前記紙葉類劣化画像生成部は、前記入力されたデータに基づいて、前記紙葉類の劣化度合いを表すパラメタを決定し、前記決定されたパラメタに基づいて、画素値が非一様な画像を生成し、前記生成された画素値が非一様な画像を、前記画像入力部に入力された紙葉類の画像に加えることによって、前記紙葉類劣化画像を生成し、前記紙葉類劣化画像生成部によって生成された画素値が非一様な画像は、紙葉類の紙面上の空間的な統計特性と、前記画像入力部に入力された複数の劣化した紙葉類の統計特性と、を備えることを特徴とする。
【発明の効果】
【００２３】
劣化した紙葉類がない場合、または、劣化した紙葉類が少数ある場合において、高い識別精度を有する紙葉類識別器を備える紙葉類識別装置を実現できる。
【発明を実施するための最良の形態】
【００２４】
［第１の実施の形態］
本発明の第１の実施の形態は、任意の種類の紙葉類において非劣化券しかない場合、非劣化券に画像処理を行うことによって劣化券に相当する画像が生成され、生成された劣化券に相当する画像を用いて紙葉類識別器を学習させる。これによって、非劣化券および劣化券の両方を学習用の紙葉類サンプルとして用いた場合と同様の識別精度が得られる。画像処理は、具体的には、画素値が非一様な画像を非劣化券の画像に加えることによって、劣化券に相当する画像を生成する。以下、劣化券に相当する画像を紙葉類劣化画像と呼ぶ。また、画素値が非一様な画像をムラ画像と呼び、ムラ画像の画素値の非一様性をムラと呼ぶ。
【００２５】
図４は、本発明の第１の実施の形態の紙葉類のムラ画像を示す説明図である。
【００２６】
本発明におけるムラは、目に見える黄ばみ、または汚れなどを指すものではなく、紙葉類にある波長の光を照射し、照射された光の反射光または透過光から得られた画素値を指す。前述の画素値は、例えば、輝度値などである。図４は、画素値が等しい点を結んだムラ画像を示す。劣化した紙葉類にムラが生じる原因としては、手垢、部分的な経年劣化、機械による摩耗、および、部分的に付着した汚れなどが考えられ、紙葉類の劣化の度合いにしたがって、ムラの程度が大きくなる。
【００２７】
なお、本発明のムラ画像は、一つの波長から取得する場合に限定されず、複数の異なる波長の光をそれぞれ紙葉類に照射し、複数の画像を取得し、該複数の画像の画素値加えてムラ画像を取得する場合、または、複数の波長を含む光から一枚のムラ画像を取得する場合であってもよい。この場合、画素値としては、輝度値以外に色なども考えられる。
【００２８】
図５は、本発明の第１の実施の形態の紙葉類識別装置のハードウェア構成を示すブロック図である。
【００２９】
紙葉類識別装置５００は、画像入力部５０１、テキスト入力部５０２、画像出力部５０３、テキスト出力部５０４、ＣＰＵ５０５、主記憶部５０６、補助記憶部５０７、および画像表示部５０８を備える。これらは、バスによって５０９に接続されている。
【００３０】
画像入力部５０１は、ムラ画像を生成するための紙葉類または識別するための紙葉類を入力する。テキスト入力部５０２は、生成されるムラ画像のパラメタおよび紙葉類識別器に所定の閾値を設定するためのパラメタを入力する。テキスト入力部５０２は、例えば、キーボードなどである。なお、生成されるムラ画像のパラメタについては図１５を用いて後述する。また、紙葉類識別器に所定の閾値を設定するためのパラメタについては図１８を用いて後述する。
【００３１】
画像出力部５０３は、生成された紙葉類劣化画像を出力する。テキスト出力部５０４は、生成された紙葉類劣化画像を用いて紙葉類識別器を学習させた後の識別精度の結果を出力する。
【００３２】
ＣＰＵ５０５は、画像処理などの一連の処理を行う。以下、本明細書で説明する処理は、ＣＰＵ５０５で行われる。主記憶部５０６は、入力された紙葉類のデータ、生成されたムラ画像のデータ、および画像処理を行うためのプログラム等を記憶している。主記憶部５０６は、例えば、ＨＤＤまたはフラッシュメモリ等の不揮発性記憶媒体である。補助記憶部５０７には、主記憶部５０６が記憶するプログラム等が格納される。補助記憶部５０７は、例えば、ＲＡＭである。ＣＰＵ５０５は、補助記憶部５０７に格納されているプログラムを実行する。
【００３３】
以下、本発明の第１の実施の形態の紙葉類識別装置について説明する。特に、紙葉類の真贋判定を行う紙葉類識別装置を例に説明する。
【００３４】
図６は、本発明の第１の実施の形態の紙葉類識別装置の構成を示すブロック図である。
【００３５】
紙葉類劣化画像生成部６０１は、入力された非劣化券画像６００に画像処理を行い紙葉類劣化画像６０２を生成する。生成された紙葉類劣化画像６０２は、紙葉類識別器６０３に出力される。紙葉類識別器６０３は、入力された紙葉類劣化画像６０２を用いて、紙葉類識別器６０３に統計的学習をさせる。これによって、紙葉類識別器６０３の識別精度が向上し、紙葉類識別器６０３に所望の閾値（この場合は、真券であることを示す閾値）を決定できる。
【００３６】
本実施の形態において、紙葉類劣化画像生成部６０１は、非劣化券画像６００とは異なる複数の種類の紙葉類の劣化券の画像から算出されたムラの空間的な統計特性を記憶しており、算出されたムラの空間的な統計特性を用いてムラ画像を生成する。前述のムラの空間的な統計特性は、紙葉類劣化画像６０２が生成される前に算出される。算出されたムラの空間的な統計特性は、紙葉類の種類によらず、普遍的な特性である。
【００３７】
本実施の形態は、前述のムラの空間的な統計特性を用いることによって、任意の種類の紙葉類において非劣化券しかない場合でも、紙葉類識別器６０３の識別精度を向上させることができる。以下、劣化券のムラの空間的な統計特性について説明する。
【００３８】
図７は、本発明の第１の実施の形態の劣化券のムラの空間的な統計特性を算出する処理を説明するブロック図である。
【００３９】
紙葉類劣化画像生成部６０１は、入力された劣化券画像７００にムラ画像抽出処理７０１を行い、劣化券のムラ画像７０２を抽出する。入力される劣化券画像７００は、非劣化券とは異なる種類の紙葉類であり、かつ、複数枚の画像が入力される。したがって、劣化券のムラ画像７０２も複数抽出される。なお、ムラ画像抽出処理７０１は、図８を用いて後述する。
【００４０】
次に、紙葉類劣化画像生成部６０１は、抽出された劣化券のムラ画像７０２に統計分析処理７０３を行い、ムラ基底画像７０４とムラ射影画像７０５とを算出する。なお、統計分析処理７０３は、図９を用いて後述する。
【００４１】
算出されたムラ基底画像７０４およびムラ射影画像７０５が、本実施の形態におけるムラの空間的な統計特性である。
【００４２】
紙葉類劣化画像生成部６０１は、算出されたムラ基底画像７０４およびムラ射影画像７０５のデータを保持する。以下、ムラ画像抽出処理７０１および統計分析処理７０３について説明する。
【００４３】
図８は、本発明の第１の実施の形態のムラ画像抽出処理７０１を説明するブロック図である。
【００４４】
紙葉類劣化画像生成部６０１は、入力された劣化券画像７００の中から一つ基準画像８００を選択する。紙葉類劣化画像生成部６０１は、選択された基準画像８００と入力された劣化券画像７００との差分を算出する差分処理８０１を行い、差分画像Ａ８０２を複数抽出する。差分処理８０１は、具体的には、選択された基準画像８００と劣化券画像７００との位置を合わせ、画素ごとに画素値の差を算出する。これによって、紙葉類上に描かれているデザインを除去することができる。
【００４５】
次に、紙葉類劣化画像生成部６０１は、算出された複数の差分画像Ａ８０２のエッジを除去するエッジ除去処理８０３を行い、差分画像Ｂ８０４を抽出する。なお、差分画像Ａ８０２にエッジが生じる原因としては、前述の差分処理８０１において、選択された基準画像８００と劣化券画像７００との位置を合わせが不完全であることが考えられる。
【００４６】
紙葉類劣化画像生成部６０１は、抽出された複数の差分画像Ｂ８０４に、変色による紙面全体の輝度変動の除去処理８０５を行い、ムラ画像７０２を抽出する。変色による紙面全体の輝度変動の除去処理８０５は、例えば、一画像内の輝度の平均が０になるように補正する処理、または、紙葉類を経年劣化の程度に基づいて差分画像Ｂ８０４をクラスに分類し、各クラスに分類された差分画像Ｂ８０４と各クラスに分類された差分画像Ｂ８０４が所属しているクラスの平均画像との差分を算出する処理が考えられる。
【００４７】
図９は、本発明の第１の実施の形態の統計分析処理７０３を説明するブロック図である。統計分析処理７０３は、例えば、主成分分析処理、または独立成分分析処理などが考えられる。
【００４８】
ステップ９００〜ステップ９０２までが主成分分析処理を表し、ステップ９００〜ステップ９０４までが独立成分分析処理を表す。
【００４９】
はじめに、主成分分析処理について説明する。
【００５０】
ステップ９００において、統計分析処理７０３で用いるデータの次元を減らすため、紙葉類劣化画像生成部６０１は、抽出された劣化券のムラ画像７０２をサンプリングする。具体的には、劣化券のムラ画像７０２内の任意の位置の画素を抜き出す。例えば、縦、横それぞれ３ピクセルおきに画素を抜き出す。劣化券のムラ画像７０２の全画素数が９００である場合、サンプリングした後の画素数は１００となる。
【００５１】
ステップ９０１において、紙葉類劣化画像生成部６０１は、抜き出した画素を一列に並べてベクトルとして、共通分散行列を算出する。
【００５２】
ステップ９０２において、紙葉類劣化画像生成部６０１は、算出された共通分散行列から固有値および固有ベクトルを算出する。なお、紙葉類劣化画像生成部６０１は、算出された固有値および固有ベクトルの全てを後述する処理に用いる必要はなく、予め紙葉類劣化画像生成部６０１が決定した数だけ、後述する処理に用いる固有値を大きい順に選択し、選択された固有値と、選択された固有値に対応する固有ベクトルとが後述する処理に用いられる。選択された固有値は大きい順に並べられる。以下、算出される固有値の数はＮ個とする。また、ｋ番目の固有値をλｋとし、固有値λｋに対応する固有ベクトルをｖｋとする。なお、ｋは、１〜Ｎまでのいずれかの値をとることができる。
【００５３】
紙葉類劣化画像生成部６０１は、√λｋ×ｖｋを画像形式に並び替える。画像形式とは、画素を一列に並べてベクトルとしたので、ｖｋの各成分は画像上の画素に対応する。画像形式に並び替えられたものをＩｋ［ｘ，ｙ］とし、これをムラ基底画像７０４とする。以下、ムラ基底画像７０４をムラ基底画像Ｉｋ［ｘ，ｙ］７０４とも記す。また、紙葉類劣化画像生成部６０１は、ｖｉ／√λｉを画像形式に並び替え、並び替えられたものをＪｋ［ｘ，ｙ］とし、これをムラ射影画像７０５とする。以下、ムラ射影画像７０５をムラ射影画像Ｊｋ［ｘ，ｙ］７０５とも記す。なお、［ｘ，ｙ］は座標（ｘ，ｙ）を示す添え字であり、例えば、ムラ基底画像Ｉｋ［ｘ，ｙ］７０４は、座標（ｘ，ｙ）の劣化券のムラ基底画像７０４の画素値を表す。なお、紙葉類の左上を座標の原点とする。
【００５４】
ここで、ムラ基底画像Ｉｋ［ｘ，ｙ］７０４とムラ射影画像Ｊｋ［ｘ，ｙ］７０５とは、逆写像の関係にある。
【００５５】
次に、独立成分分析処理について説明する。
【００５６】
ステップ９００〜ステップ９０１までは主成分分析処理と同様である。
【００５７】
ステップ９０２において、紙葉類劣化画像生成部６０１は、固有値および固有ベクトルを算出する。なお、算出する固有値および固有ベクトルの数は主成分分析処理と同様にＮ個である。
【００５８】
ステップ９０３において、紙葉類劣化画像生成部６０１は、算出された固有値および固有ベクトルを用いて、サンプリングされた劣化券のムラ画像７０２を中心化および白色化する。
【００５９】
ステップ９０４において、紙葉類劣化画像生成部６０１は、中心化および白色化された劣化券のムラ画像７０２から互いに直交する独立な軸を算出する。互いに直交する独立な軸を算出する方法としては、例えば、ｆａｓｔＩＣＡを用いることができる。
【００６０】
算出された互いに直交する独立な軸において、ｉ番目の独立な軸をｗｋとする。また、各行成分がｗｋである行列をＷとする。また、各行成分がｖｋである行列をＶとし、対角成分が√λｋである行列をＤとする。ここで、行列Ｗおよび行列Ｖは直行行列であり、行列Ｄは対角行列である。
【００６１】
独立成分分析処理において、行列の積ＷＤＶの各行を画像形式に並び替えて算出されたものをムラ基底画像Ｉｋ［ｘ，ｙ］７０４とする。
【００６２】
また、行列の積ＷＤ-1Ｖの各行を画像形式に並び替えて算出されたものをムラ射影画像Ｊｋ［ｘ，ｙ］７０５とする。
【００６３】
ここで、ムラ基底画像Ｉｋ［ｘ，ｙ］７０４とムラ射影画像Ｊｋ［ｘ，ｙ］７０５は、
逆写像の関係にある。主成分分析処理によって算出されたムラ基底画像Ｉｋ［ｘ，ｙ］７０４、およびムラ射影画像Ｊｋ［ｘ，ｙ］７０５と、独立成分分析処理によって算出されたムラ基底画像Ｉｋ［ｘ，ｙ］７０４、およびムラ射影画像Ｊｋ［ｘ，ｙ］７０５は、同様の数学的な関係を満たす。
【００６４】
本実施の形態において、劣化券のムラ画像７０２は、数学的なモデルであらわされる。具体的には、劣化券のムラ画像７０２をＨ［ｘ，ｙ］とすると、劣化券のムラ画像７０２は、
（式１）Ｈ［ｘ，ｙ］＝Σｋ βｋ×Ｉｋ［ｘ，ｙ］
によってモデル化されている。なお、βｋは、後述する劣化券のムラ重み係数１２００である（図１２Ｂ参照）。以下、劣化券のムラ画像７０２を劣化券のムラ画像Ｈ［ｘ，ｙ］７０２とも記す。また、劣化券のムラ重み係数１２００を劣化券のムラ重み係数βｋ１２００とも記す。
【００６５】
紙葉類劣化画像生成部６０１は、前述の処理によって算出されたムラ基底画像Ｉｋ［ｘ，ｙ］７０４、およびムラ射影画像Ｊｋ［ｘ，ｙ］７０５を用いて紙葉類劣化画像６０２を生成する。以下、具体的な処理について説明する。
【００６６】
図１０は、本発明の第１の実施の形態の紙葉類劣化画像生成部６０１の構成を示す説明図である。
【００６７】
紙葉類劣化画像生成部６０１は、入力された非劣化券画像６００から、非劣化券のムラ統計特性算出処理１０００を行い、非劣化券のムラ統計特性１００１を算出する。なお、非劣化券のムラ統計特性算出処理１０００、および非劣化券のムラ統計特性１００１は、図１１を用いて後述する。
【００６８】
次に、紙葉類劣化画像生成部６０１は、入力された非劣化券画像６００、および算出された非劣化券のムラ統計特性１００１を用いて、劣化画像処理１００２を行い、紙葉類劣化画像６０２を生成する。なお、劣化画像処理１００２については、図１３を用いて後述する。
【００６９】
図１１は、本発明の第１の実施の形態の非劣化券のムラ統計的特性算出処理１０００を説明するブロック図である。
【００７０】
紙葉類劣化画像生成部６０１は、入力された非劣化券画像６００にムラ画像抽出処理７０１を行い、非劣化券のムラ画像１１００を抽出する。
【００７１】
紙葉類劣化画像生成部６０１は、抽出された非劣化券のムラ画像１１００を用いて非劣化券のムラ重み係数算出処理１１０１を行い、非劣化券のムラ重み係数１１０２を算出する。
【００７２】
ここで、本実施の形態において、前述の劣化券のムラ画像Ｈ［ｘ，ｙ］７０２と同様に、非劣化券のムラ画像１１００は、数学的なモデルで表わされる。具体的には、非劣化券のムラ画像１１００をＨｂ［ｘ，ｙ］とすると、非劣化券のムラ画像１１００は、
（式２）Ｈｂ［ｘ，ｙ］＝Σｋ γｋ×Ｉｋ［ｘ，ｙ］
でモデル化されている。なお、γｋは、非劣化券のムラ重み係数１１０２を表す。以下、非劣化券のムラ画像１１００を非劣化券のムラ画像Ｈｂ［ｘ，ｙ］１１００とも記し、非劣化券のムラ重み係数１１０２を非劣化券のムラ重み係数γｋ１１０２とも記す。
【００７３】
非劣化券のムラ重み係数γｋ１１０２は、具体的には、ムラ画像Ｈｂ［ｘ，ｙ］１１００とムラ射影画像Ｊｋ［ｘ，ｙ］７０５との内積によって算出される。
【００７４】
紙葉類劣化画像生成部６０１は、算出された非劣化券のムラ重み係数γｋ１１０２を用いて非劣化券のムラ統計特性算出処理１１０３を行い、非劣化券のムラ統計特性１００１を算出する。非劣化券のムラ統計特性算出処理１１０３は、例えば、非劣化券のムラ重み係数γｋ１１０２の平均を用いることが考えられる。また、非劣化券のムラ重み係数γｋ１１０２の平均以外に高次モーメントを用いることも考えられる。算出された非劣化券のムラ統計特性１００１をｍｋと記し、以下、非劣化券のムラ統計特性１００１を非劣化券のムラ統計特性ｍｋ１００１とも記す。
【００７５】
図１２Ａは、本発明の第１の実施の形態の非劣化券のムラ画像１１００、非劣化券のムラ重み係数１１０２、ムラ基底画像７０４、ムラ射影画像７０５の数学的な関係を示す説明図である。
【００７６】
（式２）に示すように、ムラ基底画像７０４と非劣化券のムラ重み係数１１０２との線形和によって、非劣化券のムラ画像１１００が算出される。また、非劣化券のムラ画像１１００とムラ射影画像７０５との内積によって、ムラ重み係数１１０２が算出される。
【００７７】
図１２Ｂは、本発明の第１の実施の形態の劣化券のムラ画像７０２、劣化券のムラ重み係数１２００、ムラ基底画像７０４、ムラ射影画像７０５の数学的な関係を示す説明図である。
【００７８】
図１２Ｂに示すように、劣化券についても非劣化券と同様の数学的関係を満たす。
【００７９】
図１３は、本発明の第１の実施の形態の劣化画像処理１００２を説明するブロック図である。
【００８０】
紙葉類劣化画像生成部６０１は、劣化度補助入力１３００、および紙葉類劣化画像適用事例データベース１３０２を用いて、劣化度パラメタ決定処理１３０１を行い。劣化度パラメタ１４００（図１４参照）を算出する。劣化度パラメタ１４００は、紙葉類劣化画像６０２を生成するときに用いるパラメタであり、劣化度合いを具体化した量である。劣化度を指定するパラメタがｎ個あった場合、劣化度パラメタ１４００は、ｎ次元のベクトルとなる。以下、劣化度パラメタ１４００、紙葉類劣化画像適用事例データベース、および劣化度パラメタ決定処理１３０１について説明する。
【００８１】
図１４は、本発明の第１の実施の形態の劣化度パラメタ１４００の構成例を示す説明図である。
【００８２】
図１４に示すように、劣化度パラメタ１４００は、６次元ベクトルである。劣化度パラメタ１４００の具体的な成分は、紙面全体の黄ばみの度合いを表すパラメタ１４０１、紙面全体の黒ずみの度合いを表すパラメタ１４０２、ムラの程度を表すパラメタ１４０３、しみの度合いを表すパラメタ１４０４、落書きの度合いを表すパラメタ１４０５、および、破れまたは紙面上にあいた穴の度合いを表すパラメタ１４０６である。なお、劣化度パラメタ１４００は、前述の形式に限定されない。また、６次元以上、または６次元以下の場合もありうる。
【００８３】
図１５は、本発明の第１の実施の形態の紙葉類劣化画像適用事例データベース１３０２の一例を示す説明図である。
【００８４】
紙葉類劣化画像適用事例データベース１３０２は、劣化度パラメタ１４００が決定される以前に紙葉類劣化画像生成部６０１が生成した紙葉類劣化画像６０２に関するデータを格納している。具体的には、紙葉類劣化画像適用事例データベース１３０２には、紙葉類の種類１５００、劣化度パラメタ１５０１、評価値１５０２、画像データ１５０３、および紙葉類の特徴１５０４が格納される。
【００８５】
紙葉類の種類１５００は、紙葉類劣化画像６０２を生成するときに入力された紙葉類の種類を格納する。劣化度パラメタ１５０１は、紙葉類劣化画像６０２を生成するときに用いた劣化度パラメタ１４００を格納する。評価値１５０２は、生成された紙葉類劣化画像６０２を紙葉類識別器６０３に学習させたときの識別精度を格納する。例えば、学習させた紙葉類の非類似度分布のグラフと実際に識別された紙葉類の非類似度分布のグラフとの重なり程度を表す。学習させた紙葉類の非類似度分布のグラフが、実際に識別された紙葉類の非類似度分布のグラフと重なっているほど識別精度が高いことを示す。画像データ１５０３は、紙葉類劣化画像６０２を生成するときに入力された紙葉類の画像データを格納する。紙葉類の特徴１５０４は、紙葉類が使用されている国・地域、紙葉類全体の色、紙質、およびインクの種類を格納する。
【００８６】
図１６は、本発明の第１の実施の形態の劣化度パラメタ決定処理１３０１を示すフローチャートである。
【００８７】
紙葉類劣化画像生成部６０１は、劣化度パラメタ１４００の入力方法について判定する（１６００）。具体的には、紙葉類劣化画像生成部６０１は、劣化度パラメタ１４００が直接入力されたか、紙葉類の画像が入力されたか、または、紙葉類の特徴が入力されたかを判定する。なお、紙葉類の特徴は図１５の紙葉類の特徴１５０４と同様のデータである。なお、紙葉類の画像は、テキスト入力部５０２から入力されてもよいし、または、画像入力部５０１から入力されてもよい。
【００８８】
劣化度パラメタ１４００が直接入力されたと判定された場合（１６０１）、紙葉類劣化画像生成部６０１は、入力された劣化度パラメタ１４００を劣化券画像を生成するときに使用する劣化度パラメタ１４００に決定する（１６０２）。
【００８９】
紙葉類の画像が入力されたと判定された場合（１６０３）、紙葉類劣化画像生成部６０１は、入力された紙葉類の画像から画像データを抽出し、抽出された画像データと紙葉類劣化画像適用事例データベース１３０２に格納される画像データとの差分を算出する（１６０４）。次に、紙葉類劣化画像生成部６０１は、算出された差分の値が小さいデータの中から値を決定する（１６０５）。
【００９０】
算出された差分の値が小さいデータの中から劣化度パラメタ１４００を決定する場合、例えば、差分の値で紙葉類劣化画像適用事例データベース１３０２に格納されているデータを並び替え、紙葉類識別装置を操作している人に提示し、紙葉類識別装置を操作している人が提示されたデータから劣化度パラメタ１４００を決定する方法が考えられる。また、例えば、評価値１５０２と、抽出された画像データと紙葉類劣化画像適用事例データベース１３０２に格納される画像データとの差分値の値が、最も大きいデータを劣化度パラメタ１４００に決定する方法も考えられる。
【００９１】
紙葉類の特徴が入力されたと判定された場合（１６０６）、紙葉類劣化画像生成部６０１は、紙葉類劣化画像適用事例データベース１３０２に格納される紙葉類の特徴を参照し、入力された紙葉類の特徴と一致するデータを検索する（１６０７）。
【００９２】
紙葉類劣化画像生成部６０１は、検索されたデータの中から評価値が最も大きいデータを劣化度パラメタ１４００に決定する（１６０８）。
【００９３】
図１３の説明に戻る。
【００９４】
紙葉類劣化画像生成部６０１は、非劣化券画像６００および算出された劣化度パラメタ１４００とに基づいて、紙葉類劣化画像６０２を生成する。
【００９５】
まず、紙葉類劣化画像生成部６０１は、紙葉類の紙面全体の輝度を変化させる、輝度変動生成処理１３０３を行う。具体的には、紙葉類の紙面全体の黄ばみ度合いを表すパラメタ１４０１、および紙葉類の紙面全体の黒ずみの度合いを表すパラメタ１４０２に基づいて画素値を変化させる。例えば、
（式３）ｖ＋Ｙ×ｐ１＋Ｂ×ｐ２
に示すように画素値を変化させる。ただし、ｖは各画素の画素値を表し、Ｙは黄ばみによる輝度変動の変位量を表し、Ｂは黒ずみによる輝度変動の変位量を表す。また、ｐ１は黄ばみの度合いを表すパラメタ１４０１であり、ｐ２は黒ずみの度合いを表すパラメタ１４０２である。ＹおよびＢはアルゴリズムに固有の値であり、紙葉類劣化画像生成部６０１に最初から設定されている。例えば、Ｙが１０、Ｂが−５と設定されている場合、ｐ１が＋１変化すると画素値が＋１０変化し、また、ｐ２が＋１変化すると画素値が−５変化する。
【００９６】
次に、紙葉類劣化画像生成部６０１は、ムラ基底画像Ｉｋ［ｘ，ｙ］７０４、ムラ射影画像Ｊｋ［ｘ，ｙ］７０５、および非劣化券のムラ統計特性ｍｋ１００１を用いて、ムラ生成処理１３０４を行う。具体的には、紙葉類劣化画像生成部６０１は、劣化券のムラ重み係数βｋ１２００を算出し、算出された劣化券のムラ重み係数βｋ１２００とムラ基底画像Ｉｋ［ｘ，ｙ］７０４を（式１）に代入し劣化券のムラ画像Ｈ［ｘ，ｙ］７０２を生成する。なお、ムラ生成処理１３０４については、図１７を用いて後述する。
【００９７】
次に、紙葉類劣化画像生成部６０１は、非劣化券画像Ｉ［ｘ，ｙ］６００と劣化券のムラ画像Ｈ［ｘ，ｙ］７０２の和により、ムラを生成する。
【００９８】
次に、紙葉類劣化画像生成部６０１は、局所的な損傷・汚れ生成処理１３０５を行う。
【００９９】
紙葉類の紙面上に局所的な損傷を生成する方法としては、例えば、紙葉類劣化画像生成部６０１は、物理的な損傷（破れまたは紙面上にあいた穴など）を決定し、破れまたは紙面上にあいた穴の度合いを表すパラメタ１４０６にしたがって、物理的な損傷の度合いの確率分布を算出し、算出された物理的な損傷の度合いの確率分布に基づいて紙葉類に局所的な損傷を生成する方法が考えられる。
【０１００】
また、紙葉類の紙面上に汚れを生成する方法としては、例えば、紙葉類劣化画像生成部６０１は、紙面全体の黄ばみの度合いを表すパラメタ１４０１、紙面全体の黒ずみの度合いを表すパラメタ１４０２、および、しみの度合いを表すパラメタ１４０４にしたがって、汚れの度合いの確率分布を算出し、算出された汚れの度合いの確率分布に基づいて、紙葉類に汚れを生成する方法が考えられる。
【０１０１】
以上の処理によって生成された紙葉類劣化画像６０２は紙葉類識別器６０３に出力される。
【０１０２】
図１７は、本発明の第１の実施の形態のムラ生成処理１３０４を示すフローチャートである。
【０１０３】
ステップ１７００〜ステップ１７０３は、ループ処理になっており、ｋ＝１からｋ＝Ｎまで同様の処理が行われる。
【０１０４】
紙葉類劣化画像生成部６０１は、図８により説明した方法によって、入力された非劣化券のムラ画像Ｈｂ［ｘ，ｙ］７０２を算出する（１７００）。次に、紙葉類劣化画像生成部６０１は、前述の方法を用いて非劣化券のムラ重み係数γｋを算出する（１７０１）。
【０１０５】
次に、紙葉類劣化画像生成部６０１は、非劣化券のムラ統計特性ｍｋ１００１を用いて、非劣化券のムラ重み係数γｋ１１０２の確率分布Ｐｋ（βｋ｜γｋ、ｒ）を決定する（１７０２）。ここで、ｒは、ムラの程度を表すパラメタ１４０３を表す。確率分布Ｐｋ（βｋ｜γｋ、ｒ）は、例えば、ムラ重み係数γｋ１１０２と非劣化券のムラ統計特性ｍｋ１００１の差と、ムラの程度ｒとの積を平均とする正規分布とする。
【０１０６】
紙葉類劣化画像生成部６０１は、決定された確率分布Ｐｋ（βｋ｜γｋ、ｒ）にしたがって、劣化券のムラ重み係数βｋ１２００を算出する（１７０３）。
【０１０７】
前述のループ処理を終了した紙葉類劣化画像生成部６０１は、算出された劣化券のムラ重み係数βｋ１２００を用いて、ムラを生成する（１７０４）。具体的には、（式１）にしたがって劣化券のムラ画像Ｈ［ｘ，ｙ］７０２が生成される。
【０１０８】
以上の処理によって、紙葉類劣化画像生成部６０１は、紙葉類劣化画像６０２を生成することができる。生成された紙葉類劣化画像６０２を用いて、紙葉類識別器６０３を学習させることによって、非劣化券と劣化券との両方を用いて学習させた場合と同様の識別精度が得られる。
【０１０９】
次に、学習させた紙葉類識別器６０３の閾値の決定方法について説明する。
【０１１０】
図１８は、本発明の第１の実施の形態の閾値の決定方法の一例を示した説明図である。
【０１１１】
分布１８００は、紙葉類識別器６０３に学習させた紙葉類の非類似度分布である。分布１８０１は、紙葉類識別器６０３に学習させた紙葉類を生成するときに用いた劣化度パラメタ１４００と同一のパラメタを用いて生成された紙葉類劣化画像６０２の非類似度分布である。分布１８０２は、紙葉類識別器６０３に学習させた紙葉類を生成するときの用いた劣化度パラメタ１４００よりも大きな値の劣化度パラメタ１４００を用いて生成した紙葉類劣化画像６０２の非類似度分布である。分布１８０３は、落書きを多く発生された紙葉類劣化画像６０２の非類似度分布である。
【０１１２】
例えば、紙葉類識別器６０３に学習させた紙葉類の画像と同程度の劣化までを許容する場合、紙葉類識別器６０３は、閾値を閾値１８０４に決定する。紙葉類識別器６０３に学習させた紙葉類より少し劣化の程度が大きい紙葉類も許容する場合、紙葉類識別器６０３は、閾値を閾値１８０５に決定する。落書きが多い紙葉類を除去したい場合、紙葉類識別器６０３は、閾値を閾値１８０６に決定する。また、紙葉類識別器６０３は、局所的な汚れおよび損傷がある紙葉類を許容するように閾値を決定することもできる。
【０１１３】
また、図１８に示す非類似度分布のグラフを用いて紙葉類識別器６０３の識別精度を評価することができる。
【０１１４】
第１の実施の形態によれば、入力される非劣化券のムラ重み係数γｋ１１０２から劣化券のムラ重み係数βｋ１２００を算出し、算出された劣化券のムラ重み係数βｋ１２００とムラ基底画像Ｉｋ［ｘ、ｙ］とを用いてムラ画像を生成し、劣化券のムラ画像Ｈ［ｘ，ｙ］７０２を生成し、入力された非劣化券画像６００に劣化券のムラ画像Ｈ［ｘ，ｙ］７０２を足し合わせることによって、ムラを生成し、紙葉類劣化画像６０２を生成する。入力される非劣化券のムラ重み係数γｋ１１０２と確率分布Ｐｋ（βｋ｜γｋ、ｒ）とを用いて劣化券のムラ重み係数βｋ１２００を算出することによって、劣化券の統計特性と入力される非劣化券の統計特性とが反映され、より所望の劣化券に近い紙葉類劣化画像６０２が生成される。
【０１１５】
また、生成された紙葉類劣化画像６０２を用いて紙葉類識別器６０３に学習させることによって、劣化券と非劣化券との両方を用いて学習させた場合と同程度の識別精度を実現できる。
【０１１６】
［第２の実施の形態］
本発明の第１の実施の形態では、識別する紙葉類の劣化券がない場合について説明した。本発明の第２の実施の形態では、識別する紙葉類の劣化券（以下、劣化券Ａと記す。）が数枚だけある場合について説明する。この場合、劣化度パラメタ決定処理１３０１が異なる。なお、装置構成および他の処理は、第１の実施の形態と同一である。以下、劣化度パラメタ決定処理１３０１の決定方法について説明する。
【０１１７】
図１９は、本発明の第２の実施の形態の劣化度パラメタ決定処理１３０１のフローチャートを示す図である。ステップ１９００から１９０４まではループ処理になっており、事前に指定された回数（この場合は、Ｔ回）だけ同様の処理を行う。
【０１１８】
まず、紙葉類劣化画像生成部６０１は、ランダムに劣化度パラメタ１４００を決定し（１９００）、決定された劣化度パラメタ１４００にしたがって、紙葉類劣化画像６０２を生成する（１９０１）。なお、紙葉類劣化画像６０２は、第１の実施の形態と同様の処理を行って生成する。
【０１１９】
紙葉類劣化画像生成部６０１は、生成された紙葉類劣化画像６０２を用いて紙葉類識別器６０３に学習させたときの非類似度の分布を算出し、また、劣化券Ａの非類似度の分布を算出する（１９０２）。
【０１２０】
図２０は、本発明の第２の実施の形態の非類似度の分布を示す説明図である。
【０１２１】
分布２０００は、紙葉類識別器６０３に学習させた紙葉類の非類似度の分布であり、分布２００１は、劣化券Ａの非類似度の分布である。以下、紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００と記し、劣化券Ａの非類似度の分布２００１と記す。
【０１２２】
次に、紙葉類劣化画像生成部６０１は、紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００が、劣化券Ａの非類似度の分布２００１に含まれるか否かを判定する（１９０３）。つまり、紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００が劣化券Ａの非類似度の分布２００１と重なっているか否かを判定する。
【０１２３】
紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００が、劣化券Ａの非類似度の分布２００１に含まれると判定された場合、紙葉類劣化画像生成部６０１は、ステップ１９００で決定した劣化度パラメタ１４００を劣化度パラメタの採用候補リストに追加する（１９０４）。なお、劣化度パラメタの候補リストは、紙葉類劣化画像生成部６０１に保持される。
【０１２４】
紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００が、劣化券Ａの非類似度の分布２００１に含まれないと判定された場合、紙葉類劣化画像生成部６０１は、ステップ１９００で決定した劣化度パラメタ１４００を劣化度パラメタの候補リストに追加しない。
【０１２５】
ステップ１９００からステップ１９０５までのループ処理が終了したら、紙葉類劣化画像生成部６０１は、劣化度パラメタの候補リストのノルム値を算出し、算出されたノルム値が小さいものを劣化度パラメタ１４００に決定する（１９０５）。
【０１２６】
本発明の第２の実施の形態によれば、収集された劣化券が少数の場合であっても、紙葉類識別器６０３の識別精度を向上させることができる。
【０１２７】
［第３の実施の形態］
本発明の第３の実施の形態は、ＧＵＩを用いて劣化度パラメタ１４００を決定する。
【０１２８】
本発明の第３の実施の形態の装置構成は、本発明の第１の実施の形態と同一の構成である。
【０１２９】
図２１は、本発明の第３の実施の形態のＧＵＩを用いた劣化度パラメタ１４００の決定方法を示す説明図である。
【０１３０】
本発明の第３の実施の形態の画像出力部５０３は、図２１に示すようなＧＵＩ画面２１００である。図２１に示すように、ＧＵＩ画面２１００には、識別紙葉類２１０１、紙葉類Ａ２１０２、紙葉類Ｂ２１０３、紙葉類Ｃ２１０４、紙葉類Ｄ２１０５、紙葉類Ｅ２１０６、および紙葉類Ｆ２１０７が表示される。
【０１３１】
識別紙葉類２１０１は、実際に識別する紙葉類の画像である。紙葉類Ａ２１０２、紙葉類Ｂ２１０３、紙葉類Ｃ２１０４、紙葉類Ｄ２１０５、紙葉類Ｅ２１０６、および紙葉類Ｆ２１０７は、紙葉類劣化画像適用事例データベース１３０２に格納されたデータであり、ＧＵＩ画面２１００には、識別紙葉類２１０１との類似度が高い順に紙葉類Ａ２１０２から紙葉類Ｆ２１０７が表示される。画像の類似度は、例えば、ＨＬＡＣを用い、画像の特徴量を算出し、ユークリッド距離によって類似度を算出する。認識対象となる紙葉類の画像である。２１０１〜２１０６は過去に本発明の紙葉類劣化画像生成装置を適用した紙葉類の画像である。２１０１〜２１０６の各画像の下には、画像に対応する紙葉類劣化画像生成装置適用事例データベース内の例えば図１４に示すようなデータである。２１０１〜２１０６の画像は２１０１の画像に対する類似度が高い順に表示される。
【０１３２】
紙葉類識別装置５００を操作する人が、ＧＵＩ画面２１００に表示されている紙葉類Ａ２１０２から紙葉類Ｆ２１０７にいずれかを選択することによって、選択された紙葉類の劣化度パラメタ１４００を実際に使用する劣化度パラメタ１４００に決定する。
【０１３３】
本発明の第３の実施によれば、劣化度パラメタ１４００を数値で表示するよりも直観的に劣化度パラメタ１４００を確認し、所望の劣化度を再現する劣化度パラメタ１４００を決定することができる。
【０１３４】
［第４の実施の形態］
本発明の第４の実施は、紙葉類識別装置５００を備える紙葉類自動取引装置（ＡＴＭ）において、紙葉類自動取引装置のメンテナンス担当の係員が紙葉類自動取引装置が設置されている現地で紙葉類を入力して識別精度を確認しながら劣化度パラメタ１４００を決定する。なお、入力される紙葉類は、現地で入手した紙葉類である。
【０１３５】
図２２は、本発明の第４の実施の形態の自動取引装置の構成を示すブロック図である。
【０１３６】
紙葉類自動取引装置２２００は、紙葉類入力部２２０１、画像抽出部２２０２、入力部２２０３、表示部２２０４、記憶部２２０５、紙葉類劣化画像生成部６０１、および紙葉類識別器６０３を備える。
【０１３７】
紙葉類入力部２２０１は、紙葉類劣化画像６０２を生成するために使用する紙葉類または識別させる紙葉類を入力する。画像抽出部２２０２は、紙葉類入力部２２０１に入力された紙葉類の画像を抽出する。入力部２２０３は、劣化度パラメタ１４００を決定するための補助入力をする、タッチパネル、またはキーボードなどである。表示部２２０４は、紙葉類劣化画像６０２などを表示するディスプレイなどである。記憶部２２０５は、識別対象の紙葉類の非劣化券画像６００などを記憶するＨＤＤなどである。紙葉類劣化画像生成部６０１、および紙葉類識別器６０３は、第１の実施の形態と同様のものである。
【０１３８】
まず、入力部２２０３から入力された補助入力と記憶部２２０５に記憶されている識別対象の紙葉類の非劣化券画像６００とが紙葉類劣化画像生成部６０１に出力され、紙葉類劣化画像生成部６０１は紙葉類劣化画像６０２を生成する。紙葉類自動取引装置２２００は、生成された紙葉類劣化画像６０２を用いて、紙葉類識別器６０３に学習させる。学習が終了すると、表示部２２０４が学習が終了したことを示す内容をメンテナンス担当者に表示する。
【０１３９】
学習が終了したことを確認したメンテナンス担当者は、現地で入手した劣化券を紙葉類自動取引装置２２００の紙葉類入力部２２０１に入力する。入力された劣化券のデータは画像抽出部２２０２に入力され、劣化券の画像データが抽出される。
【０１４０】
抽出された画像データは、紙葉類識別器６０３に入力され、紙葉類の識別がされる。紙葉類の識別結果は、識別精度として表示部２２０４に表示される。
【０１４１】
メンテナンス担当者は表示部２２０４に表示される識別結果を確認し、所望の識別精度になるように入力部２２０３に劣化度パラメタを補助するデータを入力する。改めて入力されたデータに基づいて紙葉類劣化画像生成部６０１は、紙葉類劣化画像６０２を生成し、生成された紙葉類劣化画像６０２を用いて紙葉類識別器６０３に学習させる。
【０１４２】
メンテナンス担当者は、再度、紙葉類の識別をさせ、識別精度を確認する。以後、所望の識別精度が得られるまで、メンテナンス担当の係員は同様の処理を繰り返す。
【０１４３】
本発明の第４の実施の形態によれば、現地で入手した紙葉類を用いて紙葉類識別器６０３の識別精度をすることによって、各自動取引装置それぞれに適切な学習を行わせ、所望の識別精度を実現できる。
【図面の簡単な説明】
【０１４４】
【図１】従来の非劣化券および劣化券を学習用の紙葉類サンプルとして紙葉類識別器に学習させた場合の非類似度値の分布を示した説明図である。
【図２】従来の非劣化券のみを学習用の紙葉類サンプルとして紙葉類識別器に学習させた場合の非類似度値の分布を示した説明図である。
【図３】従来の真贋判定において、真券であることを示す閾値のマージンを示した説明図である。
【図４】本発明の第１の実施の形態の紙葉類のムラ画像を示す説明図である。
【図５】本発明の第１の実施の形態の紙葉類識別装置のハードウェア構成を示すブロック図である。
【図６】本発明の第１の実施の形態の紙葉類識別装置の構成を示すブロック図である。
【図７】本発明の第１の実施の形態の劣化券のムラの空間的な統計特性を算出する処理を説明するブロック図である。
【図８】本発明の第１の実施の形態のムラ画像抽出処理を説明するブロック図である。
【図９】本発明の第１の実施の形態の統計分析処理を説明するブロック図である。
【図１０】本発明の第１の実施の形態の紙葉類劣化画像生成部の構成を示す説明図である。
【図１１】本発明の第１の実施の形態の非劣化券のムラ統計的特性算出処理を説明するブロック図である。
【図１２Ａ】本発明の第１の実施の形態の非劣化券のムラ画像、非劣化券のムラ重み係数、ムラ基底画像、ムラ射影画像の数学的な関係を示す説明図である。
【図１２Ｂ】本発明の第１の実施の形態の劣化券のムラ画像、劣化券のムラ重み係数、ムラ基底画像、ムラ射影画像の数学的な関係を示す説明図である。
【図１３】本発明の第１の実施の形態の劣化画像処理を説明するブロック図である。
【図１４】本発明の第１の実施の形態の劣化度パラメタの構成例を示す説明図である。
【図１５】本発明の第１の実施の形態の紙葉類劣化画像適用事例データベースの一例を示す説明図である。
【図１６】本発明の第１の実施の形態の劣化度パラメタ決定処理を示すフローチャートである。
【図１７】本発明の第１の実施の形態のムラ生成処理を示すフローチャートである。
【図１８】本発明の第１の実施の形態の閾値の決定方法の一例を示した説明図である。
【図１９】本発明の第２の実施の形態の劣化度パラメタ決定処理のフローチャートを示す図である。
【図２０】本発明の第２の実施の形態の非類似度の分布を示す説明図である。
【図２１】本発明の第３の実施の系他のＧＵＩを用いた劣化度パラメタの決定方法を示す説明図である。
【図２２】本発明の第４の実施の形態の自動取引装置の構成を示すブロック図である。
【符号の説明】
【０１４５】
５０１ 画像入力部
５０２ テキスト入力部
５０３ 画像出力部
５０４ テキスト出力部
５０５ ＣＰＵ
５０６ 主記憶部
５０７ 補助記憶部
５０８ 画像表示部
５０９ バス
【技術分野】
【０００１】
本発明は、紙葉類識別装置に関し、特に、劣化のない紙葉類から生成された画像データを用いて紙葉類識別器を学習させる紙葉類識別装置に関する。
【背景技術】
【０００２】
銀行の自動預金預け払い機（ＡＴＭ）などの紙葉類自動取引装置は、紙葉類を識別する紙葉類識別器を備えており、紙葉類自動取引装置に挿入された紙葉類の種類および真贋などを紙葉類識別器が判定する。
【０００３】
紙葉類識別器に紙葉類を学習させる手法として、統計的学習がある。統計的学習は、紙葉類の紙面上の複数の位置から画素値の統計的特性（以下、統計的特性と記す。）を抽出し、紙葉類識別器に抽出された統計的特性を学習させる。
【０００４】
紙葉類識別器は、紙葉類自動取引装置に挿入された紙葉類の紙面上の複数の位置から統計的特性を抽出し、抽出された統計的特性と学習した統計的特性とを比較することによって紙葉類を識別する。以下、印刷されたばかりの状態とあまり変わりがなく、劣化の度合いが小さい綺麗な紙葉類を非劣化券と呼び、市場に出回って、劣化した紙葉類を劣化券と呼ぶ。
【０００５】
前述した統計的学習を行う場合、多数の学習用の紙葉類サンプルを必要とする。また、高精度の識別を行うためには、非劣化券および劣化券の両方を学習用の紙葉類サンプルとして紙葉類識別器に学習させる必要がある。
【０００６】
学習用の紙葉類サンプルとして非劣化券のみを用いた場合、非劣化券および劣化券の両方を学習用の紙葉類サンプルとして用いた場合と比べ、紙葉類識別器の識別精度は、著しく下がる。識別精度の著しい低下の理由は、紙葉類が市場に流通する間に、経年劣化および物理的接触などによって、紙葉類の統計的特性が多様化し、紙葉類識別器に学習させた紙葉類の統計的特性と市場に流通した紙葉類（劣化券）の統計的特性とに相違が生じるためである。
【０００７】
しかし、従来から、非劣化券を用いて紙葉類識別器を学習させることを可能にしたいというニーズがある。その理由として、第一に、非劣化券は劣化券に比べ収集が容易であり、短期間で収集可能であること。例えば、非劣化券は、紙葉類の印刷所で容易に手に入る。一方、劣化券は市場から回収しなければならず、多数入手するのは困難であり、収集にはコストと時間がかかる。第二に、新しい種類の紙葉類の発行に合わせて紙葉類識別器を学習される場合、非劣化券しか存在しないため、劣化券を入手することは不可能であり、非劣化券のみを学習用の紙葉類サンプルとして紙葉類識別器に学習させなければならない。以下、紙葉類の真贋判定を例に識別精度を説明する。
【０００８】
図１は、従来の非劣化券および劣化券を学習用の紙葉類サンプルとして紙葉類識別器に学習させた場合の非類似度値の分布を示した説明図である。
【０００９】
横軸は学習用の紙葉類サンプルとの非類似度を表す。非類似度の値が小さいほど、つまり、左側に位置する分布ほど真券（学習用に用いた紙葉類サンプル）に近いと判定され、非類似度の値が大きいほど、つまり、右側に位置する分布ほど偽券に近いと判定される。縦軸は頻度を表し、ある類似度の紙葉類の頻度（数）を表す。
【００１０】
非類似度値分布１００は、非劣化券および劣化券を学習用の紙葉類サンプルとして用いた場合の非類似度値の分布である。非類似度分布１０１は、未知の劣化券の非類似度値の分布であり、非類似度値分布１００と重なっている。また、非類似度値分布１０２は偽券の非類似度値の分布であり、非類似度値分布１０１は、非類似度値分布１０２と離れている。
【００１１】
真贋判定において、非類似度値分布１００の右側のすその終端値あたりを真券であるこことを示す閾値とすることによって、紙葉類識別器は、未知の劣化券（非類似度値分布１０１）を正しく識別できる。
【００１２】
図２は、従来の非劣化券のみを学習用の紙葉類サンプルとして紙葉類識別器に学習させた場合の非類似度値の分布を示した説明図である。
【００１３】
非類似度値分布２００は、非劣化券のみを学習用の紙葉類サンプルとして用いた場合の非類似度値の分布である。非類似度値分布２０１は未知の劣化券の非類似度値の分布であり、非類似度値分布２００と離れている。非類似度値分布２０２は、偽券の非類似度値の分布であり、非類似度値分布２０１は非類似度値分布２０２と隣接している。
【００１４】
この場合、真贋判定を行うための閾値を決定することができない。例えば、真券であることを示す閾値を大きめに設定しても、紙葉類識別器は、未知の劣化券（非類似値分布２０１）を偽券と判定してしまう可能性がある。
【００１５】
図３は、従来の真贋判定において、真券であることを示す閾値のマージンを示した説明図である。
【００１６】
真贋判定において、紙葉類の劣化に対する耐性を向上させる従来技術は現在のところほとんど知られていない。一般的には、図３にように、学習用の紙葉類サンプルの非類似度値分布３００に対し、閾値３０１に示すように真券であることを示す閾値を決定し、紙葉類の劣化に対する許容度を広げる方法がある。しかし、前述した方法は、マージンの大きさを直感に頼らねばならず、偽券が真券と判定されるなど、紙葉類識別器の信頼性を低下させる。また、図２に示すように、未知の劣化券の非類似度値分布２０１と偽券の非類似度値分布２０２とが隣接する場合、前述の方法を用いることができない。
【００１７】
紙葉類の劣化に対する耐性を向上させる方法として、文字認識における文字の劣化に対する識別精度を向上させる方法を用いることが考えられる。
【００１８】
例えば、学習用の文字データにノイズを加え、ノイズに対して影響を受けないような識別関数を文字認識装置に学習させる方法が考えられる（例えば、特許文献１を参照）。特許文献１には、ランダムに画素値「１」を「０」にしたり、画素値「０」を「１」にしたりすることによって、学習用文字データを劣化させている。しかし、特許文献１は、文字画像の読み取り時または印刷時における文字パタンの欠損および損傷を表現することを目的としており、市場に流通することによって劣化する紙葉類に対応するものではない。
【００１９】
また、文字の辞書データを部分的に拡大、縮小、または、平行移動を行い、学習用の文字データを生成し、生成された文字データを用いて学習させることによって、文字の劣化に対する識別精度を向上させる方法が考えられる（例えば、特許文献２を参照）。また、辞書データを拡大、縮小、または、ぼかし処理を行い、学習用の文字データを生成し、生成された文字データを用いて学習させることによって、文字の劣化に対する識別精度を向上させる方法が考えられる（例えば、特許文献３を参照）。
【特許文献１】特開平１０−６３７８９号公報
【特許文献２】特開平０７−０４９９２７号公報
【特許文献３】特開２００６−０５９３５号公報
【発明の開示】
【発明が解決しようとする課題】
【００２０】
しかし、前述した従来技術は、いずれも文字の幾何学的変形、および、ぼかしを用いるもので、市場に流通することによって劣化する紙葉類を再現したものではない。
【００２１】
本発明は、劣化券が少数しかない場合、または、非劣化券しかない場合、において、多数の劣化券を用いた統計的学習と同等の紙葉類の識別が可能な紙葉類識別器を備える紙葉類識別装置を提供することを目的とする。
【課題を解決するための手段】
【００２２】
本発明の代表的な一例を示せば以下の通りである。すなわち、紙葉類を識別する紙葉類識別器を備える紙葉類識別装置であって、前記紙葉類識別装置は、紙葉類の画像を入力する画像入力部と、紙葉類の劣化度合いを表すパラメタを決定するためのデータを入力する入力部と、劣化した紙葉類の画像である紙葉類劣化画像を生成する紙葉類劣化画像生成部と、を備え、前記紙葉類劣化画像生成部は、前記入力されたデータに基づいて、前記紙葉類の劣化度合いを表すパラメタを決定し、前記決定されたパラメタに基づいて、画素値が非一様な画像を生成し、前記生成された画素値が非一様な画像を、前記画像入力部に入力された紙葉類の画像に加えることによって、前記紙葉類劣化画像を生成し、前記紙葉類劣化画像生成部によって生成された画素値が非一様な画像は、紙葉類の紙面上の空間的な統計特性と、前記画像入力部に入力された複数の劣化した紙葉類の統計特性と、を備えることを特徴とする。
【発明の効果】
【００２３】
劣化した紙葉類がない場合、または、劣化した紙葉類が少数ある場合において、高い識別精度を有する紙葉類識別器を備える紙葉類識別装置を実現できる。
【発明を実施するための最良の形態】
【００２４】
［第１の実施の形態］
本発明の第１の実施の形態は、任意の種類の紙葉類において非劣化券しかない場合、非劣化券に画像処理を行うことによって劣化券に相当する画像が生成され、生成された劣化券に相当する画像を用いて紙葉類識別器を学習させる。これによって、非劣化券および劣化券の両方を学習用の紙葉類サンプルとして用いた場合と同様の識別精度が得られる。画像処理は、具体的には、画素値が非一様な画像を非劣化券の画像に加えることによって、劣化券に相当する画像を生成する。以下、劣化券に相当する画像を紙葉類劣化画像と呼ぶ。また、画素値が非一様な画像をムラ画像と呼び、ムラ画像の画素値の非一様性をムラと呼ぶ。
【００２５】
図４は、本発明の第１の実施の形態の紙葉類のムラ画像を示す説明図である。
【００２６】
本発明におけるムラは、目に見える黄ばみ、または汚れなどを指すものではなく、紙葉類にある波長の光を照射し、照射された光の反射光または透過光から得られた画素値を指す。前述の画素値は、例えば、輝度値などである。図４は、画素値が等しい点を結んだムラ画像を示す。劣化した紙葉類にムラが生じる原因としては、手垢、部分的な経年劣化、機械による摩耗、および、部分的に付着した汚れなどが考えられ、紙葉類の劣化の度合いにしたがって、ムラの程度が大きくなる。
【００２７】
なお、本発明のムラ画像は、一つの波長から取得する場合に限定されず、複数の異なる波長の光をそれぞれ紙葉類に照射し、複数の画像を取得し、該複数の画像の画素値加えてムラ画像を取得する場合、または、複数の波長を含む光から一枚のムラ画像を取得する場合であってもよい。この場合、画素値としては、輝度値以外に色なども考えられる。
【００２８】
図５は、本発明の第１の実施の形態の紙葉類識別装置のハードウェア構成を示すブロック図である。
【００２９】
紙葉類識別装置５００は、画像入力部５０１、テキスト入力部５０２、画像出力部５０３、テキスト出力部５０４、ＣＰＵ５０５、主記憶部５０６、補助記憶部５０７、および画像表示部５０８を備える。これらは、バスによって５０９に接続されている。
【００３０】
画像入力部５０１は、ムラ画像を生成するための紙葉類または識別するための紙葉類を入力する。テキスト入力部５０２は、生成されるムラ画像のパラメタおよび紙葉類識別器に所定の閾値を設定するためのパラメタを入力する。テキスト入力部５０２は、例えば、キーボードなどである。なお、生成されるムラ画像のパラメタについては図１５を用いて後述する。また、紙葉類識別器に所定の閾値を設定するためのパラメタについては図１８を用いて後述する。
【００３１】
画像出力部５０３は、生成された紙葉類劣化画像を出力する。テキスト出力部５０４は、生成された紙葉類劣化画像を用いて紙葉類識別器を学習させた後の識別精度の結果を出力する。
【００３２】
ＣＰＵ５０５は、画像処理などの一連の処理を行う。以下、本明細書で説明する処理は、ＣＰＵ５０５で行われる。主記憶部５０６は、入力された紙葉類のデータ、生成されたムラ画像のデータ、および画像処理を行うためのプログラム等を記憶している。主記憶部５０６は、例えば、ＨＤＤまたはフラッシュメモリ等の不揮発性記憶媒体である。補助記憶部５０７には、主記憶部５０６が記憶するプログラム等が格納される。補助記憶部５０７は、例えば、ＲＡＭである。ＣＰＵ５０５は、補助記憶部５０７に格納されているプログラムを実行する。
【００３３】
以下、本発明の第１の実施の形態の紙葉類識別装置について説明する。特に、紙葉類の真贋判定を行う紙葉類識別装置を例に説明する。
【００３４】
図６は、本発明の第１の実施の形態の紙葉類識別装置の構成を示すブロック図である。
【００３５】
紙葉類劣化画像生成部６０１は、入力された非劣化券画像６００に画像処理を行い紙葉類劣化画像６０２を生成する。生成された紙葉類劣化画像６０２は、紙葉類識別器６０３に出力される。紙葉類識別器６０３は、入力された紙葉類劣化画像６０２を用いて、紙葉類識別器６０３に統計的学習をさせる。これによって、紙葉類識別器６０３の識別精度が向上し、紙葉類識別器６０３に所望の閾値（この場合は、真券であることを示す閾値）を決定できる。
【００３６】
本実施の形態において、紙葉類劣化画像生成部６０１は、非劣化券画像６００とは異なる複数の種類の紙葉類の劣化券の画像から算出されたムラの空間的な統計特性を記憶しており、算出されたムラの空間的な統計特性を用いてムラ画像を生成する。前述のムラの空間的な統計特性は、紙葉類劣化画像６０２が生成される前に算出される。算出されたムラの空間的な統計特性は、紙葉類の種類によらず、普遍的な特性である。
【００３７】
本実施の形態は、前述のムラの空間的な統計特性を用いることによって、任意の種類の紙葉類において非劣化券しかない場合でも、紙葉類識別器６０３の識別精度を向上させることができる。以下、劣化券のムラの空間的な統計特性について説明する。
【００３８】
図７は、本発明の第１の実施の形態の劣化券のムラの空間的な統計特性を算出する処理を説明するブロック図である。
【００３９】
紙葉類劣化画像生成部６０１は、入力された劣化券画像７００にムラ画像抽出処理７０１を行い、劣化券のムラ画像７０２を抽出する。入力される劣化券画像７００は、非劣化券とは異なる種類の紙葉類であり、かつ、複数枚の画像が入力される。したがって、劣化券のムラ画像７０２も複数抽出される。なお、ムラ画像抽出処理７０１は、図８を用いて後述する。
【００４０】
次に、紙葉類劣化画像生成部６０１は、抽出された劣化券のムラ画像７０２に統計分析処理７０３を行い、ムラ基底画像７０４とムラ射影画像７０５とを算出する。なお、統計分析処理７０３は、図９を用いて後述する。
【００４１】
算出されたムラ基底画像７０４およびムラ射影画像７０５が、本実施の形態におけるムラの空間的な統計特性である。
【００４２】
紙葉類劣化画像生成部６０１は、算出されたムラ基底画像７０４およびムラ射影画像７０５のデータを保持する。以下、ムラ画像抽出処理７０１および統計分析処理７０３について説明する。
【００４３】
図８は、本発明の第１の実施の形態のムラ画像抽出処理７０１を説明するブロック図である。
【００４４】
紙葉類劣化画像生成部６０１は、入力された劣化券画像７００の中から一つ基準画像８００を選択する。紙葉類劣化画像生成部６０１は、選択された基準画像８００と入力された劣化券画像７００との差分を算出する差分処理８０１を行い、差分画像Ａ８０２を複数抽出する。差分処理８０１は、具体的には、選択された基準画像８００と劣化券画像７００との位置を合わせ、画素ごとに画素値の差を算出する。これによって、紙葉類上に描かれているデザインを除去することができる。
【００４５】
次に、紙葉類劣化画像生成部６０１は、算出された複数の差分画像Ａ８０２のエッジを除去するエッジ除去処理８０３を行い、差分画像Ｂ８０４を抽出する。なお、差分画像Ａ８０２にエッジが生じる原因としては、前述の差分処理８０１において、選択された基準画像８００と劣化券画像７００との位置を合わせが不完全であることが考えられる。
【００４６】
紙葉類劣化画像生成部６０１は、抽出された複数の差分画像Ｂ８０４に、変色による紙面全体の輝度変動の除去処理８０５を行い、ムラ画像７０２を抽出する。変色による紙面全体の輝度変動の除去処理８０５は、例えば、一画像内の輝度の平均が０になるように補正する処理、または、紙葉類を経年劣化の程度に基づいて差分画像Ｂ８０４をクラスに分類し、各クラスに分類された差分画像Ｂ８０４と各クラスに分類された差分画像Ｂ８０４が所属しているクラスの平均画像との差分を算出する処理が考えられる。
【００４７】
図９は、本発明の第１の実施の形態の統計分析処理７０３を説明するブロック図である。統計分析処理７０３は、例えば、主成分分析処理、または独立成分分析処理などが考えられる。
【００４８】
ステップ９００〜ステップ９０２までが主成分分析処理を表し、ステップ９００〜ステップ９０４までが独立成分分析処理を表す。
【００４９】
はじめに、主成分分析処理について説明する。
【００５０】
ステップ９００において、統計分析処理７０３で用いるデータの次元を減らすため、紙葉類劣化画像生成部６０１は、抽出された劣化券のムラ画像７０２をサンプリングする。具体的には、劣化券のムラ画像７０２内の任意の位置の画素を抜き出す。例えば、縦、横それぞれ３ピクセルおきに画素を抜き出す。劣化券のムラ画像７０２の全画素数が９００である場合、サンプリングした後の画素数は１００となる。
【００５１】
ステップ９０１において、紙葉類劣化画像生成部６０１は、抜き出した画素を一列に並べてベクトルとして、共通分散行列を算出する。
【００５２】
ステップ９０２において、紙葉類劣化画像生成部６０１は、算出された共通分散行列から固有値および固有ベクトルを算出する。なお、紙葉類劣化画像生成部６０１は、算出された固有値および固有ベクトルの全てを後述する処理に用いる必要はなく、予め紙葉類劣化画像生成部６０１が決定した数だけ、後述する処理に用いる固有値を大きい順に選択し、選択された固有値と、選択された固有値に対応する固有ベクトルとが後述する処理に用いられる。選択された固有値は大きい順に並べられる。以下、算出される固有値の数はＮ個とする。また、ｋ番目の固有値をλｋとし、固有値λｋに対応する固有ベクトルをｖｋとする。なお、ｋは、１〜Ｎまでのいずれかの値をとることができる。
【００５３】
紙葉類劣化画像生成部６０１は、√λｋ×ｖｋを画像形式に並び替える。画像形式とは、画素を一列に並べてベクトルとしたので、ｖｋの各成分は画像上の画素に対応する。画像形式に並び替えられたものをＩｋ［ｘ，ｙ］とし、これをムラ基底画像７０４とする。以下、ムラ基底画像７０４をムラ基底画像Ｉｋ［ｘ，ｙ］７０４とも記す。また、紙葉類劣化画像生成部６０１は、ｖｉ／√λｉを画像形式に並び替え、並び替えられたものをＪｋ［ｘ，ｙ］とし、これをムラ射影画像７０５とする。以下、ムラ射影画像７０５をムラ射影画像Ｊｋ［ｘ，ｙ］７０５とも記す。なお、［ｘ，ｙ］は座標（ｘ，ｙ）を示す添え字であり、例えば、ムラ基底画像Ｉｋ［ｘ，ｙ］７０４は、座標（ｘ，ｙ）の劣化券のムラ基底画像７０４の画素値を表す。なお、紙葉類の左上を座標の原点とする。
【００５４】
ここで、ムラ基底画像Ｉｋ［ｘ，ｙ］７０４とムラ射影画像Ｊｋ［ｘ，ｙ］７０５とは、逆写像の関係にある。
【００５５】
次に、独立成分分析処理について説明する。
【００５６】
ステップ９００〜ステップ９０１までは主成分分析処理と同様である。
【００５７】
ステップ９０２において、紙葉類劣化画像生成部６０１は、固有値および固有ベクトルを算出する。なお、算出する固有値および固有ベクトルの数は主成分分析処理と同様にＮ個である。
【００５８】
ステップ９０３において、紙葉類劣化画像生成部６０１は、算出された固有値および固有ベクトルを用いて、サンプリングされた劣化券のムラ画像７０２を中心化および白色化する。
【００５９】
ステップ９０４において、紙葉類劣化画像生成部６０１は、中心化および白色化された劣化券のムラ画像７０２から互いに直交する独立な軸を算出する。互いに直交する独立な軸を算出する方法としては、例えば、ｆａｓｔＩＣＡを用いることができる。
【００６０】
算出された互いに直交する独立な軸において、ｉ番目の独立な軸をｗｋとする。また、各行成分がｗｋである行列をＷとする。また、各行成分がｖｋである行列をＶとし、対角成分が√λｋである行列をＤとする。ここで、行列Ｗおよび行列Ｖは直行行列であり、行列Ｄは対角行列である。
【００６１】
独立成分分析処理において、行列の積ＷＤＶの各行を画像形式に並び替えて算出されたものをムラ基底画像Ｉｋ［ｘ，ｙ］７０４とする。
【００６２】
また、行列の積ＷＤ-1Ｖの各行を画像形式に並び替えて算出されたものをムラ射影画像Ｊｋ［ｘ，ｙ］７０５とする。
【００６３】
ここで、ムラ基底画像Ｉｋ［ｘ，ｙ］７０４とムラ射影画像Ｊｋ［ｘ，ｙ］７０５は、
逆写像の関係にある。主成分分析処理によって算出されたムラ基底画像Ｉｋ［ｘ，ｙ］７０４、およびムラ射影画像Ｊｋ［ｘ，ｙ］７０５と、独立成分分析処理によって算出されたムラ基底画像Ｉｋ［ｘ，ｙ］７０４、およびムラ射影画像Ｊｋ［ｘ，ｙ］７０５は、同様の数学的な関係を満たす。
【００６４】
本実施の形態において、劣化券のムラ画像７０２は、数学的なモデルであらわされる。具体的には、劣化券のムラ画像７０２をＨ［ｘ，ｙ］とすると、劣化券のムラ画像７０２は、
（式１）Ｈ［ｘ，ｙ］＝Σｋ βｋ×Ｉｋ［ｘ，ｙ］
によってモデル化されている。なお、βｋは、後述する劣化券のムラ重み係数１２００である（図１２Ｂ参照）。以下、劣化券のムラ画像７０２を劣化券のムラ画像Ｈ［ｘ，ｙ］７０２とも記す。また、劣化券のムラ重み係数１２００を劣化券のムラ重み係数βｋ１２００とも記す。
【００６５】
紙葉類劣化画像生成部６０１は、前述の処理によって算出されたムラ基底画像Ｉｋ［ｘ，ｙ］７０４、およびムラ射影画像Ｊｋ［ｘ，ｙ］７０５を用いて紙葉類劣化画像６０２を生成する。以下、具体的な処理について説明する。
【００６６】
図１０は、本発明の第１の実施の形態の紙葉類劣化画像生成部６０１の構成を示す説明図である。
【００６７】
紙葉類劣化画像生成部６０１は、入力された非劣化券画像６００から、非劣化券のムラ統計特性算出処理１０００を行い、非劣化券のムラ統計特性１００１を算出する。なお、非劣化券のムラ統計特性算出処理１０００、および非劣化券のムラ統計特性１００１は、図１１を用いて後述する。
【００６８】
次に、紙葉類劣化画像生成部６０１は、入力された非劣化券画像６００、および算出された非劣化券のムラ統計特性１００１を用いて、劣化画像処理１００２を行い、紙葉類劣化画像６０２を生成する。なお、劣化画像処理１００２については、図１３を用いて後述する。
【００６９】
図１１は、本発明の第１の実施の形態の非劣化券のムラ統計的特性算出処理１０００を説明するブロック図である。
【００７０】
紙葉類劣化画像生成部６０１は、入力された非劣化券画像６００にムラ画像抽出処理７０１を行い、非劣化券のムラ画像１１００を抽出する。
【００７１】
紙葉類劣化画像生成部６０１は、抽出された非劣化券のムラ画像１１００を用いて非劣化券のムラ重み係数算出処理１１０１を行い、非劣化券のムラ重み係数１１０２を算出する。
【００７２】
ここで、本実施の形態において、前述の劣化券のムラ画像Ｈ［ｘ，ｙ］７０２と同様に、非劣化券のムラ画像１１００は、数学的なモデルで表わされる。具体的には、非劣化券のムラ画像１１００をＨｂ［ｘ，ｙ］とすると、非劣化券のムラ画像１１００は、
（式２）Ｈｂ［ｘ，ｙ］＝Σｋ γｋ×Ｉｋ［ｘ，ｙ］
でモデル化されている。なお、γｋは、非劣化券のムラ重み係数１１０２を表す。以下、非劣化券のムラ画像１１００を非劣化券のムラ画像Ｈｂ［ｘ，ｙ］１１００とも記し、非劣化券のムラ重み係数１１０２を非劣化券のムラ重み係数γｋ１１０２とも記す。
【００７３】
非劣化券のムラ重み係数γｋ１１０２は、具体的には、ムラ画像Ｈｂ［ｘ，ｙ］１１００とムラ射影画像Ｊｋ［ｘ，ｙ］７０５との内積によって算出される。
【００７４】
紙葉類劣化画像生成部６０１は、算出された非劣化券のムラ重み係数γｋ１１０２を用いて非劣化券のムラ統計特性算出処理１１０３を行い、非劣化券のムラ統計特性１００１を算出する。非劣化券のムラ統計特性算出処理１１０３は、例えば、非劣化券のムラ重み係数γｋ１１０２の平均を用いることが考えられる。また、非劣化券のムラ重み係数γｋ１１０２の平均以外に高次モーメントを用いることも考えられる。算出された非劣化券のムラ統計特性１００１をｍｋと記し、以下、非劣化券のムラ統計特性１００１を非劣化券のムラ統計特性ｍｋ１００１とも記す。
【００７５】
図１２Ａは、本発明の第１の実施の形態の非劣化券のムラ画像１１００、非劣化券のムラ重み係数１１０２、ムラ基底画像７０４、ムラ射影画像７０５の数学的な関係を示す説明図である。
【００７６】
（式２）に示すように、ムラ基底画像７０４と非劣化券のムラ重み係数１１０２との線形和によって、非劣化券のムラ画像１１００が算出される。また、非劣化券のムラ画像１１００とムラ射影画像７０５との内積によって、ムラ重み係数１１０２が算出される。
【００７７】
図１２Ｂは、本発明の第１の実施の形態の劣化券のムラ画像７０２、劣化券のムラ重み係数１２００、ムラ基底画像７０４、ムラ射影画像７０５の数学的な関係を示す説明図である。
【００７８】
図１２Ｂに示すように、劣化券についても非劣化券と同様の数学的関係を満たす。
【００７９】
図１３は、本発明の第１の実施の形態の劣化画像処理１００２を説明するブロック図である。
【００８０】
紙葉類劣化画像生成部６０１は、劣化度補助入力１３００、および紙葉類劣化画像適用事例データベース１３０２を用いて、劣化度パラメタ決定処理１３０１を行い。劣化度パラメタ１４００（図１４参照）を算出する。劣化度パラメタ１４００は、紙葉類劣化画像６０２を生成するときに用いるパラメタであり、劣化度合いを具体化した量である。劣化度を指定するパラメタがｎ個あった場合、劣化度パラメタ１４００は、ｎ次元のベクトルとなる。以下、劣化度パラメタ１４００、紙葉類劣化画像適用事例データベース、および劣化度パラメタ決定処理１３０１について説明する。
【００８１】
図１４は、本発明の第１の実施の形態の劣化度パラメタ１４００の構成例を示す説明図である。
【００８２】
図１４に示すように、劣化度パラメタ１４００は、６次元ベクトルである。劣化度パラメタ１４００の具体的な成分は、紙面全体の黄ばみの度合いを表すパラメタ１４０１、紙面全体の黒ずみの度合いを表すパラメタ１４０２、ムラの程度を表すパラメタ１４０３、しみの度合いを表すパラメタ１４０４、落書きの度合いを表すパラメタ１４０５、および、破れまたは紙面上にあいた穴の度合いを表すパラメタ１４０６である。なお、劣化度パラメタ１４００は、前述の形式に限定されない。また、６次元以上、または６次元以下の場合もありうる。
【００８３】
図１５は、本発明の第１の実施の形態の紙葉類劣化画像適用事例データベース１３０２の一例を示す説明図である。
【００８４】
紙葉類劣化画像適用事例データベース１３０２は、劣化度パラメタ１４００が決定される以前に紙葉類劣化画像生成部６０１が生成した紙葉類劣化画像６０２に関するデータを格納している。具体的には、紙葉類劣化画像適用事例データベース１３０２には、紙葉類の種類１５００、劣化度パラメタ１５０１、評価値１５０２、画像データ１５０３、および紙葉類の特徴１５０４が格納される。
【００８５】
紙葉類の種類１５００は、紙葉類劣化画像６０２を生成するときに入力された紙葉類の種類を格納する。劣化度パラメタ１５０１は、紙葉類劣化画像６０２を生成するときに用いた劣化度パラメタ１４００を格納する。評価値１５０２は、生成された紙葉類劣化画像６０２を紙葉類識別器６０３に学習させたときの識別精度を格納する。例えば、学習させた紙葉類の非類似度分布のグラフと実際に識別された紙葉類の非類似度分布のグラフとの重なり程度を表す。学習させた紙葉類の非類似度分布のグラフが、実際に識別された紙葉類の非類似度分布のグラフと重なっているほど識別精度が高いことを示す。画像データ１５０３は、紙葉類劣化画像６０２を生成するときに入力された紙葉類の画像データを格納する。紙葉類の特徴１５０４は、紙葉類が使用されている国・地域、紙葉類全体の色、紙質、およびインクの種類を格納する。
【００８６】
図１６は、本発明の第１の実施の形態の劣化度パラメタ決定処理１３０１を示すフローチャートである。
【００８７】
紙葉類劣化画像生成部６０１は、劣化度パラメタ１４００の入力方法について判定する（１６００）。具体的には、紙葉類劣化画像生成部６０１は、劣化度パラメタ１４００が直接入力されたか、紙葉類の画像が入力されたか、または、紙葉類の特徴が入力されたかを判定する。なお、紙葉類の特徴は図１５の紙葉類の特徴１５０４と同様のデータである。なお、紙葉類の画像は、テキスト入力部５０２から入力されてもよいし、または、画像入力部５０１から入力されてもよい。
【００８８】
劣化度パラメタ１４００が直接入力されたと判定された場合（１６０１）、紙葉類劣化画像生成部６０１は、入力された劣化度パラメタ１４００を劣化券画像を生成するときに使用する劣化度パラメタ１４００に決定する（１６０２）。
【００８９】
紙葉類の画像が入力されたと判定された場合（１６０３）、紙葉類劣化画像生成部６０１は、入力された紙葉類の画像から画像データを抽出し、抽出された画像データと紙葉類劣化画像適用事例データベース１３０２に格納される画像データとの差分を算出する（１６０４）。次に、紙葉類劣化画像生成部６０１は、算出された差分の値が小さいデータの中から値を決定する（１６０５）。
【００９０】
算出された差分の値が小さいデータの中から劣化度パラメタ１４００を決定する場合、例えば、差分の値で紙葉類劣化画像適用事例データベース１３０２に格納されているデータを並び替え、紙葉類識別装置を操作している人に提示し、紙葉類識別装置を操作している人が提示されたデータから劣化度パラメタ１４００を決定する方法が考えられる。また、例えば、評価値１５０２と、抽出された画像データと紙葉類劣化画像適用事例データベース１３０２に格納される画像データとの差分値の値が、最も大きいデータを劣化度パラメタ１４００に決定する方法も考えられる。
【００９１】
紙葉類の特徴が入力されたと判定された場合（１６０６）、紙葉類劣化画像生成部６０１は、紙葉類劣化画像適用事例データベース１３０２に格納される紙葉類の特徴を参照し、入力された紙葉類の特徴と一致するデータを検索する（１６０７）。
【００９２】
紙葉類劣化画像生成部６０１は、検索されたデータの中から評価値が最も大きいデータを劣化度パラメタ１４００に決定する（１６０８）。
【００９３】
図１３の説明に戻る。
【００９４】
紙葉類劣化画像生成部６０１は、非劣化券画像６００および算出された劣化度パラメタ１４００とに基づいて、紙葉類劣化画像６０２を生成する。
【００９５】
まず、紙葉類劣化画像生成部６０１は、紙葉類の紙面全体の輝度を変化させる、輝度変動生成処理１３０３を行う。具体的には、紙葉類の紙面全体の黄ばみ度合いを表すパラメタ１４０１、および紙葉類の紙面全体の黒ずみの度合いを表すパラメタ１４０２に基づいて画素値を変化させる。例えば、
（式３）ｖ＋Ｙ×ｐ１＋Ｂ×ｐ２
に示すように画素値を変化させる。ただし、ｖは各画素の画素値を表し、Ｙは黄ばみによる輝度変動の変位量を表し、Ｂは黒ずみによる輝度変動の変位量を表す。また、ｐ１は黄ばみの度合いを表すパラメタ１４０１であり、ｐ２は黒ずみの度合いを表すパラメタ１４０２である。ＹおよびＢはアルゴリズムに固有の値であり、紙葉類劣化画像生成部６０１に最初から設定されている。例えば、Ｙが１０、Ｂが−５と設定されている場合、ｐ１が＋１変化すると画素値が＋１０変化し、また、ｐ２が＋１変化すると画素値が−５変化する。
【００９６】
次に、紙葉類劣化画像生成部６０１は、ムラ基底画像Ｉｋ［ｘ，ｙ］７０４、ムラ射影画像Ｊｋ［ｘ，ｙ］７０５、および非劣化券のムラ統計特性ｍｋ１００１を用いて、ムラ生成処理１３０４を行う。具体的には、紙葉類劣化画像生成部６０１は、劣化券のムラ重み係数βｋ１２００を算出し、算出された劣化券のムラ重み係数βｋ１２００とムラ基底画像Ｉｋ［ｘ，ｙ］７０４を（式１）に代入し劣化券のムラ画像Ｈ［ｘ，ｙ］７０２を生成する。なお、ムラ生成処理１３０４については、図１７を用いて後述する。
【００９７】
次に、紙葉類劣化画像生成部６０１は、非劣化券画像Ｉ［ｘ，ｙ］６００と劣化券のムラ画像Ｈ［ｘ，ｙ］７０２の和により、ムラを生成する。
【００９８】
次に、紙葉類劣化画像生成部６０１は、局所的な損傷・汚れ生成処理１３０５を行う。
【００９９】
紙葉類の紙面上に局所的な損傷を生成する方法としては、例えば、紙葉類劣化画像生成部６０１は、物理的な損傷（破れまたは紙面上にあいた穴など）を決定し、破れまたは紙面上にあいた穴の度合いを表すパラメタ１４０６にしたがって、物理的な損傷の度合いの確率分布を算出し、算出された物理的な損傷の度合いの確率分布に基づいて紙葉類に局所的な損傷を生成する方法が考えられる。
【０１００】
また、紙葉類の紙面上に汚れを生成する方法としては、例えば、紙葉類劣化画像生成部６０１は、紙面全体の黄ばみの度合いを表すパラメタ１４０１、紙面全体の黒ずみの度合いを表すパラメタ１４０２、および、しみの度合いを表すパラメタ１４０４にしたがって、汚れの度合いの確率分布を算出し、算出された汚れの度合いの確率分布に基づいて、紙葉類に汚れを生成する方法が考えられる。
【０１０１】
以上の処理によって生成された紙葉類劣化画像６０２は紙葉類識別器６０３に出力される。
【０１０２】
図１７は、本発明の第１の実施の形態のムラ生成処理１３０４を示すフローチャートである。
【０１０３】
ステップ１７００〜ステップ１７０３は、ループ処理になっており、ｋ＝１からｋ＝Ｎまで同様の処理が行われる。
【０１０４】
紙葉類劣化画像生成部６０１は、図８により説明した方法によって、入力された非劣化券のムラ画像Ｈｂ［ｘ，ｙ］７０２を算出する（１７００）。次に、紙葉類劣化画像生成部６０１は、前述の方法を用いて非劣化券のムラ重み係数γｋを算出する（１７０１）。
【０１０５】
次に、紙葉類劣化画像生成部６０１は、非劣化券のムラ統計特性ｍｋ１００１を用いて、非劣化券のムラ重み係数γｋ１１０２の確率分布Ｐｋ（βｋ｜γｋ、ｒ）を決定する（１７０２）。ここで、ｒは、ムラの程度を表すパラメタ１４０３を表す。確率分布Ｐｋ（βｋ｜γｋ、ｒ）は、例えば、ムラ重み係数γｋ１１０２と非劣化券のムラ統計特性ｍｋ１００１の差と、ムラの程度ｒとの積を平均とする正規分布とする。
【０１０６】
紙葉類劣化画像生成部６０１は、決定された確率分布Ｐｋ（βｋ｜γｋ、ｒ）にしたがって、劣化券のムラ重み係数βｋ１２００を算出する（１７０３）。
【０１０７】
前述のループ処理を終了した紙葉類劣化画像生成部６０１は、算出された劣化券のムラ重み係数βｋ１２００を用いて、ムラを生成する（１７０４）。具体的には、（式１）にしたがって劣化券のムラ画像Ｈ［ｘ，ｙ］７０２が生成される。
【０１０８】
以上の処理によって、紙葉類劣化画像生成部６０１は、紙葉類劣化画像６０２を生成することができる。生成された紙葉類劣化画像６０２を用いて、紙葉類識別器６０３を学習させることによって、非劣化券と劣化券との両方を用いて学習させた場合と同様の識別精度が得られる。
【０１０９】
次に、学習させた紙葉類識別器６０３の閾値の決定方法について説明する。
【０１１０】
図１８は、本発明の第１の実施の形態の閾値の決定方法の一例を示した説明図である。
【０１１１】
分布１８００は、紙葉類識別器６０３に学習させた紙葉類の非類似度分布である。分布１８０１は、紙葉類識別器６０３に学習させた紙葉類を生成するときに用いた劣化度パラメタ１４００と同一のパラメタを用いて生成された紙葉類劣化画像６０２の非類似度分布である。分布１８０２は、紙葉類識別器６０３に学習させた紙葉類を生成するときの用いた劣化度パラメタ１４００よりも大きな値の劣化度パラメタ１４００を用いて生成した紙葉類劣化画像６０２の非類似度分布である。分布１８０３は、落書きを多く発生された紙葉類劣化画像６０２の非類似度分布である。
【０１１２】
例えば、紙葉類識別器６０３に学習させた紙葉類の画像と同程度の劣化までを許容する場合、紙葉類識別器６０３は、閾値を閾値１８０４に決定する。紙葉類識別器６０３に学習させた紙葉類より少し劣化の程度が大きい紙葉類も許容する場合、紙葉類識別器６０３は、閾値を閾値１８０５に決定する。落書きが多い紙葉類を除去したい場合、紙葉類識別器６０３は、閾値を閾値１８０６に決定する。また、紙葉類識別器６０３は、局所的な汚れおよび損傷がある紙葉類を許容するように閾値を決定することもできる。
【０１１３】
また、図１８に示す非類似度分布のグラフを用いて紙葉類識別器６０３の識別精度を評価することができる。
【０１１４】
第１の実施の形態によれば、入力される非劣化券のムラ重み係数γｋ１１０２から劣化券のムラ重み係数βｋ１２００を算出し、算出された劣化券のムラ重み係数βｋ１２００とムラ基底画像Ｉｋ［ｘ、ｙ］とを用いてムラ画像を生成し、劣化券のムラ画像Ｈ［ｘ，ｙ］７０２を生成し、入力された非劣化券画像６００に劣化券のムラ画像Ｈ［ｘ，ｙ］７０２を足し合わせることによって、ムラを生成し、紙葉類劣化画像６０２を生成する。入力される非劣化券のムラ重み係数γｋ１１０２と確率分布Ｐｋ（βｋ｜γｋ、ｒ）とを用いて劣化券のムラ重み係数βｋ１２００を算出することによって、劣化券の統計特性と入力される非劣化券の統計特性とが反映され、より所望の劣化券に近い紙葉類劣化画像６０２が生成される。
【０１１５】
また、生成された紙葉類劣化画像６０２を用いて紙葉類識別器６０３に学習させることによって、劣化券と非劣化券との両方を用いて学習させた場合と同程度の識別精度を実現できる。
【０１１６】
［第２の実施の形態］
本発明の第１の実施の形態では、識別する紙葉類の劣化券がない場合について説明した。本発明の第２の実施の形態では、識別する紙葉類の劣化券（以下、劣化券Ａと記す。）が数枚だけある場合について説明する。この場合、劣化度パラメタ決定処理１３０１が異なる。なお、装置構成および他の処理は、第１の実施の形態と同一である。以下、劣化度パラメタ決定処理１３０１の決定方法について説明する。
【０１１７】
図１９は、本発明の第２の実施の形態の劣化度パラメタ決定処理１３０１のフローチャートを示す図である。ステップ１９００から１９０４まではループ処理になっており、事前に指定された回数（この場合は、Ｔ回）だけ同様の処理を行う。
【０１１８】
まず、紙葉類劣化画像生成部６０１は、ランダムに劣化度パラメタ１４００を決定し（１９００）、決定された劣化度パラメタ１４００にしたがって、紙葉類劣化画像６０２を生成する（１９０１）。なお、紙葉類劣化画像６０２は、第１の実施の形態と同様の処理を行って生成する。
【０１１９】
紙葉類劣化画像生成部６０１は、生成された紙葉類劣化画像６０２を用いて紙葉類識別器６０３に学習させたときの非類似度の分布を算出し、また、劣化券Ａの非類似度の分布を算出する（１９０２）。
【０１２０】
図２０は、本発明の第２の実施の形態の非類似度の分布を示す説明図である。
【０１２１】
分布２０００は、紙葉類識別器６０３に学習させた紙葉類の非類似度の分布であり、分布２００１は、劣化券Ａの非類似度の分布である。以下、紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００と記し、劣化券Ａの非類似度の分布２００１と記す。
【０１２２】
次に、紙葉類劣化画像生成部６０１は、紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００が、劣化券Ａの非類似度の分布２００１に含まれるか否かを判定する（１９０３）。つまり、紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００が劣化券Ａの非類似度の分布２００１と重なっているか否かを判定する。
【０１２３】
紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００が、劣化券Ａの非類似度の分布２００１に含まれると判定された場合、紙葉類劣化画像生成部６０１は、ステップ１９００で決定した劣化度パラメタ１４００を劣化度パラメタの採用候補リストに追加する（１９０４）。なお、劣化度パラメタの候補リストは、紙葉類劣化画像生成部６０１に保持される。
【０１２４】
紙葉類識別器６０３に学習させた紙葉類の非類似度の分布２０００が、劣化券Ａの非類似度の分布２００１に含まれないと判定された場合、紙葉類劣化画像生成部６０１は、ステップ１９００で決定した劣化度パラメタ１４００を劣化度パラメタの候補リストに追加しない。
【０１２５】
ステップ１９００からステップ１９０５までのループ処理が終了したら、紙葉類劣化画像生成部６０１は、劣化度パラメタの候補リストのノルム値を算出し、算出されたノルム値が小さいものを劣化度パラメタ１４００に決定する（１９０５）。
【０１２６】
本発明の第２の実施の形態によれば、収集された劣化券が少数の場合であっても、紙葉類識別器６０３の識別精度を向上させることができる。
【０１２７】
［第３の実施の形態］
本発明の第３の実施の形態は、ＧＵＩを用いて劣化度パラメタ１４００を決定する。
【０１２８】
本発明の第３の実施の形態の装置構成は、本発明の第１の実施の形態と同一の構成である。
【０１２９】
図２１は、本発明の第３の実施の形態のＧＵＩを用いた劣化度パラメタ１４００の決定方法を示す説明図である。
【０１３０】
本発明の第３の実施の形態の画像出力部５０３は、図２１に示すようなＧＵＩ画面２１００である。図２１に示すように、ＧＵＩ画面２１００には、識別紙葉類２１０１、紙葉類Ａ２１０２、紙葉類Ｂ２１０３、紙葉類Ｃ２１０４、紙葉類Ｄ２１０５、紙葉類Ｅ２１０６、および紙葉類Ｆ２１０７が表示される。
【０１３１】
識別紙葉類２１０１は、実際に識別する紙葉類の画像である。紙葉類Ａ２１０２、紙葉類Ｂ２１０３、紙葉類Ｃ２１０４、紙葉類Ｄ２１０５、紙葉類Ｅ２１０６、および紙葉類Ｆ２１０７は、紙葉類劣化画像適用事例データベース１３０２に格納されたデータであり、ＧＵＩ画面２１００には、識別紙葉類２１０１との類似度が高い順に紙葉類Ａ２１０２から紙葉類Ｆ２１０７が表示される。画像の類似度は、例えば、ＨＬＡＣを用い、画像の特徴量を算出し、ユークリッド距離によって類似度を算出する。認識対象となる紙葉類の画像である。２１０１〜２１０６は過去に本発明の紙葉類劣化画像生成装置を適用した紙葉類の画像である。２１０１〜２１０６の各画像の下には、画像に対応する紙葉類劣化画像生成装置適用事例データベース内の例えば図１４に示すようなデータである。２１０１〜２１０６の画像は２１０１の画像に対する類似度が高い順に表示される。
【０１３２】
紙葉類識別装置５００を操作する人が、ＧＵＩ画面２１００に表示されている紙葉類Ａ２１０２から紙葉類Ｆ２１０７にいずれかを選択することによって、選択された紙葉類の劣化度パラメタ１４００を実際に使用する劣化度パラメタ１４００に決定する。
【０１３３】
本発明の第３の実施によれば、劣化度パラメタ１４００を数値で表示するよりも直観的に劣化度パラメタ１４００を確認し、所望の劣化度を再現する劣化度パラメタ１４００を決定することができる。
【０１３４】
［第４の実施の形態］
本発明の第４の実施は、紙葉類識別装置５００を備える紙葉類自動取引装置（ＡＴＭ）において、紙葉類自動取引装置のメンテナンス担当の係員が紙葉類自動取引装置が設置されている現地で紙葉類を入力して識別精度を確認しながら劣化度パラメタ１４００を決定する。なお、入力される紙葉類は、現地で入手した紙葉類である。
【０１３５】
図２２は、本発明の第４の実施の形態の自動取引装置の構成を示すブロック図である。
【０１３６】
紙葉類自動取引装置２２００は、紙葉類入力部２２０１、画像抽出部２２０２、入力部２２０３、表示部２２０４、記憶部２２０５、紙葉類劣化画像生成部６０１、および紙葉類識別器６０３を備える。
【０１３７】
紙葉類入力部２２０１は、紙葉類劣化画像６０２を生成するために使用する紙葉類または識別させる紙葉類を入力する。画像抽出部２２０２は、紙葉類入力部２２０１に入力された紙葉類の画像を抽出する。入力部２２０３は、劣化度パラメタ１４００を決定するための補助入力をする、タッチパネル、またはキーボードなどである。表示部２２０４は、紙葉類劣化画像６０２などを表示するディスプレイなどである。記憶部２２０５は、識別対象の紙葉類の非劣化券画像６００などを記憶するＨＤＤなどである。紙葉類劣化画像生成部６０１、および紙葉類識別器６０３は、第１の実施の形態と同様のものである。
【０１３８】
まず、入力部２２０３から入力された補助入力と記憶部２２０５に記憶されている識別対象の紙葉類の非劣化券画像６００とが紙葉類劣化画像生成部６０１に出力され、紙葉類劣化画像生成部６０１は紙葉類劣化画像６０２を生成する。紙葉類自動取引装置２２００は、生成された紙葉類劣化画像６０２を用いて、紙葉類識別器６０３に学習させる。学習が終了すると、表示部２２０４が学習が終了したことを示す内容をメンテナンス担当者に表示する。
【０１３９】
学習が終了したことを確認したメンテナンス担当者は、現地で入手した劣化券を紙葉類自動取引装置２２００の紙葉類入力部２２０１に入力する。入力された劣化券のデータは画像抽出部２２０２に入力され、劣化券の画像データが抽出される。
【０１４０】
抽出された画像データは、紙葉類識別器６０３に入力され、紙葉類の識別がされる。紙葉類の識別結果は、識別精度として表示部２２０４に表示される。
【０１４１】
メンテナンス担当者は表示部２２０４に表示される識別結果を確認し、所望の識別精度になるように入力部２２０３に劣化度パラメタを補助するデータを入力する。改めて入力されたデータに基づいて紙葉類劣化画像生成部６０１は、紙葉類劣化画像６０２を生成し、生成された紙葉類劣化画像６０２を用いて紙葉類識別器６０３に学習させる。
【０１４２】
メンテナンス担当者は、再度、紙葉類の識別をさせ、識別精度を確認する。以後、所望の識別精度が得られるまで、メンテナンス担当の係員は同様の処理を繰り返す。
【０１４３】
本発明の第４の実施の形態によれば、現地で入手した紙葉類を用いて紙葉類識別器６０３の識別精度をすることによって、各自動取引装置それぞれに適切な学習を行わせ、所望の識別精度を実現できる。
【図面の簡単な説明】
【０１４４】
【図１】従来の非劣化券および劣化券を学習用の紙葉類サンプルとして紙葉類識別器に学習させた場合の非類似度値の分布を示した説明図である。
【図２】従来の非劣化券のみを学習用の紙葉類サンプルとして紙葉類識別器に学習させた場合の非類似度値の分布を示した説明図である。
【図３】従来の真贋判定において、真券であることを示す閾値のマージンを示した説明図である。
【図４】本発明の第１の実施の形態の紙葉類のムラ画像を示す説明図である。
【図５】本発明の第１の実施の形態の紙葉類識別装置のハードウェア構成を示すブロック図である。
【図６】本発明の第１の実施の形態の紙葉類識別装置の構成を示すブロック図である。
【図７】本発明の第１の実施の形態の劣化券のムラの空間的な統計特性を算出する処理を説明するブロック図である。
【図８】本発明の第１の実施の形態のムラ画像抽出処理を説明するブロック図である。
【図９】本発明の第１の実施の形態の統計分析処理を説明するブロック図である。
【図１０】本発明の第１の実施の形態の紙葉類劣化画像生成部の構成を示す説明図である。
【図１１】本発明の第１の実施の形態の非劣化券のムラ統計的特性算出処理を説明するブロック図である。
【図１２Ａ】本発明の第１の実施の形態の非劣化券のムラ画像、非劣化券のムラ重み係数、ムラ基底画像、ムラ射影画像の数学的な関係を示す説明図である。
【図１２Ｂ】本発明の第１の実施の形態の劣化券のムラ画像、劣化券のムラ重み係数、ムラ基底画像、ムラ射影画像の数学的な関係を示す説明図である。
【図１３】本発明の第１の実施の形態の劣化画像処理を説明するブロック図である。
【図１４】本発明の第１の実施の形態の劣化度パラメタの構成例を示す説明図である。
【図１５】本発明の第１の実施の形態の紙葉類劣化画像適用事例データベースの一例を示す説明図である。
【図１６】本発明の第１の実施の形態の劣化度パラメタ決定処理を示すフローチャートである。
【図１７】本発明の第１の実施の形態のムラ生成処理を示すフローチャートである。
【図１８】本発明の第１の実施の形態の閾値の決定方法の一例を示した説明図である。
【図１９】本発明の第２の実施の形態の劣化度パラメタ決定処理のフローチャートを示す図である。
【図２０】本発明の第２の実施の形態の非類似度の分布を示す説明図である。
【図２１】本発明の第３の実施の系他のＧＵＩを用いた劣化度パラメタの決定方法を示す説明図である。
【図２２】本発明の第４の実施の形態の自動取引装置の構成を示すブロック図である。
【符号の説明】
【０１４５】
５０１ 画像入力部
５０２ テキスト入力部
５０３ 画像出力部
５０４ テキスト出力部
５０５ ＣＰＵ
５０６ 主記憶部
５０７ 補助記憶部
５０８ 画像表示部
５０９ バス
【特許請求の範囲】
【請求項１】
紙葉類を識別する紙葉類識別器を備える紙葉類識別装置であって、
前記紙葉類識別装置は、
紙葉類の画像を入力する画像入力部と、
紙葉類の劣化度合いを表すパラメタを決定するためのデータを入力する入力部と、
劣化した紙葉類の画像である紙葉類劣化画像を生成する紙葉類劣化画像生成部と、を備え、
前記紙葉類劣化画像生成部は、
前記入力されたデータに基づいて、前記紙葉類の劣化度合いを表すパラメタを決定し、
前記決定されたパラメタに基づいて、画素値が非一様な画像を生成し、
前記生成された画素値が非一様な画像を、前記画像入力部に入力された紙葉類の画像に加えることによって、前記紙葉類劣化画像を生成し、
前記紙葉類劣化画像生成部によって生成された画素値が非一様な画像は、紙葉類の紙面上の空間的な統計特性と、前記画像入力部に入力された複数の劣化した紙葉類の統計特性と、を備えることを特徴とする紙葉類識別装置。
【請求項２】
前記紙葉類劣化画像生成部は、
前記画像入力部に入力された複数の劣化した紙葉類の画像から画素値が非一様な画像を抽出し、
前記抽出された画素値が非一様な画像から、前記紙葉類の紙面上の空間的な統計特性を求める統計的手法を用いて、基底画像を算出し、
前記基底画像の重み付き線形和によって、前記紙葉類の画素値が非一様な画像を生成することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項３】
前記基底画像の重み付き線形和における重みは、前記画像入力部に入力された複数の劣化した紙葉類の統計特性であることを特徴とする請求項２に記載の紙葉類識別装置。
【請求項４】
前記紙葉類劣化画像生成部は、
前記基底画像の逆ベクトルである射影画像を用いて、前記画像入力部に入力された複数の劣化していない紙葉類から画素値の非一様性の度合いを定量化し、
前記定量化された画素値の非一様性の度合いに、統計的手法を用いて、前記画像入力部に入力された複数の紙葉類の統計特性を算出することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項５】
前記紙葉類劣化画像生成部は、
前記画像入力部に入力された紙葉類の画像の輝度を変動させた画像を生成し、
前記画素値が非一様な画像を生成し、
局所的な損傷および汚れを伴う画像を生成し、
前記生成された紙葉類の輝度を変動させた画像と、前記生成された画素値が非一様な画像と、前記局所的な損傷および汚れを伴う画像と、を前記前記入力された紙葉類の画像に加えることによって、前記紙葉類劣化画像を生成することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項６】
前記紙葉類識別装置は、
前記生成された紙葉類劣化画像を用いて学習し、
前記画像入力部に入力された紙葉類の紙面中から複数の位置の画素値の統計的な特性を用いて紙葉類を識別することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項７】
前記紙葉類識別装置は、前記紙葉類識別器の識別結果を出力する出力部を備えることを特徴とする請求項１に記載の紙葉類識別装置。
【請求項８】
前記紙葉類識別装置は、
紙葉類劣化画像生成部によって生成された紙葉類劣化画像に関するデータ、および生成された前記紙葉類劣化画像を用いて学習した前記紙葉類識別器に関するデータを格納する紙葉類劣化画像適用事例データベースを備え、
前記紙葉類劣化画像生成部は、
前記入力部に紙葉類の画像が入力された場合、前記入力された紙葉類の画像と前記紙葉類劣化画像適用事例データベースに格納されている紙葉類劣化画像との類似度を算出し、
前記算出結果に基づいて、前記紙葉類劣化画像適用事例データベースに格納されている紙葉類劣化画像を生成するときに用いた前記紙葉類の劣化度合いを表すパラメタの中から、使用する前記紙葉類の劣化度合いを表すパラメタを決定することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項９】
前記紙葉類識別装置は、
紙葉類劣化画像生成部によって生成された紙葉類劣化画像に関するデータ、および生成された前記紙葉類劣化画像を用いて学習した前記紙葉類識別器に関するデータを格納する紙葉類劣化画像適用事例データベースを備え、
前記紙葉類劣化画像生成部は、
前記入力部に入力された紙葉類の特徴と一致するデータを前記紙葉類劣化画像適用事例データベースから検索し、
前記検索されたデータの前記紙葉類の劣化度合いを表すパラメタを、前記紙葉類の劣化度合いを表すパラメタに決定することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項１０】
前記紙葉類識別装置は、
前記紙葉類識別器の識別結果を出力する出力部を備え、
前記紙葉類劣化画像生成部は、
前記紙葉類の劣化度合いを表すパラメタをランダムに決定し、
前記紙葉類識別器は、
前記決定されたパラメタに基づいて生成された前記紙葉類劣化画像を用いて学習し、
前記紙葉類識別装置は、
第１の非類似度分布を学習結果として、前記出力部に表示し、
また、識別対象の劣化した紙葉類を識別して、前記出力部に、第２の非類似度分布を識別結果を、前記出力部に表示し、
前記第１の非類似度分布と前記第２の非類似度分布とを比較し、前記比較結果に基づいて、使用する前記紙葉類の劣化度合いを表すパラメタに決定することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項１１】
前記紙葉類識別装置は、
画像を出力する画像出力部と、
前記紙葉類劣化画像生成部によって生成された前記紙葉類劣化画像に関するデータ、および生成された前記紙葉類劣化画像を用いて学習した前記紙葉類識別器に関するデータを格納する前記紙葉類劣化画像適用事例データベースと、を備え、
前記紙葉類劣化画像生成部は、
前記画像入力部に入力された紙葉類の画像と前記紙葉類劣化画像適用事例データベースに格納される紙葉類劣化画像との類似度を算出し、
前記算出された類似度に基づいて、類似度の大きい順に、複数の前記紙葉類劣化画像適用事例データベースに格納される紙葉類劣化画像を前記画像出力部に表示し、
前記表示された前記紙葉類劣化画像の選択を受け付け、
前記選択された前記紙葉類劣化画像適用事例データベースに格納される紙葉類劣化画像の前記紙葉類の劣化度合いを表すパラメタを、使用する前記紙葉類の劣化度合いを表すパラメタに決定することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項１２】
前記紙葉類識別装置は、
前記紙葉類識別器の識別結果を出力する出力部を備え、
ユーザの指示に基づいて、前記紙葉類の劣化度合いを表すパラメタを変更し、
前記紙葉類劣化画像生成部は、
前記変更された紙葉類の劣化度合いを表すパラメタに基づいて、紙葉類劣化画像を生成し、
前記紙葉類識別器は、前記生成された紙葉類劣化画像を用いて学習することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項１】
紙葉類を識別する紙葉類識別器を備える紙葉類識別装置であって、
前記紙葉類識別装置は、
紙葉類の画像を入力する画像入力部と、
紙葉類の劣化度合いを表すパラメタを決定するためのデータを入力する入力部と、
劣化した紙葉類の画像である紙葉類劣化画像を生成する紙葉類劣化画像生成部と、を備え、
前記紙葉類劣化画像生成部は、
前記入力されたデータに基づいて、前記紙葉類の劣化度合いを表すパラメタを決定し、
前記決定されたパラメタに基づいて、画素値が非一様な画像を生成し、
前記生成された画素値が非一様な画像を、前記画像入力部に入力された紙葉類の画像に加えることによって、前記紙葉類劣化画像を生成し、
前記紙葉類劣化画像生成部によって生成された画素値が非一様な画像は、紙葉類の紙面上の空間的な統計特性と、前記画像入力部に入力された複数の劣化した紙葉類の統計特性と、を備えることを特徴とする紙葉類識別装置。
【請求項２】
前記紙葉類劣化画像生成部は、
前記画像入力部に入力された複数の劣化した紙葉類の画像から画素値が非一様な画像を抽出し、
前記抽出された画素値が非一様な画像から、前記紙葉類の紙面上の空間的な統計特性を求める統計的手法を用いて、基底画像を算出し、
前記基底画像の重み付き線形和によって、前記紙葉類の画素値が非一様な画像を生成することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項３】
前記基底画像の重み付き線形和における重みは、前記画像入力部に入力された複数の劣化した紙葉類の統計特性であることを特徴とする請求項２に記載の紙葉類識別装置。
【請求項４】
前記紙葉類劣化画像生成部は、
前記基底画像の逆ベクトルである射影画像を用いて、前記画像入力部に入力された複数の劣化していない紙葉類から画素値の非一様性の度合いを定量化し、
前記定量化された画素値の非一様性の度合いに、統計的手法を用いて、前記画像入力部に入力された複数の紙葉類の統計特性を算出することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項５】
前記紙葉類劣化画像生成部は、
前記画像入力部に入力された紙葉類の画像の輝度を変動させた画像を生成し、
前記画素値が非一様な画像を生成し、
局所的な損傷および汚れを伴う画像を生成し、
前記生成された紙葉類の輝度を変動させた画像と、前記生成された画素値が非一様な画像と、前記局所的な損傷および汚れを伴う画像と、を前記前記入力された紙葉類の画像に加えることによって、前記紙葉類劣化画像を生成することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項６】
前記紙葉類識別装置は、
前記生成された紙葉類劣化画像を用いて学習し、
前記画像入力部に入力された紙葉類の紙面中から複数の位置の画素値の統計的な特性を用いて紙葉類を識別することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項７】
前記紙葉類識別装置は、前記紙葉類識別器の識別結果を出力する出力部を備えることを特徴とする請求項１に記載の紙葉類識別装置。
【請求項８】
前記紙葉類識別装置は、
紙葉類劣化画像生成部によって生成された紙葉類劣化画像に関するデータ、および生成された前記紙葉類劣化画像を用いて学習した前記紙葉類識別器に関するデータを格納する紙葉類劣化画像適用事例データベースを備え、
前記紙葉類劣化画像生成部は、
前記入力部に紙葉類の画像が入力された場合、前記入力された紙葉類の画像と前記紙葉類劣化画像適用事例データベースに格納されている紙葉類劣化画像との類似度を算出し、
前記算出結果に基づいて、前記紙葉類劣化画像適用事例データベースに格納されている紙葉類劣化画像を生成するときに用いた前記紙葉類の劣化度合いを表すパラメタの中から、使用する前記紙葉類の劣化度合いを表すパラメタを決定することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項９】
前記紙葉類識別装置は、
紙葉類劣化画像生成部によって生成された紙葉類劣化画像に関するデータ、および生成された前記紙葉類劣化画像を用いて学習した前記紙葉類識別器に関するデータを格納する紙葉類劣化画像適用事例データベースを備え、
前記紙葉類劣化画像生成部は、
前記入力部に入力された紙葉類の特徴と一致するデータを前記紙葉類劣化画像適用事例データベースから検索し、
前記検索されたデータの前記紙葉類の劣化度合いを表すパラメタを、前記紙葉類の劣化度合いを表すパラメタに決定することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項１０】
前記紙葉類識別装置は、
前記紙葉類識別器の識別結果を出力する出力部を備え、
前記紙葉類劣化画像生成部は、
前記紙葉類の劣化度合いを表すパラメタをランダムに決定し、
前記紙葉類識別器は、
前記決定されたパラメタに基づいて生成された前記紙葉類劣化画像を用いて学習し、
前記紙葉類識別装置は、
第１の非類似度分布を学習結果として、前記出力部に表示し、
また、識別対象の劣化した紙葉類を識別して、前記出力部に、第２の非類似度分布を識別結果を、前記出力部に表示し、
前記第１の非類似度分布と前記第２の非類似度分布とを比較し、前記比較結果に基づいて、使用する前記紙葉類の劣化度合いを表すパラメタに決定することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項１１】
前記紙葉類識別装置は、
画像を出力する画像出力部と、
前記紙葉類劣化画像生成部によって生成された前記紙葉類劣化画像に関するデータ、および生成された前記紙葉類劣化画像を用いて学習した前記紙葉類識別器に関するデータを格納する前記紙葉類劣化画像適用事例データベースと、を備え、
前記紙葉類劣化画像生成部は、
前記画像入力部に入力された紙葉類の画像と前記紙葉類劣化画像適用事例データベースに格納される紙葉類劣化画像との類似度を算出し、
前記算出された類似度に基づいて、類似度の大きい順に、複数の前記紙葉類劣化画像適用事例データベースに格納される紙葉類劣化画像を前記画像出力部に表示し、
前記表示された前記紙葉類劣化画像の選択を受け付け、
前記選択された前記紙葉類劣化画像適用事例データベースに格納される紙葉類劣化画像の前記紙葉類の劣化度合いを表すパラメタを、使用する前記紙葉類の劣化度合いを表すパラメタに決定することを特徴とする請求項１に記載の紙葉類識別装置。
【請求項１２】
前記紙葉類識別装置は、
前記紙葉類識別器の識別結果を出力する出力部を備え、
ユーザの指示に基づいて、前記紙葉類の劣化度合いを表すパラメタを変更し、
前記紙葉類劣化画像生成部は、
前記変更された紙葉類の劣化度合いを表すパラメタに基づいて、紙葉類劣化画像を生成し、
前記紙葉類識別器は、前記生成された紙葉類劣化画像を用いて学習することを特徴とする請求項１に記載の紙葉類識別装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２Ａ】
【図１２Ｂ】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２Ａ】
【図１２Ｂ】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【公開番号】特開２０１０−２６８４８（Ｐ２０１０−２６８４８Ａ）
【公開日】平成２２年２月４日（２０１０．２．４）
【国際特許分類】
【出願番号】特願２００８−１８８３０５（Ｐ２００８−１８８３０５）
【出願日】平成２０年７月２２日（２００８．７．２２）
【出願人】（５０４３７３０９３）日立オムロンターミナルソリューションズ株式会社 (1,225)
【Ｆターム（参考）】
【公開日】平成２２年２月４日（２０１０．２．４）
【国際特許分類】
【出願日】平成２０年７月２２日（２００８．７．２２）
【出願人】（５０４３７３０９３）日立オムロンターミナルソリューションズ株式会社 (1,225)
【Ｆターム（参考）】
[ Back to top ]