当前位置： 首页 > news >正文

用Python和Scikit-learn给人民币‘看相’：一个颜色矩+SVM的纸币面额识别小项目

news 2026/6/3 7:56:12

用Python打造人民币智能识别系统：从颜色特征到SVM模型的实战解析

走在街头巷尾，你是否注意过自动售货机如何精准识别投入的纸币？这背后隐藏的正是计算机视觉与机器学习的精妙结合。今天，我们将用Python构建一个能"看懂"人民币面额的智能系统，整个过程就像教孩子认识不同颜色和大小的玩具一样直观有趣。

1. 项目准备与环境搭建

在开始之前，我们需要准备好Python环境和必要的工具库。这个项目特别适合刚学完Python基础，想要尝试实际应用的开发者。以下是我们的技术栈：

  • Python 3.8+：推荐使用Anaconda管理环境
  • Pillow (PIL)：处理图像的基本操作
  • NumPy：数值计算和数组处理
  • scikit-learn：机器学习模型实现
  • Matplotlib（可选）：可视化分析

安装依赖只需一行命令：

pip install pillow numpy scikit-learn matplotlib

提示：如果遇到权限问题，可以尝试添加--user参数或在虚拟环境中安装。

我们的数据集包含6种面额的人民币图片（1元、5元、10元、20元、50元、100元），每种面额有40张不同角度和正反面的照片，总共240张。这些图片已经按照"面值_序号.png"的格式命名，例如"5_23.png"表示第23张5元人民币照片。

2. 图像预处理：为机器学习准备"食材"

就像烹饪前需要洗净切配食材一样，图像预处理是机器学习项目成功的关键第一步。我们需要确保所有图片规格统一，并且排除干扰因素。

2.1 标准化图像尺寸

不同照片可能因为拍摄角度和距离产生尺寸差异，我们需要统一调整为相同大小：

from PIL import Image def resize_image(image_path, target_size=(60, 60)): img = Image.open(image_path) return img.resize(target_size)

2.2 提取中心区域

纸币边缘可能因为拍摄角度产生变形，我们更关注中心区域的颜色特征：

def crop_center(image, crop_width=100, crop_height=100): width, height = image.size left = (width - crop_width)/2 top = (height - crop_height)/2 right = (width + crop_width)/2 bottom = (height + crop_height)/2 return image.crop((left, top, right, bottom))

2.3 颜色通道分离

人民币不同面额最直观的区别就是颜色，我们需要分别处理RGB三个通道：

def split_channels(image): return image.split() # 返回(R, G, B)三个通道

3. 特征工程：颜色矩的魔力

特征工程是将原始数据转换为机器学习模型能理解的形式的过程。对于图像识别，颜色矩（Color Moments）是一种简单有效的特征提取方法。

3.1 理解颜色矩

颜色矩包含三个层次的统计特征：

  1. 一阶矩（均值）：颜色的平均强度
  2. 二阶矩（标准差）：颜色的变化幅度
  3. 三阶矩（偏度）：颜色分布的不对称性

对于RGB图像，每个通道计算这三个矩，总共得到9个特征值。

3.2 计算颜色矩

以下是计算颜色矩的Python实现：

import numpy as np def calculate_moments(channel): # 一阶矩（均值） mean = np.mean(channel) # 二阶矩（标准差） std = np.std(channel) # 三阶矩（偏度） skewness = np.mean((channel - mean)**3) ** (1/3) return mean, std, skewness

3.3 构建特征矩阵

我们需要为每张图片计算RGB三个通道的颜色矩，并组合成特征向量：

def extract_features(image): r, g, b = split_channels(image) r_mean, r_std, r_skew = calculate_moments(np.array(r)) g_mean, g_std, g_skew = calculate_moments(np.array(g)) b_mean, b_std, b_skew = calculate_moments(np.array(b)) return [r_mean, r_std, r_skew, g_mean, g_std, g_skew, b_mean, b_std, b_skew]

4. 构建SVM分类模型

支持向量机(SVM)在小样本、高维度分类问题上表现优异，非常适合我们的纸币识别任务。

4.1 数据准备

首先加载所有图片并提取特征：

import os def load_dataset(image_folder): features = [] labels = [] for filename in os.listdir(image_folder): if filename.endswith('.png'): # 从文件名获取面额标签 label = filename.split('_')[0] labels.append(label) # 处理图像并提取特征 img_path = os.path.join(image_folder, filename) img = Image.open(img_path) img = resize_image(img) img = crop_center(img) feature = extract_features(img) features.append(feature) return np.array(features), np.array(labels)

4.2 训练测试分割

使用scikit-learn的train_test_split划分数据集：

from sklearn.model_selection import train_test_split X, y = load_dataset('人民币图片/') X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42)

4.3 SVM模型训练

不同核函数对结果有显著影响，我们比较几种常见选择：

核函数类型适用场景训练速度预测速度
linear线性可分快快
poly非线性中等中等
rbf非线性慢中等
sigmoid特定场景中等中等
from sklearn.svm import SVC from sklearn.metrics import accuracy_score # 使用RBF核函数 svm_model = SVC(kernel='rbf', C=1.0, gamma='scale') svm_model.fit(X_train, y_train) # 评估模型 train_acc = accuracy_score(y_train, svm_model.predict(X_train)) test_acc = accuracy_score(y_test, svm_model.predict(X_test)) print(f"训练集准确率: {train_acc:.2%}") print(f"测试集准确率: {test_acc:.2%}")

4.4 模型优化技巧

提高模型性能的几个实用方法：

  • 特征标准化：SVM对特征尺度敏感，使用StandardScaler
  • 类别权重：样本不均衡时设置class_weight='balanced'
  • 网格搜索：寻找最优的C和gamma参数组合
from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline # 创建包含标准化的管道 svm_pipeline = make_pipeline( StandardScaler(), SVC(kernel='rbf', C=1.0, gamma='scale') ) svm_pipeline.fit(X_train, y_train)

5. 实际应用中的挑战与解决方案

在理想实验室环境下模型可能表现良好，但实际应用中会遇到各种挑战：

5.1 光照条件变化

不同光线环境下拍摄的照片颜色差异很大：

解决方案：

  • 使用HSV颜色空间替代RGB
  • 增加光照归一化步骤
  • 收集更多不同光照条件下的训练数据

5.2 拍摄角度倾斜

纸币不是正对相机时，颜色特征会失真：

解决方案：

  • 应用透视变换校正角度
  • 提取多个区域的特征而不仅是中心区域
  • 使用SIFT或SURF等局部特征

5.3 纸币磨损和污渍

流通中的纸币会有不同程度的磨损：

解决方案：

  • 增加数据增强，模拟磨损效果
  • 结合纹理特征而不仅依赖颜色
  • 使用更鲁棒的分类算法如随机森林

5.4 实时性要求

实际应用可能需要实时识别：

优化策略：

# 简化特征计算 def fast_features(image): r, g, b = split_channels(image) return [np.mean(r), np.mean(g), np.mean(b)] # 仅使用均值
  • 减少特征维度
  • 选择计算量小的模型（如线性SVM）
  • 使用Cython或Numba加速关键代码

6. 项目扩展与进阶方向

完成基础版本后，可以考虑以下扩展方向提升系统能力：

6.1 多特征融合

除了颜色矩，可以加入：

  • 纹理特征：LBP、灰度共生矩阵
  • 形状特征：边缘检测、霍夫变换
  • 深度学习特征：使用预训练CNN提取高级特征

6.2 模型集成

结合多种模型的优势：

  1. 训练随机森林作为第二分类器
  2. 使用投票机制综合SVM和RF的结果
  3. 堆叠(Stacking)不同模型的预测结果

6.3 端到端部署

将模型应用到实际场景：

from flask import Flask, request, jsonify app = Flask(__name__) @app.route('/predict', methods=['POST']) def predict(): file = request.files['image'] img = Image.open(file.stream) # 预处理和特征提取 feature = extract_features(img) # 预测 pred = svm_model.predict([feature]) return jsonify({'denomination': pred[0]}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)

6.4 移动端集成

使用以下工具将模型部署到移动设备：

  • TensorFlow Lite：轻量级推理框架
  • Core ML（iOS）或ML Kit（Android）
  • ONNX Runtime：跨平台模型部署

在实际测试中，我发现模型的性能很大程度上取决于训练数据的多样性。曾经在一个项目中，因为训练集缺少特定光照条件下的样本，导致模型在实际应用中准确率骤降。后来通过数据增强和收集更多真实场景数据解决了这个问题。

http://www.jsqmd.com/news/940921/

相关文章：

  • 如何快速掌握华硕笔记本终极轻量级控制工具：G-Helper完整使用指南
  • 避坑指南：Carla 0.9.14 Windows编译后，自定义车辆模型常见报错排查与蓝图设置详解
  • 书匠策AI课程论文功能实测：从选题到成稿，这波操作让我直接封它为“论文搭子天花板“
  • ai赋能windows开发：借助快马生成集成智能文本分析的桌面应用
  • 传统文化哲学如何启发机器学习算法优化与产品设计
  • 赤峰工伤维权难解决？2026年这5家劳动工伤律师推荐 - 本地品牌推荐
  • 从零到一：PostgreSQL 入门到精通.pdf 全解析
  • Lindy自动化落地全周期拆解：从零搭建→流程编排→API集成→监控告警（附企业级Checklist）
  • 保姆级教程：在Jetson TX2上用TensorRT加速YOLOv8，USB摄像头实时检测FPS实测
  • AI工具链协同效率提升300%：从零搭建可落地的智能工作流系统（含Notion+Cursor+Zapier实战配置）
  • BetterJoy终极实战指南：Switch控制器PC连接完整解决方案
  • Windows 11下用SuperYOLO训练自己的数据集，我踩过的那些坑和解决方案（保姆级避坑指南）
  • 【C++ 从基础到项目实战】C++（六）：拷贝控制——浅拷贝与深拷贝，兼谈智能指针
  • Jetson Orin Nano 部署 PaddleOCR C++ 全流程实战指南
  • 别再当‘黑盒’玩家了！用GradCAM给YOLOv8做个‘X光’，看看它到底‘看’到了什么
  • 教育工作者AI工具应用速成课（限200所试点校内部资料首次公开）
  • Claude敏感性分析实战手册（企业级合规红线预警系统首次披露）
  • Tool-Graphify
  • 别再为地图国界线发愁了！用Cartopy+cnmaps绘制专业气象图（附正确国界SHP文件获取指南）
  • GitHub 中文化插件：5分钟打造你的中文GitHub体验
  • 无细胞蛋白表达（CFPS）技术详解：AI蛋白设计、膜蛋白表达与难表达蛋白制备新方案
  • 非公度线缺陷下蜂巢晶格狄拉克点边缘态的多尺度分析
  • 今天不整合，明天就掉队：2024Q2起，超61%的数据分析师岗位要求“AI-Augmented Analytics”实战能力（LinkedIn人才趋势预警）
  • 国内主流人才测评系统实测对比：合规与效能双维度评测 - 得赢
  • Godot 4.2 2D游戏开发中那些‘学了就忘’的实用技巧合集：动画树、Shader、状态机与场景管理
  • 物联网系统架构设计：从连接融合、边缘智能到安全与数据价值
  • Video2X深度评测：如何用AI视频超分辨率技术让老视频重获新生？
  • 告别imgaug！用Roboflow给YOLOv8数据集做增强，保姆级图文教程
  • MATLAB一键运行的数字全息FFT重建实操资源（含实测全息图+光路图+可视化脚本）
  • 用LMV358M给工频信号做‘美容’：手把手设计五阶巴特沃斯滤波与直流偏置电路