用Python给人民币“验明正身”：一个基于颜色矩的SVM纸币面额识别Demo（附完整代码）

用Python给人民币“验明正身”一个基于颜色矩的SVM纸币面额识别Demo在超市收银台前我们总能看到收银员快速清点钞票的场景。你有没有想过如果让计算机来识别纸币面额会怎样今天我们就用Python打造一个能自动识别人民币面额的验钞小助手。这个项目不仅有趣还能带你入门计算机视觉的基础知识。纸币识别看似简单实则包含图像处理、特征提取和机器学习三个关键环节。我们不会追求工业级的超高准确率而是聚焦如何用Python基础工具链PILNumPysklearn实现端到端的解决方案。通过计算RGB颜色矩特征配合SVM分类器240张纸币图片就能训练出不错的识别模型。1. 项目准备与环境搭建开始前需要准备以下工具和材料Python 3.7环境安装必要的库pip install pillow numpy scikit-learn收集240张人民币图片1元、5元、10元、20元、50元、100元各40张图片命名规范面额_序号.png如5_12.png提示实际项目中建议使用统一拍摄环境下的纸币照片避免光照条件差异影响识别效果核心工具库的作用from PIL import Image # 图像读取和处理 import numpy as np # 数值计算和特征提取 from sklearn import svm # 机器学习模型2. 数据预处理与特征工程2.1 图像读取与标准化首先需要批量读取图片并统一尺寸。人民币各面额尺寸相同约150×70mm但拍摄时可能存在角度差异def load_images(folder): images [] for filename in os.listdir(folder): img Image.open(os.path.join(folder, filename)) img img.resize((150, 70)) # 统一尺寸 images.append(img) return images2.2 颜色矩特征计算颜色矩是描述图像颜色分布的统计特征包括一阶矩均值反映颜色整体亮度二阶矩标准差表示颜色分布范围三阶矩偏度体现颜色分布不对称性计算RGB三通道的9个特征值def extract_features(img): # 分离RGB通道 r, g, b img.split() channels [np.array(ch)/255.0 for ch in [r,g,b]] features [] for ch in channels: # 一阶矩均值 mean np.mean(ch) # 二阶矩标准差 std np.std(ch) # 三阶矩偏度 skew np.mean((ch - mean)**3)**(1/3) features.extend([mean, std, skew]) return features3. 构建SVM分类模型3.1 数据集准备将240张图片转换为特征矩阵和标签向量X [] # 特征矩阵 y [] # 标签向量 for i, img in enumerate(images): features extract_features(img) X.append(features) # 从文件名提取面额标签 denomination int(filenames[i].split(_)[0]) y.append(denomination) X np.array(X) y np.array(y)3.2 模型训练与评估使用支持向量机(SVM)进行分类按8:2划分训练集和测试集from sklearn.model_selection import train_test_split from sklearn.svm import SVC # 划分数据集 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42) # 创建SVM分类器 model SVC(kernelrbf, C10, gamma0.1) # 训练模型 model.fit(X_train, y_train) # 评估性能 train_acc model.score(X_train, y_train) test_acc model.score(X_test, y_test) print(f训练集准确率: {train_acc:.2%}) print(f测试集准确率: {test_acc:.2%})典型输出结果训练集准确率: 92.71% 测试集准确率: 89.58%4. 模型优化与改进方向4.1 特征工程优化原始颜色矩特征的改进空间改进方向具体方法预期效果增加纹理特征提取LBP、HOG等特征提升新旧纸币识别率多区域采样分区域计算特征降低局部污损影响颜色空间转换使用HSV/Lab色彩空间增强光照鲁棒性4.2 模型调参技巧SVM关键参数优化策略from sklearn.model_selection import GridSearchCV param_grid { C: [0.1, 1, 10, 100], gamma: [1, 0.1, 0.01, 0.001], kernel: [rbf, linear] } grid GridSearchCV(SVC(), param_grid, cv5) grid.fit(X_train, y_train) print(最佳参数:, grid.best_params_)4.3 部署为实用工具将训练好的模型封装成可交互的识别工具def predict_denomination(image_path): img Image.open(image_path).resize((150, 70)) features extract_features(img) denomination model.predict([features])[0] return f识别结果: {denomination}元在实际测试中发现新版人民币的识别准确率明显高于旧版主要因为旧币颜色褪变导致特征变化。这提示我们在数据收集中要注意样本多样性。