研究意义：
近年来，人民币防伪和鉴伪技术都得到了良好的发展，但是基于移动终端对人民币进行鉴别的研究较少，利用手机进行人民币鉴伪是一个很有意义的课题。首先，在设备上，传统鉴伪设备大多不便携而且价格高昂，不能很好地大众化，而随着智能手机的发展，高分辨率乃至于深度摄像头逐步搭载在手机上，借助于手机摄像头可以拍摄到人民币的纹理细节，其中胶印微缩文字、手工雕刻工艺和凹版印刷技术具有极高的防伪能力，可以对人民币进行鉴别。其次，人民币的国际化，人民币除了可以作为流通货币在蒙古、俄罗斯等国使用，甚至于津巴布韦等国直接将人民币作为法定货币，反假币对维护国际金融秩序，树立中国信誉和形象具有重要意义。此外，应用场景上，手机辩币APP可以作为假币知识教学的图谱，以及小规模辩币工具，帮助人们解决实际生活痛点。虽然随着移动支付的普及，现钞的使用频次极大降低，但这仅仅是应用市场容量有所减小，从国家战略上是需要这么一款人民币大众鉴伪应用的。
国内外研究现状：
早在上世纪90年代，纸币的鉴伪研究工作就已经开始了，国外的专家学者主要通过数字图像处理、模式识别等方法对纸币进行鉴伪。1993年，F.Takeda等学者率先提出了将神经网络和自由掩膜的方法应用于纸币处理中[1]，并随之改进系统[2，3]。2009年，Palouar C.R等人[4]提出一种可以识别欧元面额的系统，不能进行鉴伪而且图像的采集需要联网的摄像头。2010年，Papastavrou S等人[5]利用智能手机相机采集图像，实现了对欧元、美元和波兰币的面额识别，在纸币褶皱撕裂等情况下误差较大。2011年，Yeh等人[6]提出了一种基于多核支持向量机的方法，鉴伪效果优于单核支持向量机。2011年，Paisios N等人[7]提出一种提取纸币图像SIFT算子，通过K-means算法进行聚类对美元面额识别的算法。2011年，Solymar Z等人[8]提出一种提取纸币图像的Zernike矩，通过K-means于CNN进行识别的算法。2011年，Singh P等人[9]开发出印度币的鉴伪APP，采用GrabCut算法分离前景与背景，利用BOW进行识别，该方法无法适应复杂背景而且受光照影响大。 2015年，Celik等人[10]提出了将人工神经网络与支持向量机相结合的方法进行鉴伪工作的研究。2016年，Doush I.A等人[11]提出一个约旦币的手机识别系统，利用SIFT特征进行面额的识别，但对光照和图像采集距离较为敏感。2018年，Tamarafinide V.D.等人[12]开发出尼日尼亚币的鉴伪APP，使用KNN算法进行面额识别。
鉴伪算法：
人民币鉴伪算法包含整个流程的一组算法，大致分为预处理、面额识别、单个防伪标识的识别。
在预处理阶段，需要对拍摄的图像进行边缘检测、旋转矫正、平滑滤波去噪、图像增强和图像的二值化等操作。边缘检测可以采用霍夫变换与最小二乘拟合，或者是先进行角点检测再最小二乘拟合，平滑滤波算法有均值滤波、中值滤波、最值滤波、低通滤波等，图像增强可以采用线性变换、非线性变换、直方图均衡化。二值化方法有全局阈值分割、最大类间方差等。
在面额识别上，可以借助SIFT算子通过K均值聚类进行识别，也可以基于图像相对位置上的特征进行模板匹配，从而进行识别。
在单个防伪标识上，先要从整张人民币上切割出特征区域，可以采用区域在人民币上的相对位置，也可以采取目标检测的手段。其中胶印对印区域，可以对透视图进行二值化，角点检测后再拟合出相对的直线，再在亚像素级对两条直线的距离进行计算，与真币计算出的标准距离进行比较。在变光油墨的100面额字样上，可以对光彩光变数字图像计算水平投影的均值，光变油墨数字图像会得到一条曲折的曲线，而普通油墨的不会有。对于人民币国徽、毛泽东人像区域，可以采用模式识别的方法，特征提取可以采用Gabor滤波器、卷积神经网络等，分类器可以采用KNN、SVM等。
结论：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
