1. 项目背景与核心价值人民币面值识别系统是一个典型的计算机视觉与机器学习交叉应用案例。在金融自动化、自助服务终端和残障人士辅助设备等领域快速准确识别纸币面值具有重要实用价值。传统基于物理传感器的识别方式存在成本高、适应性差等问题而基于图像处理的方法则展现出更好的经济性和灵活性。这个项目采用SVM支持向量机作为分类器结合Matlab GUI构建完整解决方案。选择SVM主要基于三个考量一是对小样本数据集表现优异人民币面值类别有限二是能够有效处理高维特征HOG特征维度较高三是模型解释性强适合教学演示。实测表明在100-200张训练样本情况下系统识别准确率可达98%以上。2. 系统架构设计2.1 整体工作流程系统采用经典的图像处理流水线设计图像采集通过普通摄像头获取纸币图像预处理灰度化→去噪→边缘检测特征提取HOG方向梯度直方图特征分类识别SVM模型推理结果展示GUI界面交互2.2 关键技术选型开发平台Matlab R2020b以上版本需安装Image Processing和Statistics and Machine Learning工具箱特征提取HOG特征Cell Size8×8Block Size2×29个方向直方图分类器线性SVMLibSVM实现界面框架Matlab App Designer注意HOG参数需根据实际拍摄距离调整。建议测试时保持摄像头与纸币距离在15-30cm范围内。3. 核心实现细节3.1 图像预处理模块% 读入图像并预处理 img imread(rmb.jpg); gray rgb2gray(img); filtered medfilt2(gray,[3 3]); % 中值滤波去噪 edgeImg edge(filtered,Canny); % Canny边缘检测关键参数说明中值滤波窗口3×3平衡去噪效果与细节保留Canny阈值自动计算适应不同光照条件3.2 特征提取实现% 提取HOG特征 [features, visualization] extractHOGFeatures(edgeImg,... CellSize,[8 8],... BlockSize,[2 2],... NumBins,9);特征维度计算假设图像尺寸为200×100像素Cell数量(200/8)×(100/8)25×12300个每个Block包含4个CellBlock步长为1个Cell最终特征维度9×(25-1)×(12-1)×49,504维3.3 SVM模型训练% 使用Classification Learner App训练 svmModel fitcsvm(trainingData, labels,... KernelFunction,linear,... Standardize,true,... BoxConstraint,1);训练技巧数据增强对样本进行±15°旋转和±10%缩放参数调优通过网格搜索优化BoxConstraint参数类别平衡确保各面值样本数量相近建议≥20张/类4. GUI界面开发4.1 界面布局设计使用App Designer创建包含以下核心组件图像显示区Axes组件控制面板Button Group结果展示区Edit Field实时视频流Webcam支持4.2 关键交互逻辑% 实时识别回调函数 function captureButtonPushed(app, event) frame snapshot(app.cam); features extractFeatures(frame); label predict(app.svmModel, features); app.ResultField.Value [识别结果 label]; end5. 性能优化技巧5.1 加速推理方案特征降维PCA保留95%能量维度可降至300-500模型量化将SVM系数转换为单精度浮点并行处理使用parfor循环处理多张纸币5.2 常见问题解决问题现象可能原因解决方案识别率低光照不均增加Gamma校正模块误识别5元和1元特征相似调整HOG的Cell Size为10×10处理速度慢图像尺寸过大限制输入为600×300像素实测数据对比原始方案2.3秒/张优化后0.4秒/张GTX1060显卡6. 扩展应用方向多币种识别通过增加SVM类别实现真伪鉴别结合荧光特征分析移动端部署转换为C代码使用Matlab Coder云端服务封装为REST API项目改进建议增加动态ROI检测自动定位纸币区域集成OpenCV实现跨平台部署采用CNN迁移学习提升泛化能力经验分享在实际部署中发现新版人民币的金属线反光会影响边缘检测效果。解决方法是在预处理阶段先进行反光区域掩模处理。