CN104094323A - 用于表征通货项的设备和方法 - Google Patents

Abstract

在一方面，验证设备包括一个光源，该光源能够发射宽带光谱的光，用于照明通货项。该验证设备还包括一个接收机，该接收机被配置以接收从该光源发射的光。在另一方面，该验证设备还包括一个输送单元，该输送单元被配置以在该验证设备内输送该通货项。在另一方面，该验证设备还包括一个处理器，该处理器被配置以重构该通货项的光谱响应。在此设计中，由该接收机接收的光包括由该通货项反射的或透射穿过该通货项的光的至少一部分。

Description

用于表征通货项的设备和方法

技术领域

本公开内容涉及表征通货项(item of currency)的设备和方法。更具体地，本公开内容涉及使用压缩感知(compressive sensing)技术(具体地，采用宽带光源)来表征通货项的设备及方法。

背景技术

许多装置可被用来表征通货项。例如，包括验证单元的验证装置可被用来表征通货项。

出于本公开内容的目的，术语通货和/或通货项包括但不限于有价纸张、安全文件、钞票、支票、账单、证书、信用卡、借记卡、货币卡、礼品卡、赠券、硬币、辅币以及身份证明。

在上述现有技术的装置中，验证单元包括一个感知模块，该感知模块通常还包括用于发射光的源和用于接收所发射的光的接收机。对通货项的验证可涉及测量和分析反射光以及透射穿过通货项的光中的一个或这两者。另外，验证可以包括但不限于类型检测、面额、有效性、真实性和文件状态确定。

一些验证单元被布置以使用多个发光源(例如，发光二极管(LED))收集来自通货项的反射响应和/或透射响应。通常，这些源被配置为使得它们发射一个光谱内的相对窄的波长带内的光。更具体地，公知的源(例如，红色LED、蓝色LED或绿色LED)通常具有窄带宽(例如，在15nm和35nm之间)的发射光谱。常见的源的实施例可以包括：发射640nm到700nm范围内的光的红色源，发射450nm到480nm范围内的光的蓝色源，或者发射520nm到555nm范围内的光的绿色源。通常，这样的常见的源被配置为发射在与可见光谱内的已知颜色相符的波长带内的光(例如，红光、蓝光和绿光)。待被具有可见光的已知色谱内的发射的源所照明的通货项的光谱响应可被用来确定关于该通货项的多种特性。在一些情况下，不可见光(例如，红外或紫外)可被用来收集关于通货项的特性的信息。

这样的验证单元的局限之一在于，由每个个体源发射的窄带宽的光谱的组合通常会在整个感兴趣的光谱上导致间隙(gap)。虽然可以使用非常大数目的窄带源来覆盖整个感兴趣的光谱，但这样的方法是不期望的，因为它会造成非常大、昂贵且不可靠的验证设备。此外，在该验证单元已经被部署到终端用户之后，在拓宽感兴趣的光谱变为预期的情况下，应用这样的方法会增大对验证单元的硬件进行现场更新的频率。另外，这样的解决方案会导致处理非常大量的数据所要求的装置，且因此没有在验证时间间隔关键(例如，小于1秒)的情形下对通货验证设备(例如，博弈机、贩卖机和售票机)所要求的那样有效率。

其他图像处理机器(例如，文件扫描仪或复印机)使用多个源和检测器来复制或存储文件的图像。这样的图像处理机器在图像处理机器将文件的组分颜色(component color)取平均的意义上、以类似于人眼的方式运行。因此，类似于人眼，这样的图像处理机器不能够在原始文件和复制文件的图像之间进行区分。这样的成像系统可以具有高的空间分辨率，但光谱分辨率却是有限的。

因此，存在对一种更有效率的、高性能的、可靠的和/或更便宜的验证单元的需要。申请人相信本公开内容解决了上文讨论的一些关注点和/或其他关注点。

发明内容

在一方面，验证设备包括光源，该光源能够发射宽带光谱的光，用于照明通货项。该验证设备还包括接收机，该接收机被配置以接收从所述光源发射的光。在可结合上述方面使用的另一方面，该验证设备还包括输送单元，该输送单元被配置以在该验证设备内输送该通货项。在可结合上述方面使用的另一方面，该验证设备还包括处理器，该处理器被配置以重构该通货项的光谱响应。在此设计中，由该接收机接收的光包括由该通货项反射的或透射穿过该通货项的光的至少一部分。

在上述任一方面的一些实施方式中，该验证设备可包括所存储的分类变量。可选地，该光源可以发射可见光谱中和不可见光谱中的光。

在上述任一方面的一些实施方式中，该接收机可包括宽带光测器(photodetector)和耦合到该光测器的滤光器阵列。在此设计中，滤光器阵列可包括被配置以过滤不同波长的光的多个滤光器。在可结合上述任一方面使用的一个方面，该处理器可被配置以选择性地控制用于与所述光测器耦合的滤光器。

在也可结合上述方面应用的一些实施方式中，该接收机可以包括多个宽带光测器，其中每个光测器被配置以过滤不同波长的光。在上述任一方面的一些设计中，该光源可包括被配置以发射不同波长的光的多个发光二极管。可选地，所述不同波长是线性独立的。在可结合上述任一方面使用的其他一些方面，发光二极管的波长可被选择以使相干性最小化。

在可结合上述任一方面使用的一些设计中，所述多个发光二极管可包括一个蓝色LED，其中使用荧光粉来控制该蓝色LED的光谱发射。在一些实施方式中，所述多个发光二极管可以附加地或替代地包括一个紫外LED，其中使用荧光粉来控制该紫外LED的光谱发射。在其他实施方式中，所述多个发光二极管可以附加地或替代地包括一个红外LED。在某些实施方式中，该光源可以包括被配置以发射不同波长的光的至少三个发光二极管。在其他实施方式中，该光源可以包括被配置以发射不同波长的光的至少六个发光二极管。

在可结合上述任一方面使用的一个方面，该处理器可被进一步配置以独立地控制所述多个发光二极管中的每一个。在可结合上述方面使用的另一方面，所述多个发光二极管中的每一个可以预定的方式被通电。

在上述任一方面的一些实施方式中，该验证设备可包括一个所存储的L1最小化算法(参见，例如，L1minimization R.Tibshirani，“Regression shrinkage and selection via the lasso”,J.Roy.Stat.Soc.Ser.B,vol.58,no.1,pp.267-288,1996)。在此设计中，L1最小化算法可以可选地包括一个贪婪算法(参见，例如，Greedyalgorithms J.A.Tropp和A.C.Gilbert.“Signal recovery fromrandom measurements via orthogonal matching pursuit”.IEEE Trans,on Info.Theory,53(12):4655-4666,2007)。在可结合上述任一方面使用的另一方面，该验证设备可包括一个所存储的表示矩阵(representation matrix)，其中所述表示矩阵被用于在非稀疏函数空间到稀疏函数空间之间的过渡。在此设计中，该处理器可以被进一步配置以向重构的光谱响应应用接受准则(acceptance criteria)，以确定该通货项是否落入预定的通货分类内。在可结合上述任一方面使用的一个方面，该光谱响应是基于所存储的表示矩阵和所述多个测量来重构的。在上述任一方面的一些实施方式中，该表示矩阵包括一个学习字典(learned dictionary)。

在另一方面，本文公开了一种验证通货项的方法。该方法可包括如下步骤：在该验证设备内输送该通货项；发射宽带光谱的光，以照明通货项；接收从所述光源发射的、由该通货项反射的或透射穿过该通货项的光的至少一部分，并且经由处理器重构该通货项的光谱响应。

在可结合上述方面使用的一些实施方式中，可以可见光谱和/或不可见光谱发射所述光。在可结合上述任一方面使用的某些方面，该接收机可包括宽带光测器和耦合到所述光测器的滤光器阵列。在一些设计中，该滤光器阵列可包括被配置以过滤不同波长的光的多个滤光器。在上述任一方面的一些实施方式中，所述处理器可被配置以选择性地控制用于与所述光测器耦合的滤光器。

在可结合上述任一方面使用的一些方面，验证通货项的方法还可包括存储一个L1最小化算法的步骤。在上述任一方面的一些实施方式中，所述方法还可包括存储分类变量的步骤。

在上述任一方面的一些设计中，所述光是使用一个光源发射的，所述光源包括被配置以发射不同波长的光的多个发光二极管。在一个方面，所述不同波长可以是线性独立的。在也可结合上述任一方面应用的另一方面，发光二极管可被选择，以使与表示空间的相干性最小化。在可结合上述任一方面使用的某些方面，所述多个发光二极管可包括一个蓝色LED，其中使用荧光粉来控制该蓝色LED的光谱发射。在可结合上述方面使用的其他一些方面，所述多个发光二极管可以附加地或替代地包括一个紫外LED，其中使用荧光粉来控制该紫外LED的光谱发射。在可结合上述方面使用的另外一些方面，所述多个发光二极管可以附加地或替代地包括一个红外LED。

在上述任一方面的一些实施方式中，所述多个发光二极管可以包括至少三个发光二极管。在上述任一方面的其他实施方式中，所述多个发光二极管可以包括至少六个发光二极管。在可以结合上述任一方面使用的一方面，所述处理器可被配置以独立地执行控制所述多个发光二极管中的每一个的步骤。在可以结合上述任一方面使用的其他一些方面，所述多个发光二极管中的每一个可以预定的方式被通电。

在上述方面的任何组合的一些设计中，还可以包括存储一个表示矩阵的步骤，所述表示矩阵可被用于从非稀疏函数空间到稀疏函数空间的过渡。稀疏性表达的思想是，信号的信息速率可以比由信号的带宽所表明的要小得多。许多N个系数的信号可以在另一空间(称为表示空间(representation space))中表示，其中只有S个系数是非零的，其中S＜＜N，则该信号被称为是S-稀疏的。与其新表示相反，具有N个非零系数的原始信号被称为是非稀疏的，在新表示中只有S个系数是非零的。可选地，该处理器可被进一步配置以执行向重构的光谱响应应用接受准则，从而确定该通货项是否落入预定的通货分类内的步骤。在可结合上述方面使用的一方面，该光谱响应是基于所存储的表示矩阵和所述多个测量来重构的。在上述任一方面的一些实施方式中，该表示矩阵包括一个学习字典。

下文详细描述本发明的这些特征和其他特征。

附图说明

图1是验证单元的示意图；

图2是传感器模块的示意图；

图3是示例滤光轮(filter wheel)的立体图；

图4是例示学习字典的设计的流程图；

图5是例示根据一个实施方案的对通货项的验证的流程图；

图6是根据一个实施方案的传感器模块的示意图；

图7是根据一个实施方案的传感器模块的示意图；

图8是根据一个实施方案的传感器模块的示意图；

图9是根据一个实施方案的接收机的示意图；

图10是根据一个实施方案的传感器模块的示意图；

图11是例示根据一个实施方案的多个发光二极管的光谱的图表；

图12是例示重构光谱对通货项的实际光谱的跟踪的图表；

图13是例示重构光谱对通货项的实际光谱的跟踪的图表；

图14是例示重构光谱对通货项的实际光谱的跟踪的图表；

图15是例示根据一个实施方案的用于设计表示矩阵的算法的流程图；

图16是例示根据一个实施方案的L1最小化算法的流程图。

具体实施方式

本文公开了一种低成本和高光谱分辨率的通货验证设备和方法。在一方面，通货验证设备包括感知单元，该感知单元被配置为使用指定的光源(或指定的检测单元)结合先进的处理诸如压缩感知技术来增强光谱分辨率(参见例如，Compressive sensing,E.Candès,J.Romberg,和T.Tao,“Robust uncertainty principles:Exact signalreconstruction from highly incomplete frequency information”，IEEE Trans.Inform.Theory,vol.52,no.2,pp.489-509,2006年2月；E.Candès和M.Wakin,“An introduction to compressivesampling”,IEEE Signal Processing Magazine,vol.25(2)，pp.21-30，2008年3月)。在可结合上述方面使用的另一方面，通货验证设备可执行压缩感知技术来使用宽带光源(诸如被涂覆有荧光粉的多个LED)重构通货项的高分辨率光谱响应。尽管可以使用定制的LED和/或定制的荧光粉，但根据一些实施方案，它们不是必要的。在一些实施方案中，市售的现货荧光粉可以与标准LED一起使用。在可结合上述任一方面使用的另外一些方面，通货验证设备可以执行压缩感知技术，以使用宽带光源和涂覆有现货荧光粉的多个接收机过滤器来重构通货项的光谱响应，所述多个接收机过滤器自身被可操作地耦合到至少一个检测传感器。使用宽带光源对通货项的光谱响应的压缩感知能够便于以增强的光谱分辨率对通货项的低成本验证。

如在本公开内容中所使用的，宽带光谱指的是一个发射光谱，其或是在全光谱(例如，可见和/或不可见)上具有相对恒定的强度，或是在相对宽的带宽(例如，100nm、200nm、500nm、1μm、10μm、100μm、1mm)上具有相对恒定的强度。

在一些实施方式中，如图1中所示，验证单元10可包括传感器模块100、通货项存储部30、输送单元20以及处理器(未示出)。在此设计中，处理器被配置为控制传感器模块100、通货项存储部30以及输送单元20，以验证插入该处理器内的通货项(未示出)，并且将通货项从验证单元10输送穿过传感器模块100，且在可接受的通货项的情况下输送到存储部30中。

在一些实施方案中，如图2中所示，传感器模块100可包括宽带光源110和接收机120。在一些实施方式中，处理器被配置为重构通货项130的光谱响应，通货项130经由输送单元20被输送到验证单元10并且穿过验证单元10。重构的光谱响应基于所接收的测量和所存储的基(basis)。

如在本文中所使用的，基是一个表示矩阵，用于在非稀疏函数空间和稀疏函数空间之间的过渡。在某些实施方式中，实施了一个字典。字典是一个学习基(learned basis)。

处理器还被配置为应用接受准则，鉴于重构的光谱响应，根据该接受准则可以接受或不接受通货项。接受准则可以是一个分析处理，其包括但不限于:马氏距离(马氏距离是由P.C.Malahanobis在1936年开发的已知的距离测量，且在文献例如Hazewinkel,Michael,ed.(2001)“Mahalanobis distance”,Encyclopedia of Mathematics,Springer,ISBN978-1-55608-010-4中被很好地描述)；支持向量机(支持向量算法或支持向量机(SVM)，不仅在文献中被很好地描述，而且也在专利申请US2009/0307167A1和US7648016中被描述。也参见V.Vapnik.Statistical Learning Theory.John Wiley and Sons,Inc.,New York,1998)，或者被借助用来估计至少两个通货项以将已知通货项和未知通货项进行分类的任何其他处理。然而，本领域技术人员将会理解，其他准则可被用来确定一个账单包(bill cab)是否可被接受，例如但不限于尺寸特性。

在一些实施方案中，光源110能够发射宽带光谱的光，用于照明通货项130。在一个实施方式中，光源110能够发射可见光谱、不可见光谱或它们的任何组合中的光。在一方面，接收机120被配置为接收由光源110发射且由通货项130反射的或透射穿过通货项130的光的至少一部分。输送单元(未示出)被配置为在验证设备内输送通货项。处理器(未示出)可被配置为获得光谱测量Y，诸如由沿着通货项130的点反射的或透射穿过沿着通货项130的点的光，且被进一步配置为基于光谱测量Y来重构通货项130的高分辨率光谱Z。

在可结合上述任一方面使用的另外一些方面中，处理器可被配置为对高分辨率光谱Z应用接受准则，以确定通货项130是否落入预定的通货分类内。在一个实施方式中，处理器可被配置为基于由验证单元10接受的整组可能有效的通货项来估计每个预定的估计点。应理解，通货的预定分类可以包括：真实的通货项、已知的非真实(例如，仿造的)通货项，以及未知的非真实通货项。

然而，应理解，处理器可被配置为以许多不同方式应用接受准则。例如，处理器可被配置以通过确定通货的类型(例如，面额)来将通货项130预分类。虽然在一个实施方案中，处理器可以被配置以在重构高分辨率光谱Z之前将通货项130预分类，然而应理解，处理器也可被配置为与其他处理并行地将通货项130预分类，其他处理诸如但不限于访问存储器、算法初始化、计算、重构高分辨率光谱、分类，或它们的任何组合。在可结合上述任一方面使用的另外一些方面中，可以应用所述接受准则，以在通货项130未落入任何已知的分类中的情况下来拒绝通货项130。然而，应理解，在某些实施方式中，可以应用所述接受准则，以在确定该通货项是一个未知的非真实的(例如，仿造的)、保证进行进一步估计的通货项的情况下来接受通货项130。还应当理解，已知的通货项可以包括真实的和非真实(例如，伪造品)通货。

在一个实施方式中，如图2和3中所示，验证单元10还可以包括光学地耦合到接收机120的滤光器阵列200。在一些设计中，滤光器阵列200包括多个滤光器210，而处理器被配置为控制对用于与接收机120耦合的滤光器210的选择。在一些实施方案中，接收机120可包括一个光测器。然而，应理解，接收机120也可包括多个光测器，其中每个光测器被耦合到一个滤光器。

在可结合上述任一方面使用的一个方面，验证单元10还可以包括存储装置，该存储装置存储用来将光谱测量Y变换成稀疏光谱信号Θ的基(即，表示矩阵)。验证单元10也可被配置为存储L1最小化算法(例如贪婪算法，诸如匹配追踪)，该L1最小化算法在将光谱测量Y变换成稀疏光谱信号Θ期间由处理器使用。例如，处理器可被配置以存储L1最小化算法，该L1最小化算法基于已知的光谱测量Y和感知矩阵根据下面的公式找到重构最优光谱X的稀疏光谱信号Θ：

${\min }_{\mathrm{\Θ}}{\left|\right|\mathrm{\Θ}\left|\right|}_{L_1}$

s.t.y＝Φx    (公式1)

在可结合上述任一方面使用的另一方面，处理器也可被配置以通过解出表示矩阵(例如，学习字典)和稀疏光谱信号Θ的点积，来重构高分辨率光谱Z。在也可以结合上述任一方面使用的另外一些方面，验证单元10可以被配置以存储分类变量W的子集(对于已验证的每个通货项)，所述分类变量W被用来对通货项130分类。

所述基、L1最小化算法、变量W的子集，或它们的任何组合，可以被存储在耦合到处理器的一个或多个存储器装置内。然而，本领域技术人员将会理解，任何存储技术可被用于存储，诸如但不限于远程服务器、硬盘驱动器、固态驱动器、磁带驱动器或它们的任何组合。

为了在验证设备10中使用压缩感知技术来验证通货项130，可以执行下列步骤。可以将某些信息和算法存储或加载到验证设备10内。如将在本公开内容的后续部分中描述的，这样的信息和/或算法可以在实验室、制造设施或其他地点获得。在一些实施方式中，如在图4的步骤310到370中所示的，在验证设备10的存储器(未示出)中可以存储基(即，表示矩阵)、L1最小化算法，以及分类变量W的子集(对于待被验证的每张钞票)。在一些实施方案中，所述基可以包括一个字典D。

参见图5，一旦将通货项130插入验证设备10中，则通货项130被输送到验证传感器，该验证传感器获得所插入的通货项130的光谱测量Y。如步骤410中所示，使用传感器模块100所获得的光谱测量Y可以包括由通货项130反射的或透射穿过通货项130的光。在步骤420中，验证设备10从存储装置调用(recall)一个基诸如字典D，并且将所存储的L1最小化算法初始化。在步骤430中，与L1最小化算法相联合的字典D被应用到光谱测量Y，以计算稀疏光谱信号Θ。在步骤440中，计算字典D和稀疏光谱信号Θ的点积，以获得通货项130的高分辨率光谱Z。在步骤450中，在验证设备10中将分类算法初始化。在步骤460中，使用分类变量W的子集将所插入的通货项分类。在此操作中，基于由验证单元10所接受的整组可能有效的通货项，验证设备10估计每个预定的估计点。

参考图12-14，示出了由重构光谱的高分辨率光谱对实际光谱的跟踪。

在一些实施方式中，返回参考图5，在执行步骤420-440之前，验证设备10可被配置以确定所插入的通货的类型(例如，面额)。这可允许更有效率的分类处理，因为在分类期间只有对于被插入的已识别的通货项130的分类变量W的子集需要被估计。例如，在步骤411中，验证设备10确定被插入的通货项130是否属于已知类型。如果步骤411的结果是肯定的，则验证设备10只初始化对于已识别的通货项130的分类变量W。如果步骤411的结果是否定的，则验证设备10不初始化分类变量W的特定的子集，并且如先前所述地运行。

在一些实施方案中，如图6中所示，传感器模块100可包括光源510，光源510自身包括被配置为发射不同波长的光的多个发光二极管。在一些实施方案中，所述多个LED可包括蓝色LED、紫外LED、红外LED或它们的任何组合。在一些实施方案中，所述LED可包括蓝色LED或紫外LED或它们的组合。在一些实施方案中，所述LED可包括蓝色LED。在一些实施方案中，所述多个LED可包括现货LED，然而应理解，所述多个LED可包括定制LED、现货LED或它们的任何组合。一些或全部LED可被掺杂有荧光粉，以改变所发射的光的光谱含量，并且提供所期望的光谱覆盖率。在可结合上述任一方面使用的其他一些方面，所述多个LED可被掺杂有现货荧光粉、定制荧光粉或它们的任何组合。

可选地，接收机520也可包括多个接收机，所述多个接收机被配置为接收不同波长的光。参考图7，多个发光二极管610a、610b和610c可穿插有多个接收机620a、620b和620c，以便于对由通货项130透射的光和由通货项130反射的光的测量。

在一些实施方式中，如图8中所示，传感器模块100可包括光源710，该光源710自身包括多个滤光器730，所述多个滤光器730被配置为将光过滤到一个波长带。在此设计中，接收机720可包括图像传感器。例如，参考图8和9，接收机820可包括图像传感器，该图像传感器自身包括多个像素。

在一些实施方式中，如图10中所示，传感器模块100可包括光源910以及包括多个光测器的接收机920。在一些设计中，接收机920也可包括多个滤光器930，所述多个滤光器930被配置为将光过滤到一个波长带。

在一些实施方案中，如图11中所示，可选地可以将发光二极管的波长选择成是线性独立的。如图中所示，发光二极管也可以被选择以将与表示空间的相干性最小化。在一个设计中，处理器可被配置以独立地控制多个发光二极管中的每一个。在一个实施方式中，所述多个发光二极管中的每一个可以预定方式通电。

为了在采用压缩感知技术的验证设备中实现对通货项的验证的应用，可以在与验证设备10分离的实验室、制造设施或其他地点中执行少数操作。

为了在验证设备10中使用压缩感知技术执行对通货项130的验证，必须定义一个基(即，表示矩阵)，用于在非稀疏函数空间和稀疏函数空间之间的变换。在一些实施方式中，在实验室环境中学习一个基。例如，学习基可以是一个字典D，用于将非稀疏测量Y或光谱X变换成稀疏光谱信号Θ。

在一些实施方式中，可以使用高光谱分辨率测量装置诸分光光度计来获得多个测量或光谱，如在图4的步骤310中所示的。此多个对光谱含量的测量可被存储在参考数据库中，以用于建立字典D。在一些实施方式中，向高光谱分辨率测量Y的数据库应用L1最小化算法(例如，匹配追踪算法)，被用来学习字典D，如步骤320中所示。

一旦在步骤320中确定了词典D，则可使用低分辨率设备(例如，标准账单验证器)以从样品通货项130获取测量，如步骤330中所示。然而，应理解，其他装置可被用来从样品通货项获取测量，诸如但不限于高分辨率分光光度计。在步骤340中，与L1最小化算法相联合的字典D被应用到在步骤330中所获得的测量Y。步骤340的输出是对测量Y的稀疏光谱信号Θ的计算。在步骤350中，计算稀疏光谱信号Θ和字典D的点积，以取得稀疏光谱信号Θ的高分辨率光谱Z。

在步骤360中，数据约简算法(例如，变量选择，特征向量选择(FVS)(特征向量选择(FVS)是例如在US7648016中描述的一个算法)或者支持向量机(SVM))可被用来确定频率或变量W的子集，以在验证单元10中的后续分类处理中使用。数据约简算法被用来确定高分辨率光谱Z的变量的子集，该子集在分类处理中针对给定的点或像素提供有效通货项和无效通货项之间的最大分离。在步骤370中，所定义的字典D、L1最小化算法以及分类变量W的子集可被存储在验证单元10中(例如，存储器中)。

重要的是理解，可以针对验证设备10被配置以现场验证的每个预期的通货项130执行步骤330-370。

如上文所提到的，在一些实施方案中，如在图4的步骤310-370中大体所示，可以开发一个表示矩阵，诸如学习字典，以在非稀疏函数空间和稀疏函数空间之间过渡。首要设计准则是用来实现从信号X的测量Y对信号X的重构光谱的唯一识别，其中感知矩阵且Y＝ΦX。感兴趣的n维信号x＝∑ⁿ _i＝1A_iθ_i通常可以由线性组合基本信号A_i(称为原子(atom))表达，其中系数向量Φ＝(θ₁,…,θ_n)。

可以用高光谱分辨率测量装置诸如分光光度计获得多个测量或光谱，如图15的步骤1000中大体所示，可被用来初始化所存储的表示矩阵。

可以通过将估计和最大化这两个步骤交替，直到达到固定的目标误差为止来设计稀疏表示Θ。

在一些实施方案中，如在步骤1010所示，可以通过对字典执行L1最小化算法来实现估计。例如，在字典D被初始化之后，可以根据如下约束来执行L1最小化算法：

${\min }_{\mathrm{\Θ}}{\left|\right|\mathrm{\Θ}\left|\right|}_{L_1}$

    (公式2)

诸如在公式2中描述的这样的基于L1最小化的算法，可以使用多种不同的技术来解，包括但不限于，使用凸最优化、贪婪算法或它们的任何组合。

例如，在公式2中，可以通过使用贪婪算法找到一个稀疏信号Θ＝(θ₁,…,θ_n)，该贪婪算法迭代地放松稀疏性约束，所述稀疏性约束受到如下约束：表达为Frobenius范数的重构误差必须被最小化到一个固定的目标误差ε。

贪婪算法(诸如但不限于，匹配追踪算法)可以通过向稀疏近似A_iθ_i中相继地添加新的原子来解决此问题，以最小化第i个残差(residual)r_i＝θ-A_iθ_i为目标，其中A_i是表示矩阵的第i个原子。然而应理解，其他贪婪算法可被用来解决此问题，诸如但不限于正交匹配追踪、最优方向方法、阈值算法或它们的任何组合。

贪婪算法的每次迭代，如图16中所示，可以包括步骤1100和1110。在步骤1100中，可以通过残差找到具有最高点积的原子，且接下来根据下面的公式将该原子添加到所选定的原子：

θ_i＝argmax_θ∈A|<r_i-1|θ>|    (公式3)

在步骤1110中，根据如下匹配追踪或正交匹配追踪规则更新系数θ_i和残差r_i是：

r_i＝r_i-1-<r_i-1|A_i>A_i    (公式4)

$r_i=r_{i-1}-A_i{\left(A_i^t{A}_i\right)}^{-1}{A}_i^t{r}_{i-1}$     (公式5)

因此，在步骤1120中，新的近似误差(被表达为L2范数)可被最小化。返回参考图15，在步骤1020中，接下来找到一个已更新的字典D，该字典根据如下公式将Frobenius范数最小化：

    (公式6)

图15示出L1最小化的一个示例方法，步骤1010使用匹配追踪算法，步骤1100-1120以找到稀疏系数向量Θ，该稀疏系数向量Θ使重构误差最小化。本领域技术人员应清楚的是，在不背离本公开内容的精神和范围的前提下，可以使用其他方法使重构误差最小化。例如，许多不同的算法，诸如但不限于基于L1最小化的算法或其他贪婪算法、阈值算法、最优方向方法或它们的任何组合，可被用来使重构误差最小化。

一旦设计了表示矩阵，就可将其存储。返回参考图15，在步骤370中，该表示矩阵被存储。

本文中描述的验证设备和方法在本质上是例示性的，且不意在以任何方式进行限制。本领域技术人员将会理解不背离本文的公开内容的范围和精神的、被本公开内容涵盖的变体。

Claims (38)

1.验证设备，包括：

光源，能够发射宽带光谱的光，用于照明通货项；

接收机，被配置以接收从所述光源发射的光；

输送单元，被配置以在该验证设备内输送该通货项；

处理器，被配置以重构该通货项的光谱响应；

其中由该接收机接收的光包括由该通货项反射的或透射穿过该通货项的光的至少一部分。

2.根据权利要求1所述的设备，还包括所存储的分类变量。

3.根据权利要求1或权利要求2所述的设备，其中所述光源发射可见光谱中的和/或不可见光谱中的光。

4.根据前述权利要求中任一项所述的设备，其中该接收机包括：

宽带光测器；

滤光器阵列，被耦合到该光测器，该滤光器阵列包括被配置以过滤不同波长的光的多个滤光器；

其中该处理器被配置以选择性地控制用于与所述光测器耦合的一个滤光器。

5.根据前述权利要求中任一项所述的设备，其中该接收机包括多个宽带光测器，其中每个光测器被配置以过滤不同波长的光。

6.根据权利要求1至5中任一项所述的设备，其中该光源包括被配置以发射不同波长的光的多个发光二极管。

7.根据权利要求6所述的设备，其中所述不同波长是线性独立的。

8.根据权利要求6或权利要求7所述的设备，其中所述发光二极管的波长被选择以使相干性最小化。

9.根据权利要求6到8中任一项所述的设备，其中所述多个发光二极管包括一个蓝色LED，其中使用荧光粉来控制该蓝色LED的光谱发射。

10.根据权利要求6到9中任一项所述的设备，其中所述多个发光二极管包括一个紫外LED，其中使用荧光粉来控制该紫外LED的光谱发射。

11.根据权利要求6到10中任一项所述的设备，其中所述多个发光二极管包括一个红外LED。

12.根据权利要求6到11中任一项所述的设备，其中该光源包括被配置以发射不同波长的光的至少三个发光二极管。

13.根据权利要求6到11中任一项所述的设备，其中该光源包括被配置以发射不同波长的光的至少六个发光二极管。

14.根据权利要求8到13中任一项所述的设备，其中该处理器被进一步配置以独立地控制所述多个发光二极管中的每一个。

15.根据权利要求8到14中任一项所述的设备，其中所述多个发光二极管中的每一个以预定的方式被通电。

16.根据前述权利要求中任一项所述的设备，还包括一个所存储的L1最小化算法。

17.根据权利要求16所述的设备，其中所述L1最小化算法包括一个贪婪算法。

18.根据前述权利要求中任一项所述的设备，还包括一个所存储的表示矩阵，其中所述表示矩阵被用于在非稀疏函数空间到稀疏函数空间之间的过渡。

19.根据权利要求18所述的设备，该处理器被进一步被配置以：

对重构的光谱响应应用接受准则，以确定该通货项是否落入预定的通货分类内；

其中该光谱响应是基于所存储的表示矩阵和所述多个测量而重构的。

20.根据权利要求18或19所述的设备，其中该表示矩阵包括一个学习字典。

21.一种验证通货项的方法，包括如下步骤：

在验证设备内输送该通货项；

发射宽带光谱的光，以照明通货项；

接收从所述光源发射的、由该通货项反射的或透射穿过该通货项的光的至少一部分；

经由处理器重构该通货项的光谱响应。

22.根据权利要求21所述的方法，其中以可见光谱和/或不可见光谱发射光。

23.根据权利要求21或22所述的方法，其中该接收机包括：

宽带光测器；

滤光器阵列，被耦合到该光测器，该滤光器阵列包括被配置以过滤不同波长的光的多个滤光器；

其中该处理器被配置以选择性地控制用于与所述光测器耦合的一个滤光器。

24.根据权利要求21所述的方法，还包括存储一个L1最小化算法的步骤。

25.根据权利要求21到23中任一项所述的方法，还包括存储分类变量的步骤。

26.根据权利要求25所述的方法，其中所述光是使用一个光源发射的，所述光源包括被配置以发射不同波长的光的多个发光二极管。

27.根据权利要求26所述的方法，其中所述不同波长是线性独立的。

28.根据权利要求26或权利要求27所述的方法，其中所述发光二极管可被选择以使与表示空间的相干性最小化。

29.根据权利要求26到28中任一项所述的方法，其中所述多个发光二极管包括一个蓝色LED，其中使用荧光粉来控制该蓝色LED的光谱发射。

30.根据权利要求26到29中任一项所述的方法，其中所述多个发光二极管包括一个紫外LED，其中使用荧光粉来控制该紫外LED的光谱发射。

31.根据权利要求26到30中任一项所述的方法，其中所述多个发光二极管包括一个红外LED。

32.根据权利要求26到31中任一项所述的方法，其中所述多个发光二极管包括至少三个发光二极管。

33.根据权利要求26到31中任一项所述的方法，其中所述多个发光二极管包括至少六个发光二极管。

34.根据权利要求26到33中任一项所述的方法，其中所述处理器还被配置以独立地执行控制所述多个发光二极管中的每一个的步骤。

35.根据权利要求26到34中任一项所述的方法，其中所述多个发光二极管中的每一个以预定的方式被通电。

36.根据权利要求21到35中任一项所述的方法，还包括存储表示矩阵的步骤，所述表示矩阵被用于从非稀疏函数空间到稀疏函数空间的过渡。

37.根据权利要求36到36中任一项所述的方法，其中所述处理器还被配置以执行如下步骤：

向重构的光谱响应应用接受准则，以确定该通货项是否落入预定的通货分类内；

其中该光谱响应是基于所存储的表示矩阵和所述多个测量而重构的。

38.根据权利要求36或权利要求37所述的方法，其中该表示矩阵包括一个学习字典。