CN103530590A - Dpm二维码识别系统 - Google Patents

Abstract

本发明公开了一种DPM编码设备、二维码自动识别平台以及对DPM二维码进行识别的方法。通过将计算机视觉、模式识别、图像处理等多学科跨领域算法相融合的方式来实现DPM二维码的图像采集、自动识别、纠错译码等一系列环节，克服了图像中的光照不均、对比度低、图像模糊、材质粗糙、二维码污损等不利条件，从而达到准确、快速识读DPM二维码的目的。

Description

DPM二维码识别系统

技术领域

本发明涉及一种二维码识别方法、装置，特别涉及一种工业物联网DPM二维码的识别系统。

背景技术

随着二维码技术迅速发展、应用范围的不断扩展，二维码自动识别技术研究的持续深入，构建起专属于工业DPM(Direct Part Mark)二维码自动识别系统并将其产业化的需求日益强烈。

传统二维条码基本上是使用印刷手段实现，鉴于印刷的纸制品容易磨损，模糊而变得不可读、易丢失、不支持全生命周期追溯能力、无冗余等缺点。DPM二维码则是通过激光蚀刻、机打撞击、电化学腐蚀等工业手段实现。这些手段反应出DPM二维码的一个最大的特点：永久性。永久性是指当部件处于不利或恶劣环境条件下，直接部件打标可以实现永久性、全生命周期的部件跟踪。对于工业产品而言，使用DPM二维码后产品属性标签不再是临时性的识别，而是终生识别。从长期成本效益看，与独立物品标签相比，DPM二维码的全生命周期跟踪拥有更高的成本效益。DPM二维码编码具有唯一性、部件内的“嵌入式”信息等优点，能够防止伪造，降低被山寨的风险。同时DPM二维码可帮助企业实现库存控制，提高实时可视性，以跟踪部件和节约库存。采用该方法与激光蚀刻、电化学腐蚀相比有初始成本低、可便携性、以及永久性等特点，可规避激光蚀刻的成本高、尺寸大、不便携带以及电化学腐蚀永久性差、需要消耗耗材、仅适用于金属器件等缺点。

DPM二维码生成方法和使用材料的多样性导致其二维码图像普遍存在对比度低、多噪声干扰、背景复杂、采集过程中出现的光照不均等情况，准确快速的识别该类二维码是一个难题。目前在学术研究上鲜见适于复杂背景、低对比度、可能变形的DPM识别方法。

因此，深入研究DPM二维码自动识别的关键技术并开发出具有自主知识产权的DPM二维码自动识别系统对国内的条形码推广应用具有重大意义。本发明针对以上问题，组建起一套从由编码设备、识别设备、识别算法等组成的自动识别系统，并将计算机视觉、模式识别、图像处理等多学科跨领域算法相融合的方式来实现DPM二维码的图像采集、自动识别、纠错译码等一系列环节，充分发挥各学科算法的优势，有针对性并重点的克服图像中的光照不均、对比度低、图像模糊、材质粗糙、二维码污损等不利条件，从而达到准确、快速识读DPM二维码的目的。

发明内容

本发明提供了：一种DPM编码设备，包括计算机、显示器和打标机。

更进一步的，

打标机在计算机控制下通过二维工作台带动而在平行于工件表面的平面内运动；

该打标机包括气动系统、步进电机、电子控制器以及碳化钨击打针；

其中，该电子控制器用于控制步进电机的动作，该步进电机驱动碳化钨击打针运动，并控制击打针的运动方向和精度；

气动系统带动碳化钨击打针在垂直于工件表面的方向上作高频振动，以在工件表面形成深浅不一的凹痕，从而形成DPM二维码。

本发明还提供了一种对利用DPM编码设备生成的二维码进行识别的二维码自动识别平台，包括：一图像采集模块、一图像处理模块、一图像显示模块和一电源管理模块。

更进一步的，

所述图像采集模块包括一摄像头；

所述图像处理模块包括数字信号处理器DSP、现场可编程门阵列FPGA和主控制器，其中，该数字信号处理器DSP和现场可编程门阵列FPGA组成目标图像采集与与处理模块，DSP和FPGA之间采用主/从方式，DSP用于对DPM二维码目标图像进行处理，并控制FPGA采样信号的启动；FPGA用于对DPM二维码目标图像进行采样控制；待识别的DPM二维码目标图像通过所述摄像头传输到DSP中，DSP对DPM二维码目标图像进行预处理，将图像统一转换为灰度图，DSP将处理后的DPM二维码目标图像输入主控制器，主控制器完成二维码图像区域的定位与识别。

本发明还提供了一种对DPM二维码进行识别的方法，包括如下步骤：

步骤一：图像采集模块拍摄待识别的DPM二维码目标图像，并将其传输到图像处理模块；

步骤二：图像处理模块对DPM二维码目标图像进行预处理，并将图像统一转换为灰度图；

步骤三：图像处理模块对预处理后的DPM二维码目标图像进行定位与识别，具体包含如下步骤：

步骤(1)：将DPM二维码图像的典型特征角点作为定位的信息源，对DPM二维码区域进行准确定位；

步骤(2)：准确定位DPM二维码区域后，划分出二维码的码元；

步骤(3)：对DPM二维码的码元进行译码纠错，提取出二维码所包含的具体信息，完成二维码内容的识别；

步骤四：将DPM二维码图像的识别数据发送到图像显示模块，进行显示。

更进一步的，

所述步骤(1)具体包括如下步骤：

步骤1)：对预处理后的图像进行mean shift平滑操作；

步骤2)：采用差值聚类法提取图像中包含二维码区域的前景区域；

步骤3)：通过迭代阈值法对前景区域进行操作，将其转换为二值图像；

步骤4)：对二值图像进行Harris角点检测；

步骤5)：根据相似性阈值和最小距离原则的聚类方法选取含有角点数目最多的一个类；

步骤6)：对该类中的角点最大值坐标和最小值坐标进行分析，判断二维码区域的图像是否倾斜，如果倾斜则进行倾斜矫正，如果不倾斜则选取DPM二维码码元区域。

更进一步的，

所述步骤(2)具体包括如下步骤：

步骤1)：将选取的码元区域进行二值化；

步骤2)：将二值化结果祛除噪声点；

步骤3)：使用划分网格的方法确定码元的宽度；

步骤4)：通过网格的中心确定码元的中心；

步骤5)：输出码元的识别结果。

更进一步的，

所述步骤(3)具体包括如下步骤：

步骤1)：基于接收的DPM二维码码元生成多项式计算校正子；

步骤2)：由多项式计算校正子通过迭代法求出错误位置多项式和错误估值多项式；

步骤3)：搜索错误位置，求出错误位置上的错误数值，并进行纠错。

附图说明：

图1是编码设备的硬件设计框图；

图2是自动识别平台硬件框图；

图3是自动识别方法的模块流程图；

图4是码元区域定位流程图；

图5是码元识别流程图；

图6是纠错译码流程图。

具体实施方式

为使本发明实施目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

下述各实施例中提及的各种新的模型或算法，均在说明书中已经作出解释说明，或列出算法的详细实施过程，或列出模型的表达式。根据上述算法流程或模型，本领域技术人员可以将其实施到具体应用中，以解决技术问题。

实施例1

DPM编码设备

编码设备由计算机、显示器、打标机构成。在计算机控制下，打标机通过二维工作台带动在平面内运动，同时针头通过气动系统作高频振动，在工件上打印出清晰DPM二维码标记。打标机设备主要由气动系统、步进电机、电子控制器以及碳化钨击打针等三部分组成，电子控制器是编码设备的核心部件，主要用于控制碳化钨打针的上下运动，在零部件表面形成深浅的凹痕，组成DPM二维码。步进电机的作用是带动打针运动，控制运动的方向和精度。编码设备的硬件设计框图如图1所示。

实施例2

DPM二维码自动识别平台

DPM二维码目标图像采集与预处理主要由数字信号处理器(DSP)和现场可编程门阵列(FPGA)来实现，DSP和FPGA之间采用主/从方式。其中，DSP主要完成对目标图像的处理及控制FPGA采样信号的启动。FPGA则完成对目标图像的采样控制过程。采用ARM(Acorn RISC Machine)9或ARM11处理器来完成对采集到的DPM二维码目标图像的定位与识别。

由DSP和FPGA组成的目标图像采集与处理模块，将待识别的图像目标通过摄像头传输到DSP中，DSP完成对目标图像的预处理和畸变处理等处理过程，将图像统一转换为灰度图。然后，DSP将处理后的目标图像输入ARM9处理器，来完成二维码图像区域定位及识别的处理，得到所需结果。当处理完成时，通过通信接口控制DSP继续进行图像采集与处理，实现下一个DPM二维码的图像识别。自动识别平台的结构参见图2。

实施例3

DPM二维码自动识别方法

自动识别DPM条形码涉及的方法流程可分为以下几个步骤：条形码图像采集，图像预处理，条形码区域定位，二维码码元精确定位算法、条形码译码纠错，结果显示。本发明采用具有自主知识产权的识别算法技术，能够快速定位二维码区域，分割二维码内部码元，并通过译码纠错算法，弥补缺损现象。与传统算法相比，在识别率和识别时间上优势明显。图3是自动识别方法的流程图。

(1)图像预处理

图像预处理主要是指对图像进行灰度化变换，根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

f(i，j)=0.30R(i，j)+0.59G(i，j)+0.11B(i，j)

(2)DPM二维码区域定位

方法流程如图4所示，这一流程当中如何准确定位DPM二维码区域是识别技术的关键点和难点。而对于DPM二维码这种嵌在复杂背景中的待识别对象，准确、快速的定位更是识别技术当中的核心点。

研究从分析DPM二维码的特点入手，提出一种二维码特征提取与聚类算法相结合的方法来定位复杂背景下的DPM二维码区域。由于DPM二维码使用亮暗相间的矩形格承载信息，整个二维码区域中直角点频繁出现并且聚集成矩形或四边形(变形时)，而相比较于DPM二维码所处的复杂背景和周边干扰物来说，后者的角点强度较弱，角点分布离散，角点聚集区形状不定，与二维码区域差异较大.DPM二维码图像的角点以簇状聚集，适合于聚类方法的使用。

与传统的二维码定位的算法比较可知，本发明采用的定位算法对于表面纹理粗糙，噪声点较杂乱的DPM二维码图像，纹理粗糙的噪声点不具备有角点特征，因此在角点检测时，这些噪声点被滤出，从而达到了去噪的目的。聚类算法可以有效地聚集DPM二维码图像上的角点，而二维码图像以外的角点将会被聚集为其它类别，从而达到聚类定位目的。聚类算法关键参数的可调整性也在一定程度上增加了算法的灵活性，拓宽了算法的使用范围，针对不同情况的角点情况还可以做出相应的调整，增强了算法的易用性。若在图像采集过程中，图像存在倾斜和几何变形，本发明将采用角点坐标纠正方法解决这一问题，保证二维码码元的精确分割。

(2)码元识别算法实现

对二维码图像二值化并对倾斜图像进行校正，在此基础上对内部码元进行分割，得到二维码的最小码元，为纠错译码做准备。准确定位二维码区域后，需要将精确定位出二维码码元，才能提取出其所包含的具体信息。其中，涉及到二值化、码元的精确分割等算法的研究。二值化方法将采用直方图分析和迭代阈值算法相结合的方式。在二值化基础上寻找二维码最小单位一码元，使用划分网格的方法确定码元的宽度，使用中心点法寻找码元的中心。流程如图5所示。

(3)纠错译码算法实现

流程如图6所示：

第1步：由接收DPM码元的生成多项式计算校正子(S₁、S₂、...、S_n-k)。DPM二维码图像经过采集、处理和识别后，假设得到的码元接收多项式为：r(X)=r₀+r₁X+...+r_n-1X^n-1，则校正子可以由S_i=r(αⁱ)求得，其中1≤i≤n-k。若S_i都等于零则表明接收的码元没有错误，若S_i不全为零，则表明接收到的码元中存在着错误，继续完成以下纠错的过程。

第2步：由校正子通过迭代法求错误位置多项式和错误估值多项式。迭代的初始条件为： $Z_0^{(-1)}\left(X\right)=X^{n-k},Z_0^{\left(0\right)}\left(X\right)=S\left(X\right),W_0^{(-1)}\left(X\right)=1,W_0^{\left(0\right)}\left(X\right)=0,i=1;$ 其中S(X)＝S₁+S₂X+...+S_n-kX^n-k-1。迭代过程如下：

(1)以

(X)除以

(X)，得到商式q_i(X)和余式

(X)。

(2)计算

(X)： $W_0^{\left(i\right)}\left(X\right)=W_0^{(i-2)}\left(X\right)-q_i\left(X\right)W_0^{(i-1)}\left(X\right).$

(3)当迭代到第p步时，若满足则迭代停止。此时：

分别为错误位置多项式和错误估值多项式。如果错误的数目小于等于(n-k)/2，则p总是存在的，且有p≤n-k。

第3步：搜索错误位置。通过从S(X)求解出差错定位多项式σ(X)的根，确定错误位置数，错误位置数就是σ(X)根的倒数，只要把1，a^-1，…，α^-n(n为接受码元的总长度)依次代入σ(X)，若σ(a^-i)=0，则表明接收多项式在Xⁱ处有错误，r_i为错误数值，否则r_i为正确数值。

第4步：求出错误位置上的错误数值，并进行纠错。得到错误位置Xⁱ后，就可计算Xⁱ上的错误数值：

求出错误数值e_i后，就可以得到错误模式e(X)，最后通过计算r(X)-e(x)就能得到正确的码元。

(4)算法库移植

本发明采用C语言进行软件部分的编写，并借助第三方工具NDK进行软件算法库的嵌入式移植工作，提高了应用程序开发的灵活性。。

具体识别算法过程如下：

①DPM二维码区域前景分割

DPM二维码图像中，码元前景具有一定的纹理的特征信息。本发明针对纹理区域，提出了一种基于Mean Shift和差值聚类算法的前景目标分割算法。根据码元区域的纹理特性，对其进行平滑聚类，从而提取目标的前景信息。

给定d维空间R^d中的n个样本点x_i，i=1，…，n，在x点的Mean Shift向量的基本形式定义为：

$M_h\left(x\right)=\frac{1}{k}\underset{x_i\∈S_h}{\mathrm{\Σ}}(x_i-x)---\left(1\right)$

其中，S_h是一个半径为h的高维球区域，满足以下关系的y点的集合：

S_h(x)≡{y：(y-x)^T(y-x)≤h²}  (2)

k表示在这n个样本点x_i中有k个点落入S_h区域中。(x_i-x)是样本点x_i相对于点x的偏移向量，(1)式定义的Mean Shift向量M_h(x)就是对落入区域S_h中的k个样本点相对于点x的偏移向量求和然后再平均。从直观上看，如果样本点x_i从一个概率密度函数f(x)中采样得到，由于非零的概率密度梯度指向概率密度增加最大的方向，因此从平均上来说，S_h区域内的样本点更多的落在沿着概率密度梯度的方向，因此对应的Mean Shift向量M_h(x)应该指向概率密度梯度的方向。

从(1)式可以看出，只要是落入S_h的采样点，无论其离x远近对最终的M_h(x)计算的贡献是一样的，然而一般来说，离x越近的采样点对估计x周围的统计特性越有效，因此引进核函数的概念。在计算M_h(x)时可以考虑距离的影响，同时也可以认为在这所有的样本点x_i中，重要性并不一样，因此对每个样本都引入一个权重系数。如此以来就可以把基本的Mean Shift形式扩展为：

$M\left(x\right)\≡\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{G}_H(x_i-x)w\left(x_i\right)(x_i-x)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{G}_H(x_i-x)w\left(x_i\right)}---\left(3\right)$

其中：

G_H(x_i-x)=|H|^-1/2G(H^-1/2(x_i-x))

G(x)是一个单位核函数

H是一个正定的对称d×d矩阵，我们一般称之为带宽矩阵

w(x_i)≥0是一个赋给采样点x_i的权重

在实际应用的过程中，带宽矩阵H一般被限定为一个对角矩阵

甚至更简单的被取为正比于单位矩阵，即H＝h²I。由于后一形式只需要确定一个系数h，因此(3)式又可以被写为：

$M_h\left(x\right)\≡\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)(x_i-x)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)}---\left(4\right)$

通过把(4)式的x提到求和号的外面来，可以得到下式：

$M_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)x_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)}-x---\left(5\right)$

把上式右边的第一项记为m_h(x)即：

$m_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)x_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}G\left(\frac{x_i-x}{h}\right)w\left(x_i\right)}---\left(6\right)$

给定一个初始点x，核函数G(X)，容许误差ε，Mean Shift算法循环的执行下面三步，直至结束条件满足：

(1)计算m_h(x)

(2)把m_h(x)赋给x

(3)如果||m_h(x)-x||<ε，结束循环;若不然，继续执行(1)。

由(5)式可知m_h(x)=x+M_h(x)，因此上面的步骤也就是不断的沿着概率密度的梯度方向移动，同时步长不仅与梯度的大小有关，也与该点的概率密度有关，在密度大的地方更接近要找的概率密度的峰值，所以Mean Shift算法使得移动的步长小一些；相反，在密度小的地方，移动的步长就大一些。在满足一定条件下，Mean Shift算法一定会收敛到该点附近的峰值。

用{y_j}，j=1，2，...来表示Mean Shift算法中移动点的痕迹，由(6)式可写为，

$y_{j+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}G\left(\frac{x_i-y_j}{h}\right)w\left(x_i\right)x_i}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}G\left(\frac{x_i-y_j}{h}\right)w\left(x_i\right)},j=\mathrm{1,2},...---\left(7\right)$

与y_j对应的概率密度函数估计值可表示为，

${\hat{f}}_K\left(y_j\right)=\frac{{\mathrm{\&Sigma;}}_{i=1}^{n}K\left(\frac{x_i-y_j}{h}\right)w\left(x_i\right)}{h^d{\mathrm{\&Sigma;}}_{i=1}^{n}w\left(x_i\right)}---\left(8\right)$

一幅DPM二维码图像可以表示成一个二维网格点上p维向量，每一个网格点代表一个象素。p=1表示这是一个灰度图，p＝3表示彩色图。网格点的坐标表示图像的空间信息。考虑图像的空间信息和色彩(或灰度等)信息，组成一个p+2维的向量x=(x^s，x^r)，其中x^s表示网格点的坐标，x^r表示该网格点上p维向量特征。

用核函数

来估计x的分布，

具有如下形式：

$K_{h_s,h_r}=\frac{C}{h_s^2{h}_r^p}k\left({\left|\right|\frac{x^s}{h_s}\left|\right|}^2\right)k\left({\left|\right|\frac{x^r}{h_r}\left|\right|}^2\right)---\left(9\right)$

其中h_s，h_r控制着平滑的解析度，C是一个归一化常数。

分别用x_i和z_i，i=1，…，n表示原始和平滑后的图像，用Mean Shift算法进行图像平滑的具体步骤如下，对每一个象素点：

1初始化j=1，并且使y_i，1＝x_i

2运用Mean Shift算法计算y_i，j+1，直到收敛.记收敛后的值为y_i，c

3赋值 $z_i=(x_i^s,y_{i,c}^r)$

其中的h_s，h_r是非常重要的参数，可以根据解析度的要求而直接给定。不同h_s，h_r会对最终的平滑结果有一定的影响。

对DPM纹理背景进行平滑后，由于纹理的自相似性，可认为背景区域的像素值在很小的范围内波动。提出一种差值聚类法，将背景像素合并为一类，设SO为图像中某一像素，搜索其8邻域像素S1，S2…S8，如果满足下式：

|SO-Si|<T 1<i<8    (10)

则认为SO与Si属于一类。归为一类的像素值统一用类均值表示。最终可将图像分为前景目标和背景。

式(10)中的T为区域阈值，可采用自适应局部阈值算法得到。对于由目标和背景组成的图像，其灰度直方图可视为组合背景和目标像素灰度混合分布的概率密度函数，且通常假定混合分布的两个分量p(i/0)和p(i/1)都是正态分布，其均值、标准差和先验概率分别为μ₀、μ₁、σ₀、σ₁、p₀和p₁。其中μ₀、μ₁和σ₀、σ₁分别由式(11)、(12)和式(13)、(14)给出：

${\mathrm{\&mu;}}_0\left(t\right)=\underset{z=0}{\overset{t}{\mathrm{\&Sigma;}}}z{p}_z/p_0\left(t\right)---\left(11\right)$ ${\mathrm{\&mu;}}_1\left(t\right)=\underset{z=t+1}{\overset{L-1}{\mathrm{\&Sigma;}}}z{p}_z/p_1\left(t\right)---\left(12\right)$

${\mathrm{\&sigma;}}_0\left(t\right)={\left[\frac{\underset{z=0}{\overset{t}{\mathrm{\&Sigma;}}}{[z-{\mathrm{\&mu;}}_0\left(t\right)]}^2*p_2}{\underset{z=0}{\overset{t}{\mathrm{\&Sigma;}}}{p}_2}\right]}^{1/2}---\left(13\right)$ ${\mathrm{\&sigma;}}_1\left(t\right)={\left[\frac{\underset{z=t+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{[z-{\mathrm{\&mu;}}_1\left(t\right)]}^2*p_2}{\underset{z=t+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}_2}\right]}^{1/2}---\left(14\right)$

设灰度为z的像素数为n_z，t为灰度阈值，z＝1，2，…，t，…，L。则图像的总像素数为

灰度为z的像素出现的概率为p_z=n_z/N。不失一般性，可认为目标和背景的灰度分布分得足够开时，应满足μ₁-μ₀>a(σ₀+σ₁)，若由某一阈值分割出的两部分其灰度分布的均值和标准差满足上述条件，则认为该阈值为T。

②DPM二维码区域定位

将二维码图像的典型特征角点作为定位的信息源，结合最近邻聚类方法，协同完成DPM二维码区域的定位。根据最大聚类区域中角点坐标的最大和最小值，通过倾斜矫正，即可得到最终DPM二维码准确区域。

首先采用迭代阈值法将分割出DPM二维码图像前景区域二值化。迭代阈值法基本原理为：首先取图像灰度范围的中值作为初始阈值T₀(设共有L个灰度)，然后按下式进行迭代。

$T_{i+1}=\frac{1}{2}\{\frac{\underset{k=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{h}_k*k}{\underset{k=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{h}_k}+\frac{\underset{k=T_i+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_k*k}{\underset{k=T_i+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_k}\}---\left(15\right)$

其中h_k是灰度为k值的象素个数，迭代一直到T_i+1=T_i结束，取结束时的T_i为分割阈值。

其次，采用自适应阈值和尺度空间的角点检测方法，进行DPM二维码区域的角点定位。设以像素点(x，y)为中心的小窗口在X方向上移动u，Y方向移动v，定义的灰度强度变化公式为：

$\begin{array}{c}{E}_{u,v}(x,y)=\underset{u,v}{\mathrm{\&Sigma;}}{w}_{u,v}{[f(x+u,y+v)-f(x,y)]}^2\\ =\underset{u,v}{\mathrm{\&Sigma;}}[\mathrm{uX}+\mathrm{vY}+o(u^2+v^2)]\\ \&ap;\underset{u,v}{\mathrm{\&Sigma;}}{w}_{u,v}[\mathrm{uX}+\mathrm{vY}]\\ =\underset{u,v}{\mathrm{\&Sigma;}}{w}_{u,v}\left(\begin{array}{cc}{X}^2& \mathrm{XY}\\ \mathrm{XY}& Y^2\end{array}\right){(u,v)}^T\end{array}---\left(16\right)$

其中，W_u，v是窗函数，

是像素点在X方向和Y方向的一阶梯度，反映了每个像素点的灰度变化方向，如像素在这两个方向上的灰度都发生较大的变化则将该点定义为角点。为了较好地抑制噪声，Harris检测算法选取高斯窗函数，对图像进行平滑之后再提取角点。

定义像素点(x，y)的自相关矩阵为： $M=\left(\begin{array}{cc}{X}^2& \mathrm{XY}\\ \mathrm{XY}& Y^2\end{array}\right),$ 设矩阵M的两个特征值分别为λ₁，λ₂。则Harri s定义的角点响应函数表达式为：

R_h=detM-k(trM)²   (17)

其中，detM表示矩阵M的行列式，且detM=λ₁×λ₂，trM表示矩阵的迹且trM=λ₁+λ₂。七是一个大于0的参数，一般取值为0.04。detM在边缘处较小而在角点处较大，trM在边缘和角点处保持一致。因此，当像素点(x，y)的R_h值大于给定的阈值时，该像素点即为角点。

设I_h、I_c分别为颜色概率密度分布图和角点概率密度分布图，ρ₂、ρ₂分别是它们的相似性度量值，则总的概率密度分布图为：

I=αI_h+βI_c    (18)

设(x，y)为搜索窗口中的像素点，I(x，y)是图中对应(x，y)点的像素值。定义搜索窗口的零阶矩M₀₀和一阶矩M₁₀、M₀₁为：

$M_{01}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}\mathrm{yI}(x,y).$

在此基础上计算得搜索窗口的质心：

计算搜索窗口的二阶距，确定跟踪目标的方向和尺度： $M_{20}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}{x}^{2}I(x,y),$ $M_{20}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}{y}^{2}I(x,y),$ $M_{11}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}\mathrm{xyI}(x,y).$

假设：

$a=\frac{M_{20}}{M_{00}}-x_c^2,b=2[\frac{M_{11}}{M_{00}}-x_c{y}_c],c=\frac{M_{02}}{M_{00}}-y_c^2$

则，图像中目标长轴和短轴的计算如下：

$l=\sqrt{\frac{(a+c)+\sqrt{b^2+{(a-c)}^2}}{2}},w=\sqrt{\frac{(a+c)-\sqrt{b^2+{(a-c)}^2}}{2}}$

目标长轴的方向角为：

根据方向角可对二维码区域进行倾斜矫正。

最后，据相似性阈值和最小距离原则的聚类方法，得到所有DPM二维码区域内的角点。设待分类的模式为

选定类内距离门限T。计算模式特征矢量到聚类中心的距离并和门限T比较而决定归属该类或作为新的一类中心。

(1)取任意的一个模式特征矢量作为第一个聚类中心。例如，令第一类ω₁的中心 ${\stackrel{\&RightArrow;}{z}}_1={\stackrel{\&RightArrow;}{x}}_1.$

(2)计算下一个模式特征矢量

到

的距离d₂₁。若d₂₁>T，则建立新的一类ω₂，其中心

若d₂₁≤T，则

(3)假设已有聚类中心

计算尚未确定类别的模式特征矢量

到各聚类中心

的距离d_ij，如果d_ij>T(j=1，2，…，k)，则

作为新的一类ω_k+1的中心，

否则，如果

则指判

检查是否所有的模式都分划完类别，如都分划完了则结束；否则返到(3)。

③DPM二维码码元识别

准确定位二维码区域后，需要精确划分出二维码最小单元一码元，才能提取出其所包含的具体信息，完成二维码内容的识别。

对DPM二维码区域进行精细二值化，即扫描二值图像中所有的0值点，对于任一0值点P，考虑通过该点的任一条直线L，如果L上存在两个点P₁和P₂，且满足：

·P₁，P₂点的值都是1，

·P₁，P₂分布在P的两侧，

·|P-P₁|<R，|P-P₂|<R，

则把P点置为1，否则仍保持为0。如果P点被置为1，则认为点P依据直线L，在R内被同化，R称为同化半径。在实际的程序运行过程中，为了减小计算量，可不必计算所有的方向，只考虑如下4条直线，即：

·L₁：(x-1，y)-(x+1，y)

·L₂：(x-1，y+1)-(x+1，y-1)

·L₃：(x，y-1)-(x，y+1)

·L₄：(x-1，y-1)-(x+1，y+1)

由于搜索过程只是在直线上按照一定的步长增加或减少坐标，而不涉及乘除运算，因此程序运行速度比较快，节省了计算时间。根据码元大小对区域进行网格划分，根据网格中心点定位码元，最终实现码元区域的黑白划分。

基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (8)

1.一种DPM编码设备，包括计算机、显示器和打标机。

2.一种根据权利要求1所述的DPM编码设备，其特征在于：

打标机在计算机控制下通过二维工作台带动而在平行于工件表面的平面内运动；

该打标机包括气动系统、步进电机、电子控制器以及碳化钨击打针；

其中，该电子控制器用于控制步进电机的动作，该步进电机驱动碳化钨击打针运动，并控制击打针的运动方向和精度；

气动系统带动碳化钨击打针在垂直于工件表面的方向上作高频振动，以在工件表面形成深浅不一的凹痕，从而形成DPM二维码。

3.一种对利用权利要求1所述的DPM编码设备生成的二维码进行识别的二维码自动识别平台，包括：一图像采集模块、一图像处理模块、一图像显示模块和一电源管理模块。

4.根据权利要求3所述的二维码自动识别平台，其特征在于：

所述图像采集模块包括一摄像头；

所述图像处理模块包括数字信号处理器DSP、现场可编程门阵列FPGA和主控制器，其中，该数字信号处理器DSP和现场可编程门阵列FPGA组成目标图像采集与与处理模块，DSP和FPGA之间采用主/从方式，DSP用于对DPM二维码目标图像进行处理，并控制FPGA采样信号的启动；FPGA用于对DPM二维码目标图像进行采样控制；待识别的DPM二维码目标图像通过所述摄像头传输到DSP中，DSP对DPM二维码目标图像进行预处理，将图像统一转换为灰度图，DSP将处理后的DPM二维码目标图像输入主控制器，主控制器完成二维码图像区域的定位与识别。

5.一种利用权利要求3或4所述的二维码自动识别平台对DPM二维码进行识别的方法，包括如下步骤：

步骤一：图像采集模块拍摄待识别的DPM二维码目标图像，并将其传输到图像处理模块；

步骤二：图像处理模块对DPM二维码目标图像进行预处理，并将图像统一转换为灰度图；

步骤三：图像处理模块对预处理后的DPM二维码目标图像进行定位与识别，具体包含如下步骤：

步骤(1)：将DPM二维码图像的典型特征角点作为定位的信息源，对DPM二维码区域进行准确定位；

步骤(2)：准确定位DPM二维码区域后，划分出二维码的码元；

步骤(3)：对DPM二维码的码元进行译码纠错，提取出二维码所包含的具体信息，完成二维码内容的识别；

步骤四：将DPM二维码图像的识别数据发送到图像显示模块，进行显示。

6.一种根据权利要求5所述的对DPM二维码进行识别的方法，其特征在于：

所述步骤(1)具体包括如下步骤：

步骤1)：对预处理后的图像进行mean shift平滑操作；

步骤2)：采用差值聚类法提取图像中包含二维码区域的前景区域；

步骤3)：通过迭代阈值法对前景区域进行操作，将其转换为二值图像；

步骤4)：对二值图像进行Harris角点检测；

步骤5)：根据相似性阈值和最小距离原则的聚类方法选取含有角点数目最多的一个类；

步骤6)：对该类中的角点最大值坐标和最小值坐标进行分析，判断二维码区域的图像是否倾斜，如果倾斜则进行倾斜矫正，如果不倾斜则选取DPM二维码码元区域。

7.一种根据权利要求5所述的对DPM二维码进行识别的方法，其特征在于：

所述步骤(2)具体包括如下步骤：

步骤1)：将选取的码元区域进行二值化；

步骤2)：将二值化结果祛除噪声点；

步骤3)：使用划分网格的方法确定码元的宽度；

步骤4)：通过网格的中心确定码元的中心；

步骤5)：输出码元的识别结果。

8.一种根据权利要求5所述的对DPM二维码进行识别的方法，其特征在于：

所述步骤(3)具体包括如下步骤：

步骤1)：基于接收的DPM二维码码元生成多项式计算校正子；

步骤2)：由多项式计算校正子通过迭代法求出错误位置多项式和错误估值多项式；

步骤3)：搜索错误位置，求出错误位置上的错误数值，并进行纠错。

Images