CN103593695B - 一种dpm二维码区域定位的方法 - Google Patents

Abstract

本发明公开了一种DPM二维码区域定位的方法，所述方法包括：对采集到包含有DPM二维码的图像进行灰度化处理，获取灰度化图像；用改进的SUSAN角点检测算法对灰度化图像进行角点检测，若检测到角点，执行下一步骤；若未检测到角点，则流程结束；加入半监督指导机制的AP聚类算法将所检测到角点进行聚类，建立先验条件，对疑似DPM二维码的角点聚集区的聚类结果进行确认；将符合上述先验条件的聚类区域标记为定位结果，输出定位图像，流程结束。本方法能在一定程度上减弱噪声影响，条码区域不会出现像素缺失或多余的情况，为准确识别条码内容奠定基础。该方法达到了快速准确的定位DPM二维码区域的目的，且降低了DPM二维码识别产品的生产成本。

Description

一种DPM二维码区域定位的方法

技术领域

本发明涉及定位领域，特别涉及一种背景复杂、光照不均、对比度低的DPM二维码区域定位的方法。

背景技术

直接零件标志(DirectPartMark，DPM)^[1]最初应用在机械电子行业的零部件上，即通过激光点刻蚀刻等手段，将零部件从生产、质量检测、出厂等丰富信息记录在一幅图像当中。而后扩展到汽车制造、制药医疗、军队枪械管理等领域，并有向其他行业推广的趋势。DPM二维码是目前最流行的物联网技术中一类重要的信息源。

DPM二维码是以二维条码图像为主要载体，二维条码具有编码容量大、密度高、信息安全性高等特点。与印刷在纸上的二维码相比，DPM二维码的生成方法是多样的：除了喷墨打印之外，还有激光蚀刻、机打撞击、电化学腐蚀等方法。刻有DPM二维码的零部件材料也是多种多样，包括铸铁、铝制、玻璃、硬塑、木材等。因此，DPM条码图像普遍存在对比度低、多噪声干扰、背景复杂等情况，使得直接使用成熟算法定位DPM二维码，难以满足准确性要求。

目前世界上提供识别DPM二维码产品的有COGNEX，Microscan，Symbol等公司。这些产品多将定位算法集成在扫描器当中，不对外开放。产品对待定位对象有方向、对比度等方面的严格要求，识读率的指标还模糊不定，且价格昂贵。学术上鲜见适于复杂背景、低对比度、可能变形的DPM定位算法的研究。

发明内容

本发明提供了一种DPM二维码区域定位的方法，本发明提高了定位DPM二维码的精度，降低了DPM二维码识别产品的生产成本，详见下文描述：

一种DPM二维码区域定位的方法，所述方法包括以下步骤：

（1）对采集到包含有DPM二维码的图像进行灰度化处理，获取灰度化图像；

（2）用改进的SUSAN角点检测算法对灰度化图像进行角点检测，若检测到角点，执行步骤（3）；若未检测到角点，则流程结束；

（3）加入半监督指导机制的AP聚类算法将所检测到角点进行聚类，建立先验条件，对疑似DPM二维码的角点聚集区的聚类结果进行确认；

（4）将符合上述先验条件的聚类区域标记为定位结果，输出定位图像，流程结束。

所述步骤（2）的操作具体为：

1）掩板半径及搜索步长；

掩板半径的取值小于二维码码元宽度；在检测到第一个角点后，将掩板遍历的移动步长从一个像素修改为掩板半径；

2）相似阈值t的确定；

相似阈值t取为阈值范围的下限；

3）角点区域阈值g的确定；

$g_{\min }={\mathrm{\Δ}}_2=\frac{1}{8}S,g_{\max }=\frac{1}{4}S+{\mathrm{\Δ}}_1=\frac{3}{8}S,$ S为掩板面积；

4）通过增加连通规则排除伪角点；

在满足g_min<n(x₀,y₀)<g_max的前提下，若USAN区域的重心和掩板中心的连线所经过的像素都是属于USAN区域的像素，那么这个像素点就是角点。

所述步骤（3）的操作具体为：

偏向参数p=avgQ，且q(j,j)=p，avg为取均值，q(j,j)为相似度矩阵Q中的对角线元素；j为类代表点；

在信息更新过程中引入一个阻尼因子λ∈[0,1)，将新计算得出的矩阵值和原矩阵值进行加权求和：

R_new=(1-λ)R_new+λR_old，A_new=(1-λ)A_new+λA_old；

R为吸引度矩阵；A为归属度矩阵；

若类代表点j为聚类中心，定义当前聚类中存在与聚类中心最大距离的四个点α,β,ω,ξ，这四个距离至少应两两相等或相似，先验条件为：

|q(ω,j)-q(ξ,j)|<δ

|q(α,j)-q(β,j)|<δδ→0

若类代表点j不能作为二维码角点聚集区的聚类中心，则进行如下操作：

每当更新吸引度矩阵R和归属度矩阵A之后，生成矩阵E=A+R，并将其元素进行降序排列，依次判断E中的元素是否满足先验条件，若满足，则其为当前聚类中心，若不满足则继续判断中矩阵E中的点，直到满足先验条件为止。

本发明提供的技术方案的有益效果是：本发明提供了一种改进的SUSAN角点检测和半监督机制下的近邻传播聚类相结合的DPM二维码定位算法，本方法能在一定程度上减弱噪声影响，条码区域不会出现像素缺失或多余的情况，为准确识别条码内容奠定基础。该方法达到了快速准确的定位DPM二维码区域的目的，且降低了DPM二维码识别产品的生产成本。

附图说明

图1是本发明的软件流程图；

图2(a)为掩板示意图，(b)为USAN区域的示意图；

图3(a)为伪角点示例，(b)为连通性规则的示意图；

图4(a)、(b)、(c)、(d)、(e)和(f)是传统算法对一组DPM二维码图像定位结果；

图5(a)、(b)、(c)、(d)、(e)和(f)是本方法对一组DPM二维码图像定位结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了提高定位DPM二维码的精度，降低DPM二维码产品的生产成本，本发明实施例提供了一种DPM二维码区域定位的方法，本发明提出一种改进的SUSAN角点检测^[2]（Smith等1997年提出基于亮度对比关系的(SmallUnivalueSegmentAssimilatingNucleus，SUSAN)）与半监督近邻传播聚类算法^[3]（由FreyBJ和DueckD于2007年提出的一种新的聚类算法，该算法从将每个点都视为初始的聚类中心开始，而无需事先定义类数。算法通过对吸引函数和归属函数的迭代，在全局最优的规则下搜索合适的聚类中心，自动确定出类的个数及聚类中心的位置）相结合的方法来定位复杂背景下的DPM二维码。即从分析DPM二维码的特点入手，将条码图像的典型特征角点作为定位的信息源，并以加快算法速度和去除伪角点为目的，对SUSAN算法进行改进，以此为基础，将DPM二维码图像的外边缘特点转变为半监督机制加入到近邻传播聚类算法中，协同完成复杂背景下的DPM二维码定位，详见下文描述：

101：对采集到包含有DPM二维码的图像进行灰度化处理，获取灰度化图像；

本方法对输入的含DPM二维码的彩色或灰度图像不做条码方向及图像尺度的限制，但要求条码基本码元宽度至少大于3个像素。

灰度值=0.3×红色分量+0.59×绿色分量+0.11×蓝色分量。

102：用改进的SUSAN角点检测算法对灰度化图像进行角点检测，若检测到角点，执行步骤103；若未检测到角点，则流程结束；

鉴于DPM条码区域与图像背景的亮暗反差关系，本方法选取改进后的SUSAN算法来进行图像的角点检测，其基本原理是使用圆形掩板对灰度化图像进行遍历，根据掩板下区域像素点的取值与区域中心点取值的关系来判断区域中心点是否为角点。SUSAN算法中的三个参数（即掩板半径及算法的逐点搜索策略、相似阈值t和角点区域阈值g），牵制了算法执行效率。

1）掩板半径及搜索步长；

即掩板半径的取值小于二维码码元宽度，设能够辨识的最小二维码码元宽度为4像素，则将掩板半径选为3.5（具体实现时，根据实际应用中的需要进行设定），该掩板有能力检出任何码元宽度大于3的二维码角点，同时仅需36次（掩板面积为37，参见图2(a)）比较运算便可得到图2（b）示意的USAN（UnivalueSegmentAssimilatingNucleus）区域[2]的面积。

本方法根据DPM二维码码元具有一定的宽度和高度，使角点不会连续出现的特点，设置在检测到第一个角点后，将掩板遍历的移动步长从一个像素修改为掩板半径，以加快算法速度，减少运行时间。

2）相似阈值t的确定；

相似阈值t对灰度化图像的光照和图像的对比度比较敏感，为使算法适应光照不均、背景与条码区域的对比度较低的DPM二维码图像，将t取为阈值范围（阈值范围由掩板中心像素值和当前灰度图像的像素值确定，通常为10-25）下限，即t=10。

3）角点区域阈值g的确定；

将阈值g设为（S为掩板面积）的通常做法会遇到两个问题：

其一，当DPM二维码图像出现部分磨损、变形时，连接角点的USAN区域面积将大于这时原SUSAN算法将没有能力将它们检出，会漏识一些真正要寻找的角点；

其二，阈值g没有能力拒识明显不属于二维码图像的、具有较小锐角的USAN区域所指的角点，会误识出干扰性角点。

为此，本方法将阈值g适当调大至同时赋予阈值g一个下限Δ₂。

本方法设灰度化图像因变形或磨损或锐化使得与角点相连的USAN区域面积超出或不足的一半为最大容忍度，即：

设从而将计算响应函数R(x₀,y₀)的公式调整为：

$R(x_0,y_0)\left\{\begin{array}{cc}(g-n(x_0,y_0))& g_{\min }<n\left(x_{0,}{y}_0\right)<g_{\max }\\ 0& n(x_0,y_0)\&GreaterEqual;g_{\max }\end{array}\right.$

其中，n(x₀,y₀)为当前像素点(x₀,y₀)的USAN区域的面积；

$g_{\max }=\frac{1}{4}S+{\mathrm{\&Delta;}}_1=\frac{3}{8}S.$

4）通过增加连通规则排除伪角点。

传统SUSAN算法是通过对当前像素点的灰度值与掩板中心像素值具有相似取值的点的累积来估计USAN区域面积的，而USAN面积的大小又是评价中心点是否为角点的唯一依据，因此难免将中心点误识为角点。为了弥补该算法的这一漏洞，特增加一条连通性规则，参见图3，即在满足g_min<n(x₀,y₀)<g_max的前提下，若USAN区域的重心和掩板中心的连线所经过的像素都是属于USAN区域的像素，那么这个像素点就是角点。

103：加入半监督指导机制的AP聚类算法将所检测到角点进行聚类，建立先验条件，对疑似DPM二维码的角点聚集区的聚类结果进行确认；

与多数聚类算法的目标相似，AP聚类算法同样追求数据点（i）与其类代表点（j）之间的距离最小化。因此，AP聚类算法将任意两点之间的相似度定义为两点距离差的平方的负数，即q(i,j)=-||x_i-x_j||²。由q(i,j)组成相似度矩阵Q，而类代表点j能够成为聚类中心的可能性以及聚类的数量受到偏向参数p(preference)的影响，一般情况下取p=avgQ（avg为取均值），且q(j,j)=p，q(j,j)为相似度矩阵Q中的对角线元素。

AP聚类算法中传递两种类型的消息，即吸引度矩阵和归属度矩阵。吸引度矩阵R中的元素为下式定义的吸引函数r(i,j)，r(i,j)反映类代表点j是否吸引数据点i作为其聚类中心的可能性；归属度矩阵A中的元素为下式定义的归属函数a(i,j)，a(i,j)反映数据点i是否选择类代表点j作其中心的可能性。r(i,j)与a(i,j)之和越大，则类代表点j作为聚类中心的可能性就越大，并且数据点i隶属于该类的可能性也就越大。算法结束时，第一类的聚类中心满足max_j{a(i,j)+r(i,j)}。吸引函数和归属函数的迭代通常从0开始，即设r⁽⁰⁾(i,j)=a⁽⁰⁾(i,j)=0。

对所有的(i,j)，令：r^(k+1)(i,j)←q(i,j)-max_j′≠j{a^(k)(i,j′)+q(i,j′)}

$a^{(k+1)}i,j\&LeftArrow;\left\{\begin{array}{c}{\min }_{i\&NotEqual;j}\{{0,r}^{(k+1)}(j,j)+\underset{i^{\&prime;}\&NotEqual;i,j}{\mathrm{\&Sigma;}}\max [{0,r}^{(k+1)}(i^{\&prime;},j)\left]\right\}i\&NotEqual;j\\ \underset{i^{\&prime;}\&NotEqual;j}{\mathrm{\&Sigma;}}\max \left[{0,r}^{(k+1)}(i^{\&prime;},j)\right],i=j\end{array}\right.$

k为大于等于0的整数；j′为另一种类代表点；q(i,j′)组成中心为j′的相似度矩阵；a(i,j′)组成中心为j′的归属度矩阵；←为推导符号；r(j,j)表示类代表点自身的吸引函数；r(i′,j)表示类代表点j对其他数据点i′的吸引函数。

为了避免发生震荡，AP聚类算法在信息更新过程中引入了一个阻尼因子λ∈[0,1)，将新计算得出的矩阵值和原矩阵值进行加权求和：

R_new=(1-λ)R_new+λR_old，A_new=(1-λ)A_new+λA_old

算法迭代终止的条件：①超过所设定的最大迭代次数，本方法设置最大迭代数为100；②矩阵A和R的元素的改变总量低于某一阈值；③类中心在连续几步迭代过程中保持稳定。只要满足上述三个条件之一，算法就终止迭代。

半监督聚类^[4]是通过样本先验知识，或利用有标签的样本来指导无标签的样本的聚类方法，目前半监督聚类算法成为机器学习中重要内容之一。

根据使用先验知识的不同，半监督聚类算法分成基于约束的方法、基于相似性度量的方法和基于已知信息和未标记样本潜在信息共同指导的方法三种类型。

本方法结合半监督聚类算法的思路以及条码图像的特征，采用约束限制的半监督方法对AP聚类进行指导。从DPM二维码图像特征可以看出，条码区域外轮廓呈矩形或四边形，因此在AP聚类算法中将该特征作为先验知识，监督指导聚类向条码的正确定位方向前进，形成一种半监督近邻传播算法(semi-supervisedaffinitypropagation,SAP)。即设条码区域的几何中心最终成为聚类中心，而矩形或四边形的几何中心的特征为：几何中心到四边形顶点的距离总存在两对相等值。

因此，若类代表点j为聚类中心，它应满足类代表点j到聚类区域顶点的距离相等或相差不大，即相似度矩阵Q中聚类中心到该类顶点的距离相等或近似相等。本方法定义当前聚类中存在与聚类中心最大距离的四个点α,β,ω,ξ，这四个距离至少应两两相等或相似。如下式所述，该式为先验条件用于判断是否找到条码区域的聚类中心。

|q(ω,j)-q(ξ,j)|<δ

|q(α,j)-q(β,j)|<δδ→0

如果类代表点j不能作为二维码角点聚集区的聚类中心，则进行如下操作：每当更新吸引度矩阵R和归属度矩阵A之后，生成矩阵E=A+R，并将其元素进行降序排列，依次判断E中的元素是否满足先验条件，若满足，则其为当前聚类中心，若不满足则继续判断中矩阵E中的点，直到满足先验条件为止。

104：将符合上述先验条件的聚类区域标记为定位结果，输出定位图像，流程结束。

下面结合具体的实例对本方法的可行性进行验证，详见下文描述：

由于DPM码识别技术均掌握在国外少数几个大公司的手中，因而DPM码识别速度和识读率并没有明确的说明，水平仅仅停留在能够读取的状态下。国内的识读水平也是如此，复杂背景的图像研究水平更是有限，因此有较大的提升空间和继续深入研究的迫切需要。

测试实验结果表明本方法优势明显：在执行时间、可定位的样本数目、定位准确度等均优于其它算法(见表1)，并能够在一定程度上减弱噪声影响，克服图像中的光照不均、对比度低、图像模糊、材质粗糙等恶劣条件，达到了快速准确的定位DPM二维码区域的目的。

本方法对总量为134个的恶劣条件下的DPM二维码图像样本分别使用霍夫变换算法、梯度微调算法及本方法进行测试，如表1所示，对比数据显示本方法在运行时间、可定位的样本数、定位准确率等方面均优于其它算法。

表1本方法与其它算法的比较

附图4、5中是采集到的一组DPM二维码图像。这些条码图像存在对比度低、光照不均、条码区域模糊变形、噪声明显等问题。本方法对上述不利条件均有一定的抑制能力，抑制噪声和变形能力明显优于传统算法。实验结果表明，与霍夫变换算法和梯度微调算法相比，本方法定位准确，条码区域不会出现像素缺失或多余的情况，为准确识别条码内容奠定基础。

参考文献

[1]ISO-IEC15415-2011,Informationtechnology-automaticidentificationanddatacapturetechniques-barcodeprintqualitytestspecification-Two-dimensionalsymbols[S].2004

[2]FreyJB,DueckD.Clusteringbypassingmessagesbetweendatapoints[J].Science,2007,315(5814):972-976

[3]SmithSM,BradyJ.M.SUSAN-Newapproachtolowlevelimageprocessing[J].ComputerVision,1997,23(1):45～78

[4]JainAK,ChenY.Barcodelocalizationusingtextureanalysis[C]//Proceedings of the SecondInternational Conference on Document Analysis and Recognition.Tsu-kuba,Japan,1993:41～44

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种DPM二维码区域定位的方法，其特征在于，所述方法包括以下步骤：

(1)对采集到包含有DPM二维码的图像进行灰度化处理，获取灰度化图像；

(2)用改进的SUSAN角点检测算法对灰度化图像进行角点检测，若检测到角点，执行步骤(3)；若未检测到角点，则流程结束；

(3)加入半监督指导机制的AP聚类算法将所检测到角点进行聚类，建立先验条件，对疑似DPM二维码的角点聚集区的聚类结果进行确认；

(4)将符合上述先验条件的聚类区域标记为定位结果，输出定位图像，流程结束；

所述步骤(2)的操作具体为：

1)掩板半径及搜索步长；

掩板半径的取值小于最小二维码码元宽度；在检测到第一个角点后，将掩板遍历的移动步长从一个像素修改为掩板半径；

2)相似阈值t的确定；

相似阈值t取为阈值范围的下限；

3)角点区域阈值g的确定；

S为掩板面积；

4)通过增加连通规则排除伪角点；

在满足g_min＜n(x₀,y₀)＜g_max的前提下，若USAN区域的重心和掩板中心的连线所经过的像素都是属于USAN区域的像素，那么这个像素点就是角点；

其中，n(x₀，y₀)为当前像素点(x₀,y₀)的USAN区域的面积；

所述步骤(3)的操作具体为：

偏向参数p＝avgQ，且q(j,j)＝p，avg为取均值，q(j,j)为相似度矩阵Q中的对角线元素；j为类代表点；

在信息更新过程中引入一个阻尼因子λ∈[0,1)，将新计算得出的矩阵值和原矩阵值进行加权求和：

R_new＝(1-λ)R_new+λR_old，A_new＝(1-λ)A_new+λA_old；

R为吸引度矩阵；A为归属度矩阵；

若类代表点j为聚类中心，定义当前聚类中存在与聚类中心最大距离的四个点α,β,ω,ξ，这四个距离至少应两两相等或相似，先验条件为：

|q(ω,j)-q(ξ,j)|＜δ

|q(α,j)-q(β,j)|＜δ δ→0

若类代表点j不能作为二维码角点聚集区的聚类中心，则进行如下操作：

每当更新吸引度矩阵R和归属度矩阵A之后，生成矩阵E＝A+R，并将其元素进行降序排列，依次判断E中的元素是否满足先验条件，若满足，则其为当前聚类中心，若不满足则继续判断矩阵E中的点，直到满足先验条件为止。