CN105654009A - 标记的生成设备、识别设备、生成方法、识别方法及程序 - Google Patents

Abstract

本发明公开了标记的生成设备、识别设备、生成方法、识别方法及程序。该标记生成设备包括：码获取装置，用于获取N比特码信息以将该码信息叠加到以多个区域限定的标记上，其中，N是不小于2的自然数；乘法装置，用于将由码获取装置获取的码信息的每个比特值分别与M序列矩阵相乘；颜色信息计算装置，用于通过将由乘法装置获得的相乘结果相加来计算颜色信息，所述颜色信息用于对标记的每个区域执行颜色布置；以及颜色布置装置，用于基于由颜色信息计算装置计算的颜色信息对标记的每个区域执行颜色布置。

Description

标记的生成设备、识别设备、生成方法、识别方法及程序

技术领域

本发明涉及用于生成或识别附加或标记在物品上的标记的标记生成设备、标记识别设备、标记生成方法、标记识别方法和程序。

背景技术

已知读取2D(二维)码如QR码(注册商标)的2D码读取器(参见，例如，日本未审查专利申请公开No.2009-295145)。

应当注意，标记如2D码包括码信息。此外，标记图像中的每个像素表示在该标记图像中包括的码信息的1比特值。因此，例如，当由于噪声如散焦模糊而导致在标记图像中存在缺失(或缺陷)像素时，存在下述可能性：识别标记图像的码信息的准确度会降低。

已经做出了本发明来解决上述问题，并且本发明的目的是提供能够以高准确度来识别标记的码信息的标记生成设备、标记识别设备、标记生成方法、标记识别方法和程序。

发明内容

为了实现上述目的，本发明的第一示例性方面是标记生成设备，该标记生成设备包括：码获取装置，用于获取N比特码信息(N是不小于2的自然数)以将该码信息叠加到以多个区域限定的标记上；乘法装置，用于将由码获取装置获取的码信息的每个比特值分别乘以M序列矩阵；颜色信息计算装置，用于通过将由乘法装置获得的相乘结果相加来计算颜色信息，该颜色信息用于对标记的每个区域执行颜色布置；以及颜色布置装置，用于基于由颜色信息计算装置计算的颜色信息对标记的每个区域执行颜色布置。

在这方面，颜色信息可以是表示多个预定颜色之间的比率的信息，所述颜色信息用于对标记的每个区域布置所述多个预定颜色中的每个预定颜色，所述多个预定颜色预先被限定。

在这方面，颜色布置装置可以通过向标记的每个区域分别分配由颜色信息计算装置计算的颜色信息并且当对标记的每个区域布置预定颜色时将所分配的信息用作预定颜色之间的尺寸比率来执行颜色布置。

在这方面，标记可以具有同心圆形状，并且标记的每个区域可以由同心圆边界限定。

在这方面，标记生成设备还可以包括用于通过使用包括噪声的标记图像根据ICA(独立分量分析)来学习M序列矩阵的学习装置，并且乘法装置可以将由码获取装置获取的码信息的每个比特值分别乘以由学习装置学习的M序列矩阵。

为了实现上述目的，本发明的另一示例性方面可以是对由上述标记生成设备生成的标记的码信息进行识别的标记识别设备。

在这方面，标记识别设备可以包括：图像获取装置，其用于获取标记的图像；识别装置，其用于对由图像获取装置获取的标记的图像的每个区域进行识别；颜色信息计算装置，其用于基于由识别装置识别的每个区域来计算颜色信息；以及码信息计算装置，其用于通过将由颜色信息计算装置所计算的颜色信息乘以M序列矩阵的转置矩阵来计算码信息。

在这方面，标记识别设备还可以包括用于通过使用包括噪声的标记图像根据ICA(独立分量分析)来学习转置矩阵的学习装置，码信息计算装置可以通过将由颜色信息计算装置所计算的颜色信息与由学习装置所学习的转置矩阵相乘来计算码信息。

为了实现上述目的，本发明的另一示例性方面是标记生成方法，该标记生成方法包括：获取N比特码信息(N是不小于2的自然数)来将码信息叠加到以多个区域限定的标记上的步骤；将所获取的码信息的每个比特值分别乘以M序列矩阵的步骤；通过将通过相乘获得的相乘结果相加来计算颜色信息的步骤，该颜色信息用于对标记的每个区域执行颜色布置；以及基于所计算的颜色信息对标记的每个区域执行颜色布置的步骤。

为了实现上述目标，本发明的另一示例性方面可以是用于对由上述标记生成方法所生成的标记的码信息进行识别的标记识别方法。

在这方面，标记识别方法可以包括：获取标记的图像的步骤；对所获取的标记的图像的每个区域进行识别的步骤；基于每个所识别的区域来计算颜色信息的步骤；以及通过将所计算的颜色信息乘以M序列矩阵的转置矩阵来计算码信息的步骤。

为了实现上述目标，本发明的另一示例性方面可以是用于使计算机执行下述处理的程序：获取N比特码信息(N是不小于2的自然数)以将码信息叠加到以多个区域限定的标记上的处理；将所获取的码信息的每个比特值分别乘以M序列矩阵的处理；通过将通过相乘获得的相乘结果相加来计算颜色信息的处理，该颜色信息用于对标记的每个区域执行颜色布置；以及基于所计算的颜色信息对标记的每个区域执行颜色布置的处理。

根据本发明，可以提供能够以高准确度识别标记的码信息的标记生成设备、标记识别设备、标记生成方法、标记识别方法和程序。

本发明的上面的和其他的目标、特征和优点将根据在下文给出的详细描述和附图变得更全面地理解，附图仅以例示方式给出并且因此并不被视为对本发明进行限制。

附图说明

图1示出了通过整个标记图像的特征图案表示每个比特值的图；

图2示出了通过多个N维波形表示一比特值的图；

图3是示出了根据本发明的第一示例性实施例的标记生成设备的一般系统配置的框图；

图4示出了具有同心圆形状的标记的示例；

图5示出了示出(R)、(B)、(R/B)、(N)和(I)之间的颜色频率比率的颜色直方图的示例；

图6是示出了根据本发明的第一示例性实施例的标记生成方法的流程图；

图7是示出了根据本发明的第一示例性实施例的标记识别设备的一般系统配置的框图；

图8是示出了根据本发明的第一示例性实施例的标记识别方法的流程图；

图9示出了每个与码信息的比特中的相应的一个比特对应的颜色频率信息值及其标记图像；

图10示出了由标记识别设备识别的码信息的结果；

图11A示出了示出当偶数比特值为1时的输出结果的曲线图；

图11B示出了示出当偶数比特值为1时的输出结果的曲线图；

图11C示出了示出当偶数比特值为1时的输出结果的曲线图；

图12是示出了根据本发明的第二示例性实施例的标记识别设备的一般系统配置的框图；

图13示出了用于说明在ICA学习之后的检测矩阵的图；

图14示出了用于说明用于通过ICA学习检测矩阵W的方法的图；

图15示出了散焦模糊图像组的学习结果；以及

图16示出了通过使用输入图像图案的900个测试数据的评估获得的结果。

具体实施方式

第一示例性实施例

在下文中参考附图说明了根据本发明的示例性实施例。

例如，标记被附加或标记在其机器人操作的物品上。机器人可以通过识别标记的位置来识别物品的位置、姿势、距离等。此外，当标记包括码信息时，机器人可以在它对标记的位置和尺寸进行识别的同时对码信息进行识别。根据本发明的第一示例性实施例的标记识别设备生成被包含(即，被合并)在如上述标记的标记中的码信息。

应当注意，在过去，例如，标记图像的每个像素表示1比特值。因此，存在下述问题：当由于噪声如散焦模糊而导致在标记图像中存在缺失像素(或缺陷像素)(在下文中简称为“缺陷像素”)时，标记图像的码信息的准确度会降低。

与此相比，根据第一示例性实施例的标记识别设备通过整个标记图像的特征图案来表示码信息的每个比特值。因此，即使当在标记图像中出现缺陷像素等时，标记识别设备也可以降低缺陷像素的影响。因此，能够以高准确度识别标记的码信息。

例如，如图1所示，标记识别设备生成标记图像(c)，该标记图像(c)通过将表示1比特值(10)的标记图像(b)叠加到表示1比特值(01)的另一标记图像(c)上来表示2比特值(11)。在这种情况下，即使在标记图像(a)中出现缺陷像素，仍然可以通过使用其他信息恢复该标记图像来生成不受该缺陷像素影响的标记图像。

更具体地，如图2所示，分别通过多个(即，两个)N维(例如，16维)波形((A)和(B))来表示两个1比特值。通过将这些波形叠加在彼此上来生成用于表示标记(例如，如图2(C)中所示的颜色直方图(颜色分量比率))的信息。然后，基于所生成的信息对标记执行颜色布置。

图3是示出了根据第一示例性实施例的标记生成设备的一般系统配置的框图。根据第一示例性实施例的标记生成设备10包括：码获取单元11，其获取N比特码信息(N是不小于2的自然数)；自相关单元12，其将所获取的码信息的每个比特值分别乘以M序列的矩阵(在下文中称为“M序列矩阵”)；颜色信息计算单元13，其计算用于对标记的每个区域执行颜色布置的颜色频率信息；以及颜色布置单元14，其对标记的每个区域执行颜色布置。

例如通过主要使用下述微计算机由硬件来构造标记生成设备10和标记识别设备20(后面将对其进行描述)中的每一个，所述微计算机包括：执行算术处理等的CPU(中央处理单元)；其中存储由CPU执行的操作程序、控制程序等的包括ROM(只读存储器)和/或RAM(随机存取存储器)的存储器；外部地接收/输出信号的接口单元(I/F)等。CPU、存储器和接口单元通过数据总线等彼此连接。

码获取单元11是码获取装置的特定示例。码获取单元11获取N比特码信息(例如，由0和1构成的信息)以将该N比特码信息叠加到以多个区域限定的标记上。码获取单元11将所获取的码信息输出至自相关单元12。

自相关单元12是乘法装置的特定示例。自相关单元12将由码获取单元11获取的码信息的每个比特值分别乘以M序列矩阵。例如，自相关单元12通过使用下面所示的表达式(1)将从码获取单元11输出的码信息的每个比特值分别乘以M序列矩阵。

X＝WS(1)

注意，在上面所示的表达式中，S是从码获取单元11输出的码信息并且是例如0或1。W是M序列的生成器矩阵(最大长度移位寄存器序列)。该生成器矩阵W由例如扩频码(spreadcode)的M序列构成。该M序列具有下述特征：自相关高而互相关低。因此，可以通过将码信息的每个比特值分别乘以M序列矩阵来提高噪声容限，从而提高码信息的每个比特值的自相关。即，通过整个标记图像的特征图案来表示码信息的每个比特值。

在此，由正交的M序列P来表示生成器矩阵W以使码间距离最大化。M序列使用四维本原多项式(primitivepolynomial)(a⁴+a+1)，并且获得{1,-1}的15(＝2⁴-1)个码序列。通过将{-1}用作当i＝16时关于P_*i和P_i*的值来获得正交的M序列。注意，可以通过具有下述特征的任意M序列来形成生成器矩阵W：自相关高而互相关低。自相关单元12将通过上述相乘所获得的相乘结果输出至颜色信息计算单元13。

颜色信息计算单元13是颜色信息计算装置的特定示例。颜色信息计算单元13计算颜色频率信息(颜色信息的示例)，该颜色频率信息被用来通过将由自相关单元12所获得的相乘结果相加对标记的每个区域执行颜色布置。该颜色频率信息是例如表示被预先限定的多个预定颜色之间的比率的信息，所述颜色频率信息用于对标记的每个区域布置所述多个预定颜色中的每个预定颜色。

颜色信息计算单元13通过下述操作来计算例如最终标记的颜色频率信息X：通过使用下面所示的表达式(2)将16维比特中的每个比特的颜色频率信息X_i相加。

[表达式1]

$X={\mathrm{\Σ}}_i^n{X}_i={\mathrm{\Σ}}_i^n{W}_i{S}_i...\left(2\right)$

颜色信息计算单元13将所计算的颜色频率信息X输出至颜色布置单元14。

颜色布置单元14是颜色布置装置的特定示例。颜色布置单元14基于由颜色信息计算单元13所计算的颜色频率信息X对标记的每个区域执行颜色布置。

注意，例如，由于机器人等做出复杂的运动并且从各种距离以及从各种方向观察物品的标记，所以如何观察标记变化很大。因此，需要独立于在其上叠加码信息的标记的位置(即，不管如何取决于方向和比例地观察标记)的码信息。

为了解决上述问题，根据第一示例性实施例的标记具有例如分层(环状的)圆形形状(在下文中被称为“同心圆形状”)。同心圆形状中的每个区域由同心圆边界限定。颜色布置单元14确定同心圆形状的每个区域(每层)中的颜色分量比率(颜色布置)。

注意，圆形形状对旋转和倾斜而言鲁棒。因此，以圆形形状形成标记并且根据表示码信息的颜色频率信息对具有圆形形状的每个区域执行颜色布置。因此，可以提供独立于在其上叠加码信息的标记的位置(即，不管如何取决于方向和比例地观察标记)的码信息。

例如，当从图4(1)中所示的前方观察的同心圆形状(半径：1，尺寸π*1*1)水平倾斜时，该同心圆形状变为图4(2)中所示的同心圆形状(长轴a，短轴b，尺寸π*a*b)。此外，当同心圆形状被旋转45度时，该同心圆形状变为图4(3)中所示的同心圆形状(长轴a，短轴b，尺寸π*a*b)。如上所述，当同心圆形状被倾斜时，正交投影变为椭圆形状，并且该同心圆形状的尺寸比率变为常数倍(在图4(2)和图4(3)所示的示例中，ab倍)。因此，即使标记的同心圆形状被倾斜或被放大/被缩小，标记的每个区域的尺寸也变大/变小常数倍。因此，同心圆形状的颜色分量比率保持不变。

因此，根据第一示例性实施例的标记具有同心圆形状，并且码信息由码信息的每个区域中的颜色分量比率来表示。这使得可以对独立于标记中的标记位置的码信息进行编码。例如，可以表示几乎不受环境光和标记的光谱特性影响的码信息。具体地，当码信息由在波长范围内彼此远离的“红”和“蓝”之间的分量比率来表示时，可以甚至进一步减小散焦模糊的影响。

在同心圆形状中，例如从标记的外侧朝着标记的中心形成四个区域1至4(图4(1))。然而，同心圆形状的布置不限于这样的示例。可以任意确定同心圆形状中形成的区域的数量。此外，同心圆形状可以由纵向线限定。区域1至区域4之间的边界(包括纵向线)可以例如由绿(G)分量形成。

例如，对于区域1至区域3中的每个区域，下述五种状态被限定为预定颜色，所述五种状态包括(R)红分量(R分量不小于阈值R_h并且B分量小于阈值B_h)、(B)蓝分量(R分量小于阈值R_h并且B分量不小于阈值B_h)、(R/B)红分量和蓝分量两者(R分量不小于阈值R_h并且B分量不小于阈值B_h)、(N)红分量和蓝分量都不是(R分量小于阈值R_L并且B分量小于阈值B_L)、以及(I)不确定(除了上述四个状态以外)。对于区域4，包括上述(R)状态、(B)状态、(R/B)状态和(N)状态的四个状态被限定。注意，(I)不确定被限定成：获得区域之间的输出比率的一致性。例如，如下限定上述阈值：R_h＝120、B_h＝117,并且R_L＝B_L＝50。

颜色布置单元14向同心圆形状的每个区域分配从颜色信息计算单元13输出的颜色频率信息X中的每个颜色频率信息。然后，当对标记的每个区域布置预定颜色时，颜色布置单元14将所分配的信息用作预定颜色之间的尺寸比率。例如，颜色布置单元14向具有同心圆形状的区域1至区域4中的每个区域分配从颜色信息计算单元13输出的16维数据的颜色频率信息X。在区域1至区域4中的每个区域中，当(R)、(B)、(R/B)、(N)和(I)被分配(或被布置)时，16维颜色频率信息X表示(R)、(B)、(R/B)、(N)和(I)之间的分配比率(或布置比率)。

例如，颜色布置单元14向区域1分配第1维数据至第4维数据，向区域2分配第5维数据至第8维数据，向区域3分配第9维数据至第12维数据，以及向区域4分配第13维数据至第16维数据。注意，用于为每个区域分配颜色频率信息的方法不限于上述方法。

在下文中说明了用于对区域3执行颜色布置的方法。此处，第9维数据至第13维数据被表示如下：(第9维数据)：(第10维数据)：(第11维数据)：(第12维数据)：(第13维数据)＝a:b:c:d:e。区域3中像素的总数由“P3”表示。在这种情况下，分发给区域3的(R)像素的数量被表示为“P3*a/(a+b+c+d+e)”。(B)像素的数量被表示为“P3*b/(a+b+c+d+e)”。(R/B)像素的数量被表示为“P3*c/(a+b+c+d+e)”。(N)像素的数量被表示为“P3*d/(a+b+c+d+e)”。此外，(I)像素的数量被表示为“P3*e/(a+b+c+d+e)”。

对于区域4，第13维数据至第16维数据被表示如下：(第13维数据)：(第14维数据)：(第15维数据)：(第16维数据)＝f:g:h:i。区域3中像素的总数由“P4”表示。在这种情况下，分发给区域4的(R)像素的数量被表示为“P4*f/(f+g+h+i)”。(B)像素的数量被表示为“P4*g/(f+g+h+i)”。(R/B)像素的数量被表示为“P4*h/(f+g+h+i)”。(N)像素的数量被表示为“P4*i/(f+g+h+i)”。

注意，如上所述，仅(第13维数据)用于区域3和区域4两者。类似地，第5维数据用于区域1和区域2两者，第9维数据用于区域2和区域3两者。这样，区域1至区域4中像素的数量之间的差可以被吸收，因此即使当在整个16维数据中对区域1至区域4中的每个区域中的分配比率进行观察时也能够获得一致性。图5是示出了当基于16维颜色频率信息X在区域1至区域4中的每个区域中分发(R)、(B)、(R/B)、(N)和(I)时(R)、(B)、(R/B)、(N)和(I)的颜色频率比率(像素数比率)的颜色直方图。例如，如图5所示，第5维数据用于区域1和区域2两者。此外，限定使得区域1中的(I)的颜色频率比率等于区域2中的(R)的颜色频率比率。

最后，颜色布置单元14根据上述针对区域1至区域4中的每个区域设置的(R)、(B)、(R/B)、(N)和(I)的像素的数量来生成标记。

图6是示出了根据第一示例性实施例的标记生成方法的流程图。标记生成设备10的码获取单元11获取N比特码信息，并且将所获取的码信息输出至自相关单元12(步骤S101)。自相关单元12通过使用上面所示的表达式(1)将从码获取单元11输出的码信息的每个比特值分别乘以M序列矩阵，并且将通过相乘获得的相乘结果输出至颜色信息计算单元13(步骤S102)。

颜色信息计算单元13使用上面所示的表达式(2)通过将从自相关单元12输出的相乘结果(颜色频率信息X_i)相加来计算最终标记的颜色频率信息X，并且将所计算的颜色频率信息X输出至颜色布置单元14(步骤S103)。颜色布置单元14基于由颜色信息计算单元13所计算的颜色频率信息对标记的每个圆形区域执行颜色布置(步骤S104)。

如上所述，在第一示例性实施例中：获取N比特码信息；将码信息的每个比特值分别与M序列矩阵相乘；将相乘结果(颜色频率信息)相加；计算标记的颜色频率信息X；以及基于所计算的颜色频率信息对标记的每个圆形区域执行颜色布置。这样，通过使用标记图像的整个区域来表示码信息的每个比特，因此使得可以减小由于噪声如散焦模糊而导致的码信息的准确度的降低。因此，可以以高准确度识别标记的码信息。

图7是示出了根据第一示例性实施例的标记识别设备的一般系统配置的框图。根据第一示例性实施例的标记识别设备20对在由上述标记生成设备10生成的标记中包括的码信息进行识别。

根据第一示例性实施例的标记识别设备20包括获取标记的图像(标记图像)的图像获取单元21、对标记图像的每个区域进行识别的区域识别单元22、计算颜色频率信息的颜色信息计算单元23、以及计算标记的码信息的码信息计算单元24。

图像获取单元21是图像获取装置的特定示例。图像获取单元21通过使用相机211对标记进行拍照并且获取其标记图像。图像获取单元21将所获取的标记图像输出至区域识别单元22。

区域识别单元22是识别装置的特定示例。区域识别单元22对从图像获取单元21输出的标记图像的每个区域进行识别。例如，区域识别单元22基于从图像获取单元21输出的标记图像对具有同心圆形状的区域1至区域4之间的边界进行检测，从而对区域1至区域4进行识别。区域识别单元22将所识别的每个区域的识别结果输出至颜色信息计算单元23。

颜色信息计算单元23是颜色信息计算装置的特定示例。颜色信息计算单元23基于从区域识别单元22输出的每个区域的识别结果来计算颜色频率信息(颜色信息)X。

例如，颜色信息计算单元23对表示区域1至区域4中的每个区域中的(R)、(B)、(R/B)、(N)和(I)的分量比率(如像素数比率)的16维数据X1至X16进行计算。接下来，颜色信息计算单元23计算下述X'1至X'16(颜色频率信息)，已经针对所述X'1至X'16对区域1至区域4之间的分量比率做出了调整。注意，区域1至区域4的尺寸彼此不同。因此，例如，颜色信息计算单元23计算其相应的调整值B21(区域1和区域2之间的调整)、B32(区域2和区域3之间的调整)以及B43(区域3和区域4之间的调整)。然后，颜色信息计算单元23基于这些调整值B21、B32、B43来计算X'1至X'16。例如，第13维数据与区域3中的(I)相对应并且与区域4中的(R)相对应。可以通过表达式“B43＝(P3-(X9+X10+X11+X12))/X13”来计算调整值B43。同时，如果相对应的第13维数据的值为0，则没有颜色。因此，不能做出上述关联。在这样的情况下，通过使用颜色频率信息的数量和尺寸比率，根据表达式“B43＝P3/(X13+X14+X15+X16)”来计算调整值B43。可以以与计算上述调整值B43的方式类似的方式来计算调整值B21和B32。

颜色信息计算单元23通过使用下面所示的表达式基于16维数据X1至X16以及上述所计算的调整值B21、B32、B43来计算16维数据X'1至X'16(颜色频率信息X)中的每个数据。

X'16＝X16，X'15＝X15，X'14＝X14，X'13＝X13，X'12＝X12*(1/B43)，X'11＝X11*(1/B43)，X'10＝X10*(1/B43)，X'9＝X9*(1/B43)，X'8＝X8*(1/(B43*B32))，X'7＝X7*(1/(B43*B32))，X'6＝X6*(1/(B43*B32))，X'5＝X5*(1/(B43*B32))，X'4＝X4*(1/(B43*B32*B21))，X'3＝X3*(1/(B43*B32*B21))，X'2＝X2*(1/(B43*B32*B21))，X'1＝X1*(1/(B43*B32*B21))

颜色信息计算单元23将上述所计算的颜色频率信息X输出至码信息计算单元24。

码信息计算单元24是颜色信息计算装置的特定示例。码信息计算单元24通过将从颜色信息计算单元23输出的颜色频率信息X乘以M序列矩阵的转置矩阵(检测矩阵)W^T来计算标记的码信息S。例如，码信息计算单元24通过使用下面所示的表达式(3)基于从颜色信息计算单元23输出的颜色频率信息X来计算标记的码信息S。

S＝W^TX(3)

在此，如果S_i(S的第i维值)等于或大于阈值，则将第i比特设置成1。否则，将第i比特设置成0。这样，可以表示n比特码信息(例如，16比特码信息)。

图8是示出了根据第一示例性实施例的标记识别方法的流程图。标记识别设备20的图像获取单元21通过使用相机211来拍摄标记，获取其标记图像，并且将所获取的标记图像输出至区域识别单元22(步骤S201)。区域识别单元22对从图像获取单元21输出的标记图像的每个区域进行识别，并且将识别结果输出至颜色信息计算单元23(步骤S202)。

颜色信息计算单元23基于从区域识别单元22输出的每个区域的识别结果来计算颜色频率信息X，并且将所计算的颜色频率信息X输出至码信息计算单元24(步骤S203)。码信息计算单元24通过使用上面所示的表达式(3)基于从颜色信息计算单元23输出的颜色频率信息X来计算标记的码信息S(步骤S204)。

接下来，对上述标记识别设备是否能够识别由上述标记生成设备生成的标记的码信息进行评估。图9示出了每个与码信息的相应的比特相对应的颜色频率信息X_i的值以及它们的标记图像。注意，每个颜色频率信息X_i自身是M序列(图9中的上部)。

图10示出了一系列处理的结果，在该系列处理中：读取标记图像；从颜色频率信息提取中间代码；以及由标记识别设备识别码信息。如图10所示，可以理解，在每个数据中正确设置相对应的比特(设置成1)。

图11A示出了当偶数比特即第2比特、第4比特、第6比特、第8比特、第10比特、第12比特和第14比特的值被设置成1时的结果的曲线图。注意，在图11A至图11C中的每个图中，左边的图示出了颜色频率信息X，右边的图示出了相关值输出结果S(＝W^TX)。如图11A的右边的图所示，可以确定正确地设置了上述偶数比特并且可以表示码信息。即，可以确定一个比特由整个标记图像表示并且码信息可以被嵌入在标记中。

接下来，进行用于检查对噪声容限的实验。图11(B)和图11(C)示出了当在标记图像中添加白噪声时的识别结果。在该实验中，针对误差，生成均匀随机数。在图11(B)中，误差随着RGB值变化±10.24，而在图11(C)中，误差随着RGB值变化±25.6。因此，在图11(B)的情况下，正确地设置了上述偶数比特。即，可以确定标记识别设备20可以正确地识别码信息。

第二示例性实施例

除了上述配置以外，根据本发明的第二示例性实施例的标记识别设备30还包括学习部25，该学习部25通过使用包括噪声的标记图像根据ICA(独立分量分析)学习M序列矩阵的转置矩阵W^T(在下文中称为“检测矩阵W”)(图12)。学习部25是学习装置的特定示例。学习部25通过对标记图像进行旋转或者将高斯函数(σ)叠加到标记图像上来生成例如包括噪声的多个(散焦)标记图像。

取决于到标记的距离和/或标记的位置，在标记图像中可能发生散焦模糊。为了解决此问题，根据第二示例性实施例的标记识别设备30通过使用散焦标记图像根据ICA来学习检测矩阵W。这可以通过检测矩阵W提高检测准确度。

ICA仅自动提取独立于输入数据的分量。例如，通过将超高斯分布用作ICA的概率密度函数集，可以以下述这样的方式来学习检测矩阵W，该方式使得输出数据的一个值变得较高，而其他值变得较低。

在第二示例性实施例中，每个比特值由整个标记图像的特征图案来表示。然后，通过ICA学习整个标记图像的特征图案。这使得即使当输入数据包括噪声时也可以生成检测矩阵W(映射)，使得仅相对应的码输出值。例如，如图13所示，即使当输入数据包括噪声(缺陷像素等)时，在检测矩阵W中，当输入数据的分量的数量等于或大于某个数量时，相对应的比特((B)和(C))的值被输出为高值，非相对应的比特(A)的值被输出为低值。如上所述，学习部25生成对噪声图像鲁棒的检测矩阵W。

注意，可以通过使用其他学习装置(例如SVM和神经网络)生成线性或非线性检测矩阵(映射)。然而，所述其他学习装置的检测矩阵不是下述检测矩阵：在每个比特被叠加的状态(与相应的比特相对应的特征被混合的状态)下执行分离。与此相比，根据第二示例性实施例，每个比特值由整个标记图像的特征图案来表示。这使得能够通过ICA学习检测矩阵。此外，在第二示例性实施例中，对检测矩阵使用ICA使得能够检测存在/不存在与每个比特相对应的特征图案的分量。这是因为与每个比特相对应的特征图案的分量作为独立分量被学习。因此，即使在每个比特被叠加的状态下，也可以检测存在/不存在与每个比特相对应的特征图案的分量。

接下来，参照图14详细说明用于通过ICA学习检测矩阵的方法。学习部25通过例如将由图像获取单元21所获取的标记图像沿翻滚方向、俯仰方向和偏航方向(1)(注意，可以省略沿偏航方向的旋转)进行旋转来生成一组散焦标记图像(3)。替代地，学习部25通过将高斯函数叠加到由图像获取单元21(2)所获取的每个标记图像上来生成一组散焦标记图像(3)。注意，学习部25可以通过旋转标记图像(1)并且然后将高斯函数叠加到每个经旋转的标记图像(2)上来生成一组散焦标记图像(3)。此外，学习部25可以通过执行下采样来生成一组分辨率模糊图像。然后，学习部25通过使用该组散焦图像(或者该组分辨率模糊图像)(4)根据如下所示的ICA来学习检测矩阵W。在下面的说明中，P表示加权矩阵的初始值。

学习部25假定S的概率密度函数是超高斯分布并且通过自然梯度法执行ICA，使得将互信息量最小化。

ICA的更新公式由下面所示的表达式(4)至表达式(6)给出。在表达式中，ε是0.1，I表示单位矩阵。

[表达式2]

B←B+∈ΔB…(4)

码信息计算单元24通过下述操作计算码信息S：通过使用下面所示的表达式(7)将从颜色信息计算单元23输出的颜色频率信息X乘以由学习部25学习的检测矩阵B^T。注意，颜色信息计算单元23通过使用下面所示的表达式(8)来计算颜色频率信息X。

[表达式3]

S＝B^TX…(7)

$X={\mathrm{\Σ}}_i^n{X}_i={\mathrm{\Σ}}_i^n{B}_i{S}_i...\left(8\right)$

注意，在根据第二示例性实施例的标记识别设备30中，将与用于根据上述第一示例性实施例的标记识别设备20的符号相同的符号分配给与标记识别设备20的部件/结构相同的部件/结构。

接下来，进行用于评估对散焦模糊的鲁棒性的实验以检验通过使用ICA的上述模糊学习效果。通过使用一组散焦标记图像(旋转和模糊)来学习每个比特的中间码图案(颜色频率信息X)。对于每个比特，将下面所示的900个标记图像创建为学习数据。通过使用所有16比特的总计14400个类型的标记图像来进行学习。在该实验中，用于学习的迭代次数是10000。图15示出了通过使用散焦模糊图像组获得的学习结果。在图15中，上部分示出了学习之后的矩阵B(在下文中被表达为“学习后矩阵B”)，而下部分示出了与相应比特对应的码识别结果(码信息计算单元24的输出)。

如图15的上部分中所示，虽然保持在图9的上部分中所示的M序列矩阵的形式，但是学习后矩阵B通过学习被变形。如图15的下部分中所示，可以确定：通过使用学习后矩阵B，可以正确地识别每个比特。

接下来，通过使用下面所示的输入图像图案来检查散焦模糊学习的效果。

[至ICA的输入图像图案]

翻滚：以5度间隔的0度至20度，5种图案

俯仰：以5度间隔的0度至20度，5种图案

偏航：以30度间隔的0度至360度，12种图案

高斯：三种图案0、1.0和2.0

此处，通过使用偶数比特2、4、6、8、10、12和14同时被设置的标记来检查效果。图16示出了通过使用上述输入图像图案由900个测试数据进行评估而获得的结果。图16的左上图示出了在{不存在散焦模糊，并且不执行ICA学习}的情况下来自码信息计算单元的输出结果，图16的右上图示出了在{不存在散焦模糊，并且执行ICA学习}的情况下的输出结果。如图16的左上图和右上图所示，可以理解，在这两种情况下都正确地识别了比特。

同时，图16的左下图示出了在{存在散焦模糊，并且不执行ICA学习}的情况下来自码信息计算单元的输出结果，而图16的右下图示出了在{存在散焦模糊，并且执行ICA学习}的情况下的输出结果。在左下的情况下，第8比特和第9比特的识别失败。然而，在右下的情况下，已经看到第8比特和第9比特的识别是成功的(图中的虚线)。在不执行ICA学习的情况下，900种类型的测试数据中测试数据被正确地识别了630次。与此相比，ICA学习可以将正确识别提高至748次(成功率增加了13％)。基于上述实验结果，可以理解，通过使用包括噪声的标记图像根据ICA学习检测矩阵提高了对标记码信息的识别的准确度。

注意，本发明不限于上述示例性实施例，并且在不偏离本发明的精神和范围的情况下可以做出各种修改。

例如，虽然在上述示例性实施例中标记识别设备30包括学习部25和通过ICA学习检测矩阵，但是本发明不限于这样的配置。标记生成设备10还可以包括学习单元和通过ICA学习生成器矩阵。可替代地，标记生成设备10在标记识别设备30中可以计算针对其已经执行学习的检测矩阵的转置矩阵并且将转置矩阵用作生成器矩阵。

在上述示例性实施例中，虽然颜色信息计算单元13通过将由自相关单元12获得的相乘结果相加来计算被用来对标记的每个区域执行颜色布置的颜色频率信息(预定颜色之间的比率)，但是本发明不限于这样的配置。颜色信息计算单元13可以通过将由自相关单元12获得的相乘结果相加来计算用于标记的每个区域的颜色布置的预定颜色的亮度信息(每个分量的电平)如红色分量和蓝色分量。颜色布置单元14基于由颜色信息计算单元13所计算的亮度信息对标记的每个区域执行颜色布置。

此外，颜色信息计算单元13可以通过将由自相关单元12获得的相乘结果相加来计算用于标记的每个区域的颜色布置的白色和黑色的二进制信息。颜色布置单元14基于由颜色信息计算单元13计算的二进制信息对标记的每个区域执行颜色布置。

虽然在上述示例性实施例中标记具有圆形形状，但是标记的形状不限于圆形形状。标记可以具有多边形形状如正方形形状，或者具有轴对称形状或点对称形状。

此外，在本发明中，例如，可以通过使CPU执行计算机程序来执行在图6和图8中所示的处理。

程序可以被存储在各种类型的非暂态计算机可读介质中并且从而被提供给计算机。非暂态计算机可读介质包括各种类型的有形存储介质。非暂态计算机可读介质的示例包括磁记录介质(如软盘、磁带和硬盘驱动器)、磁光记录介质(如磁光盘)、CD-ROM(只读存储器)、CD-R、CD-RW、以及半导体存储器(如掩膜ROM、PROM(可编程ROM)、EPROM(可擦除PROM)、闪存ROM和RAM(随机存取存储器))。

此外，可以通过使用各种类型的暂态计算机可读介质将程序提供给计算机。暂态计算机可读介质的示例包括电子信号、光信号和电磁波。可以使用暂态计算机可读介质通过有线通信路径如电线和光纤或者无线通信路径将程序提供给计算机。

因此，根据所描述的本发明，可以以多种方式改变本发明的实施例将是显见的。这样的变型不应被视为偏离本发明的精神和范围，并且如对本领域的技术人员而言显见的，所有这样的修改意在被包括在下面的权利要求的范围内。

Claims (12)

1.一种标记生成设备(10)，包括：

码获取装置(11)，用于获取N比特码信息以将该码信息叠加到以多个区域限定的标记上，其中，N是不小于2的自然数；

乘法装置(12)，用于将由所述码获取装置(11)获取的码信息的每个比特值分别与M序列矩阵相乘；

颜色信息计算装置(13)，用于通过将由所述乘法装置(12)获得的相乘结果相加来计算颜色信息，所述颜色信息用于对所述标记的每个区域执行颜色布置；以及

颜色布置装置(14)，用于基于由所述颜色信息计算装置(13)计算的所述颜色信息对所述标记的每个区域执行颜色布置。

2.根据权利要求1所述的标记生成设备(10)，其中，所述颜色信息是表示多个预定颜色之间的比率的信息，所述颜色信息用于为所述标记的每个区域布置所述多个预定颜色中的每个颜色，所述多个预定颜色预先被限定。

3.根据权利要求2所述的标记生成设备(10)，其中，所述颜色布置装置(14)通过向所述标记的每个区域分别分配由所述颜色信息计算装置(13)计算的颜色信息并且当对所述标记的每个区域布置所述预定颜色时将所分配的信息用作所述预定颜色之间的尺寸比率来执行所述颜色布置。

4.根据权利要求1所述的标记生成设备(10)，其中，所述标记具有同心圆形状，并且所述标记的每个区域由同心圆边界限定。

5.根据权利要求1所述的标记生成设备(10)，还包括学习装置，所述学习装置用于通过使用包括噪声的标记图像根据独立分量分析ICA学习所述M序列矩阵，其中，

所述乘法装置(12)将由所述码获取装置获取的码信息的每个比特值分别与由所述学习装置学习的M序列矩阵相乘。

6.一种标记识别设备(20)，该标记识别设备(20)对由根据权利要求1所述的标记生成设备(10)生成的标记的码信息进行识别。

7.根据权利要求6所述的标记识别设备(20)，包括：

图像获取装置(21)，用于获取所述标记的图像；

识别装置(22)，用于对由图像获取装置(21)获取的所述标记的图像的每个区域进行识别；

颜色信息计算装置(23)，用于基于由所述识别装置(22)识别的每个区域来计算所述颜色信息；以及

码信息计算装置(24)，用于通过将由所述颜色信息计算装置(23)计算的颜色信息与所述M序列矩阵的转置矩阵相乘来计算所述码信息。

8.根据权利要求7所述的标记识别设备，还包括学习装置(25)，所述学习装置(25)用于通过使用包括噪声的标记图像根据独立分量分析ICA来学习所述转置矩阵，其中，

所述码信息计算装置(24)通过将由所述颜色信息计算装置计算的颜色信息与由所述学习装置(25)学习的所述转置矩阵相乘来计算所述码信息。

9.一种标记生成方法，包括：

获取N比特码信息以将该码信息叠加到以多个区域限定的标记上的步骤，其中，N是不小于2的自然数；

将所获取的码信息的每个比特值分别与M序列矩阵相乘的步骤；

通过将由相乘获得的相乘结果相加来计算颜色信息的步骤，所述颜色信息用于对所述标记的每个区域执行颜色布置；以及

基于所计算的颜色信息对所述标记的每个区域执行颜色布置的步骤。

10.一种用于对由根据权利要求9所述的标记生成方法生成的标记的码信息进行识别的标记识别方法。

11.根据权利要求10所述的标记识别方法，包括：

获取所述标记的图像的步骤；

对所获取的标记的图像的每个区域进行识别的步骤；

基于每个所识别的区域计算所述颜色信息的步骤；以及

通过将所计算的颜色信息分别与M序列矩阵的转置矩阵相乘来计算所述码信息的步骤。

12.一种用于使计算机执行以下处理的程序：

获取N比特码信息以将该码信息叠加到以多个区域限定的标记上的处理，其中，N是不小于2的自然数；

将所获取的码信息的每个比特值分别与M序列矩阵相乘的处理；

通过将由相乘获得的相乘结果相加来计算颜色信息的处理，所述颜色信息用于对所述标记的每个区域执行颜色布置；以及

基于所计算的颜色信息对所述标记的每个区域执行颜色布置的处理。