復(fù)雜金屬背景下二維條碼區(qū)域的快速定位

王 偉，何衛(wèi)平，雷 蕾，林清松

復(fù)雜金屬背景下二維條碼區(qū)域的快速定位

王 偉，何衛(wèi)平，雷 蕾，林清松

(西北工業(yè)大學(xué)機(jī)電學(xué)院，西安 710072)

目前二維條碼定位一般使用幾何方法或紋理分析方法，其魯棒性或?qū)崟r性較差，尤其是在金屬材質(zhì)表面．針對傳統(tǒng)二維條碼定位方法的不足，提出了基于機(jī)器學(xué)習(xí)和級聯(lián)過濾器聯(lián)立的方法濾除背景區(qū)域，結(jié)合二維條碼的幾何性質(zhì)檢測候選區(qū)域，然后利用聚類生長法包絡(luò)二維條碼區(qū)域．實(shí)驗(yàn)結(jié)果表明：與傳統(tǒng)算法相比，本文的算法對于各種復(fù)雜金屬背景上的二維條碼定位具有很高的魯棒性與實(shí)時性，利用訓(xùn)練后的級聯(lián)分類器和連通區(qū)域判決器，平均定位準(zhǔn)確率可達(dá)到97%，并且處理時間控制在700,ms以內(nèi)，對金屬零件上二維碼信息的可靠獲取具有重要價(jià)值．

二維條碼；金屬背景；機(jī)器學(xué)習(xí)；級聯(lián)檢測；聚類生長

直接零件標(biāo)識(direct part marking，DPM)技術(shù)是一種可直接在產(chǎn)品的表面形成包括文字、符號或圖案等形式的永久標(biāo)識技術(shù)．由于Data Matrix條碼(簡稱DM碼)編碼容量大、密度高、糾錯能力強(qiáng)，所以多選用DM碼作為產(chǎn)品的二維條碼永久標(biāo)識[1]．本文中DPM生成的二維條碼符號直接標(biāo)記在金屬零件或加工刀具表面，在零件或刀具的全生命周期管理中，二維條碼起著至關(guān)重要的作用，是區(qū)分零件或刀具的唯一標(biāo)識，但由于金屬本身具有紋理性、低對比度背景、易反光及光照不均、可能具有曲面弧度和易受污染等特點(diǎn)，所以與背景簡單的印刷品上二維條碼定位相比，金屬背景上的二維條碼定位要復(fù)雜得多．

目前二維條形碼的定位主要分為硬件輔助定位法與軟件檢測法．其中硬件輔助定位法如日本Cognex Corp出產(chǎn)的手持式Dataman750和封閉式讀碼器MATRIX2000，都是先利用輔助線或定位點(diǎn)預(yù)定位條碼區(qū)域，然后提取條碼數(shù)據(jù)，這樣雖然準(zhǔn)確率較高，但由于加入了人工因素，不可能運(yùn)用于二維條碼自動識讀領(lǐng)域．軟件檢測法主要分為幾何方法定位和紋理分析定位兩類，幾何方法定位是利用二維條碼特有的幾何形態(tài)，采用邊緣提取、幾何檢測等[2-3]數(shù)字圖像分析方法來檢測，優(yōu)點(diǎn)是速度快、精度高，但如果背景過于復(fù)雜，幾何定位將會很容易誤檢．紋理分析定位是基于目標(biāo)區(qū)域和背景區(qū)域紋理的基礎(chǔ)上，利用特定的紋理特征訓(xùn)練出分類器，繼而將二維條碼區(qū)域提取出來[4-6]．優(yōu)點(diǎn)是魯棒性強(qiáng)，缺點(diǎn)是處理速度慢，很難做到實(shí)時應(yīng)用．

針對目前二維條碼檢測算法的缺點(diǎn)，筆者提出基于機(jī)器學(xué)習(xí)與級聯(lián)過濾器聯(lián)立方法來檢測定位二維條形碼區(qū)域．機(jī)器學(xué)習(xí)包括目標(biāo)子窗口學(xué)習(xí)和背景子窗口學(xué)習(xí)兩類；級聯(lián)過濾器由粗到精地利用機(jī)器學(xué)習(xí)的結(jié)果逐級過濾背景子窗口，并結(jié)合目標(biāo)連通區(qū)域的幾何性質(zhì)進(jìn)行判決，在每級過濾后檢測是否出現(xiàn)潛在的目標(biāo)區(qū)域，以此加快檢測速度．可做到背景簡單質(zhì)量好的二維條碼圖像過濾級數(shù)少，速度快；背景復(fù)雜質(zhì)量差的二維條碼圖像過濾級數(shù)多，檢測細(xì)致．最后利用圓形聚類生長確定條碼區(qū)域．

1 級聯(lián)紋理特征分類器

不同的金屬零件具有不同的背景紋理，如圖1所示是幾種常見的干擾背景．由于污染或紋理干擾嚴(yán)重，通過幾何定位法無法定位到碼區(qū)，所以采用紋理描述的方式區(qū)分背景與目標(biāo)碼區(qū)．

圖1 金屬零件上的DM碼Fig1 Data matrix on metal parts

二維條碼在圖像中的位置與大小是未知的，對于大小與位置未知的目標(biāo)檢測，Viola等[7]提出使用的窗口滑動法，F(xiàn)ritz等[8]提出了一種基于興趣點(diǎn)的物體檢測方法，但這些方法都面臨著巨大的計(jì)算量．本文中沒用采用傳統(tǒng)的目標(biāo)檢測法，而通過預(yù)劃分原圖像為若干子窗口，采用經(jīng)過學(xué)習(xí)過的紋理特征分類器逐級過濾背景區(qū)域，并逐漸集中到目標(biāo)區(qū)域，從而降低計(jì)算復(fù)雜度．

由于二維條碼在圖像中旋轉(zhuǎn)角度是不定的，還存在自然光下光照條件不同，所以選取的紋理分類特征應(yīng)首先滿足大小、旋轉(zhuǎn)與光照無關(guān)，針對傳統(tǒng)的灰度直方圖特征與邊緣直方圖特征進(jìn)行改進(jìn)，既保留了這兩個特征的低計(jì)算復(fù)雜度，又滿足了這3個無關(guān)性．由于局部二值特征本身就是大小、旋轉(zhuǎn)與光照無關(guān)的，同時具有較高的描述精度與較低的計(jì)算復(fù)雜度，所以采納為其中的一級特征．一般認(rèn)為級聯(lián)分類器是由粗到精地定位到目標(biāo)區(qū)域[9]，為了達(dá)到較快的處理速度，按計(jì)算復(fù)雜度與描述精度從低到高特征排序：灰度直方圖特征→局部二值特征→邊緣直方圖特征，順序依次過濾背景子模塊．

將整幅圖像平均劃分成p×q個子窗口，每個子窗口記為Gi,j(i=0,1,…,p-1;j=0,1,…,q -1)；然后級聯(lián)分析每個子窗口的灰度直方圖、局部二值特征和邊緣方向直方圖3個特征．

1.1 灰度直方圖特征

在紋理特征中，灰度直方圖特征是一個相對較簡單的特征．它只能描述灰度的整體分布，無法描述像素之間的關(guān)聯(lián)，所以描述的精確度較低．但它是大小無關(guān)且旋轉(zhuǎn)無關(guān)的，并且算法簡單速度快，所以選取它作為第1級判決算子．但是傳統(tǒng)的灰度直方圖特征是光照相關(guān)的，同時由韋伯-費(fèi)可納法則可知通常情況下，人眼對灰度級的分辨約為十幾到幾十個灰度級[10]，所以模仿人眼降低圖像分辨率，利用16灰度級統(tǒng)一化各子窗口的灰度值分布范圍，從而做到光照無關(guān)，簡化計(jì)算．算法為

式中maxpi,j和minpi,j分別為子窗口Gi,j中的最大和最小像素值，判斷maxpi,j-min pi,j是否小于16，若小于16則認(rèn)為該子窗口過于平滑，將其置為背景區(qū)域，否則將該子窗口置為16區(qū)間{Areai}1i5=0，即

將,ijG中的像素值根據(jù)其所處的區(qū)間重置為

重置完后，由于每個子窗口的灰度值分布范圍都為(0，15)，并且每個子窗口都屬于小區(qū)域范圍，理論上小區(qū)域范圍光照近似是均衡的，所以可認(rèn)為重置后的整體圖像光照無關(guān)．統(tǒng)計(jì)重置之后的各子窗口灰度直方圖，記為{Pi}1i=50．采用灰度直方圖的均值μ、方差σ2、偏度S和熵E作為直方圖的統(tǒng)計(jì)特征，實(shí)驗(yàn)表明，這4個特征能夠很好地表現(xiàn)出直方圖的分布特點(diǎn)，對于待判決子窗口Gi,j，改進(jìn)的直方圖特征用特征向量Histi,j表示為

1.2 局部二值模式特征

局部二值模式特征是Ojala等[11]提出的，該特征計(jì)算復(fù)雜度低、描述能力強(qiáng)、不受圖片明暗程度的影響，也不受旋轉(zhuǎn)的影響，并且此特征主要描述小區(qū)域內(nèi)像素與像素之間的關(guān)聯(lián)，所以本文中選取局部二模式特征作為第2級級聯(lián)．圖2是一個像素的3 3×鄰域關(guān)系示意．中心像素與其8鄰域像素的關(guān)系可以用聯(lián)合分布來表示，即

由于只保留了正負(fù)號，所以該特征是灰度無關(guān)的．

圖2 3×3鄰域Fig.2 3×3 neighborhood of pixel

將聯(lián)合分布唯一地對應(yīng)一個數(shù)字，即

可以看出，LBP8共有28個取值，這么多的取值多是由于旋轉(zhuǎn)差異造成的，為了達(dá)到旋轉(zhuǎn)無關(guān)，需要對僅存在旋轉(zhuǎn)差異的分布進(jìn)行旋轉(zhuǎn)歸一化，即

式中ROR(LBP8,i)算子是將LBP8順時針旋轉(zhuǎn)i個單位．

旋轉(zhuǎn)歸一化后，LBP8ri減少為36個值，為進(jìn)一步減少特征的取值范圍，提高特征的泛化能力，將某些分布?xì)w成一類，即

其中

這樣就將該特征的取值范圍限制為(0,9)．然后統(tǒng)計(jì)每個候選目標(biāo)子窗口,ijG的局部二值模式特征，得到局部二值模式特征的直方圖,LPij，即

式中：LBP8riu2[i]代表子窗口Gi,j中LBP8riu2=i的像素的數(shù)量；sizeof( Gi,j)代表Gi,j中像素的總數(shù)量．

1.3 邊緣梯度方向直方圖判決

灰度直方圖和局部二值模式都是對圖像灰度值紋理分布的一種描述，而事實(shí)上對于二維條碼圖像來說，邊緣信息是更重要的一種紋理，因?yàn)镈M碼區(qū)域就是由相互垂直的邊緣組成，所以選取邊緣直方圖作為最后一級判決．由于邊緣梯度方向直方圖具有光照變化不敏感性、大小尺度無關(guān)性及具有較高的描述能力，已被廣泛地用到人臉識別[12]、手勢識別[13]及車牌識別中．但傳統(tǒng)的邊緣直方圖對角度旋轉(zhuǎn)是敏感的，結(jié)合DM碼的特征，對邊緣直方圖進(jìn)行位移統(tǒng)一化，從而做到了邊緣直方圖旋轉(zhuǎn)無關(guān)化．

(1) 為了準(zhǔn)確地定位邊緣，排除空白區(qū)域，先用BOM算法求取原圖像的灰度邊緣，即

式中：A是原圖像；1A是灰度邊緣圖像；⊕為灰度膨脹；Θ為灰度腐蝕；g為結(jié)構(gòu)元素．(2) 定義邊緣強(qiáng)度函數(shù)(,)g x y為

式中g(shù)x(x,y)和gy(x,y)分別是x和y方向上的梯度．

定義邊緣方向函數(shù)為

候選目標(biāo)子窗口,ijG的方向區(qū)間累計(jì)梯度強(qiáng)度函數(shù)定義為

為了減少計(jì)算復(fù)雜度，將梯度方向區(qū)間減少為16個，即t∈[0,15]，代表16個區(qū)間，實(shí)際表明對于邊緣方向較集中的DM碼，16個區(qū)間已足夠精確描述；δ (θ(x, y)-t )函數(shù)定義為

(3) 根據(jù)主方向平移而達(dá)到無關(guān)化原邊緣直方圖．DM碼的邊緣是由兩個相互垂直的主方向組成，所以主方向應(yīng)當(dāng)是16方向區(qū)間中最大的那一個區(qū)間，通過相鄰3區(qū)間加權(quán)求出主方向區(qū)間，即

式中%為取余運(yùn)算，由于區(qū)間0的前一區(qū)間為區(qū)間15，區(qū)間15的后一區(qū)間為區(qū)間0，所以區(qū)間t的前一區(qū)間與后一區(qū)間分別用(t+15)%16與(t+17)%16表示．

(4) 將網(wǎng)格的16區(qū)間邊緣梯度平移至將最大邊緣方向區(qū)間處于第5個區(qū)間，并歸一化．這樣就做到了旋轉(zhuǎn)無關(guān)化，并得到新的16區(qū)間邊緣梯度直方圖．對于待判決子窗口Gi,j，旋轉(zhuǎn)無關(guān)化的16區(qū)間邊緣直方圖特征向量為

1.4 基于SVM機(jī)器學(xué)習(xí)訓(xùn)練特征分類器

3個紋理特征分類事實(shí)上都是二類分類問題，即將劃分網(wǎng)格判決為目標(biāo)區(qū)域和背景區(qū)域，所以可以通過智能機(jī)器學(xué)習(xí)的方法訓(xùn)練3個特征分類器．目前基于智能學(xué)習(xí)的方法通常包含人工神經(jīng)網(wǎng)絡(luò)、模糊推理及支持向量機(jī)(SVM)等．由于輸入紋理特征數(shù)量龐大，如果選擇神經(jīng)網(wǎng)絡(luò)將需要大量的神經(jīng)元和權(quán)值，同時由于樣本采集不易，所選的各種復(fù)雜金屬背景及二維條碼樣本圖像數(shù)量有限，因此有必要選取一種支持小樣本理論并解決高維數(shù)風(fēng)險(xiǎn)的智能學(xué)習(xí)算法．SVM是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法，它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，較好地解決了小樣本、非線性、高維數(shù)及局部極小點(diǎn)等實(shí)際問題，克服了人工神經(jīng)網(wǎng)絡(luò)易陷入局部極小點(diǎn)的缺點(diǎn)，因此采用SVM作為分類工具．

從m幅含有生銹腐蝕背景、高反光背景、金屬紋理干擾背景與磨損劃痕背景的訓(xùn)練圖像中選取n/2個屬于背景區(qū)域網(wǎng)格及n/2個屬于二維條碼區(qū)域的網(wǎng)格，并求取它們3個級聯(lián)紋理特征，得到灰度直方圖特征集合、局部二值模式特征集合和邊緣直方圖特征集合．這里以為例說明SVM對分類器訓(xùn)練的實(shí)現(xiàn)．

式中：K (Histi,Histj)=φ(Histi)·φ(Histj)是核函數(shù)；nsv是支持向量的個數(shù)，對于非線性支持向量機(jī)，常用的核函數(shù)有多項(xiàng)式核、高斯徑向基函數(shù)、多層感知器等．本文采用的是高斯徑向基函數(shù)，即

利用SVM把輸入圖像分為背景類網(wǎng)格與目標(biāo)類網(wǎng)格，解出的支持向量也有兩類：背景類支持向量和目標(biāo)類支持向量．因此具有適合于小樣本的特點(diǎn)，利用有限的樣本，就可以得到性能優(yōu)良的分類器．

2 通判決DM碼連通區(qū)域

上述的3個級聯(lián)判決器都是對單個子窗口進(jìn)行判決的，如果在某級判決后，出現(xiàn)了一個可認(rèn)為是目標(biāo)區(qū)域的性質(zhì)良好的連通區(qū)域，但只是因?yàn)槲赐ㄟ^所有的級聯(lián)檢測而將其作為待定區(qū)域，這樣做會有兩個弊端：①增加運(yùn)算成本，增加算法運(yùn)算時間；②可能破壞存在的優(yōu)良的目標(biāo)連通區(qū)域，因?yàn)楹罄m(xù)級聯(lián)算法很有可能將其中的目標(biāo)區(qū)域子窗口判決為背景區(qū)域.

基于上述問題，在每一級判決后都會檢測存在的子窗口連通域，根據(jù)DM碼的幾何性質(zhì)判斷是否為候選DM碼區(qū)域．與前面所述紋理特征判決結(jié)合，可以做到既具有幾何分析法的精確又兼?zhèn)浼y理分析法的魯棒．為此創(chuàng)造性地提出了3個判斷子窗口連通域的幾何性質(zhì)：類圓度、邊緣方向直方圖雙峰度和主方向?qū)Ρ龋鼈?個之間的關(guān)系如圖3所示．

圖3 分類器檢測目標(biāo)連通域Fig.3 Process of locating DM code

若某個連通域?yàn)榭赡艿哪繕?biāo)區(qū)域，則首先需要保證其優(yōu)良的幾何性質(zhì)．DM碼在圖像中呈現(xiàn)的是正方形區(qū)域，由于存在各種旋轉(zhuǎn)角度，所以不能直接以正方形幾何性質(zhì)判定．代替以類圓度進(jìn)行幾何性質(zhì)判決，即連通域以小于某個閾值的類圓形式聚集，就可判定其為潛在目標(biāo)區(qū)域而進(jìn)行后續(xù)判決．首先設(shè)圖像內(nèi)存在連通域R，包含n個子窗口，首先求取連通域的質(zhì)心(x', y')，其中x'=∑x/ n，y'= ∑y/ n且(x, y)∈R．類圓度就是指連通域的形狀和圓形的相似程度，在幾何上表示為圓心(質(zhì)心)到邊緣的距離的差異程度，其中標(biāo)準(zhǔn)圓差異為0，距離等于圓的半徑．差異越大表明連通域聚集度越差、形狀越不規(guī)則，或過長或過扁．

設(shè)連通域R的邊緣為R，求取質(zhì)心到R的最短和最長距離，即

并得到邊緣到質(zhì)心的距離集合

然后設(shè)圓半徑為r，計(jì)算邊緣點(diǎn)到圓周上距離的平均誤差最小值

設(shè)對應(yīng)的圓半徑為rbest，并將此圓記為最佳包絡(luò)圓，記為Cbest．判斷類圓度誤差與半徑之比是否小于某個閾值：eR=Ebest/rbest＜T1．若小于則判定為類圓的連通域，否則判定為待檢測區(qū)域．

2.2 邊緣直方圖雙峰特征

在通過連通區(qū)域幾何性質(zhì)判定后，需要更嚴(yán)格和精確地判決以證明該連通區(qū)域是目標(biāo)連通域．根據(jù)DM碼的性質(zhì)，最明顯的特征就是其由相互垂直的直線邊緣組成，所以理論上DM碼區(qū)域的邊緣直方圖應(yīng)該呈現(xiàn)一種“雙峰”的形態(tài)．利用峰度計(jì)算刻畫這對雙峰．同第1.3節(jié)中算法一樣，首先求取連通域中每個子窗口的邊緣梯度方向直方圖H(i,j)(t)，然后計(jì)算連通域R的整體邊緣直方圖為

根據(jù)HR(t)的主方向旋轉(zhuǎn)平移邊緣方向直方圖，使主方向處于第5個區(qū)間，并歸一化，得到HR(t)．理論上兩個主方向的夾角近似于90°，即另一主方向應(yīng)處在第13個區(qū)間附近，簡化的雙峰平均峰度值為

式中設(shè)gR＞T2為可能的目標(biāo)區(qū)域．

黨派分布方面（表1），125篇優(yōu)質(zhì)推文中，中國民主同盟發(fā)布最多，共40篇，占32%；其次是中國民主建國會26篇，占20.8%，中國農(nóng)工民主黨20篇，占16%，中國民主促進(jìn)會15篇，占12%，中國國民黨革命委員會10篇，占8%，中國致公黨8篇，占6.4%，九三學(xué)社6篇，占4.8%；臺灣民主自治同盟沒有優(yōu)質(zhì)推文進(jìn)入榜單。

2.3 主方向?qū)Ρ?/p>

單憑一個峰度特征無法判定連通區(qū)域是否為目標(biāo)區(qū)域，因?yàn)橛械奈廴緟^(qū)域可能會有一定的方向性，例如圖1(c)，由于存在條紋狀紋理污染，所以背景區(qū)域邊緣直方圖的峰度值也會很大．所以又引入主方向?qū)Ρ忍卣鳎鶕?jù)DM碼有兩個相互垂直的主方向，并且強(qiáng)度相當(dāng)，如果兩個主方向?qū)Ρ仍谀硞€范圍之內(nèi)則有可能是目標(biāo)區(qū)域，主方向?qū)Ρ葹?/p>

設(shè)T3＜cR＜T4時，為可能的目標(biāo)區(qū)域．

2.4 聚類生長

假如連通域R通過了類圓度判決、邊緣直方圖雙峰特征判決與直方圖對比判決，就確定其為候選DM碼區(qū)域．由于判決比較嚴(yán)格，連通域R很有可能只占整個DM碼的一部分，所以通過8個方向圓形聚類生長法確定整個DM碼區(qū)域，算法如下．

(1) 根據(jù)第2.1節(jié)中確定的連通域R的最佳包絡(luò)圓Cbest，以子窗口的1/4寬度為單位，分別以方向集的8個方向生長．

(2) 設(shè)θ方向生長后的包絡(luò)圓為Cθ'，計(jì)算區(qū)域Cbest與Cθ'-Cbest的16區(qū)間邊緣梯度方向直方圖，并求取歐式距離，即

(3) Dθ'=min{Dθ}所對應(yīng)的生長方向θ'設(shè)為最佳生長方向．如果區(qū)域Cθ'-Cbest的邊緣方向主方向與區(qū)域Cbest的邊緣方向主方向差異小于或等于1個區(qū)間，并且此區(qū)域的雙峰平均峰度值gCθ'-Cbest＞T2，主方向?qū)Ρ萒3＜cCθ'-Cbest＜T4，則向方向θ'做一個單位的圓生長，否則停止生長．

(4) 重復(fù)生長，直到不滿足生長條件停止生長為止．至此所包絡(luò)的區(qū)域認(rèn)為是DM碼區(qū)域．

3 實(shí)驗(yàn)結(jié)果

選取80幅含有DM碼、大小為640× 480像素圖像，分別包括生銹腐蝕金屬背景、高光金屬背景、磨損金屬背景與紋理干擾金屬背景等．在Visual Studio 2005軟件平臺，內(nèi)存1,G、CPU 3.0,GHz硬件平臺下進(jìn)行實(shí)驗(yàn)驗(yàn)證．將圖像劃分為25× 25個子窗口，對這80幅圖像進(jìn)行大量實(shí)驗(yàn)，取得類圓度、雙峰特征與主方向?qū)Ρ鹊穆?lián)合經(jīng)驗(yàn)閾值，eR＜0.24、gR＞0.75與0.56＜cR＜1.8時，實(shí)驗(yàn)在此聯(lián)合閾值下樣本的正確率可達(dá)到95%以上．圖4～圖7為典型復(fù)雜金屬背景上DM碼采用本文算法定位過程及結(jié)果．

圖4 生銹腐蝕金屬背景上DM碼定位例圖Fig.4 Examples of DM code location under rusty metal background

3.1 生銹腐蝕金屬背景上DM碼定位實(shí)例

聚類生長結(jié)果如圖4(e)所示，處理時間為576,ms．由于生銹腐蝕背景較為復(fù)雜，本實(shí)例通過3步級聯(lián)判決才最終定位到DM碼區(qū)域．各級聯(lián)連通域判決數(shù)據(jù)如表1所示．

表1 實(shí)例1各級聯(lián)連通域判決數(shù)據(jù)Tab.1 Connect region data of each layer for example 1

3.2 高光金屬背景上DM碼定位實(shí)例

聚類生長結(jié)果如圖5(d)所示，處理時間為306,ms，各級聯(lián)連通域判決數(shù)據(jù)如表2所示．

圖5 高光金屬背景上DM碼定位例圖Fig.5 Examples of DM code location under high light metal background

表2 實(shí)例2各級聯(lián)連通域判決數(shù)據(jù)Tab.2 Connect region data of each layer for example 2

3.3 磨損劃痕金屬上DM碼定位實(shí)例

聚類生長結(jié)果如圖6(d)所示，處理時間為290,ms，各級聯(lián)連通域判決數(shù)據(jù)如表3所示．

圖6 磨損劃痕金屬背景上的DM碼定位例圖Fig.6 Examples of DM code location under scratch interference metal background

表3 實(shí)例3各級連聯(lián)通域判決數(shù)據(jù)Tab.3 Connect region data of each layer for example 3

3.4 紋理干擾金屬上DM碼定位實(shí)例

聚類生長結(jié)果如圖7(d)所示，處理時間為296,ms，各級聯(lián)連通域判決數(shù)據(jù)如表4所示．

圖7 金屬紋理干擾背景上的DM碼定位例圖Fig.7 Examples of DM code location under strong metallic texture interference background

上述4個實(shí)例由于各種污染，或是條碼邊界被遮蓋、磨損掉，或是各種復(fù)雜背景干擾，傳統(tǒng)的幾何分析方法都是無法定位的，紋理分析方法可以定位，但是處理時間普遍都超過3,s，耗時過長．

表4 實(shí)例4各級聯(lián)連通域判決數(shù)據(jù)Tab.4 Connect region data of each layer for example 4

3.5 統(tǒng)計(jì)分析

對于選取的這80幅圖像，統(tǒng)計(jì)本文算法與傳統(tǒng)算法對于復(fù)雜金屬背景上二維條碼定位效果對比，如表5所示．

表5 本文算法與現(xiàn)有算法效果對比Tab.5 Comparison between of results proposed algorithm and existing algorithm

如表5所示，本文算法與傳統(tǒng)幾何分析方法相差并不大，但準(zhǔn)確率上傳統(tǒng)幾何分析方法遠(yuǎn)遠(yuǎn)達(dá)不到要求．雖然在定位準(zhǔn)確率上本文方法與傳統(tǒng)紋理分析方法相比并不具有太多優(yōu)勢，但本文方法的處理時間遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)紋理分析方法，可做到實(shí)時應(yīng)用．

對于不同類型的污染，本文統(tǒng)計(jì)結(jié)果如表6所示．

表6 對4種不同類型金屬背景DM碼定位結(jié)果統(tǒng)計(jì)Tab.6 Statistical results of DM location under four different metal backgrounds

大量的實(shí)驗(yàn)表明，本文算法適用于大多數(shù)金屬背景下二維條碼圖像，并能夠很好地將條碼從背景中分離出來．

4 結(jié) 語

利用機(jī)器學(xué)習(xí)與級聯(lián)過濾器結(jié)合的方法過濾背景區(qū)域，利用二維條碼的邊緣幾何性質(zhì)確定目標(biāo)區(qū)域，既達(dá)到了傳統(tǒng)幾何定位法的精度，又具有紋理分析法的魯棒性．同時，由于級聯(lián)過濾器的引入使算法處理時間大大縮短，可以做到實(shí)時應(yīng)用，有很大的工業(yè)應(yīng)用價(jià)值．

參考文獻(xiàn)：

［1］ International Organization for Standardization. ISO/IEC 16022—2006 Information Technology Automatic Identification and Data Capture Techniques-Data Matrix Bar Code Symbology Specification[S]. Geneva：International Organization for Standardization，2006.

［2］ Amould S，Awcock G J，Thomas R. Remote barcode localization using mathematical morphology [C]// Seventh International Conference on Image Processing and Its Applications．Manchester，UK，1999：642-646.

［3］ Viard-Gaudin C，Normand N，Barba D. A bar code location algorithm using a two-dimensional approach [C]// Proceedings of the 2nd International Conference on Document Analysis and Recognition. Tsukuba，Japan，1993：45-48.

［4］ Jain A K，Chen Y. Bar code localization using texture analysis [C]// Proceedings of the 2nd International Conference on Document Analysis and Recognition. Tsukuba，Japan，1993：41-44.

［5］ Alec C C，Lo C C，Hsieh K H. Neural networks and Fourier descriptors for part positioning using bar code features in material handling systems [J]. Computers and Industrial Engineering，1997，32(2)：467-476．

［6］ 郝云峰，戚飛虎，蔣人杰. 一種新的基于機(jī)器學(xué)習(xí)的2維條形碼檢測算法[J]. 中國圖象圖形學(xué)報(bào)，2007，12(17)：1873-1876.

Hao Yunfeng，Qi Feihu，Jiang Renjie. A novel machine learning based algorithm to detect data matrix [J]. Journal of Image and Graphics，2007，12(17)：1873-1876 (in Chinese).

［7］ Viola P，Jones M J. Robust real-time face detection[J]. International Journal of Computer Vision，2004，57(2)：137-154.

［8］ Fritz M，Leibe B，Caputo B，et al. Integration representative and discriminant models for object category detection [C]// Tenth IEEE International Conference on Computer Vision，ICCV 2005. Beijing，China，2005：1363-1370.

［9］ Huang Chang，Al Haizhou，Wu Bo ，et al. Boosting nested cascade detector for multiview face detection[C]// Proceedings of the 17th International Conference on Pattern Recognition，ICPR 2004. Beijing，China，2004：415-418．

［10］ 張 曉，白廷柱，羅 霄，等. 基于人眼視覺灰階特性的紅外圖像映射顯示研究[J]. 紅外技術(shù)，2008，30(4)：225-229.

Zhang Xiao，Bai Tingzhu，Luo Xiao，et al. IR image mapping based on human visual gray-scale properties[J]. Infrared Technology，2008，30(4)：225-229(in Chinese).

［11］ Ojala T，Pietikainen M，Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7)：971-987.

［12］ Levi K，Weiss Y. Learning object detection from a small number of examples：The importance of good features [C]// Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，CVPR 2004. Washington，USA，2004：53-60.

［13］ 孫麗娟，張立材. 基于邊緣梯度方向直方圖的靜態(tài)手語識別[J]. 微電子學(xué)與計(jì)算機(jī)，2010，27(3)：148-153.

Sun Lijuan，Zhang Licai. Static sign language recognition based on edge gradient direction histogram[J]. Microelectronics and Computer，2010，27(3)：148-153(in Chinese).

Speedy Location of 2D Barcode Region Under Complicated Metal Background

Wang Wei，He Weiping，Lei Lei，Lin Qingsong
(School of Mechatronics，Northwestern Polytechnical University，Xi’an 710072，China)

Current detection algorithms include geometric method and texture analysis method. In locating 2D code under various material backgrounds, especially under metal background, geometric method is characterized by poor robustness and texture analysis method by slow processing speed. To solve the drawbacks mentioned above，the integration of machine learning method into cascade filter method is proposed in this paper to filter background areas, then the geometric properties of 2D barcode are used to detect candidate target area, and finally clustering growth method is employed to envelope 2D barcode region. The experiments reveal that, compared with traditional methods, the method proposed in this paper has achieved higher detection rate with better robustness. With the trained cascade classifier and the connected region classifier, the average positioning accuracy of 97% can be achieved and the processing time can be controlled within 700,ms, which has a great value in obtaining reliable information of 2D barcode on metal parts.

two-dimensional bar code；metal background；machine learning；cascade detection；clustering growth

TP391.41

A

0493-2137(2013)06-0531-08

DOI 10.11784/tdxb20130611

2011-11-04；

2012-03-01.

國防基礎(chǔ)科研計(jì)劃資助項(xiàng)目(A2720110011)；國家自然科學(xué)基金資助項(xiàng)目(51275419).

王 偉（1984— ），男，博士研究生，879322584@qq.com.

何衛(wèi)平，weiping@nwpu.edu.cn.