CN102682266A - 一种基于图像拼接的柱面二维条码识读方法 - Google Patents

Abstract

本发明提出了一种基于图像拼接的柱面二维条码识读方法，步骤包括旋转采集一组二维条码图片、图像光照不均校正、条码边缘信息增强、条码图像及条码位置识别、条码模块划分、条码图像粗配准、条码图像精配准和图像拼接融合与条码识别。本发明改变现有的二维条码识读***基于一幅图像的识别原理，能够完整采集柱面条码信息，消除柱面条码的畸变和光照不均等问题。根据Data Matrix二维条码图像的特征，设计的拼接融合算法能够很好解决二维条码图像拼接过程中遇到正确率不高、效率低等突出问题，实现快速准确的识读柱面二维条码信息。

Description

一种基于图像拼接的柱面二维条码识读方法

技术领域

本发明涉及柱面二维条码识读技术领域，具体为一种基于图像拼接的柱面二维条码识读方法。

背景技术

产品表面直接标刻二维条码快速准确识读，是产品全生命周期管理和信息追踪的基础，是成为提高库存管理效率、实现生产过程信息采集及实时追踪的关键。目前多选用二维Data Matrix条码作为产品的二维条码永久标识，这是因为Data Matrix条码编码容量大、密度高、纠错能力强。

目前的二维条码识读方法都采用CCD摄像头采集一幅含有二维条码的图像，再对图像进行一系列处理，去除背景定位条码区域，然后提取条码数据信息。现有的二维条码识读***只能处理平面状态下完整的、形变较小及光照均匀情况下的二维条码图像。例如美国康耐视出产的手持式Dataman 7500和德国产的封闭式读码器MATRIX2000。然而现实中经常遇到圆柱形的产品，由于标识在柱面上的二维条码与平面二维条码有着很大的差异，造成了识读困难，具体如下：

1、标识在柱面上的二维条码，由于柱面承载会造成柱面畸变，造成条码的尺寸比例发生变化。

2、柱面上采集的二维条码图像，一般都会存在一定程度的光照不均。如果柱面比较光滑，特别是金属柱面时，采就会形成严重高亮反光，造成信息彻底丢失。

3、柱面上采集的一幅二维条码图像，由于柱面遮挡或者采集角度不合适，容易造成采集的信息不完整。

4、上述的这些典型差异，在圆柱产品直径越小，而标刻在柱面的二维条码尺越大时，表现的越明显。

这些典型的差异使得柱面上的二维条码识读比较困难，甚至无法识读。现有的成熟的二维条码识读装置，在识读柱面二维条码时，普遍识读率较低，严重影响了识读效率，从而限制了二维条码技术在圆柱产品标识追踪中的应用。现有的技术研究中，为了增加柱面二维条码的识读效率和正确率，一般采取两方面的措施：一是采取标刻过程中的增强处理或使用过程中的保护措施。如中国机械工程2011年05期上解志锋等发表的题为《零件表面激光直接标刻二维条码的工艺参数优化研究》的文章，介绍了如何优化参数提高标刻的质量，这些措施着眼于提高及维护金属表面二维条码的对比度和质量，并没有从本质上解决柱面条码识读困难，所以取得的效果并不好。二是采取硬件辅助与图像融合的方法，但是现有的图像融合方法，并没有考虑到二维条码图像的一系列特点，直接用于柱面二维条码图像融合，效率低，错误率高。例如申请号为“201110100489.6”，发明名称为“一种金属柱面直接标刻二维条码的识读装置及识读方法”的专利，从硬件方面实现了旋转采集柱面图像，消除高亮反光，但软件处理理想化，不能实用。

发明内容

要解决的技术问题

为解决现有技术存在的问题本发明提出了一种基于图像拼接的柱面二维条码识读方法，通过研究柱面上标刻的Data Matrix条码图像特点，设计一种全新的图像拼接方法来解决柱面二维条码在识读时光照不均、柱面畸变、采集信息不完整等方面的难题，以达到快速准确的获得高质量二维条码图像，实现柱面信息采集，提高柱面二维条码识读效率之目的。

技术方案

本发明的技术方案为：

所述一种基于图像拼接的柱面二维条码识读方法，其特征在于：包括以下步骤：

步骤1：连续采集二维条码的N幅图像

所述N幅图像包含了二维条码的全部信息；每幅图像的宽度为w，高度为h，pixⁿ _i，j表示第n幅图像Mvtemp_n中第i列第j行像素点的像素值；

步骤2：校正图像光照不均：

步骤（2-1）：任意选取

中包含条码信息的一幅图像Mvtemp，从图像Mvtemp中间h/2处向上遍历求取纵向梯度：

${\mathrm{grad}}_j^{\mathrm{Mvtemp}}=\underset{i=0}{\overset{w}{\mathrm{\Σ}}}({\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}-{\mathrm{pix}}_{i,j+1}^{\mathrm{Mvtemp}})j\∈(h/2,h)$

其中，

表示图像Mvtemp中第j行的纵向梯度值，并在第y_up行取到最大纵向梯度值；

步骤（2-2）：计算图像MVtemp中背景区域的光照度数组：

$I_i^{\mathrm{Mvtemp}}=\frac{1}{20}\underset{j=y_{\mathrm{up}}}{\overset{y_{\mathrm{up}}+\mathrm{\β}}{\mathrm{\Σ}}}{\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}i\∈[0,w)$

其中，图像Mvtemp中背景区域指第0列至第w-1列，第y_up行至y_up+β行的区域，β取10～h-y_up；

表示图像Mvtemp背景区域第i列的光照度；

步骤（2-3）：计算图像Mvtemp中背景区域的平均光照度

${\stackrel{\‾}{I}}^{\mathrm{Mvtemp}}=\frac{1}{(\mathrm{\β}+1)w}\underset{i=0}{\overset{w-1}{\mathrm{\Σ}}}\underset{j=y_{\mathrm{up}}}{\overset{y_{\mathrm{up}}+\mathrm{\β}}{\mathrm{\Σ}}}{\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}$

步骤（2-4）：逆向校正图像序列

中每一幅图像的光照不均：

${\mathrm{pix}}_{i,j}^n={\mathrm{pix}}_{i,j}^n\·{\stackrel{\‾}{I}}^{\mathrm{Mvtemp}}/I_i^{\mathrm{Mvtemp}}n\∈[0,N-1],i\∈[0,w-1],j\∈[0,h-1],$

步骤3：运用Roberts算子对图像序列

做边缘轮廓信息提取，然后将边缘强度信息增加到原图像中，实现条码边缘信息增强；

步骤4：识别条码图像及条码位置：

步骤（4-1）：计算图像序列

中每幅图像的横向投影数据

${\mathrm{avg}}_j^n=\frac{1}{w}\underset{i=0}{\overset{w}{\mathrm{\Σ}}}{\mathrm{pix}}_{i,j}^{n}j\∈[0,h)$

对于第n幅图像，得到一组横向投影数据

计算

中的最小值

步骤（4-2）：将横向投影数据

整体向下平移

计算平移后横向投影数据

的最大值

和平均值

对平移后的横向投影数据

进行加权均值滤波和中值滤波，其中加权均值滤波模板为：

$\frac{1}{9}\×\left[\begin{array}{ccccc}1& 2& 3& 2& 1\end{array}\right]$

中值滤波采用5×1的滑动窗口；对滤波后的横向投影数据

进行阈值分割，分割函数为：

步骤（4-3）：对经过步骤（4-2）处理后的横向投影数据

进行数据拟合，拟合函数的形式为：

$y=\left\{\begin{array}{c}{a}_1(0\&le;x<x_1)\\ b_1(x_1\&le;x\&le;h/2)\\ a_2(h/2<x\&le;x_2)\\ b_2(x_2<x<h)\end{array}\right.$

其中，a₁，b₁，a₂，b₂为线性拟合函数的拟合变量，x₁，x₂为线性拟合函数的分段点；采用最小二乘拟合，得到拟合误差为：

${\hat{S}}_{\min }^2\left(x_1^n\right)=\underset{i=0}{\overset{h/2}{\mathrm{\&Sigma;}}}{\left({\mathrm{avg}}_i^n\right)}^2-\frac{{\left(\underset{i=0}{\overset{x_1^n-1}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{x_1^n}-\frac{{\left(\underset{i=x_1^n}{\overset{h/2}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{h/2-x_1^n+1}$

${\hat{S}}_{\min }^2\left(x_2^n\right)=\underset{i=h/2+1}{\overset{h-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{avg}}_i^n\right)}^2-\frac{{\left(\underset{i=h/2+1}{\overset{x_2^n}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{x_2^n-h/2}-\frac{{\left(\underset{i=x_2^n+1}{\overset{h-1}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{h-x_2^n-1}$

在第n幅图像中，计算拟合误差

取最小值时对应的

令计算拟合误差

取最小值时对应的

令

步骤（4-4）：重复步骤（4-1）～步骤（4-3），得到图像序列

中每幅图像的

和从而得到数组

步骤（4-5）：计算图像序列中每幅图像各自

位置的纵向梯度值：

${\mathrm{grad}}_{y_d^n}^n=\underset{i=0}{\overset{w-1}{\mathrm{\&Sigma;}}}|{\mathrm{pix}}_{i,y_d^n}^n-{\mathrm{pix}}_{i,y_d^n+1}^n|$

从而得到数组

计算数组

的平均值

从数组

中第n=0的数据开始向后依次与

比较，当比较到第n=η的数据大于

为止；从数组

中第n=N-1的数据开始向前依次与

比较，当比较到第n=κ的数据大于

为止；图像序列

中，Mvtemp_η～Mvtemp_κ的图像为条码图像；

步骤（4-6）：计算所有条码图像中

值的平均值y_s；任取条码图像中的一幅图像，计算该图像

位置和

位置处的纵向梯度值；当

处的纵向梯度值大于

处的纵向梯度值，则将所有条码图像从各自位置向上裁剪，保留

作为新的条码图像；当

处的纵向梯度值大于

处的纵向梯度值，则将所有条码图像从各自

位置向下裁剪，保留

作为新的条码图像；将新得到的条码图像按原先顺序重新存为图像宽度w不变，高度为y_s；

步骤5：确定条码模块的划分方式：

步骤（5-1）：将按顺序横向排列，纵向对齐合并成一幅图像NMvtemp，图像NMvtemp高度为y_s，宽度为Mw；对图像NMvtemp做纵向梯度投影：

${y\mathrm{grad}}_j^{\mathrm{NMvtemp}}=\underset{i=0}{\overset{\mathrm{Mw}-1}{\mathrm{\&Sigma;}}}|{\mathrm{pix}}_{i,j}^{\mathrm{NMvtemp}}-{\mathrm{pix}}_{i,j+1}^{\mathrm{NMvtemp}}|j\&Element;[0,y_s)$

其中表示图像NMvtemp中第j行的纵向梯度；

步骤（5-2）：从二维条码模块划分方式集合C={L×L}中选取划分方式l×l∈C，得到一组模块纵向分割点：

$H={\left\{h_m\right|h_m=\frac{y_s}{l}\&times;m\}}_{m=1}^{l-1}$

步骤（5-3）：计算图像NMvtemp在集合H中每个模块纵向分割点h_m处的纵向梯度值

并计算所有纵向梯度值

的平均值，作为划分方式l×l∈C的梯度值；

步骤（5-4）：重复进行步骤（5-2）～步骤（5-3），计算集合C中所有划分方式的梯度值，取梯度值最大的划分方式p×p作为二维条码横向模块划分方式；

步骤6：条码图像粗配准：

步骤（6-1）：将

中的每一幅图像NMvtemp_n都转化为一个p×w的数据矩阵，转化计算方式为：

$X^n={\left[{(x_{k,i}^n=\frac{1}{M_s}\underset{j=k{M}_s}{\overset{(k+1)M_s}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^n)}_{i=0}^{w-1}\right]}_{k=0}^{p-1}$

其中Xⁿ表示图像NMvemp_n对应的数据矩阵，

表示矩阵中第k行第i列元素，M_s表示条码模块的纵向尺寸，M_s＝y_s/p；

步骤（6-2）：将

中相邻两幅图像对应的数据矩阵Xⁿ，Xⁿ⁺¹步进重叠，步进列数δ_g的范围为1列～5列；计算每次重叠时重叠区域元素的均方差S²(gⁿ)：

$S^2\left(g^n\right)=\frac{1}{p{g}^n}\left(\underset{k=0}{\overset{p-1}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{g^n}{\mathrm{\&Sigma;}}}{(X_{k,i}^{n+1}-X_{k,w-i-g^n}^n)}^2\right)(1\&le;g^n\&le;w)$

其中S²(gⁿ)表示数据矩阵重叠gⁿ列元素时的均方差；

步骤（6-3）：计算数据矩阵Xⁿ，Xⁿ⁺¹步进重叠过程中的所有S²(gⁿ)，取其中取值最小的三个均方差对应的重叠列数

作为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的粗配准位置，并记

步骤（6-4）：重复步骤（6-2）～步骤（6-3），对图像序列

中每两幅相邻图像进行粗配准，得到粗配准位置序列

步骤7：条码图像精配准：

步骤（7-1）：采用经典相似性测度方法的计算相邻两幅图像NMvtemp_n和NMvemp_n+1在匹配位置gⁿ处的匹配度Rⁿ（gⁿ）：

$R^n\left(g^n\right)=\frac{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{w-i-g^n,j}^n\&times;{\mathrm{pix}}_{i,j}^{n+1})}{\sqrt{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{pix}}_{w-i-g^n,j}^n\right)}^2}\sqrt{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{y_s-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{pix}}_{i,j}^{n+1}\right)}^2}}{g}^n\&Element;U(g_1^n,\mathrm{\&delta;})\&cap;U(g_2^n,\mathrm{\&delta;})\&cap;U(g_3^n,\mathrm{\&delta;})$

微调的列数δ取δ_g+1；

步骤（7-2）：取匹配度Rⁿ（gⁿ）的最大值为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的最佳匹配度，记为Rⁿ=max{Rⁿ（gⁿ）}，并将max{Rⁿ（gⁿ）}对应的位置gⁿ作为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的精配准位置，并记精配准位置Cⁿ=gⁿ；

步骤（7-3）：重复步骤（7-1）～步骤（7-2），计算图像序列

中每两幅相邻图像的最佳匹配度以及精配准位置，得到最佳匹配度数组

和精配准位置数组

步骤8：图像拼接融合与条码识别：

步骤（8-1）：遍历最佳匹配度数组

以匹配度数值最小的两个位置点n₁和n₂作为分段点，将图像序列

分为三个部分；

步骤（8-2）：将每个部分的图像按照图像间的精配准位置采用渐入渐出的加权平均法进行拼接融合，得到三个部分的合成图像Part₀、Part₁、Part₂，三幅图像宽度分别为w₀、w₁、w₂，高度是y_s，三幅图像间的精配准位置分别为PC₀、PC₁，

${\mathrm{PC}}_1=C^{n_2};$

步骤（8-3）：计算中图像NMvtemp₀的横向梯度：

$x{\mathrm{grad}}_j^{\mathrm{NMvtem}{p}_0}=\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{i+1,j}^{\mathrm{NMvtem}{p}_0}-{\mathrm{pix}}_{i,j}^{\mathrm{NMvtem}{p}_0})i\&Element;[0,w)$

代表图像NMvtemp₀中i列的横向梯度；得到数组

并计算

中的最大值位置x_l即为图像NMvtemp₀中条码区域和空白区域分界位置；

步骤（8-4）：计算

中图像NMvtemp_M-1的横向梯度：

$x{\mathrm{grad}}_j^{\mathrm{NMvtem}{p}_{M-1}}=\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{i,j}^{\mathrm{NMvtem}{p}_{M-1}}-{\mathrm{pix}}_{i+1,j}^{\mathrm{NMvtem}{p}_{M-1}})i\&Element;[0,w)$

代表图像NMvtemp_M-1中i列的横向梯度；得到数组

并计算

中的最大值

位置x_r即为图像NMvtemp_M-1中条码区域和空白区域分界位置；

步骤（8-5）：将Part₀、Part₁、Part₂三幅图像拼接融合后的宽度为w_m=(x_l+y_s+w-x_r)，高度为y_s；建立图像内存缓冲区，大小为w_m×y_s；将图像Part₀放入缓冲区左侧，将图像Part₂放入缓冲区右侧；判断|(w_m-w₀-w₂)-(w₁-PC₀-PC₁)|≤10，若满足判断条件则将图像Part₁按照与Part₀、Part₂的精配准位置PC₀、PC₁放入缓冲区，重合区域采用渐入渐出的加权平均法完成图像拼接融合，进入步骤（8-7），若不满足判断条件则进入步骤（8-6）；

步骤（8-6）：在图像内存缓冲区内将Part₁放在两幅图像之间，开始位置与Part₀重合w列，然后Part₁步进向右运动，直到Part₁与Part₂重合w列为止；将步进运动过程中Part₁与Part₀、Part₂分别重合的区域合并为联合重合区域，计算联合重合区域匹配度，匹配度计算方法同步骤（7-1），并步进运动过程中取到联合重合区域最大匹配度的位置作为配准位置，将图像Part₁按照配准位置放入缓冲区，重合区域采用渐入渐出的加权平均法完成图像拼接融合；

步骤（8-7）：将图像内存缓冲区内拼接融合得到的二维条码图像，按照宽度进行裁剪，取二维条码图像x_l～x_l+y_s部分，得到一幅新的y_s×y_s的Data Matrix二维条码图像，条码模块大小为M_s×M_s；使用解码***读取新的Data Matrix二维条码图像中的条码信息，解码***根据解码原理和Reed-Solomon纠错算法对其解码并纠错。

有益效果

本发明提出的一种基于图像拼接的柱面二维条码识读技术，改变现有的二维条码识读***基于一幅图像的识别原理，能够完整采集柱面条码信息，消除柱面条码的畸变和光照不均等问题。根据Data Matrix二维条码图像的特征，设计的拼接融合算法能够很好解决二维条码图像拼接过程中遇到正确率不高、效率低等突出问题，实现快速准确的识读柱面二维条码信息。根据发明人初步统计，在不使用本发明识读方法时，读取一个柱面二维条码平均需要2～4秒，而使用本发明识读方法后只需0.4～0.8秒，提高了3～5倍的效率，并且大大提高的识读率。

附图说明

图1：本发明的流程图；

图2：实际凸形数据图；

图3：规范化后的凸形数据图；

图4：实施例中的处理过程图；

具体实施方式

下面结合具体实施例描述本发明：

本实例取为Φ6的柱面金属，在识读工装下用MV1300，采集一组的序列图像。本实例选取相机参数如下：快门速度10us，增益调节60，采集速度为高速。为实现上述目的，本发明的技术方案总过程如图1所示。

步骤1：在识读工装下，调节减小挡板缝隙，使得采集的条码图像不存在高亮反光为止，然后旋转连续采集二维条码的N幅图像

所述N幅图像包含了二维条码的全部信息；每幅图像的宽度为w=97，高度为h=384，

表示第n幅图像Mvtemp_n中第i列第j行像素点的像素值。本实施例中采集了8幅图像，如附图4中(a)所示。

步骤2：校正图像光照不均：

本步骤利用图像中背景区域的光照度变化规律校正图像中条码区域的光照不均，步骤如下：

步骤（2-1）：任意选取

中包含条码信息的一幅图像Mvtemp，从图像Mvtemp中间h/2处向上遍历求取纵向梯度：

${\mathrm{grad}}_j^{\mathrm{Mvtemp}}=\underset{i=0}{\overset{w}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}-{\mathrm{pix}}_{i,j+1}^{\mathrm{Mvtemp}})j\&Element;(h/2,h)$

其中，表示图像Mvtemp中第j行的纵向梯度值，并在第y_up行取到最大纵向梯度值；

步骤（2-2）：计算图像Mvtemp中背景区域的光照度数组：

$I_i^{\mathrm{Mvtemp}}=\frac{1}{20}\underset{j=y_{\mathrm{up}}}{\overset{y_{\mathrm{up}}+\mathrm{\&beta;}}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}i\&Element;[0,w)$

其中，图像Mvtemp中背景区域指第0列至第w-1列，第y_up行至y_up+β行的区域，β取10～h-y_up；

表示图像Mvtemp背景区域第i列的光照度；

步骤（2-3）：计算图像Mvtemp中背景区域的平均光照度

${\stackrel{\&OverBar;}{I}}^{\mathrm{Mvtemp}}=\frac{1}{(\mathrm{\&beta;}+1)w}\underset{i=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\underset{j=y_{\mathrm{up}}}{\overset{y_{\mathrm{up}}+\mathrm{\&beta;}}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}$

步骤（2-4）：逆向校正图像序列中每一幅图像的光照不均：

${\mathrm{pix}}_{i,j}^n={\mathrm{pix}}_{i,j}^n\&CenterDot;{\stackrel{\&OverBar;}{I}}^{\mathrm{Mvtemp}}/I_i^{\mathrm{Mvtemp}}n\&Element;[0,N-1],i\&Element;[0,w-1],j\&Element;[0,h-1],$

本实施例中图像纵向像素属于柱面的同一弧度，在两侧平行的条形白光源下，图像的纵向是光照均匀的，横向的光照度则是从两侧向中间渐渐变小的。基于此规律，本实施例利用图像中空白区域的光照度变化规律校正图像中条码区域的光照不均。计算得到序列图像中第四幅图像中的矩形空白区域：纵向15～35，横向0～233，平均光照度逆向校正后的图像如图4中（b）所示。

步骤3：运用Roberts算子对图像序列

做边缘轮廓信息提取，然后将边缘强度信息增加到原图像中，实现条码边缘信息增强；增强后的图像如图4中（c）所示。

步骤4：识别条码图像及条码位置：

本步骤通过拟合图像中灰度投影的方法，识别哪些图像含有条码，哪些图像不含条码，含有条码的图像中的条码所在的纵向位置，实现条码图像及条码位置的识别。步骤如下：

步骤（4-1）：计算图像序列

中每幅图像的横向投影数据

${\mathrm{avg}}_j^n=\frac{1}{w}\underset{i=0}{\overset{w}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^{n}j\&Element;[0,h)$

对于第n幅图像，得到一组横向投影数据

计算中的最小值由于条码区域的的投影数据与背景不同，所以数据会呈现出凸字形，称为凸形数据，如图2所示。

步骤（4-2）：为简化计算的运算量，将横向投影数据

整体向下平移

计算平移后横向投影数据

的最大值和平均值

对平移后的横向投影数据

进行加权均值滤波和中值滤波，进一步消除了各种噪声、污染等影响，其中加权均值滤波模板为：

$\frac{1}{9}\&times;\left[\begin{array}{ccccc}1& 2& 3& 2& 1\end{array}\right]$

中值滤波采用5×1的滑动窗口；对滤波后的横向投影数据

进行阈值分割，消除凸形数据存在锯齿现象，分割函数为：

通过步骤（4-2）的规范化操作，使得凸形数据不规则得到了很大的改善，如图3所示。

步骤（4-3）：对经过步骤（4-2）处理后的横向投影数据

进行数据拟合，拟合函数的形式为：

$y=\left\{\begin{array}{c}{a}_1(0\&le;x<x_1)\\ b_1(x_1\&le;x\&le;h/2)\\ a_2(h/2<x\&le;x_2)\\ b_2(x_2<x<h)\end{array}\right.$

其中，a₁，b₁，a₂，b₂为线性拟合函数的拟合变量，x₁，x₂为线性拟合函数的分段点；采用最小二乘拟合，得到拟合误差为：

${\hat{S}}_{\min }^2\left(x_1^n\right)=\underset{i=0}{\overset{h/2}{\mathrm{\&Sigma;}}}{\left({\mathrm{avg}}_i^n\right)}^2-\frac{{\left(\underset{i=0}{\overset{x_1^n-1}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{x_1^n}-\frac{{\left(\underset{i=x_1^n}{\overset{h/2}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{h/2-x_1^n+1}$

${\hat{S}}_{\min }^2\left(x_2^n\right)=\underset{i=h/2+1}{\overset{h-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{avg}}_i^n\right)}^2-\frac{{\left(\underset{i=h/2+1}{\overset{x_2^n}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{x_2^n-h/2}-\frac{{\left(\underset{i=x_2^n+1}{\overset{h-1}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{h-x_2^n-1}$

在第n幅图像中，计算拟合误差

取最小值时对应的

令

计算拟合误差

取最小值时对应的令

步骤（4-4）：重复步骤（4-1）～步骤（4-3），得到图像序列中每幅图像的

和

从而得到数组

步骤（4-5）：计算图像序列

中每幅图像各自

位置的纵向梯度值：

${\mathrm{grad}}_{y_d^n}^n=\underset{i=0}{\overset{w-1}{\mathrm{\&Sigma;}}}|{\mathrm{pix}}_{i,y_d^n}^n-{\mathrm{pix}}_{i,y_d^n+1}^n|$

从而得到数组

计算数组

的平均值

从数组

中第n=0的数据开始向后依次与比较，当比较到第n=η的数据大于

为止；从数组

中第n=N-1的数据开始向前依次与

比较，当比较到第n=κ的数据大于

为止；图像序列

中，Mvtemp_η～Mvtemp_κ的图像为条码图像；

步骤（4-6）：计算所有条码图像中

值的平均值y_s；任取条码图像中的一幅图像，计算该图像

位置和位置处的纵向梯度值；当

处的纵向梯度值大于

处的纵向梯度值，则将所有条码图像从各自

位置向上裁剪，保留

作为新的条码图像；当

处的纵向梯度值大于处的纵向梯度值，则将所有条码图像从各自

位置向下裁剪，保留

作为新的条码图像；将新得到的条码图像按原先顺序重新存为

图像宽度w不变，高度为y_s。

本实施例中，在步骤4通过拟合每幅图像中灰度投影的方法，识别哪些图像含有条码，哪些图像不含条码，含有条码的图像中的条码所在的纵向位置，实现条码图像及条码位置的识别。通过计算、规范化、拟合投影凸形数据得到每幅图像中最小拟合误差位置的 $\{y_d^0=153,y_u^0=196\},$ $\{y_d^1=34,y_u^1=345\},$ $\{y_d^2=34,y_u^2=345\},$ $\{y_d^3=35,y_u^3=346\},$ $\{y_d^4=31,y_u^4=342\},$ $\{y_d^5=29,y_u^5=341\},$ $\{y_d^6=31,y_u^d=343\},$ $\{y_d^7=150,y_u^7=200\},$ 通过梯度判断可知第一幅和最后一幅图像中不含有二维条码。按照拟合位置裁剪图像，图像高度y_s=311，宽度w不变，这样消除了图像间的纵向偏移，裁剪后的图像如图4中（d）所示。

步骤5：确定条码模块的划分方式：

本步骤根据图像竖直梯度投影，通过判断最佳预划分梯度的方式实现条码水平模块划分，过程如下：

步骤（5-1）：将

按顺序横向排列，纵向对齐合并成一幅图像NMvtemp，图像NMvtemp高度为y_s，宽度为Mw；对图像NMvtemp做纵向梯度投影：

${y\mathrm{grad}}_j^{\mathrm{NMvtemp}}=\underset{i=0}{\overset{\mathrm{Mw}-1}{\mathrm{\&Sigma;}}}|{\mathrm{pix}}_{i,j}^{\mathrm{NMvtemp}}-{\mathrm{pix}}_{i,j+1}^{\mathrm{NMvtemp}}|j\&Element;[0,y_s)$

其中

表示图像NMvtemp中第j行的纵向梯度；

表示图像NMvtemp中第i列第j行像素点的像素值；

步骤（5-2）：从二维条码模块划分方式集合C={L×L}中选取划分方式l×l∈C，得到一组模块纵向分割点：

$H={\left\{h_m\right|h_m=\frac{y_s}{l}\&times;m\}}_{m=1}^{l-1}$

步骤（5-3）：计算图像NMvtemp在集合H中每个模块纵向分割点h_m处的纵向梯度值并计算所有纵向梯度值

的平均值，作为划分方式l×l∈C的梯度值；

步骤（5-4）：重复进行步骤（5-2）～步骤（5-3），计算集合C中所有划分方式的梯度值，取梯度值最大的划分方式p×p作为二维条码横向模块划分方式。

本实施例中选用的二维条码模块划分方式集合根据图像竖直梯度投影波形，通过判断最佳预划分梯度的方式实现条码水平模块划分。各种预划分方式的梯度值为：

划分方式	8*8	10*10	12*12	14*14	16*16	18*18	20*20	22*22	24*24
										梯度值	489.42	328.22	1079.0	333.15	367.33	446.29	349.10	343.33	640.69

可知，12*12是二维条码的最佳水平模块划分方式，划分效果如图4中（e）所示。

步骤6：条码图像粗配准：

经过上述步骤，图像间的偏移只存在于横向，还需要将图像间的横向配准分为粗配准和精配准两个阶段。本步骤将图像按照所划分的水平条码模块转化为数据矩阵，然后通过数据矩阵匹配实现相邻图像间的粗配准，过程如下：

步骤（6-1）：将

中的每一幅图像NMvtemp_n都转化为一个p×w的数据矩阵，转化计算方式为：

$X^n={\left[{(x_{k,i}^n=\frac{1}{M_s}\underset{j=k{M}_s}{\overset{(k+1)M_s}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^n)}_{i=0}^{w-1}\right]}_{k=0}^{p-1}$

其中Xⁿ表示图像NMvtemp_n对应的数据矩阵，

表示矩阵中第k行第i列元素，M_s表示条码模块的纵向尺寸，M_s＝y_s/p；步骤6及以后步骤中

表示第n幅图像NMvtemp_n中第i列第j行像素点的像素值；

步骤（6-2）：将

中相邻两幅图像对应的数据矩阵Xⁿ，Xⁿ⁺¹步进重叠，步进列数δ_g的范围为1列～5列；计算每次重叠时重叠区域元素的均方差S²(gⁿ)：

$S^2\left(g^n\right)=\frac{1}{p{g}^n}\left(\underset{k=0}{\overset{p-1}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{g^n}{\mathrm{\&Sigma;}}}{(X_{k,i}^{n+1}-X_{k,w-i-g^n}^n)}^2\right)(1\&le;g^n\&le;w)$

其中S²(gⁿ)表示数据矩阵重叠gⁿ列元素时的均方差；

步骤（6-3）：计算数据矩阵Xⁿ，Xⁿ⁺¹步进重叠过程中的所有S²(gⁿ)，取其中取值最小的三个均方差对应的重叠列数

作为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的粗配准位置，并记

步骤（6-4）：重复步骤（6-2）～步骤（6-3），对图像序列

中每两幅相邻图像进行粗配准，得到粗配准位置序列

步骤7：条码图像精配准：

本步骤通过在每个粗配准位置微调，计算最佳的匹配度，最终确定出相邻两幅图像间精配准，具体过程如下：

步骤（7-1）：采用经典相似性测度方法的计算相邻两幅图像NMvtemp_n和NMvtemp_n+1在匹配位置gⁿ处的匹配度Rⁿ（gⁿ）：

$R^n\left(g^n\right)=\frac{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{w-i-g^n,j}^n\&times;{\mathrm{pix}}_{i,j}^{n+1})}{\sqrt{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{pix}}_{w-i-g^n,j}^n\right)}^2}\sqrt{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{y_s-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{pix}}_{i,j}^{n+1}\right)}^2}}{g}^n\&Element;U(g_1^n,\mathrm{\&delta;})\&cap;U(g_2^n,\mathrm{\&delta;})\&cap;U(g_3^n,\mathrm{\&delta;})$

微调的列数δ取δ_g+1；

步骤（7-2）：取匹配度Rⁿ（gⁿ）的最大值为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的最佳匹配度，记为Rⁿ=max{Rⁿ（gⁿ）}，并将max{Rⁿ（gⁿ）}对应的位置gⁿ作为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的精配准位置，并记精配准位置Cⁿ=gⁿ；

步骤（7-3）：重复步骤（7-1）～步骤（7-2），计算图像序列

中每两幅相邻图像的最佳匹配度以及精配准位置，得到最佳匹配度数组和精配准位置数组

本实施例中步骤6和步骤7建立图像数据矩阵，计算最小均方差确定图像间的粗配准，然后按照经典的相似性测度方法确定图像间最佳匹配度以及精配准位置，如下所示：

步骤8：图像拼接融合与条码识别：

本步骤基于图像间的精配准位置及匹配度，首先将图片拼接融合成三个片段，然后填入预定的二维条码图像内存缓冲区域，完成图像拼接融合，然后实现二维条码信息识读。过程如下：

步骤（8-1）：遍历最佳匹配度数组

以匹配度数值最小的两个位置点n₁和n₂作为分段点，将图像序列

分为三个部分；

如上表所示最佳匹配度数据，三个部分分别为{NMvtemp₀，NMvtemp₁}、{NMvtemp₂}和{NMvtemp₃，NMvtemp₄，NMvtemp₅}。

步骤（8-2）：将每个部分的图像按照图像间的精配准位置采用渐入渐出的加权平均法进行拼接融合，得到三个部分的合成图像Part₀、Part₁、Part₂，如图4中（f1）、（f2）、（f3）所示。三幅图像宽度分别为w₀=172、w₁=97、w₂=166，高度y_s=311，三幅图像间的精配准位置分别为PC₀=41、PC₁=43；

步骤（8-3）：计算

中图像NMvtemp₀的横向梯度：

$x{\mathrm{grad}}_j^{\mathrm{NMvtem}{p}_0}=\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{i+1,j}^{\mathrm{NMvtem}{p}_0}-{\mathrm{pix}}_{i,j}^{\mathrm{NMvtem}{p}_0})i\&Element;[0,w)$

代表图像NMvtemp₀中i列的横向梯度；得到数组并计算中的最大值

位置x_l即为图像NMvtemp₀中条码区域和空白区域分界位置；本实施例x_l=12。

步骤（8-4）：计算

中图像NMvtemp_M-1的横向梯度：

$x{\mathrm{grad}}_i^{\mathrm{NMvtem}{p}_{M-1}}=\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{i,j}^{\mathrm{NMvtem}{p}_{M-1}}-{\mathrm{pix}}_{i+1,j}^{\mathrm{NMvtem}{p}_{M-1}})i\&Element;[0,w)$

代表图像NMvtemp_M-1中i列的横向梯度；得到数组并计算

中的最大值

位置x_r即为图像NMvtemp_M-1中条码区域和空白区域分界位置；本实施例x_r=76。

步骤（8-5）：将Part₀、Part₁、Part₂三幅图像拼接融合后的宽度为w_m=(x_l+y_s+w-x_r)=344，高度为y_s；建立图像内存缓冲区，大小为w_m×y_s；将图像Part₀放入缓冲区左侧，将图像Part₂放入缓冲区右侧；判断|(w_m-w₀-w₂)-(w₁-PC₀-PC₁)|≤10，若满足判断条件则将图像Part₁按照与Part₀、Part₂的精配准位置PC₀、PC₁放入缓冲区，重合区域采用渐入渐出的加权平均法完成图像拼接融合，进入步骤（8-7），若不满足判断条件则进入步骤（8-6）；

本实施例中|(w_m-w₀-w₂)-(w₁-PC₀-PC₁)|=7≤10。满足判断条件，将图像Part₁按照与Part₀、Part₂的精配准位置PC₀、PC₁放入缓冲区，完成图像拼接融合，结果如图4中（g）所示。

步骤（8-6）：在图像内存缓冲区内将Part₁放在两幅图像之间，开始位置与Part₀重合w列，然后Part₁步进向右运动，直到Part₁与Part₂重合w列为止；将步进运动过程中Part₁与Part₀、Part₂分别重合的区域合并为联合重合区域，计算联合重合区域匹配度，匹配度计算方法同步骤（7-1），并步进运动过程中取到联合重合区域最大匹配度的位置作为配准位置，将图像Part₁按照配准位置放入缓冲区，重合区域采用渐入渐出的加权平均法完成图像拼接融合；

步骤（8-7）：将图像内存缓冲区内拼接融合得到的二维条码图像，按照宽度进行裁剪，取二维条码图像x_l～x_l+y_s部分，得到一幅新的y_s×y_s的Data Matrix二维条码图像，条码模块大小为M_s×M_s，如图4中（h）所示；使用解码***读取新的Data Matrix二维条码图像中的条码信息，解码***根据解码原理和Reed-Solomon纠错算法对其解码并纠错。

Claims (1)

1.一种基于图像拼接的柱面二维条码识读方法，其特征在于：包括以下步骤：

步骤1：连续采集二维条码的N幅图像

所述N幅图像包含了二维条码的全部信息；每幅图像的宽度为w，高度为h，

表示第n幅图像Mvtemp_n中第i列第j行像素点的像素值；

步骤2：校正图像光照不均：

步骤（2-1）：任意选取

中包含条码信息的一幅图像Mvtemp，从图像Mvtemp中间h/2处向上遍历求取纵向梯度：

${\mathrm{grad}}_j^{\mathrm{Mvtemp}}=\underset{i=0}{\overset{w}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}-{\mathrm{pix}}_{i,j+1}^{\mathrm{Mvtemp}})j\&Element;(h/2,h)$

其中，表示图像Mvtemp中第j行的纵向梯度值，并在第y_up行取到最大纵向梯度值；

步骤（2-2）：计算图像Mvtemp中背景区域的光照度数组：

$I_i^{\mathrm{Mvtemp}}=\frac{1}{20}\underset{j=y_{\mathrm{up}}}{\overset{y_{\mathrm{up}}+\mathrm{\&beta;}}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}i\&Element;[0,w)$

其中，图像Mvtemp中背景区域指第0列至第w-1列，第y_up行至y_up+β行的区域，β取10～h-y_up；

表示图像Mvtemp背景区域第i列的光照度；

步骤（2-3）：计算图像Mvtemp中背景区域的平均光照度

${\stackrel{\&OverBar;}{I}}^{\mathrm{Mvtemp}}=\frac{1}{(\mathrm{\&beta;}+1)w}\underset{i=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\underset{j=y_{\mathrm{up}}}{\overset{y_{\mathrm{up}}+\mathrm{\&beta;}}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^{\mathrm{Mvtemp}}$

步骤（2-4）：逆向校正图像序列

中每一幅图像的光照不均：

${\mathrm{pix}}_{i,j}^n={\mathrm{pix}}_{i,j}^n\&CenterDot;{\stackrel{\&OverBar;}{I}}^{\mathrm{Mvtemp}}/I_i^{\mathrm{Mvtemp}}n\&Element;[0,N-1],i\&Element;[0,w-1],j\&Element;[0,h-1],$

步骤3：运用Roberts算子对图像序列

做边缘轮廓信息提取，然后将边缘强度信息增加到原图像中，实现条码边缘信息增强；

步骤4：识别条码图像及条码位置：

步骤（4-1）：计算图像序列

中每幅图像的横向投影数据

${\mathrm{avg}}_j^n=\frac{1}{w}\underset{i=0}{\overset{w}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^{n}j\&Element;[0,h)$

对于第n幅图像，得到一组横向投影数据

计算

中的最小值

步骤（4-2）：将横向投影数据

整体向下平移

计算平移后横向投影数据的最大值

和平均值

对平移后的横向投影数据

进行加权均值滤波和中值滤波，其中加权均值滤波模板为：

$\frac{1}{9}\&times;\left[\begin{array}{ccccc}1& 2& 3& 2& 1\end{array}\right]$

中值滤波采用5×1的滑动窗口；对滤波后的横向投影数据

进行阈值分割，分割函数为：

步骤（4-3）：对经过步骤（4-2）处理后的横向投影数据进行数据拟合，拟合函数的形式为：

$y=\left\{\begin{array}{c}{a}_1(0\&le;x<x_1)\\ b_1(x_1\&le;x\&le;h/2)\\ a_2(h/2<x\&le;x_2)\\ b_2(x_2<x<h)\end{array}\right.$

其中，a₁，b₁，a₂，b₂为线性拟合函数的拟合变量，x₁，x₂为线性拟合函数的分段点；采用最小二乘拟合，得到拟合误差为：

${\hat{S}}_{\min }^2\left(x_1^n\right)=\underset{i=0}{\overset{h/2}{\mathrm{\&Sigma;}}}{\left({\mathrm{avg}}_i^n\right)}^2-\frac{{\left(\underset{i=0}{\overset{x_1^n-1}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{x_1^n}-\frac{{\left(\underset{i=x_1^n}{\overset{h/2}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{h/2-x_1^n+1}$

${\hat{S}}_{\min }^2\left(x_2^n\right)=\underset{i=h/2+1}{\overset{h-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{avg}}_i^n\right)}^2-\frac{{\left(\underset{i=h/2+1}{\overset{x_2^n}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{x_2^n-h/2}-\frac{{\left(\underset{i=x_2^n+1}{\overset{h-1}{\mathrm{\&Sigma;}}}{\mathrm{avg}}_i^n\right)}^2}{h-x_2^n-1}$

在第n幅图像中，计算拟合误差

取最小值时对应的

令

计算拟合误差取最小值时对应的

令

步骤（4-4）：重复步骤（4-1）～步骤（4-3），得到图像序列

中每幅图像的

和

从而得到数组

步骤（4-5）：计算图像序列

中每幅图像各自

位置的纵向梯度值：

${\mathrm{grad}}_{y_d^n}^n=\underset{i=0}{\overset{w-1}{\mathrm{\&Sigma;}}}|{\mathrm{pix}}_{i,y_d^n}^n-{\mathrm{pix}}_{i,y_d^n+1}^n|$

从而得到数组

计算数组

的平均值

从数组

中第n=0的数据开始向后依次与

比较，当比较到第n=η的数据大于

为止；从数组

中第n=N-1的数据开始向前依次与比较，当比较到第n=κ的数据大于

为止；图像序列

中，Mvtemp_η～Mvtemp_κ的图像为条码图像；

步骤（4-6）：计算所有条码图像中

值的平均值y_s；任取条码图像中的一幅图像，计算该图像

位置和

位置处的纵向梯度值；当

处的纵向梯度值大于

处的纵向梯度值，则将所有条码图像从各自

位置向上裁剪，保留作为新的条码图像；当处的纵向梯度值大于

处的纵向梯度值，则将所有条码图像从各自

位置向下裁剪，保留作为新的条码图像；将新得到的条码图像按原先顺序重新存为

图像宽度w不变，高度为y_s；

步骤5：确定条码模块的划分方式：

步骤（5-1）：将

按顺序横向排列，纵向对齐合并成一幅图像NMvtemp，图像NMvemp高度为y_s，宽度为Mv；对图像NMvtemp做纵向梯度投影：

${y\mathrm{grad}}_j^{\mathrm{NMvtemp}}=\underset{i=0}{\overset{\mathrm{Mw}-1}{\mathrm{\&Sigma;}}}|{\mathrm{pix}}_{i,j}^{\mathrm{NMvtemp}}-{\mathrm{pix}}_{i,j+1}^{\mathrm{NMvtemp}}|j\&Element;[0,y_s)$

其中表示图像NMvtemp中第j行的纵向梯度；

表示图像NMvtemp中第i列第j行像素点的像素值；

步骤（5-2）：从二维条码模块划分方式集合C={L×L}中选取划分方式l×l∈C，得到一组模块纵向分割点：

$H={\left\{h_m\right|h_m=\frac{y_s}{l}\&times;m\}}_{m=1}^{l-1}$

步骤（5-3）：计算图像NMvtemp在集合H中每个模块纵向分割点h_m处的纵向梯度值并计算所有纵向梯度值

的平均值，作为划分方式l×l∈C的梯度值；

步骤（5-4）：重复进行步骤（5-2）～步骤（5-3），计算集合C中所有划分方式的梯度值，取梯度值最大的划分方式p×p作为二维条码横向模块划分方式；

步骤6：条码图像粗配准：

步骤（6-1）：将

中的每一幅图像NMvtemp_n都转化为一个p×w的数据矩阵，转化计算方式为：

$X^n={\left[{(x_{k,i}^n=\frac{1}{M_s}\underset{j=k{M}_s}{\overset{(k+1)M_s}{\mathrm{\&Sigma;}}}{\mathrm{pix}}_{i,j}^n)}_{i=0}^{w-1}\right]}_{k=0}^{p-1}$

其中Xⁿ表示图像NMvtemp_n对应的数据矩阵，

表示矩阵中第k行第i列元素，M_s表示条码模块的纵向尺寸，M_s＝y_s/p；步骤6及以后步骤中

表示第n幅图像NMvtemp_n中第i列第j行像素点的像素值；

步骤（6-2）：将

中相邻两幅图像对应的数据矩阵Xⁿ，Xⁿ⁺¹步进重叠，步进列数δ_g的范围为1列～5列；计算每次重叠时重叠区域元素的均方差S²(gⁿ)：

$S^2\left(g^n\right)=\frac{1}{p{g}^n}\left(\underset{k=0}{\overset{p-1}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{g^n}{\mathrm{\&Sigma;}}}{(X_{k,i}^{n+1}-X_{k,w-i-g^n}^n)}^2\right)(1\&le;g^n\&le;w)$

其中S²(gⁿ)表示数据矩阵重叠gⁿ列元素时的均方差；

步骤（6-3）：计算数据矩阵Xⁿ，Xⁿ⁺¹步进重叠过程中的所有S²(gⁿ)，取其中取值最小的三个均方差对应的重叠列数作为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的粗配准位置，并记

步骤（6-4）：重复步骤（6-2）～步骤（6-3），对图像序列

中每两幅相邻图像进行粗配准，得到粗配准位置序列

步骤7：条码图像精配准：

步骤（7-1）：采用经典相似性测度方法的计算相邻两幅图像NMvtemp_n和NMvtemp_n+1在匹配位置gⁿ处的匹配度Rⁿ（gⁿ）：

$R^n\left(g^n\right)=\frac{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{w-i-g^n,j}^n\&times;{\mathrm{pix}}_{i,j}^{n+1})}{\sqrt{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{pix}}_{w-i-g^n,j}^n\right)}^2}\sqrt{\underset{i=0}{\overset{g^n-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{y_s-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{pix}}_{i,j}^{n+1}\right)}^2}}{g}^n\&Element;U(g_1^n,\mathrm{\&delta;})\&cap;U(g_2^n,\mathrm{\&delta;})\&cap;U(g_3^n,\mathrm{\&delta;})$

微调的列数δ取δ_g+1；

步骤（7-2）：取匹配度Rⁿ（gⁿ）的最大值为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的最佳匹配度，记为Rⁿ=max{Rⁿ（gⁿ）}，并将max{Rⁿ（gⁿ）}对应的位置gⁿ作为相邻两幅图像NMvtemp_n和NMvtemp_n+1间的精配准位置，并记精配准位置Cⁿ=gⁿ；

步骤（7-3）：重复步骤（7-1）～步骤（7-2），计算图像序列

中每两幅相邻图像的最佳匹配度以及精配准位置，得到最佳匹配度数组

和精配准位置数组

步骤8：图像拼接融合与条码识别：

步骤（8-1）：遍历最佳匹配度数组

以匹配度数值最小的两个位置点n₁和n₂作为分段点，将图像序列

分为三个部分；

步骤（8-2）：将每个部分的图像按照图像间的精配准位置采用渐入渐出的加权平均法进行拼接融合，得到三个部分的合成图像Part₀、Part₁、Part₂，三幅图像宽度分别为w₀、w₁、w₂，高度是y_s，三幅图像间的精配准位置分别为PC₀、PC₁，

${\mathrm{PC}}_1=C^{n_2};$

步骤（8-3）：计算

中图像NMvtemp₀的横向梯度：

$x{\mathrm{grad}}_j^{\mathrm{NMvtem}{p}_0}=\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{i+1,j}^{\mathrm{NMvtem}{p}_0}-{\mathrm{pix}}_{i,j}^{\mathrm{NMvtem}{p}_0})i\&Element;[0,w)$

代表图像NMvtemp₀中i列的横向梯度；得到数组

并计算

中的最大值

位置x_l即为图像NMvtemp₀中条码区域和空白区域分界位置；

步骤（8-4）：计算

中图像NMvtemp_M-1的横向梯度：

$x{\mathrm{grad}}_j^{\mathrm{NMvtem}{p}_{M-1}}=\underset{j=0}{\overset{y_s-1}{\mathrm{\&Sigma;}}}({\mathrm{pix}}_{i,j}^{\mathrm{NMvtem}{p}_{M-1}}-{\mathrm{pix}}_{i+1,j}^{\mathrm{NMvtem}{p}_{M-1}})i\&Element;[0,w)$

代表图像NMvtemp_M-1中i列的横向梯度；得到数组

并计算

中的最大值位置x_r即为图像NMvtemp_M-1中条码区域和空白区域分界位置；

步骤（8-5）：将Part₀、Part₁、Part₂三幅图像拼接融合后的宽度为w_m=(x_l+y_s+w-x_r)，高度为y_s；建立图像内存缓冲区，大小为w_m×y_s；将图像Part₀放入缓冲区左侧，将图像Part₂放入缓冲区右侧；判断|(w_m-w₀-w₂)-(w₁-PC₀-PC₁)|≤10，若满足判断条件则将图像Part₁按照与Part₀、Part₂的精配准位置PC₀、PC₁放入缓冲区，重合区域采用渐入渐出的加权平均法完成图像拼接融合，进入步骤（8-7），若不满足判断条件则进入步骤（8-6）；

步骤（8-6）：在图像内存缓冲区内将Part₁放在两幅图像之间，开始位置与Part₀重合w列，然后Part₁步进向右运动，直到Part₁与Part₂重合w列为止；将步进运动过程中Part₁与Part₀、Part₂分别重合的区域合并为联合重合区域，计算联合重合区域匹配度，匹配度计算方法同步骤（7-1），并步进运动过程中取到联合重合区域最大匹配度的位置作为配准位置，将图像Part₁按照配准位置放入缓冲区，重合区域采用渐入渐出的加权平均法完成图像拼接融合；

步骤（8-7）：将图像内存缓冲区内拼接融合得到的二维条码图像，按照宽度进行裁剪，取二维条码图像x_l～x_l+y_s部分，得到一幅新的y_s×y_s的Data Matrix二维条码图像，条码模块大小为M_s×M_s；使用解码***读取新的Data Matrix二维条码图像中的条码信息，解码***根据解码原理和Reed-Solomon纠错算法对其解码并纠错。

Images