一种用于污染及多视角情况下DataMatrix码的精确定位方法

摘要

本发明提出了一种用于污染及多视角情况下DataMatrix码的精确定位方法，采用基于梯度边缘方向检测出亚像素级的边缘，利用快速Hough变换方法求得两主方向然后判断候选目标点的归属梯度方向容错区间，然后两个梯度方向容错区间内的边缘目标点分别在各自主方向容错区建立进行Hough累加，去除大量干扰噪声点，再基于先验知识过滤及预定义边缘组合，提取边缘组合的多特征，最后利用D-S证据理论方法融合多特征进行DataMatrix码边缘精确识别。本发明的效果为对于存在生锈腐蚀、高反光覆盖及磨损划痕干扰等污染及透视形变在20°之内的金属上的DataMatrix码都有较高的四边缘精确定位率，精确定位正确率在85%以上。

主权项

1.一种用于污染及多视角情况下DataMatrix码的精确定位方法，其特征在于：包括以下步骤：步骤1：对含有DataMatrix码的输入图像A进行预处理，所述输入图像A的宽度为w像素，高度为h像素：步骤1.1：采用“选择式掩模平滑”方法遍历输入图像A，得到平滑后的图像为A₁；对图像A₁求取“灰值形态学梯度”得到灰值梯度图像A₂；对图像A₂进行“大津阈值分割”得到二值化的梯度图像A₃；步骤1.2：在图像A₂中选取像素值pix_i，j＞T₁的像素点P_i,j作为候选边缘点，其中pix_i，j表示图像A₂中第i行j列像素点P_i,j的像素值，T₁为步骤1.1中“大津阈值分割”时得到的大津阈值；对每个候选边缘点P_i,j采取如下步骤：步骤1.2.1：建立候选边缘点P_i,j与8邻域像素点的角度对应关系：θ(P_i，j，P_i，j-1)＝-π/2＝Ang[0]；θ(P_i,j,P_i,j+1)＝π/2＝Ang[4]；θ(P_i，j，P_i-1，j+1)＝θ(P_i，j,P_i+1，j－1)＝-π/4＝Ang[1]；θ(P_i，j，P_i-1,j)＝θ(P_i，j，P_i+1，j)＝0＝Ang[2]；θ(P_i,j,P_i+1，j+1)＝θ(P_i，j,P_i-1，j－1)＝π/4＝Ang[3]；其中，θ函数代表点P_i,j与其8邻域像素点中对应点之间的角度对应函数；Ang[0]～Ang[4]代表点P_i,j与其8邻域像素点中对应点的角度序号；步骤1.2.2：计算候选边缘点P_i,j的sobel梯度方向θ_i,j＝arctan(dy_i，j/dx_i,j)，其中：dy_i，j＝(pix_i-1，j+1+2pix_i，j+1+pix_i+1，j+1)-(pix_i-1，j-1+2pix_i,j-1+pix_i+1,j-1)dx_i,j＝(pix_i+1,j+1+2pix_i+1,j+pix_i+1,j-1)-(pix_i-1,j+1+2pix_i-1,j+pix_i-1,j-1)步骤1.2.3：确定θ_i,j所在的角度区间为θ_i,j∈[Ang[a]，Ang[a+1]]，a为[0,3]区间内的整数，则候选边缘点P_i,j在θ_i，j正方向的像素值插值p_1，i,j为：$p_{1,i,j}=\frac{({\theta }_{i,j}-\mathrm{Ang}[a\left]\right)*p\left(a\right)+\left(\mathrm{Ang}\right[a+1]-{\theta }_{i,j})*p(a+1)}{\pi /4}$候选边缘点P_i,j在θ_i,j反方向的像素值插值p_2，i，j为：$p_{2,i,j}=\frac{({\theta }_{i,j}-\mathrm{Ang}[(a+2)\%4\left]\right)*p((a+2)\%4)+\left(\mathrm{Ang}\right[(a+3)\%4]-{\theta }_{i,j})*p((a+3)\%4)}{\pi /4}$其中p(a)为点P_i,j在Ang[a]角度方向上的像素点的像素值；步骤1.2.4：取校验参数diff(i,j)＝max{|pix_i，j-p_1，i,j|,|pix_i，j-p_2，i，j|}，当diff(i,j)＜T₂时，将该候选边缘点P_i，j设为背景点，令该候选边缘点P_i,j像素值为0；当diff(i,j)≥T₂时，若pix_i，j＞p_1，i，j且pix_i，j＞p_2，i，j，则将该候选边缘点P_i,j标记为目标边缘点，否则将该候选边缘点P_i,j设为背景点，令该候选边缘点P_i,j像素值为0；其中T₂取值为80；步骤2：快速Hough变换得到Hough变换域：步骤2.1：建立DataMatrix码边缘方向的初始零数组具体表示为：${\left\{\mathrm{value}\left({\mathrm{dre}}_b\right)\right|{\mathrm{dre}}_b\in [-\frac{\pi }{2}+\frac{\mathrm{b\pi }}{16},-\frac{\pi }{2}+\frac{(b+1)\pi }{16})\}}_{b=0}^{15}$每个dre_b代表一个11.25°的区间；步骤2.2：遍历步骤1得到的图像A₂中的所有目标边缘点，对每个目标边缘点进行如下操作：若目标边缘点P_i，j的梯度方向θ_i,j∈dre_b，则所述目标边缘点P_i，j的梯度方向θ_i,j对应的value(dre_b)累加该目标边缘点P_i,j的像素值pix_i，j，得到value(dre_b)＝value(dre_b)+pix_i,j；步骤2.3：取图像A₂中的最大主方向区间值为：$V_{\max }={\max \{\mathrm{value}\left({\mathrm{dre}}_b\right)+\mathrm{value}\left({\mathrm{dre}}_c\right)\}}_{b=0}^{15}$其中c∈[(b+8-α₁)％16,(b+8+α₁)％16]，且c为整数，α₁为多视角可变范围，取α₁＝2；将最大值V_max对应的dre_b区间的中间值和最大值V_max对应的dre_c区间的中间值依次对应赋值给两个条码边缘主方向D₁和D₂；步骤2.4：根据步骤2.3得到两个条码边缘主方向，建立目标边缘点的两个梯度方向容错区间：η₁＝[D₁-α₂,D₁+α₂]和η₂＝[D₂-α₂,D₂+α₂]，其中α₂为梯度方向容错参数，取α₂＝π/9；遍历步骤1得到的图像A₂中的所有目标边缘点，对每个目标边缘点进行如下操作：若目标边缘点P_i,j的梯度方向θ_i，j∈η₁，则该目标边缘点归属于边缘主方向D₁，若目标边缘点P_i,j的梯度方向θ_i,j∈η₂，则该目标边缘点归属于边缘主方向D₂，若目标边缘点P_i,j的梯度方向不在两个梯度方向容错区间内，则该目标边缘点为噪声干扰点；所有归属于边缘主方向D₁的目标边缘点集合为R₁，所有归属于边缘主方向D₂的目标边缘点集合为R₂；步骤2.5：建立两个主方向容错区间：D_first＝[D₁-η₃,D₁+η₃]和D_sec＝[D₂-η₃,D₂+η₃]，其中η₃为主方向容错参数，取η₃＝π/18；将目标边缘点集合R₁和R₂分别在各自的主方向容错区间D_first和D_sec里进行Hough变换，得到对应的Hough区间U₁和U₂，并得到Hough域Hg，Hg长为ρ_max，Hg高为γ_max，γ_max＝180，Hg中Hough点(ρ，γ)对应的霍夫值表示为H(ρ，γ)；步骤3：基于先验知识过滤及预定义边缘组合：步骤3.1：遍历Hough域Hg中的所有Hough点，若Hough点（ρ^*,γ^*）满足下列任一个或多个条件，表明该Hough点为非候选目标边缘点：条件1：$|{\rho }^{*}-\frac{1}{2}{\rho }_{\max }|<\frac{1}{4}{\rho }_{\max };$条件2：H(ρ^*,γ^*)＜8；条件3：H(ρ^*,γ^*)在其24邻域内不为最大值，其中(ρ^*,γ^*)的24邻域为{[ρ^*+d₁,γ^*+d₂]|d₁,d₂＝-2,-1,0,1,2}；将Hough域Hg中的所有非候选目标边缘点去除，得到过滤后的Hough域Hg，过滤后的Hough域Hg中的点为候选目标边缘点；步骤3.2：将Hg中的候选目标边缘点分类：步骤3.2.1：计算校验Hough点在图像A₂中的对应直线与直线y＝tanD₁的垂点坐标(x₀,y₀)，以及反方向校验Hough点在图像A₂中的对应直线与直线y＝tan D₁的垂点坐标(x₁,y₁)：$\left\{\begin{array}{c}{x}_0=\frac{{\rho }_{\max }}{2}\cos D_1\\ y_0=\frac{{\rho }_{\max }}{2}\sin D_1\end{array}\right.,$$\left\{\begin{array}{c}{x}_1=-\frac{{\rho }_{\max }}{2}\cos D_1\\ y_1=-\frac{{\rho }_{\max }}{2}\sin D_1\end{array}\right.$计算校验Hough点在图像A₂中的对应直线与直线y＝tanD₂的垂点坐标(x₂,y₂)，以及反方向校验Hough点在图像A₂中的对应直线与直线y＝tanD₂的垂点坐标(x₃,y₃)：$\left\{\begin{array}{c}{x}_2=\frac{{\rho }_{\max }}{2}\cos D_2\\ y_2=\frac{{\rho }_{\max }}{2}\sin D_2\end{array}\right.,$$\left\{\begin{array}{c}{x}_3=-\frac{{\rho }_{\max }}{2}\cos D_2\\ y_3=-\frac{{\rho }_{\max }}{2}\sin D_2\end{array}\right.$步骤3.2.2：对Hough区间U₁中的所有候选目标边缘点进行归类：对于Hough区间U₁中的候选目标边缘点(ρ₁,γ₁)，计算(ρ₁,γ₁)在图像A₂中的对应直线与直线y＝tanγ₁垂点坐标(x',y′)，分别计算(x',y')与(x₀,y₀)和(x₁,y₁)的欧式距离，若(x',y')与(x₀,y₀)的欧氏距离小于(x',y')与(x₁,y₁)的欧氏距离，则将此候选目标边缘点(ρ₁,γ₁)归类为集合TS₀，否则将其归类为集合TS₁；对Hough区间U₂中的所有候选目标边缘点进行归类：对于Hough区间U₂中的候选目标边缘点(ρ₂,γ₂)，计算(ρ₂,γ₂)在图像A₂中的对应直线与直线y＝tanγ₂垂点坐标(x″,y″)，其中分别计算(x″,y″)与(x₂,y₂)和(x₃,y₃)的欧式距离，若(x″,y″)与(x₂,y₂)的欧氏距离小于(x″,y″)与(x₃,y₃)的欧氏距离，则将此候选目标边缘点(ρ₂,γ₂)归类为集合TS₂，否则将其归类为集合TS₃；步骤4：提取边缘组合的多特征：步骤4.1：提取Hg中的所有候选目标边缘点的边缘灰度分布：对于候选目标边缘点(ρ^o,γ^o)，其在图像A₁中的对应直线l^o为ρ^o＝xcosγ^o+ysinγ^o，对l^o上的每个像素点进行如下步骤，得到l^o上的每个像素点的灰度分布值：步骤4.1.1：将l^o上的像素点(a₀,b₀)沿l^o法线方向向内缩进Δd单位得到像素点(a_d,b_d)，其中(a_d,b_d)表示图像A₁中第a₀行b₀列的像素点，b_d＝t(a_d-a₀)+b₀，tanγ^o＝t，cosγ^o＝c₁，sinγ^o＝s；步骤4.1.2：分别取Δd＝0,1,2,3,4,5,6，像素点(a₀,b₀)沿l^o法线方向向内缩进后得到7个像素点取7个像素点像素值的平均值p(a₀,b₀)为(a₀,b₀)点的灰度分布值；按步骤4.1.1和步骤4.1.2得到l^o上的每个像素点的灰度分布值，若候选目标边缘点(ρ^o,γ^o)的则将l^o上的所有像素点的灰度分布值按照像素点列数从小到大的顺序排列得到灰度分布值数组，否则将l^o上的所有像素点的灰度分布值按照像素点行数从小到大的顺序排列得到灰度分布值数组，所述得到的灰度分布值数组为候选目标边缘点(ρ^o,γ^o)的边缘灰度分布Fl(ρ^o,γ^o)；步骤4.2：依据候选边缘组合的灰度分布混乱程度特征去除无谓组合：步骤4.2.1：计算所有候选目标边缘点的分形维数：对于候选目标边缘点(ρ^o,γ^o)，其对应的边缘灰度分布Fl(ρ^o,γ^o)在图像A₁中长度为L^o，则Fl(ρ^o,γ^o)对应的分形维δ-覆盖区间为：δ＝L^o/k，其中k取3,4,5,6,7,8；将Fl(ρ^o,γ^o)平均分为k个覆盖区间，得到区间δ₁，δ₂，…，δ_k；计算δ_m（m＝1,2,…,k）区间内灰度分布值的最大值u_δ(m)和最小值b_δ(m)，以及得到一组数据点${\left\{(\log (L^o/k),\log \left(N_k\right))\right\}}_{k=3}^8,$对该组数据点${\left\{(\log (L^o/k),\log \left(N_k\right))\right\}}_{k=3}^8$进行线性回归处理后得到该组数据点拟合直线的斜率，取所述斜率的负值为候选目标边缘点(ρ^o,γ^o)的分形维数Dim(ρ^o,γ^o)；步骤4.2.2：从候选目标边缘点归类集合TS₀、TS₁、TS₂和TS₃中分别任意选出一个候选目标边缘点，形成一个组合，对候选目标边缘点归类集合TS₀、TS₁、TS₂和TS₃能够形成的所有组合采用如下方法判断，得到所有候选边缘组合：对于组合(ρ′₀,γ′₀)、(ρ′₁,γ′₁)、(ρ′₂,γ′₂)和(ρ′₃,γ′₃)，所述(ρ′₀,γ′₀)、(ρ′₁,γ′₁)、(ρ′₂,γ′₂)和(ρ′₃,γ′₃)依次分别为集合TS₀、TS₁、TS₂和TS₃中的候选目标边缘点，当max(Dim(ρ′₀,γ′₀),Dim(ρ′₁,γ′₁))＜min(Dim(ρ′₂,γ′₂),Dim(ρ′₃,γ′₃))或min(Dim(ρ′₀,γ′₀),Dim(ρ′₁,γ′₁))＞max(Dim(ρ′₂,γ′₂),Dim(ρ′₃,γ′₃))成立时，表示组合(ρ′₀,γ′₀)、(ρ′₁,γ′₁)、(ρ′₂,γ′₂)和(ρ′₃,γ′₃)为无谓组合，否则表示组合(ρ′₀,γ′₀)、(ρ′₁,γ′₁)、(ρ′₂,γ′₂)和(ρ′₃,γ′₃)为候选边缘组合；步骤4.2.3：对所有候选边缘组合采用如下方法判断虚边和实边：对于候选边缘组合(ρ₀,γ₀)、(ρ₀,γ₁)、(ρ₂,γ₂)和(ρ₃,γ₃)，取max(Dim(ρ₀,γ₀),Dim(ρ₁,γ₁))和max(Dim(ρ₂,γ₂),Dim(ρ₃,γ₃))对应的候选目标边缘点的边缘灰度分布为候选边缘组合(ρ₀,γ₀)、(ρ₁,γ₁)、(ρ₂,γ₂)和(ρ₃,γ₃)的虚边，取min(Dim(ρ₀,γ₀),Dim(ρ₁,γ₁))和min(Dim(ρ₂,γ₂),Dim(ρ₃,γ₃))对应的候选目标边缘点的边缘灰度分布为候选边缘组合(ρ₀,γ₀)、(ρ₁,γ₁)、(ρ₂,γ₂)和(ρ₃,γ₃)的实边；步骤4.3：采用如下方法提取所有候选边缘组合的边缘线段：对于候选边缘组合(ρ₀,γ₀)、(ρ₁,γ₁)、(ρ₂,γ₂)和(ρ₃,γ₃)，取Fl(ρ₀,γ₀)和Fl(ρ₂,γ₂)的交点坐标为(x₀₂,y₀₂)：$\left[\begin{array}{c}{x}_{02}\\ y_{02}\end{array}\right]={\left[\begin{array}{cc}\cos {\gamma }_0& \sin {\gamma }_0\\ \cos {\gamma }_2& {\sin \gamma }_2\end{array}\right]}^{-1}\left[\begin{array}{c}{\rho }_0\\ {\rho }_2\end{array}\right]=\left[\begin{array}{cc}\frac{{\sin \gamma }_2}{{\cos \gamma }_0{\sin \gamma }_2-{\cos \gamma }_2{\sin \gamma }_0}& \frac{{-\sin \gamma }_0}{\cos {\gamma }_0{\sin \gamma }_2-{\cos \gamma }_2{\sin \gamma }_0}\\ \frac{{\cos \gamma }_2}{{\cos \gamma }_2{\sin \gamma }_0-\cos {\gamma }_0{\sin \gamma }_2}& \frac{{-\cos \gamma }_0}{{\cos \gamma }_2{\sin \gamma }_0-{\cos \gamma }_0{\sin \gamma }_2}\end{array}\right]\left[\begin{array}{c}{\rho }_0\\ {\rho }_2\end{array}\right]$Fl(ρ₀,γ₀)与Fl(ρ₃,γ₃)的交点坐标为(x₀₃,y₀₃)：$\left[\begin{array}{c}{x}_{03}\\ y_{03}\end{array}\right]={\left[\begin{array}{cc}\cos {\gamma }_0& \sin {\gamma }_0\\ \cos {\gamma }_3& {\sin \gamma }_3\end{array}\right]}^{-1}\left[\begin{array}{c}{\rho }_0\\ {\rho }_3\end{array}\right]=\left[\begin{array}{cc}\frac{{\sin \gamma }_3}{{\cos \gamma }_0{\sin \gamma }_3-{\cos \gamma }_3{\sin \gamma }_0}& \frac{{-\sin \gamma }_0}{\cos {\gamma }_0{\sin \gamma }_3-{\cos \gamma }_3{\sin \gamma }_0}\\ \frac{{\cos \gamma }_3}{{\cos \gamma }_3{\sin \gamma }_0-\cos {\gamma }_0{\sin \gamma }_3}& \frac{{-\cos \gamma }_0}{{\cos \gamma }_3{\sin \gamma }_0-{\cos \gamma }_0{\sin \gamma }_3}\end{array}\right]\left[\begin{array}{c}{\rho }_0\\ {\rho }_3\end{array}\right]$Fl(ρ₁,γ₁)与Fl(ρ₂,γ₂)的交点坐标为(x₁₂,y₁₂)：$\left[\begin{array}{c}{x}_{12}\\ y_{12}\end{array}\right]={\left[\begin{array}{cc}\cos {\gamma }_1& \sin {\gamma }_1\\ \cos {\gamma }_2& {\sin \gamma }_2\end{array}\right]}^{-1}\left[\begin{array}{c}{\rho }_1\\ {\rho }_2\end{array}\right]=\left[\begin{array}{cc}\frac{{\sin \gamma }_2}{{\cos \gamma }_1{\sin \gamma }_2-{\cos \gamma }_2{\sin \gamma }_1}& \frac{{-\sin \gamma }_1}{\cos {\gamma }_1{\sin \gamma }_2-{\cos \gamma }_2{\sin \gamma }_1}\\ \frac{{\cos \gamma }_2}{{\cos \gamma }_2{\sin \gamma }_1-\cos {\gamma }_1{\sin \gamma }_2}& \frac{{-\cos \gamma }_0}{{\cos \gamma }_2{\sin \gamma }_1-{\cos \gamma }_1{\sin \gamma }_2}\end{array}\right]\left[\begin{array}{c}{\rho }_1\\ {\rho }_2\end{array}\right]$Fl(ρ₁,γ₁)与Fl(ρ₃,γ₃)的交点坐标为(x₁₃,y₁₃)：$\left[\begin{array}{c}{x}_{13}\\ y_{13}\end{array}\right]={\left[\begin{array}{cc}\cos {\gamma }_1& \sin {\gamma }_1\\ \cos {\gamma }_3& {\sin \gamma }_3\end{array}\right]}^{-1}\left[\begin{array}{c}{\rho }_1\\ {\rho }_3\end{array}\right]=\left[\begin{array}{cc}\frac{{\sin \gamma }_3}{{\cos \gamma }_1{\sin \gamma }_3-{\cos \gamma }_3{\sin \gamma }_1}& \frac{{-\sin \gamma }_1}{\cos {\gamma }_1{\sin \gamma }_3-{\cos \gamma }_3{\sin \gamma }_1}\\ \frac{{\cos \gamma }_3}{{\cos \gamma }_3{\sin \gamma }_1-\cos {\gamma }_1{\sin \gamma }_3}& \frac{{-\cos \gamma }_0}{{\cos \gamma }_3{\sin \gamma }_1-{\cos \gamma }_1{\sin \gamma }_3}\end{array}\right]\left[\begin{array}{c}{\rho }_1\\ {\rho }_3\end{array}\right]$在边缘灰度分布Fl(ρ₀,γ₀)中截取处于(x₀₂,y₀₂)与(x₀₃,y₀₃)之间的边缘线段为Fl'(ρ₀,γ₀)，在边缘灰度分布Fl(ρ₁,γ₁)中截取处于(x₁₂,y₁₂)与(x₁₃,y₁₃)之间的边缘线段为Fl'(ρ₁,γ₁)，在边缘灰度分布Fl(ρ₂,γ₂)中截取处于(x₀₂,y₀₂)与(x₁₂,y₁₂)之间的边缘线段为Fl'(ρ₂,γ₂)，在边缘灰度分布Fl(ρ₃,γ₃)中截取处于(x₀₃,y₀₃)与(x₁₃,y₁₃)之间的边缘线段为Fl'(ρ₃,γ₃)；步骤4.4：采用如下方法提取所有候选边缘组合的图像域虚边特征：对于候选边缘组合的虚边Fl(ρ_ξ,γ_ξ)，边缘线段Fl'(ρ_ξ,γ_ξ)的长度为l_ξ'，取p＝4,5,6,…,14，循环进行如下划分：将边缘线段Fl'(ρ_ξ,γ_ξ)平均划分为p个区间，则边缘线段Fl'(ρ_ξ,γ_ξ)的区间分割点为：虚边Fl(ρ_ξ,γ_ξ)在划分为p个区间情况下的第e个区间为：对从0至p-3区间中的每个区间进行如下处理：提取区间内所有元素的灰度分布值，取区间所有元素灰度分布值的平均值为根据公式：$C_e^p=\frac{\underset{r=0}{\overset{{l_{\xi }}^{\prime }/p}{\Sigma }}(p_{x_e^p+r}-\overline{p_e^p})·(p_{x_{e+2}^p+r}-\overline{p_{e+2}^p})}{({l_{\xi }}^{\prime }/p)·\sigma \left(X_e^p\right)·\sigma \left(X_{e+2}^p\right)}$计算区间的相似性其中表示区间内第r个元素的灰度分布值，表示区间内第r个元素的灰度分布值，表示区间所有元素灰度分布值的平均值，代表区间中所有元素灰度分布值标准差，代表区间中所有元素灰度分布值标准差；根据公式：$G_e^p=\frac{C_e^p+1}{2}{e}^{{-\left(r_e^p\right)}^2/{2\phi }^2}$构造对比度高斯加权其中，为表示区间所有元素灰度分布值的平均值，φ＝1/8h；归一化虚边Fl'(ρ_ξ,γ_ξ)的特征值取p＝4,5,6,…,14这11种划分方式中特征值最大的划分方式为最佳划分方式Δ₀×Δ₀，其中Δ₀等于最佳划分方式对应的p值，最大特征值赋值为G₀；同一候选边缘组合另一条虚边的最大特征值赋值为G₁；对于一个候选边缘组合内的两条虚边，若该两条虚边的最佳划分方式不相同，则将该候选边缘组合重新定义为无谓组合；步骤4.5：采用如下方法提取所有候选边缘组合的图像域实边特征：对于候选边缘组合的实边Fl(ρ_ζ,γ_ζ)，取边缘线段Fl'(ρ_ζ,γ_ζ)中的元素最大值与元素最小值之差为M，令F₁为边缘线段Fl'(ρ_ζ,γ_ζ)中的元素最小值，F_M为边缘线段Fl'(ρ_ζ,γ_ζ)中的元素最大值，F_i+1＝F_i+1，i＝1~M-2，建立初始灰度层共现矩阵Q：$Q=\left[\begin{array}{cccc}Q(F_1,F_1)& Q(F_1,F_2)& ...& Q(F_1,F_M)\\ Q(F_2,F_1)& Q(F_2,F_2)& ...& Q(F_2,F_M)\\ ...& ...& ...& ...\\ Q(F_M,F_1)& Q(F_M,F_2)& ...& Q(F_M,F_M)\end{array}\right]\left[\begin{array}{cccc}0& 0& ...& 0\\ 0& 0& ...& 0\\ ...& ...& ...& ...\\ 0& 0& ...& 0\end{array}\right]$遍历边缘线段Fl'(ρ_ζ,γ_ζ)中的所有相邻元素：对于相邻元素Fl′_i和Fl′_i+1，若Fl′_i的元素值为F_x，Fl′_i+1的元素值为F_y，则将矩阵Q内的元素Q(F_x,F_y)和Q(F_y,F_x)的元素值分别加1；按照公式：$Q{(F_i,F_j)}^{\prime }=\frac{Q(F_i,F_j)}{\underset{m=1}{\overset{M}{\Sigma }}\underset{n=1}{\overset{M}{\Sigma }}Q(F_m,F_n)},i=1~M,j=1~M$归一化灰度层共现矩阵Q，得到实边特征为同一候选边缘组合的另一条实边特征记为I₁；步骤4.6：采用如下方法提取Hough域所有候选边缘组合的内部边缘分布特征：步骤4.6.1：对于候选边缘组合(ρ₀,γ₀)、(ρ₁,γ₁)、(ρ₂,γ₂)和(ρ₃,γ₃)，其交点为(x₀₂,y₀₂)，(x₀₃,y₀₃)，(x₁₂,y₁₂)和(x₁₃,y₁₃)，其最佳划分方式为Δ₀×Δ₀；将交点(x₀₂,y₀₂)，(x₀₃,y₀₃)，(x₁₂,y₁₂)和(x₁₃,y₁₃)映射为无透视形变的DataMatrix码顶点，映射关系为$(x_{03},y_{03})\Rightarrow (0,l),$$(x_{02},y_{02})\Rightarrow (l,l),$$(x_{12},y_{12})\Rightarrow (l,0)$与$(x_{13},y_{13})\Rightarrow \left(\mathrm{0,0}\right),$$l=\sqrt{\max (x_{12}-x_{13},x_{02}-x_{03})\times \max (y_{03}-y_{13},y_{02}-y_{13})};$根据映射关系得到透视变换齐次方程为：$\left[\begin{array}{c}0\\ l\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\left[\begin{array}{c}{x}_{03}\\ y_{03}\\ 1\end{array}\right]$$\left[\begin{array}{c}l\\ l\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\left[\begin{array}{c}{x}_{02}\\ y_{02}\\ 1\end{array}\right]$$\left[\begin{array}{c}l\\ 0\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\left[\begin{array}{c}{x}_{12}\\ y_{12}\\ 1\end{array}\right]$$\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]\left[\begin{array}{c}{x}_{13}\\ y_{13}\\ 1\end{array}\right]$解出齐次矩阵$H=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right];$步骤4.6.2：透视变换校正后的DataMatrix码图像中，DataMatrix码内部边缘集合为：$L_1=\left\{l_i\right|l_i=f((x_{03}+\frac{l}{{\Delta }_0}*i,y_{03}),(x_{13}+\frac{l}{{\Delta }_0}*i,y_{13})),i=\mathrm{0,1,2},...,{\Delta }_0\}$和$L_2=\left\{l_j\right|l_j=f((x_{13},y_{13}+\frac{l}{{\Delta }_0}*j),(x_{12},y_{12}+\frac{l}{{\Delta }_0}*j)),j=\mathrm{0,1,2},...,{\Delta }_0\},$其中函数f((x₁,y₁),(x₂,y₂))表示由点(x₁,y₁)和点(x₂,y₂)连成的直线；步骤4.6.3：对于DataMatrix码内部边缘集合L₁和L₂中的所有直线进行如下操作：对于集合L₁和L₂中的直线l_m＝f((x₁,y₁),(x₂,y₂))，取l_m在图像A₁中对应的边缘直线为：l_m'＝f((x₁',y₁'),(x₂',y₂'))，其中：${x_1}^{\prime }=\frac{h_{11}{x}_1+h_{12}{y}_1+h_{13}}{h_{31}{x}_1+h_{32}{y}_1+h_{33}},$${y_1}^{\prime }=\frac{h_{21}{x}_1+h_{22}{y}_1+h_{23}}{h_{31}{x}_1+h_{32}{y}_1+h_{33}}$${x_2}^{\prime }=\frac{h_{11}{x}_2+h_{12}{y}_2+h_{13}}{h_{31}{x}_2+h_{32}{y}_2+h_{33}},$${y_2}^{\prime }=\frac{h_{21}{x}_2+h_{22}{y}_2+h_{23}}{h_{31}{x}_2+h_{32}{y}_2+h_{33}}$得到与l_m'对应的霍夫点(ρ_m',γ_m')：$\left\{\begin{array}{c}{{\gamma }_m}^{\prime }=-\arctan \frac{{x_1}^{\prime }-{x_2}^{\prime }}{{y_1}^{\prime }-{y_2}^{\prime }}\\ {{\rho }_m}^{\prime }={x_1}^{\prime }{{\cos \gamma }_m}^{\prime }+{y_1}^{\prime }{{\sin \gamma }_m}^{\prime }\end{array}\right.;$得到集合L₁和L₂中所有直线在图像A₁中对应的边缘直线为与及与在霍夫域对应的霍夫点与步骤4.6.4：取hough点(ρ_n',γ_n')分布邻域为：$((\frac{{{\rho }_{n-1}}^{\prime }+{{\rho }_n}^{\prime }}{2},\frac{{{\gamma }_{n-1}}^{\prime }+{{\gamma }_n}^{\prime }}{2}),({{\rho }_n}^{\prime },{{\gamma }_n}^{\prime }))\cup (({{\rho }_n}^{\prime },{{\gamma }_n}^{\prime }),(\frac{{{\rho }_{n+1}}^{\prime }+{{\rho }_n}^{\prime }}{2},\frac{{{\gamma }_{n+1}}^{\prime }+{{\gamma }_n}^{\prime }}{2}))$提取hough域Hg中在(ρ_n',γ_n')分布邻域内的所有霍夫点，组成一个边缘点分布区间中的元素为hough域Hg中在(ρ_n',γ_n')分布邻域内的所有霍夫点的灰度值；分布区间峰度值g_n为：$g_n=\frac{N^2(N+1)u_4}{(N-1)(N-2)(N-3)s^4}-3\frac{{(N-1)}^2}{(N-2)(N-3)}$其中N为分布区间的长度，$s=\sqrt{\frac{1}{N-1}\underset{{\eta }_i\in \overline{{U_n}^{\prime }}}{\Sigma }{({\eta }_i-\frac{1}{N}\underset{{\eta }_j\in \overline{{U_n}^{\prime }}}{\Sigma }{\eta }_j)}^2},$$u_4=\frac{1}{N}\underset{{\eta }_i\in \overline{{U_n}^{\prime }}}{\Sigma }{({\eta }_i-\frac{1}{N}\underset{{\eta }_j\in \overline{{U_n}^{\prime }}}{\Sigma }{\eta }_j)}^4,$η_i为中的元素；计算得到边缘直线集合的峰度平均值：步骤4.6.5：采用与步骤4.6.4相同的方法计算另一边缘直线集合的峰度平均值为k₁；得到候选边缘组合(ρ₀,γ₀)、(ρ₁,γ₁)、(ρ₂,γ₂)和(ρ₃,γ₃)的Hough域内部边缘分布特征k₀和k₁；步骤5：根据步骤4得到的虚边特征值G₀与G₁、实边特征值I₀与I₁、以及Hough域内部边缘分布特征k₀和k₁，建立所有W组候选边缘组合的特征，其中第i组候选边缘组合的特征记为：1≤i≤W，所有候选边缘组合特征的集合记为：步骤5.1：分配多特征的基本信度：步骤5.1.1：从至少10幅标准DataMatrix码图像中提取所述6个特征G₀,G₁,I₀,I₁,k₀,k₁，并求取每个特征的平均值，将其作为标准尺度，设为步骤5.1.2：计算W组候选边缘组合中每个特征的最大值，用表示；步骤5.1.3：对于中的候选边缘组合特征Fet_v，Fet_v的第j个特征的焦元[A]信度分配(m_v,j(A))为：其中焦元[A]表示属于DM码精确定位特征；Fet_v第j个特征的焦元[A]似真函数值(Pl_v，j(A))为：Fet_v第j个特征的焦元[B]的信度分配m_v,j(B)为：m_v,j(B)＝1-Pl_v，j(A)，焦元[A,B]的信度分配m_v，j(Θ)为：m_v,j(Θ)＝1-m_v，j(A)-m_v,j(B)，其中焦元[B]表示不属于DM码精确定位特征，焦元[A,B]表示不确定；步骤5.1.4：重复步骤5.1.3，求取Fet_v中所有特征的信度分配；步骤5.1.5：重复步骤5.1.3~5.1.4，求取出所有候选边缘组合的所有特征的信度分配；步骤5.2：基于Dempster融合规则的多特征融合：步骤5.2.1：对于中的候选边缘组合特征Fet_v，计算Fet_v的第一个特征fet_v，1与第二个特征fet_v,2之间的冲突大小K_v⁽¹⁾：K_v⁽¹⁾＝m_v,1(A)m_v,2(B)+m_v,2(A)m_v,1(B)计算fet₁与fet₂融合之后的新焦元信度分配m_v⁽¹⁾(A)，m_v⁽¹⁾(B)与m_v⁽¹⁾(Θ)：${m_v}^{\left(1\right)}\left(A\right)=\frac{m_{v,1}\left(A\right)m_{v,2}\left(A\right)+m_{v,1}\left(A\right)m_{v,2}\left(\Theta \right)+m_{v,1}\left(\Theta \right)m_{v,2}\left(A\right)}{1-{K_v}^{\left(1\right)}}$${m_v}^{\left(1\right)}\left(B\right)=\frac{m_{v,1}\left(B\right)m_{v,2}\left(B\right)+m_{v,1}\left(B\right)m_{v,2}\left(\Theta \right)+m_{v,1}\left(\Theta \right)m_{v,2}\left(B\right)}{1-{K_v}^{\left(1\right)}}$${m_v}^{\left(1\right)}\left(\Theta \right)=\frac{m_{v,1}\left(\Theta \right)m_{v,2}\left(\Theta \right)}{1-{K_v}^{\left(1\right)}};$将融合之后的新焦元信度分配与余下特征按照下面公式进行逐个融合，其中融合后的新焦元信度分配m_v⁽ⁱ⁾(A)，m_v⁽ⁱ⁾(B)和m_v⁽ⁱ⁾(Θ)为，i取2~5：${m_v}^{\left(i\right)}\left(A\right)=\frac{{m_v}^{(i-1)}\left(A\right)m_{v,i+1}\left(A\right)+{m_v}^{(i-1)}\left(A\right)m_{v,i+1}\left(\Theta \right)+{m_v}^{(i-1)}\left(\Theta \right)m_{v,i+1}\left(A\right)}{1-{K_v}^{\left(i\right)}}$${m_v}^{\left(i\right)}\left(B\right)=\frac{{m_v}^{(i-1)}\left(B\right)m_{v,i+1}\left(B\right)+{m_v}^{(i-1)}\left(B\right)m_{v,i+1}\left(\Theta \right)+{m_v}^{(i-1)}\left(\Theta \right)m_{v,i+1}\left(B\right)}{1-{K_v}^{\left(i\right)}}$${m_v}^{\left(i\right)}\left(\Theta \right)=\frac{{m_v}^{(i-1)}\left(\Theta \right)m_{v,i+1}\left(\Theta \right)}{1-{K_v}^{\left(i\right)}};$K_v⁽ⁱ⁾＝m_v^(i-1)(A)m_v，i+1(B)+m_v，i+1(A)m_v^(i-1)(B)得到最终融合结果m_v⁽⁵⁾(A)，m_v⁽⁵⁾(B)与m_v⁽⁵⁾(Θ)；步骤5.2.2：重复步骤5.2.1，得到中所有的候选边缘组合特征的最终融合结果；步骤5.3：基于证据理论决策规则的最终精确定位边缘组合判决：步骤5.3.1：建立初始最大信任度值m(A)＝0，将W组候选边缘组合中的第一组候选边缘组合设为初始最佳候选边缘组合；从W组候选边缘组合中的第二组候选边缘组合开始，顺序选取候选边缘组合，进入步骤5.3.2；步骤5.3.2：当选取的候选边缘组合的最终融合结果中m⁽⁵⁾(A)＞m⁽⁵⁾(Θ)且m⁽⁵⁾(Θ)＜0.2且m⁽⁵⁾(A)＞m(A)，则进入步骤5.3.3，否则选取下一个候选边缘组合，重复本步骤5.3.2；步骤5.3.3：用步骤5.3.2中选出的候选边缘组合作为新的最佳候选边缘组合，用步骤5.3.2中选出的候选边缘组合的最终融合结果中的m⁽⁵⁾(A)作为新的最大信任度值；步骤5.3.4：重复步骤5.3.2~步骤5.3.3，遍历所有W组候选边缘组合中的所有候选边缘组合，最终得到的最佳候选边缘组合即为最终定位结果。