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)。
[0086]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)。
[0087]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值以及 它们的标记图像。注意，每个颜色频率信息t自身是Μ序列（图9中的上部）。
[0088]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)。
[0089] 图11Α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11Α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11Α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。
[0090] 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。
[0091 ]第二示例性实施例
[0092]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 Μ序列矩阵 的转置矩阵WT(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( 〇)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。
[0093]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。
[0094] 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。
[0095] 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。
[0096]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。
[0097]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。 [0098]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。
[0099] 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0.1，1 表示单位矩阵。
[0100][表达式2]
[0101] Β-Β+ΕΔΒ …⑷
[0102]
[0103]
[0104] 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#。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。
[0105] [表达式3]
[0106]
[0107]
[0108]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。
[0109]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Β(在下文中被表达为"学习后矩阵Β"），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）。
[0110]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Μ序列矩阵的形式，但 是学习后矩阵Β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 Β，可以正确地识别每个比特。
[0111]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。
[0112][至ICA的输入图像图案]
[0113]翻滚：以5度间隔的0度至20度，5种图案 [0114]俯仰：以5度间隔的0度至20度，5种图案
[0115] 偏航：以30度间隔的0度至360度，12种图案
[0116] 高斯:三种图案0、1.0和2.0
[0117] 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。
[0118]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