验证印刷条目的身份的方法和系统与流程

本申请要求2014年2月28日提交的美国临时专利申请第61/945,917号和2014年12月4日提交的美国申请第14/561,215号的优先权，其内容通过引用并入本文中。本申请涉及2015年2月10日公告的美国专利第8,950,662号和2012年3月1日提交的美国临时专利申请第61/605,369号、2012年7月26日提交的第61/676,113号、2012年10月24日提交的第61/717,711号。这些文件中的每一个的内容通过引用并入本文中。
技术领域：
本发明总体涉及机器视觉技术，更具体的涉及验证印刷条目的身份的方法和系统。
背景技术：
：一些现有验证印刷条目的身份的方法一般基于有意应用到条目上(通常通过印刷)的明显的或隐藏的标记。其它方法依赖于材料基片(例如纸张中的纤维方向)中的自然变化作为唯一标识符征。现有技术中存在明显的缺陷。这些缺陷包括：除了条目上已经存在的用于其它目的的标记之外，还需要有意地将明显的或隐藏的标记添加到条目上。在基片变化方法的情况中，必须有感知该变化的专门系统。此外，对于没有呈现容易可识别的唯一特征的基片(例如，一些塑料薄膜)就不能采用该方法。这些缺陷严重限制了这些方法在此处考虑的
技术领域：
中的应用。附图说明尽管随附的权利要求详细描述了本发明技术的特征，但是从以下详细描述并结合附图可以最好地理解这些技术以及它们的目标和优点：图1绘示了利用根据实施例的方法绘制的印刷标记的实例。图2绘示了具有清楚地提取的标记的边缘特征的图1中的标记。图3绘示了与图1中的标记一样的第二个实例，其可以表示图1中的标记的伪像版本。图4绘示了具有清楚地提取的标记的边缘特征的图3中的标记。图5是通过热转印工艺(thermaltransferprocess)印刷的(2-D)2维数据矩阵的示例，绘示了可能会用于本发明方法中的一些特征。图6绘示了对图2和图4的左上角区域特征的比较。图7是类似于图5的数据矩阵的影印本的示例。图8是计算机系统的示意图。图9是可操作执行根据本发明的过程的计算机系统的方块图。图10是记录新标记的方法的实施例的流程图。图11是对特性特征的加权图解。图12是评估标记的方法的实施例的流程图。图13是伪像幅值的比较图。图14是图13的细节图，比图13比例尺更大。图15是1维(1-D)条形码，绘示了可能会用到实施例中的一些特征。图16是具有真实的“候选”符号的真实条目的自相关序列的多项式逼近图。图17是用于图16中的真实数据的幂级数的图表。图18用于图16中的“候选”数据的类似于图17的图表。图19是用于伪像“候选”符号的类似于图17的图表。图20是用于图19中使用的伪像数据的类似于图17的图表。图21是用于对比测量的惯性矩的图表。具体实施方式本发明涉及利用之前被认为太小而不可用于验证的变化来探测某些种类的真实条目的机械副本。本发明的方面属于反伪像(anti-counterfeiting)和用于跟踪与追踪(track-and-trace)供应链安全为目的的条目序列化领域。在一个实施例中，例如，利用热转工艺或喷墨工艺印刷的原始条目通常具有高度均匀、纯色、黑色区域或其它印刷区域。静电印刷工艺趋向于产生黑色在低分辨率处变得更灰在高分辨率处变得斑驳的印刷区域。差异是不明显的，但是利用本说明书中公开的技术，可以以足够的可信度探测到足够比例的实例中的差异，从而有助于将热转印原始条目与它的影印本区分开。公开的一个实施例提供验证印刷条目的身份的方法，包括：检查未验证条目，以寻找特定于该未验证条目的未验证伪像；提取与未验证伪像相关联的信息；从存储设备检索包含与原始条目的原始伪像相关联信息的存储数据；根据未验证伪像或原始伪像的特征的幅值对未验证信息进行排序；分别针对第一幅值范围中和第二幅值范围中的伪像，将排序的未验证伪像相关联的信息和相应地排序的与原始伪像相关联的信息相比较，其中第二范围包括比第一范围中的最小伪像小的伪像；当针对第二范围的与未验证伪像相关联的信息和与原始伪像相关联的信息之间的差值比针对第一范围的差值大超过一个阈值数量时，将未验证条目识别为副本。在本申请中，应当宽泛地理解“印刷(print)”，如包括生成可由成像工艺合理模仿的符号的任何工艺。本方面的方法尤其涉及(尽管不是排除地)探测影印本，因此，“印刷条目(printeditem)”包括可以被逼真影印的任何事物。这不仅包括将一种颜色(不必是黑色或微黑色)的墨、色素、染料等等的图案应用到第二种颜色(不必是白色或稍白色)的基片上的工艺，还包括烧蚀工艺，其中第二种颜色的表面层或涂层是原始存在的，并且其部分被移除以创建图案。相应的，对“印刷机”的引用也应当相应广泛地理解。如以下详细描述的，“比第一范围中的最小伪像小的伪像(artifact)”可以包括或由以下各项组成：完全没有伪像的位置、或在探测系统的统计噪声上探测不到伪像的位置、或只可探测到噪声的位置。该差值是伪像的幅值或其比率的平均或合计差值，或者是伪像的幅值中的变化的统计测量。实施例还包括：分别比较之前，针对于在第一范围中有幅值的伪像，比较与未验证伪像相关联的信息和与原始伪像相关联的信息；估计未验证伪像的信息匹配原始伪像的信息的统计概率；在统计概率大于第一阈值的情况下，确定未验证条目是经验证的原始条目；在统计概率在第二阈值之下(第二阈值小于第一阈值)的情况下，确定未验证条目不是原始条目；以及只有在统计概率在第一阈值和第二阈值之间时执行分别比较的步骤。第一范围可以由预定数量的具有最大幅值的伪像组成，并且/或者第二范围由预定数量的具有最小幅值或大于探测阈值的最小幅值的伪像组成。第一范围和第二范围可以重叠。实施例还包括：计算针对第一范围和第二范围的排序的未验证伪像的信息的自相关序列，其中分别比较包括：针对第一范围和第二范围的每一个，比较未验证自相关序列和原始自相关序列。存储的数据可以包括：表示对于第一范围和第二范围的排序的原始条目伪像的自相关序列的数据，或者表示只有在比较时才可能产生的原始条目伪像的自相关序列的数据。伪像中的至少一些可以是对数据编码并支持误差(error)检测的符号的伪像，因此，提取表示未验证伪像的信息可以包括确定具有未验证伪像的符号的异常状态。异常状态可以指示符号的部分被损坏，并且比较可以包括估低(discounting)符号的损坏部分中的伪像。通常，“估低(discounting)”伪像包括：相比于其它可比较的伪像给该伪像较低的统计排序，将该伪像放在不能被精确量化和/或排序的单独的伪像类中，用与处理没有探测到该类伪像的位置相同的方式处理该伪像，以及完全忽略该伪像。即使在单一个示例中也可以将这些方案的不同方法应用在不同的点。比较可以包括：校正以下设备中的至少一个的属性：创建原始伪像的设备、用于检查原始条目的表示原始伪像的信息的设备、以及用于检查未验证条目的表示未验证伪像的信息的设备。伪像可能属于不同的类。确定未验证伪像的信息是否匹配原始伪像的信息可以包括：比较每个类中的未验证伪像和原始伪像，并且合并比较结果。校正可以包括：根据创建原始伪像的设备的已知趋向加权合并结果，设备创建了原始伪像从而产生具有不同频率或不同的特征值的不同类中的伪像。实施例还包括：检查原始印刷条目，以寻找特定于该条目的伪像；提取与该伪像相关联的信息；根据该伪像的某特征对该信息排序；以及存储代表排序信息的数据作为上述的存储数据，与该原始条目分开的将数据存储在非暂时性计算机可读存储设备中。伪像中的至少一些可以是在产生原始条目时不可控地产生的伪像。原始条目可以包括标记，该标记包括标识符和至少一个伪像，其中标识符与原始条目相关联，并且该至少一个伪像不改变这种关联关系。那么存储的步骤则可以包括：存储该信息从而利用该标识符对该信息可以至少部分地可定位。实施例提供了利用以上方法验证条目的身份的系统，该系统包括：验证扫描器和处理器，验证扫描器可操作用于检查未验证条目并提取表示未验证条目的未验证伪像的信息，处理器可操作用于从存储设备检索包含表示原始条目的排序的原始伪像的信息的存储数据、比较未验证伪像的信息和原始伪像的信息、以及根据比较结果产生输出。实施例提供了利用以上方法验证条目的身份的系统，该系统包括：原始条目扫描器、编码器和计算机可读存储设备，原始条目扫描器可操作用于检查条目并提取表示条目的伪像的信息；编码器可操作用于根据伪像的特征对该信息进行排序，以及将提取的信息编码成计算机可读数据；计算机可读存储设备可操作用于存储该数据。该系统还包括可操作用于产生原始条目的原始条目产生器，其中伪像是当原始条目产生器产生条目时产生的条目的特征，并且至少一些伪像是非可控的由原始条目产生器产生的。该系统还可以包括至少一个原始条目，针对该至少一个原始条目的排序的伪像数据存储在计算机可读存储设备中。实施例提供存储计算机可读指令的非暂时性计算机可读存储媒介，当该指令执行在合适的计算处理器上时，根据以上任一方法验证条目的身份。实施例提供验证印刷条目的身份的方法，包括：成像未验证印刷条目的印刷区域；提取与该印刷区域的空间对比相关联的信息；从存储设备中检索包含与原始条目的对应印刷区域的空间对比相关联信息的存储数据；比较与未验证印刷条目和原始印刷条目的印刷区域的空间对比相关联的信息；以及与当未验证印刷条目和原始印刷条目的印刷区域的空间对比相关联的信息之间的差值大于阈值数量，则将该未验证条目识别为副本。与印刷区域的空间对比相关联的信息可以是灰度共生矩阵的惯性矩(amomentofinertiaofagray-levelco-occurrencematrix)。来自多个标记或其它印刷条目的不同信息可以存储在一个存储设备中，例如以数据库的形式，利用来自所述标记中的一个的标识符，可以检索到来自小于所述多个标记数量的若干标记并且包括所述一个标记的各个信息。在示例中，标识符可以识别一组或一类条目。因此可以将标识符用于从数据库中检索仅涉及在该组或该类中的条目的信息，从而减小用于识别单个条目上的信息的后续搜索程度。在另一个示例中，较小数量的若干标记可以只是上述的一个标记。例如，标识符可以是唯一标识符(UniqueIdentifier，UID)，其明确识别仅单一一个条目，并且可以将信息存储为其可利用UID检索。存储的信息可以包括指示涉及创建原始伪像的印刷机类型的信息。存储的信息可以包括只是涉及检查原始条目的设备的分辨率的信息。当伪像属于不同的类时，确定未验证伪像的信息是否匹配原始伪像的信息可以包括：比较探测的每个类中的伪像并合并比较结果，并且校正可以包括：根据的已知趋向加权该合并，设备创建原始伪像从而产生具有不同频率或不同幅值的不同类中的伪像。信息的提取还可以包括：当伪像属于多个不同的类时，确定用于产生伪像的印刷机的类型。编码排序的原始伪像的信息并存储该信息可以包括以下至少一个：根据印刷机的类型排序不同类的伪像，以及存储指示印刷机的类型的数据作为存储数据的一部分。该信息可能是有用的，因为不同类型的印刷机可以产生具有不同幅值范围的不同类的伪像，或多或少地，或者产生具有其它变化的不同类的伪像，该变化可以影响如何评估不同类的伪像或给不同类的伪像加权多少。除了表示原始伪像的信息之外，可以将涉及原始条目的其它信息并入存储数据中。其它原始条目信息可以包括特定于原始条目的序列号。因此除了表示原始伪像的信息之外，这些其它信息也可以从检索的存储数据中恢复。当伪像中的至少一些是对数据编码的符号的伪像，并且被编码数据包括针对该符号的单个实例的唯一标识符(UID)或其它识别数据时，则存储数据可以存储为可以根据从UID或其它识别数据衍生的标识符检索。当其它标识数据仅部分地识别该符号时，例如，识别出一类条目或一组条目比其数据存储在数据库中的所有条目少时，则可以存储该数据，使得根据从其它识别数据衍生的标识符可以检索针对该类或组的存储数据。因此，通过在已检索的组中进一步搜索就可以检索到针对期望的单个原始条目的存储数据。对排序的原始伪像的信息编码包括计算排序的原始伪像的信息的自相关序列时，编码还可以包括：将自相关序列表示或近似到固定阶数的多项式。其可以近似到具有预定阶数的多项式，并且可以将系数近似到预定精度。对排序的原始伪像的信息编码包括计算排序的原始伪像的信息的自相关序列时，比较可以包括：计算未验证伪像的信息的自相关序列，以及比较这两个自相关序列。比较可以进一步或替换为包括：比较这两个自相关序列的离散傅里叶(DiscreteFourierTransform,DFT)幂级数，并且还可以包括：比较DFT幂级数的峭度(Kurtosis)或分布偏差(DistributionBias)函数中的至少一个。验证扫描器可以耦接至销售点设备。验证扫描器可以植入手机中。在很多实施例中，优选地，伪像是不影响或至少不减弱标记、条目或它们所在的物体的功能或商业价值的特征。参考以下对实施例的详细描述和附图可以更好理解本发明的方法和设备的各个特征和优点。尽管这些附图描绘了预期的方法或装置的实施例，但是不得将其解释为排除对领域普通技术人员来说明显的替代或等同实施例。在实施例中，方法用于被应用到条目的标记上。这些标记可能是为了唯一地识别条目，例如具有序列号，或者它们是用于诸如标识品牌、用作标签或装饰等其它目的的标记。这些标记可以利用各种工艺印刷、刻蚀、铸模、形成、迁移或其它方式应用到条目上。获取这些标记之后就可以以电子形式对其处理。电子获取的方法是不同的，并且包括但不限于：机器视觉照相机、条码阅读器、行扫描成像仪、平板扫描器、手持便携式成像设备或很多其它装置。现在参考附图，图1示出了可以将本申请的方法应用于一般由参考数字20指示的印刷标记的示例。在该示例中，印刷标记是2维条码。该条码是信息的数据载体，其中该信息编码为标记中由亮区域22和暗区域24组成的图案。2维条码的理想实例由矩形格组成，黑色格或白色格中的每个单元或“模块”22，24表示一比特数据。图2提供图1中的标记中存在一些变化的增强视图。图2只示出了图1中示出的标记的亮区域和暗区域之间的边缘26。图1中示出的标记内的诸如边缘线性、区域不连续性以及特征形状等特征是很明显的。沿标记的印刷特征的边缘的许多不规则(irregularities)是清楚可视的。需要注意的是，提供该视图是为了清楚的目的，但不必是本发明方法的处理步骤。在一些实施例中，这里假设这样的边缘提取是有益的，因此可以被利用。在一些实施例中，提取的是特征而非边缘。图3示出了一般由参考数字30指示的第二印刷标记的示例，其表示图1中示出的标记20的伪像，或者可以表示用于识别目的的标记的第二唯一实例。该第二印刷标记30也是2维条码。当利用2维条码阅读器阅读该第二条码30时，其表示出与图1中的标记20完全相同的解码信息。如果获取了图3中的标记30，那么本实例就再次识别重要特征并将它们获取为唯一识别该标记的“签名数据”。如在图1的情况下，该签名数据衍生自标记的几何和外形的物理和光学特征，此外，如果该标记是诸如2维条码等携带数据的符号，则该签名数据可以包括编码在该标记中的数据。被评估用于创建签名数据的标记的属性通常与用于评估标记的第一实例的属性相同，从而可以将两种签名直接比较。图4提供图3中示出的标记30中存在的一些变化的增强视图。类似于图2，图4只示出图3中的标记的边缘32。图3示出的标记中的诸如边缘线性、区域不连续性和特征形状等对应的特征和变化是很明显的。可能用到的一些特征的一些的示例在图5中详细示出，下面进行更详细的讨论。图6示出图2和图4的左上角特征的仔细比较。如可能在图6中看的最清楚，图1中的印刷标记20和图3中的印刷标记30尽管相对于它们的明显的编码数据相同，但是在更精细刻度上却包含由应用于标记的印刷工艺的瑕疵导致的许多不同。这些不同是持久的，通常几乎与标记本身一样持久，并且实际上这些不同是唯一的，尤其当将在图1和图3的符号之间发现大量不同组合后。此外，因为必须以比原始印刷更高的分辨率成像并翻印原始符号，所以这些不同很难(几乎不可能)伪造，而不引入新的可区分的原始瑕疵。这里只示出了标记的左上角区域，图1和图3中示出的两个标记之间的可区分特征贯穿于标记的全部，并且可由本发明实施例利用。图5是利用热转印印刷机印刷的2-D条码。如可以从图5中看到，热转印印刷机产生纯黑色图像。刻蚀工艺(其中基片初始具有连续的黑色涂层，将涂层的部分去掉以产生图5中的白色区域)也可以产生纯黑色图像。图7是2-D条码的影印本的示例，总体结构类似于图5中的条码。如可以从图7中看出的，影印机使用的静电工艺趋于产生斑点效应或多斑效应，从而在图5中被感知为纯色的条码的很多单元在图7中被感知为灰色而非黑色，并且/或者被感知为具有白色空隙的黑色。下面更详细地解释这种差别的重要性。参考图8，通常由参考数字50指示的计算系统的一个实施例除了其它设备包括：处理器或CPU52、包括图像获取设备58的输入设备54和输出设备56、随机存储器(RAM)60、只读存储器(ROM)62以及存储磁盘或存储程序和数据的其它长期存储器64。计算系统50可以包括产生标记20的印刷机65，或者印刷机65是单独的设备。计算系统50可以通过接口66连接至外部网络68或其它图像媒介，并且通过网络68连接至具有长期存储器72的服务器70。尽管为了简化没有示出，但是几个类似的计算机系统20可以通过网络68连接至服务器70。参考图9，在计算系统的一个实施例中，图像获取设备将图像数据提供至签名提取和编码处理器74，其可以是运行在计算机系统50的主CPU52上的软件，或者可以是专用的协同处理器。签名提取和编码处理器74将签名数据提供至网络可访问的标记签名数据存储器76，其可以是服务器70的长期存储器72。网络可访问的标记签名查找引擎78(其可以是运行在计算机系统50的主CPU52上的软件，或者可以是专门的协同处理器)从签名提取和编码处理器74以及/或者签名数据存储器76接收签名数据。签名比较处理器80通常将由签名提取和编码处理器74从最近扫描的标记30提取的签名与之前存储在签名数据存储器76中并与真实标记20相关联的签名作比较。如由图9的上部分(涉及真实标记签名的获取和存储)和下部分(涉及候选标记签名的获取、比较和验证)之间的分隔象征性地示出的，扫描候选标记30的计算机系统50可以不同于扫描原始标记70的计算机系统50。如果它们不同，那么它们共享访问签名数据存储器76，或者将存储的签名数据的副本从真实标记获取系统50上的存储器75传递到候选标记评价系统50。更具体地，参考图10，在根据本发明的方法的一个实施例中，在步骤102中，将在该示例中绘示为类似于图1中绘示的条码的2-D条码通过印刷机65施加至物体上，或施加至之后会应用至物体的标签上。如已经解释的，产生2-D条码的印刷机通常会引入大量伪像，这些伪像太小从而不会影响由条码编码的明显数据的可读性，并且它们的外形太小从而在印刷工艺中不可控制，但是却是可视(可能只有在放大情况下)的和长久的。如果特定印刷机没有自然地产生对伪像的良好供应，那么一些印刷机在它们的输出中可能会引入随机或伪随机变量。在步骤104中，标记通过合适的成像或其它数据获取设备50获取。成像设备可以是任何可取的形式，包括传统设备或此后发展的设备。该实施例中唯一真正的约束是，成像设备收集该标记外观上的数据的详细水平比施加该标记的设备的可控输出更精细。在图1-4示出的示例中，细节是亮区域和暗区域之间的边界形状的分辨率比2-D条码模型的尺寸更精细。以下描述了合适特征的其它示例。如果将该标记用作防伪措施，那么如果成像设备收集数据的详细水平比可能用于施加或创建伪像标记的设备的可控输出更精细，则防伪效果最强。然而，可以不是必须的是，是否可能对该事实保密，即特定标记中的特定细节被用于该目的。在步骤106中，对包括在标记20的明显数据中的唯一标识符(UID)解码。如果印刷机65与图像获取设备59在相同的计算机系统50上，那么就可以将UID从一个设备传递到另一个设备上，从而避免对从图案获取设备58获取的图像中的UID解码。如果标记20不包括UID，那么在该步骤中将获取唯一地识别标记20的特定实例的其它信息。在步骤110和步骤112中，签名提取和编码处理器74分析标记20的图像以识别重要特征。在步骤120中，涉及这些特征的数据将作为唯一识别标记20的“签名”数据被存储在签名数据存储器76中。该签名数据衍生自标记的几何和外观的物理和光学特征，此外，如果该标记是诸如2维条码等携带数据的符号，那么该签名数据包括编码在该标记中的数据。评估用于创建签名数据的该标记的属性包括但不限于：特征形状、特征对比度、边缘线性度、区域不连续性、外来标记、印刷瑕疵、颜色、着色、对比度变化、特征纵横比、特征位置以及特征尺寸。如果标记的部分没有包含重要特征，那么可以以标记的指定部分没有包含重要特征的信息的形式存储标记的该部分数据。在2-D条码或被自然地划分成明显的单元或模块的类似符号中，可以存储具有非重要特征的一列黑色模块。为了该目的，“没有重要特征”可以包括没有可探测特征的单元，或者具有的可探测特征太小从而谨慎地将其只作为随机噪声的单元，或者包括这两种单元。尤其，如以下解释的，如果原始标记中的模块已知是没有白色空隙或非常暗的灰色的纯黑色，那么本说明书的影印探测过程是最有效的。现在参考图5，在以下的示例中，平均模块色素或标记强度的偏差92、相对于最佳匹配格的模块位置偏差94、标记中的外部标记或空隙96的存在或位置、以及符号中的长连续边缘98的形状(线性度)被用作示例性可变特征。这些作为形成唯一符号签名的主要度量。图5绘示了这些特征中的一些。在标记是诸如2维条码的携带数据的符号的情况下，本发明实施例可以利用嵌入到或编码进该符号中的附加信息。被编码的信息(例如唯一的或非唯一的序列号)其本身可以被包括作为签名数据的一部分，或为了更易于检索而用于索引该签名数据。此外，在2维条码或可以对其建立品质测量的其它数据载体的情况下，在步骤108中，表示符号品质的信息可选地被提取并被包括为签名数据的一部分。品质信息可用于探测标记20的变化，该变化可能引起将该标记作为伪像的错误判断。因为这些变化可以改变标记的签名数据。可以被利用的品质测量的一些包括但不限于：如ISO规格15415“数据矩阵分级过程”中的未使用纠错(UnusedErrorCorrection)和固有图案损坏(FixedPatternDamages)或其它类似标准。这些测量使得可能探测到会对签名数据有贡献的区域，该签名数据已经由于对标记的损坏而被改变，因此当比较标记的签名数据与真实标记的存储的签名数据时将降低考虑该签名数据。签名度量加权在该示例中，提取图5中绘示的四个度量的每个的容易程度取决于图像分辨率，如图11所示，以需要提取与四个度量的每个相关的有用数据的分辨率的顺序设置这些度量。以从最低分辨率至最高分辨率的顺序，这些将是模块色素、模块位置偏差、空隙/标记位置、以及边缘形状投影。然而，如以下将详细解释的，对于影印探测一些度量比其它度量更有用，因此在那个阶段可以使用不同的加权。不断提高的图像逼真度和分辨率允许利用逐步提高的精度分析学进行不断提高的精度分析。例如，在低分辨率图像中，可能只有很大的可信度提取模块平度色素92和模块位置偏差94，因此在确定候选符号与存储的真实数据的签名匹配时对这些结果给予更大的权重。对于高分辨率图像，处理可以继续一直进行直到精细边缘投影度量98，并且在签名匹配判断中将其作为最高权重。如果其它(较低权重)测量与期望签名之间存在分歧，那么这些测量可能是由于符号损坏或图像获取设备的伪像造成的。然而，符号20的损坏、改变或成像仪伪像不大可能修改伪像编码30以高精度巧合地与有效条目20的边缘投影签名度量98匹配。因此，如果边缘投影是高度相关联的并且呈现动态范围内的合适的幅值，那么其可以高匹配可信度取代较低分辨率的度量。此外，在实施例中，用2-D数据矩阵代码作为示例，使用如符号论的标准解码算法提供的纠错信息进一部适当地对签名度量数据加权。如果符号内的数据区域由于对标记的损坏而毁坏，那么存储的签名数据与该区域会产生分歧，然而与其它未毁坏区域一致，因此应该削弱被毁坏区域的投票权重。这种机制防止在候选符号度量与真实符号签名数据的比较中可探测的符号毁坏呈现假阴性结果。ISO16022“数据矩阵符号”规格描述了纠错码(ErrorCorrectionCode,ECC)在2-D数据矩阵内如何分配，以及如何识别数据矩阵内的毁坏区域和未毁坏区域的示例。幅值过滤如以下将详细解释的，本发明实施例选择两个不同的幅值范围。第一范围可以由存在的预定数量的具有最高幅值的伪像组成。第二范围可以由可以容易探测到的预定数量的具有最低幅值的伪像组成，或由预定数量的幅值直接小于第一范围的范围内的伪像组成，或者由幅值小于第一范围但是与其重叠的范围内的伪像组成。第二范围可以部分或全部由探测不到足够大从而无法很容易地与随机噪声区分开的伪像的位置组成。选择足够的特征加以评估以填充两个范围。在步骤114和步骤116中，评估对于第一范围的候选签名特征，以确保它们拥有合适的幅值来作为每个签名度量的一部分。该步骤确保形成每个签名度量的特征拥有真实“信号”以编码为标记的区分特征。无法将阈值最小值应用至签名贡献候选者可以允许签名(其很容易被任何后续尝试中的噪声包括)相对于真实存储的签名验证标记。从而改变易于受设备的品质限制和逼真度限制的影响的验证过程，该设备用于获取用于签名分析的标记数据。通过确保签名度量由满足这些幅值阈值最小值的特征唯一地形成，就可以确保或极大促进利用各种各样的获取设备(装配有手机的照相机、机器视觉照相机、低品质或低分辨率的成像仪等)在各种各样的周围环境中执行对标记签名成功验证的能力。在实施例中，利用2-D数据矩阵代码作为示例，在步骤110、112和114中，提取针对四个签名度量92、94、96、98的候选数据并存储幅值。如上描述的，获取标记20从而特征可以以电子形式处理，通常为彩色或灰度图像。作为预备步骤，首先将2-D数据矩阵作为整体分析，并且确定限定矩阵的单元之间的边界的“理想”位置的“最佳匹配”格。然后，通过发现最偏离针对正被分析的特定度量的标记属性的“正常”或“最佳”状态的特征来选择候选特征。考虑到图5示出的2-D数据矩阵代码示例，一些合适的属性是：1.模块92，其平均颜色、色素或标记强度最接近将由数据矩阵阅读算法确定的亮模块和暗模块区分开的全局平均阈值，即“最亮的”暗模块和“最暗的”亮模块。在如图5和图7绘示的影印本中，位于低分辨率处的很大比例的暗模块可能呈现的平均颜色比原始标记中的亮些。2.模块94，其标记在最偏离由施加到整个符号20的最佳匹配格限定的理想化位置的地方。识别这些模块的两种方法是：(a)提取候选标记模块的边缘位置，并将这些边缘位置与由针对整个符号20的理想化、最佳匹配格限定的期望位置比较；(b)提取相对极(亮/暗或暗/亮)的两个相邻模块之间的边界区域的直方图，其中样本区域相对于最佳匹配格与每个模块重叠相同的百分比，并且评估偏离50/50双峰分布的直方图的偏差。3.符号模块中的外部标记或空隙96，它们是暗的或亮的，被限定为具有广泛范围的亮度或色素密度的模块；即模块在将暗模块与亮模块区分开的全局平均阈值两侧都具有色素水平，其中最佳签名候选者具有双峰亮度直方图，该直方图在最外面的主导模式之间具有最大距离。在如图5和图7所示的影印本中，在高分辨率处的很大比例的暗模块可以呈现原始标记中没有的白色空隙。4.符号中长连续边缘98的形状，测量它们的连续性/线性度或不连续性/非线性度。提取该数据的一种方法是像素-宽亮度值映射，其中一个模块的映射长度偏离最佳匹配格一个半(one-half)模块，垂直于限定针对符号的最佳匹配格的边缘的格线。影印通常以类似于影响伪像的方式影响该边缘形状度量。然而，来自影印的边缘形状度量的变化幅值对于可靠探测通常是不够的。在实验中，只有大约50％的影印本由于边缘形状度量的变化而被剔除为明显的伪像。5.模块92的灰度伴随矩阵(GrayLevelCo-occurrence,GLCM)的惯性矩(MomentofInertia，MI)。该测量对模块的斑点非常敏感，这对影印本探测是非常有用的。2-D数据矩阵做了很好的示例，因为其由方形黑单元与方形白单元组成，以上描述的特征在这些单元中很容易看到。然而，当然可以将相同的原则应用至以其它形式编码数据或编码非数据的可视标记中。一旦识别出与以上描述的标准符合的候选特征，那么就在步骤114中以幅值为序将候选特征储在列表中，那么在步骤116中，通过发现每个列表中第一个特征不满足取得对该度量的贡献者资格的建立的最小幅值，候选特征可能受到幅值限制滤波的约束。可以将该阈值设置在任何方便的水平，其足够低以包括不能被容易地复制的合理数量的特征，并且足够高以排除不太长久的或接近图像获取设备58的本底噪声的特征。针对第二范围的较低阈值可以设定为包括这样的特征：其太接近噪声阈值从而不能单独地满足第一范围，但是在统计水平上仍然能够进行有意义的分析。在该实施例中，从阈值点将排序的列表的低幅值端截掉，将其余(最高幅值)特征以及它们在标记中的位置存储为针对该度量的签名数据。优选地，存储大于截断阈值的所有特征，其隐含地在签名中包括这样的信息，即标记中的其它任何地方都没有大于幅值滤波阈值的签名特征。如果第一范围和第二范围是连续或重叠的，那么可以将它们存储为单个列表。这会避免重复重叠区域中的特征。在实施例中，可能利用一组完整的特征，例如，如果标记是2-D条码并且度量是名义上的黑色模块的灰度，那么可以使用条码的所有名义上的黑色模块。第一范围可以由预定数量的苍白的黑色模块组成，并且第二范围可以由预定数量的黑暗的黑色模块组成。不能保证任何黑色模块都是全黑的，但是实验显示，如果处于良好状态的热转印刷机没有产生用于本发明过程的足够数量的足够黑的模块，那么这就是异常的。一些度量对影印本探测可能是没有价值的，例如，如图7绘示的，名义上的白色模块中的斑点比名义上的黑色模块中的斑点更不明显。因此，可以不使用针对这些度量的第二范围。然而，可能优选的是，存储针对所有度量的全部数据，这既是为了简化，也是为了如果以后分析算法有了改善，可以允许重新分析这些数据。如预先知道的，不同的标记设备技术在用于创建度量签名数据的不同属性中呈现优越的签名特征或劣等的签名特征，标记设备类型可用于对度量预加权，其被称为加权分布。例如，如果利用热转印印刷机创建真实标记，那么已知的是平行于基板材料的运动方向的边缘投影不可能携带足够编码为真实签名数据的签名幅值。然而，真实标记的影印本将很可能示出沿这些边缘投影的影印本伪像，真实标记中缺少伪像会使影印本伪像更明显、更易于获取。在获取原始的真实签名数据期间可以利用这些不同标记设备行为的知识。如果采用，那么创建真实标记签名中使用的所有度量被加权为适合特定标记设备类型的已知行为，并且产生的度量的加强/不加强映像变成度量加权分布。在步骤118中，基于用于创建原始标记的标记设备类型，该度量加权分布被存储为签名数据的一部分。在步骤120中，将签名度量存储为按幅值的降序排序的特征列表。在该列的低端，顺序可能是非常任意的，因为其主要是噪声。然而，在该实施例中，之所以需要顺序是因为在后面的步骤中将用其匹配候选特征与原始特征。针对每个特征的列表条目包括将定位从标记中提取该特征的位置的信息。在该实施例中，针对每个符号的记录由包括在符号中的明显的编码数据中的唯一标识符内容(通常是序列号)索引。该记录可存储在可上网的数据存储服务器或数据存储设备上，或者可以存储在需要该记录的当地。副本可以分配至多个位置的本地存储器中。低幅值签名度量如果符号20的实例或符号内的可识别区域缺少满足针对第一范围或签名度量的一个或多个的最小幅值的任何签名特征，那么在实施例中，将该事实本身存储为签名数据的一部分，从而利用缺少签名特征变量作为针对该符号的唯一识别信息的一部分。在这种情况中，只有当该符号拥有零个满足针对讨论的度量的最小幅值的签名特征时，或者拥有至少足够少的签名特征以通过统计测试时，才认为经过验证的符号相对于该数据是真实的。在这些情况中，减小对该特定度量的加权，因为没有区分特征的区域比有显著区分特征的区域是更不稳健的识别特征。没有显著签名特征的符号或区域是最没有用的。真实标记20与候选标记30都没有显著特征只是证明候选标记是真实标记的薄弱证据。候选标记30有显著特征，其中真实标记20没有匹配的显著特征是证明候选标记是伪像的更强的证据。可观察到的签名幅值的特征出现异常，其可归因于候选标记30中的符号损坏，通过前述使用的特定符号论中的符号纠错信息被揭示，并且受前述的被获取的图像逼真度签名度量加权原则的约束。在极端的情况下，真实标记20和候选标记30都只包含子阈值数据(如在2个“完美”符号中)，通过本发明示例的过程它们是不可区分的，这是由于该过程依赖于真实标记或伪像标记中某个可测量的变量作为探测方式。这在实践中不是问题，因为目前没有使用场景考虑过(通常是在线高速印刷)生产完美符号。尤其，“完美”符号的影印本将通常导致产生的符号对第一范围的伪像来说看似完美，但是在第二范围中显示为低幅值影印本伪像。分析参考图12，在实施例中，签名度量存储为按幅值的降序的排序列表，并且包括定位从标记中提取该特征的位置的信息。在实施例中，利用2-D数据矩阵代码作为示例，评估候选标记或符号以确定其是否是真实标记的过程如下：在步骤152中，由图像获取设备58获取候选标记30的图像。在步骤154中，解码候选标记30中的明显数据并提取其唯一标识符(UID)。在步骤156中，UID用于查找针对具有该UID的原始符号20而原始存储的签名度量数据。该存储的数据可以从本地存储器64中检索，或者可以从网络可访问的数据存储服务器或数据存储设备72检索。在候选标记30不包含UID的情况中，可以获取涉及候选标记30的其它识别信息。可替换地，在以下步骤164之后，可以搜索存储器64或72上的真实标记签名的整个数据库，以尝试定位匹配候选标记签名的真实签名。在步骤158中，在2维条码或可以建立品质测量的其它数据载体的情况中，可以获得针对候选标记30的品质测量，其类似于在步骤108中针对真实标记20获得的测量结果。可以在后续的分析步骤中使用该品质测量以减小应用之后受到损坏的标记或标记的部分的权重。同样，如果原始符号20的品质测量被存储为真实签名数据的一部分，那么可以根据从候选标记30提取的签名数据验证该存储的品质测量。在步骤160中，从在步骤152中获取的候选标记30的图像中提取显著签名特征。搜索整个候选标记30(除了已经由纠错确定为毁坏的区域)以获取显著特征。此外，提取指定从符号内提取原始符号签名数据、真实符号签名数据的位置的信息，该信息用于指定从候选符号提取签名数据的位置。这确保注意到存在于标记20中却不存在于标记30中的特征。提取的该特征既用于第一范围也用于第二范围。在步骤162中，对签名特征编码以用于分析。在步骤164中，将从候选标记30提取的针对至少第一(高幅值)范围的签名数据以与原始符号20的原始列表相同的顺序排序。对于第一范围，可以将原始伪像和候选伪像按幅值顺序独立地排序。对于第二范围，在该实施例中，参考针对原始伪像的存储的位置数据，以相同的顺序对原始伪像和候选伪像排序。这确保将候选标记的每个模块与原始标记的相同位置的模块比较。在步骤166中，将针对第一范围的候选签名数据与针对第一范围的存储的原始签名数据比较。该数据经过统计操作揭示了两个数据集之间的数值关联。每个度量都经过单个数值分析，从而产生针对该度量的该候选符号是真实条目的单个可信度的测量。如果该标记不包含UID数据，并且无法获取可替代的识别数据，那么可能就有必要利用以下参考附图16讨论的程序查遍有类似标记的数据库。例如，在图1和图3的情况中，可能有必要搜遍具有黑色模块和白色模块的相同的明显图案的所有真实标记20。搜索的目的是识别(或识别失败)唯一地类似于候选标记30的单个真实标记20。在步骤168中，如果将度量权重配置分布为真实签名数据的一部分，那么该信息用于加强并且/或者减弱适合于用于创建原始真实标记的标记设备类型的度量。在步骤172中，通过排除，分析真实标记时，预计标记内没有体现在满足针对第一范围的最小幅值阈值的排序的特征位置列表中的所有位置缺少显著签名特征。通过检查候选标记内期望有子阈值特征的所有位置的签名特征幅值，并且当发现超过阈值最小值的特征时将针对合适度量的结果向负方向调整，来评估这种情况。当针对符号纠错或其它品质属性评估显著特征时，如果发现其在注定已经被损坏的区域中，那么根据相对于特征提取点的损坏的位置和涉及的特定度量的性质，削弱该调整或完全不执行调整。例如，如果从邻近但不同于损坏模块的候选标记30的模块提取相对于原始标记20的签名特征中的差异，那么对度量进行负向调整，因为该特征可能被反映度量签名中减小的可信度的部分削弱，因为前面的模块(临近已知的损坏区域)可能也受到影响度量的损坏，但落在符号论的品质或ECC评估机制的可探测阈值之下。如果直接从损坏的模块提取差异，或者如果度量是跨越多个模块并且该多个模块包括损坏模块的类型之一，那么就完全不实施调整。在步骤174中，利用这些单个可信度值确定候选符号30是真实的(或伪像)的全局可信度，其中如上所述利用图像逼真度、分辨率和符号损坏信息对单个可信度加权。在步骤176中，确定结果是否足够确定可接受。如果比较签名数据产生不确定的结果(例如，单个度量具有矛盾的指示，通过利用数据加权机制无法解决)，那么提示提交验证符号的用户重新提交符号的另一幅图像以用于处理，并且过程回到步骤152。为了实践的原因，允许重试的次数是有限的。在步骤178中，确定是否超过重试限制。如果超过，则阻止再次返回重新扫描。如果从步骤176的结果是不确定的，那么在步骤180中，可以利用类似步骤166-178的过程，检索针对原始标记和候选标记在第二范围(第幅值)的数据，并对其比较。可替换地，可以针对在步骤176中被识别为真实的标记执行步骤180。可替换地，可以在步骤166-178中执行针对第二范围的比较，同时执行针对第一范围的比较。尽管在大多数情况下并不需要第二范围的结果，效率可能会比较低，但是这可以节省时间。然而，如果针对第一范围的比较直接指向匹配单个伪像，那么针对第二范围的标记就是统计性的，并且主要指向测量伪像不均匀的程度。在步骤182中，报告结果并结束过程。参考图13，示出了一组伪像幅值的图表。如在步骤120中存储并在步骤156中检索的，真实条目的原始签名的伪像按幅值的降序沿X轴排序，位于Y轴上方。对于第二范围比较的精度，在步骤110和步骤160中使用标记上相同的位置，即使这些位置中一些看似在两个步骤中都没有示出有意义的伪像。还绘制的是可在步骤152中获取的真实标记和影印本标记的对应幅值。如可以从图13中看到的，在步骤152中扫描的真实标记甚至示出偏离原始存储数据的明显的随机变化，这是由于标记随着时间退化，或在步骤152中使用的扫描仪(例如，智能手机上的照相机)比在步骤104中使用的扫描仪品质低。然而，影印标记在接近图13的右手侧示出更大的随机变化，其中如在步骤104中原始扫描的该标记具有低幅值伪像。因此，通过比较两个范围中幅值的变化，一个与图13的左侧比较，一个与图13的右侧标记，即使不试图评估伪像幅值的绝对值，也可以以相当高的精度和可信度识别该影印本。可以利用诸如标准差或误差项和等任何传统非均匀性统计测量。可以根据经验选择针对特定真实标记和特定伪像度量的第一范围和第二范围。对于类似于用于产生图13示出的数据集的标记的标记，利用针对第一范围的数据点1-100以及针对第二范围的数据点61-160可以获得满意的结果。160个数据点的数据集表示用于实验的数据矩阵中所有名义上是黑色的模块。然而，如从图13中看到的，针对真实标记和影印候选标记的验证扫描之间的区别在大约从110至160之间的数据点是最强的，其在图14中详细示出。因此，如果第二范围中的候选伪像中的伪像的均匀性低于第二范围中的原始标记中的伪像的均匀性，并且该区别与针对第一范围的对应区别不成比例，那么其可以指示该候选标记是影印本。从该测试的结果可用于调整从步骤178获得的结果。因为可以进行该附加测试，从而可以在步骤178中将已经被分类为真实的或伪像但是靠近边界线的一些结果作为不确定的结果，并且在步骤180中鉴于影印本侧重新考虑这些结果。指示候选标记不是影印本的结果通常是没有说服力的，因为有很多其它方式复制标记。然而，指示候选标记是影印本的结果可以证实候选标记从“真实”降级至“不确定”(尤其当“真实”级别是边界线时)，或从“不确定”降级至“伪像”。一旦已经成功完成了分析，就在步骤182中报告比较分析的结果。报告可能是通过/失败，或者可以指示结果中的可信度水平。可以将这些结果显示在本地或传输至网络计算机系统或其它设备以用于进一步动作。如果达到重试限制时结果仍然是不确定的，那么仍然进行步骤182，也可以这样报告该不确定的结果。只要存储从图1示出的标记20提取的签名数据，那么凭借这样的事实，即如果经过相同的过程分析，确定拥有相同的签名数据(至少达到期望水平的统计可信度)，本发明方法就能够识别出呈现为候选标记30的标记与真实标记相同。类似地，通过识别出签名数据(例如从图3中的标记实例提取的)与原始存储的对图1中示出的真实标记进行原始处理获得的签名数据不匹配，本发明方法能够识别出图1中示出的标记20的伪像副本30，或者区分开该标记的不同的唯一实例30。反之，或者此外，利用从步骤180获得影印本探测结果辅助确定候选标记30是否是真实的，该结果可用于诊断或调查。例如，如果知道伪造者在坚持不懈地影印真实标记20可能会有所帮助，并且识别伪造者的活动的大小和地理范围可以助于识别该伪造者。由于影印机器是不相同的，因此在某些情况中，影印的标记中的伪像的特征可能足够独特从而识别不同的伪造者。针对环境免疫的度量数据的本地参考测量为了进一步加强对精确签名数据提取的稳健性，只要有可能，本发明的方法就利用被分析的符号内的本地参考构造签名数据。这对以下事物提供更大的免疫力，诸如前述的基片扭曲、被获取用于处理的候选符号的非均匀照明、获取设备中的非理想或低品质光学、或很多其它环境或系统变量。对于一实施例，度量参考本地化包括：1.平均模块颜色、色素或标记强度参考与相对的模块状态(暗对应亮，或者亮对应暗)的最相近的模块。如果单元被识别为具有偏离平均色素强度的显著特征92，那么需要重新评估距离该单元最近的邻居单元，不将该识别的偏离的单元作为参考。2.模块格位置偏参考全局符号最佳匹配格，并因此具有固有的适应参考本地化。3.利用本地模块颜色、色素或标记强度参考值分析符号模块中的外部标记或空隙，即被分析的模块内的亮度直方图自身为应用的方法提供参考值。4.用于提取符号中的长连续边缘的形状的投影方法在本质上是有差别的，并且对典型的影响变量具有固有免疫性。现在参考图15，可替换实施例类似于参考图5描述的过程，但是可以利用除了2-D符号之外的各种标记。例如，符号可以是1-D线性条码、公司商标等。图15示出可用作签名度量的1-D线性条码200的一些特征。这些度量包括：条202之间的间隔变量和/或间隔之间的宽度变量、在平均颜色、色素或强度204上的变量、黑条206中的空隙(或白条中的黑点)或者条208的边缘的形状中的不规则性。如果需要纯黑区域用于影印本探测，那么可以从没有示出伪像204或206的较宽的黑条的部分获取所需的纯黑区域。由自相关方法进行的分析在上述实施例中，针对每个度量的原生(raw)数据列表首先经过列索引匹配并且经过归一化相关联成与从候选符号提取的度量集相似的阶次。然后利用这些结果做出匹配/不匹配决定(真实的vs.伪像)。为了这么做，存储签名必须包括对原始真实符号模块的顺序以及被训练的度量值本身排序，完成对每个度量的排序。除了全面的存储需要，原生数据没有被“归一化”这是因为每个度量具有自己的标尺，有时是无限的，这会使选择存储位深变得复杂。上述实施例的典型实施方式具有大约2千字节大小的存储签名。现在参考图16-20，提取原始伪像度量并且做出可用的索引阵列相关的列表(通过符号中的模块位置相关联)之后，应用对度量进行后处理、存储以及比较的方法实施例。基于自相关，与之前实施例的签名相比，应用该新的后处理方法可以在至少一些环境中产生几个重要的益处。在公开号为2013/0228619的美国专利申请中，其解释了通过在步骤120产生自相关功能并且只存储自相关数据，就可以显著减小数据包大小。在当前描述的方法中，不必一定要减小数据包大小，因为存储的位置和排序顺序至少是用于第二范围的条目。然而，自相关仍然提供一种稳健且有效的比较原始数据集与候选数据集的方法。如果在上述实施例中，对特定度量数据集的分析采取比较从候选标记提取的排序的原生度量和从真实符号提取的相似顺序的原生度量的形式，那么该自相关方法比较排序的候选符号度量数据的自相关序列与排序(存储)的真实符号数据的自相关序列，从而现在有效地将自相关序列相关联。独立地产生针对第一范围和第二范围的自相关序列，并且比较将两对自相关序列自相关的结果。对于第一范围数据，只有将原始数据集和分类数据集的每个分别排序成按伪像幅值的降序排序的自相关才可能是有效的。这可能是因为真实候选标记将具有与那些原始标记非常类似的伪像。然而，对于第二范围，原始数据与真实数据之间的关联度通常是非常低的。因此，在步骤120中存储原始排序顺序，并且至少针对第二范围的数据，在步骤164中利用相同的顺序排序候选数据。因此通常利用针对第一范围数据的被存储的排序顺序也是最有效的。为了清楚，已知的统计操作是通用的归一化相关方程，其中r是相关结果，n是度量数据列表的长度，并且x是真实度量数据集，y是候选度量数据集。当将该操作作为自相关序列实施时，两个数据集x和y是相同的。为了产生自相关序列，执行多次自相关，每次将序列x相对于序列y(记住y是x的复制)偏移一个额外索引位置。随着偏移的进行，当y数据序列中的最后索引由于x索引偏移被超过时，数据集“卷”回开始位置。这通常通过加倍y数据并且将x数据从偏移值0“滑过”偏移值n以产生自相关序列。在实施自相关方法时，不必将签名数据值本身包括为最终数据的一部分。在自相关序列中，数据简单地与自身相关。因此，如果之前需要将提取的(排序)顺序和真实签名数据值传递到验证设备用于验证，那么现在只需要为自相关序列操作提供排序/提取顺序。然而，由于存储的排序顺序和幅值数据至少用于范围的低幅值端，因此已经发现在一些实施例中，存储实际签名数据值并且只有在步骤166中需要时才生成原始自相关曲线是最节省空间的。在实施例中，rxy是计算出来的，其中每一项xi是由其幅值和位置表示的伪像，并且每一项yi＝x(i+j)，其中j是两个数据集的偏移，j＝0至(n-1)。由于xi由幅值排序，并且该幅值是xi最显著的数字，在j＝0或接近j＝0处有非常强的相关性，朝j＝n/2方向迅速下降。由于y是x的复本，因而j与n-j是可互换的。因此，自相关序列总是形成图16所述的U性曲线，其必定关于j＝0和j＝n/2对称。因此，实际上只需要计算曲线的一半，尽管为了清楚图16示出了从j＝0到j＝n的整条曲线。在实施例中，从候选符号中提取原生度量数据，并且以与原始度量数据相同的排序顺序对其排序，如果没有预先确定，可以将其作为原始签名数据的一部分。从而针对第一范围和第二范围的每一个中的候选度量数据被自相关。然后可以将产生的候选自相关序列与针对该度量的原始自相关曲线相关联，或者可替换地，可以通过计算每对曲线的之间的曲线拟合误差来比较这两对曲线。该相关在图17和图20中以图形示出。从而该最终的相关联分数变成针对特定度量的单个“匹配”分数。如果完成对所有度量的相关联，那么就利用“匹配”分数做出候选符号是真实的/伪像的决定。此外，通过离散傅里叶变换(discreteFouriertransform，DFT)将幂级数分析应用至该数据可以进一步利用该自相关曲线。为了清楚，已知的操作是离散傅里叶变换，其中Xk是第k个频率分量，N是度量数据列表的长度，并且x是度量数据集。然后计算DFT数据的幂级数。分析由DFT序列中的复数表示的每个频率分量的幅值，摒弃相位分量。产生的结果描述了从低频至高频的度量数据谱能量分布，其成为进一步分析的基础。这些幂级数的示例在图17、18、20中以图形示出。采用两种频域分析法：峰度(Kurtosis)和围绕整个频谱的中心频段的能量分布的测量，称为分布偏差(DistributionBias)。峰度是测量“尖峰”分布的通用统计操作，这里可用于表明在幂级数数据中存在具有限频带扩展的紧密分组的频率。当前示例采用修正的峰度函数，定义为：其中，是幂级数幅值数据的平均值，s是幅值的标准差，并且N是分析的离散频谱的数量。分布偏差被计算为：其中，N是分析的离散频谱的数量。当在频域中分析真实符号度量签名(通过排序幅值引起)的平滑多项式曲线时，其在频谱签名中产生可识别的特征。当以与真实签名数据规定的顺序相同的顺序提取度量数据时，如果候选符号是真实的，那么其将呈现类似的频谱能量分布；即真实排序顺序与候选的度量幅值“一致”。对于排序的幅值的分歧，或者其它叠加信号(诸如影印伪像)随着高频分量的出现而趋于显露出来，而真实符号频谱中不存在该高频分量，从而提供了探测符号真实性的额外方法。然而，如果没有本说明书中描述的额外分析，第一范围中的候选数据中的高频分量不足以独特到成为影印本的可靠指示器。这说明存在这种可能性，即伪像自相关序列可能仍然满足真实符号的最小统计匹配阈值。这种可能性极小，但是如果数据的整个范围比单个数据点之间的误差幅值大，并且主要度量幅值的自然排序顺序恰好接近真实符号的自然排序顺序，那么当利用归一化的相关时这是可能发生的。通过存在于候选序列的小振幅匹配误差中的高频率，这种信号的DFT幂级数的分布特征将揭示匹配的差品质。这种情况可能表明影印本是真实符号。这里期望真实符号的匹配频谱中存在高峰度和高分布比率(专门术语)。连同自相关匹配分数，幂级数分布信息用于测量候选符号的验证中的“可信度”。图16示出了真实条目(多项式近似)与候选符号(在该示例中是真实的)之间针对单个度量的自相关序列的比较。注意它们之间非常一致，这里两个自相关序列之间的相关性超过93％。图17是用于图16中的原始真实自相关数据的幂级数。很明显可以看出频谱由低频主导。图18是类似于图17的幂级数，其来自通过手机获取的图17的真实条目的图像。存在一些图像噪声，但是整个功率谱密切匹配真实频谱，具有相同的低频分量主导地位。图19示出针对真实条目的多项式近似与候选符号(这里为伪像)之间针对单个度量的自相关序列的比较。存在相当大的分歧，候选自相关序列明显比图16中的更参差不齐。两个序列之间的数值自相关性较低(<5％)，并且数据的参差不齐的形状在DFT分析(以下)中也很明显。图20示出由手机获取的图4的伪像符号的幂级数。注意低频分量如何被削弱，其中整个频谱能量现在蔓延到包括较高频率范围的重要部分。评估影印本概率值如果计算所有可用度量的加权总分的结果(诸如图13和图14示出的)，真实候选标记与原始标记的匹配通常比影印候选标记与原始标的匹配更好，两种候选标记之间的区别并不大，并且如果根据候选标记和原始数据之间的简单比较，不总是能够很容易地区分影印本与真实候选标记。然而，如甚至简单查看图13可以看到的，分歧在低值数据区(图14中示出的密集数据)更明显。因此，通过针对低幅值范围和高幅值范围单独评估原始标记数据与候选标记数据之间的匹配，并且比较这两个评估结果，可以获得原始候选标记和影印候选标记之间更可信的区别。在示例中，比较可以表示为P＝ABS((r1-r2)/(r1+2))，其中，P是影印本概率分数；r1是针对第一范围(图13左侧)的真实签名和候选签名之间的总匹配分数；r2是针对第二范围(图13右侧)的真实签名和候选签名之间的总匹配分数。在测试中，利用135个样本标记和他们的影印本，针对r1利用100个最重要的伪像(对应图13中的伪像1至100)，并且针对r2利用100个不太重要的伪像(对应图13中的伪像61至160)，利用以上描述的用于评估的自相关值的多项式近似，只有9个真实候选标记具有高于0.2的P值，并且只有1个候选标记具有高于0.4的P值。只有9个影印标记具有低于0.2的P值，并且只有21个影印标记具有低于0.4的P值。通过选择针对P的合适阈值(针对这些数据大约为0.2)，识别影印本的精度高于85％。子阈值数据的统计方差通过考虑“子阈值”数据分布、范围和相比于原始子阈值数值的候选标记的标准方差，可以进一步提高影印本探测。为了该目的，“子阈值”数据是在原始数据获取中没有显示出任何足够大的伪像从而不能容易地与随机噪声区分开的模块对应的数据。尽管精确数据对于直接将自相关分析或其它分析应用至小信号区域(因为获取候选图像时存在的“噪声”很容易淹没提取的度量数据的任何“实际”值)通常是无用的，但是影印伪像以可测量的方式增加到该噪声上。因此子阈值数据噪声基线的特征在于获取的候选图像，并且如果该基线在一个或多个测量(误差和、标准方差等)中被超过，那么可以将其作为指示另一个过程正在进行，其正在将变化增加到本应是更小、更低幅值范围的数据。只利用美国专利第2013/0228619号中的子阈值测试，其仅确认了可探测伪像还没有出现在之前没有伪像的模块中，真实标记的影印本通常是不明显的。影印本不影响标记的度量，但是通过在符号内的每个模块上叠加一个变化(视觉噪声、均匀性方差等)则通常会影响标记的度量。因此，当通过排序列表的自相关序列评估影印本时，其看起来是真实的-该影响相当于自相关曲线的“DC偏移”，或者常量的增加，当曲线匹配误差被计算时其具有最小影响。然而，如果从相比于真实条目(范围、标准方差等)子阈值数据集有多均匀的角度来看子阈值数据区域，可以看到实际上创建了表征均匀性的新的度量。结果当被影印时，高度均匀的区域以混乱的方式变得不太均匀；即在真实条目标记中具有相当低的方差的子阈值数据在影印本中变成更容易变化的数据集，但是所有数据仍然都大体保持在子阈值限制数据以下。如图14所示，当相对于一标记的原始签名数据绘制针对该相同标记的真实候选标记和影印候选标记的子阈值区域时，可以看到，包括针对影印本的子阈值数据的数值比针对真实条目数据的子阈值数据更容易变化。可以利用该区域中的数据将几个数值方法用于寻求影印本探测。一种方法是误差和法。本文中计算原始标记签名子阈值数据与候选标记子阈值数据之间的差值的运行总和。如可以从图14看到的，这在影印本候选标记中比在真实候选标记中看起来更明显。在相对模块数量的运行和的累积式绘图中，针对影印本签名数据的曲线比针对真实候选标记签名数据的曲线从原始签名数据偏离的更快。因此，将增长限制速率应用至该误差和值是很简单的，并且用其指示在候选签名度量数据的子阈值区域存在类似影印本的信号。也可以将其它统计方法应用至该数据区域。检查灰度共生矩阵(graylevelco-occurrencematrix，GLCM)的惯性矩在可替换实施例中，采用文理分析来评估针对影印过程中产生的变化的同质区域(homogenousregions)。将符号特征中的惯量(一种对比的统计测量)与提取原始真实标记签名的度量过程中记录的相同的惯量比较。GLCM惯量统计的增加表明候选标记可能是真实标记的影印副本。在一些实例中，例如，如果符号被印刷在可能给出错误基线的有斑点的基片上，那么针对目标暗模块惯量与针对邻近的亮模块惯量的比率给出的结果可能比简单测量针对暗模块的惯量更精确。所选的符号特征是原始标记中的纯黑模块。通常，将它们识别为位于幅值排序列表的底部的模块，其中和谁模块具有白色空隙，黑色部模块比标准黑色更亮。高惯量值表明模块具有用于生成GLCM的像素的尺度大小的白色和黑色斑点。如果原始模块具有低惯量，并且候选模块具有更大的惯量，那么这暗示斑点的增加，这是怀疑候选标记是影印本的强有力的理由。对于简单的比较，可以计算原始标记和候选标记中所有被分析单元的惯量值之和。如果对应候选标记的和比对应原始标记的和大设定阈值，那么可以认为其表明候选标记是影印本。测量针对几个2D数据矩阵测试集的惯性矩(Inertiamoments，MI)测试结果。试验性地，利用与其它方法相同的数据集对该方法进行测试，因此，用于GLCM计算的像素与其它度量中的最小可探测特征的大小相同，通常标准2D数据矩阵的每个模块为至少500像素。当学习针对该度量的原始真实条目时，标记内的每个模块的MI被评估，然后被排序，为最同质的位置(最低的MI值)分配最高的权重。当评估候选标记时，利用原始真实排序顺序提取MI值，并分析产生的数据。图21是针对原始真实数据、真实候选标记和真实标记的影印本的MI的绘图的示例。从图21很明显可知，与真实标记内的相同区域中发现的MI值相比，影印本趋于展现升高的MI值。因此，为该情况建立测试是简单的。可以将每个绘图线之下的区域积分以建立对跨过标记内被评估区域的MI总和和或MI面积(MIarea，AMI)的测量。从而可以确定(针对真实候选测试的dAMIgn和针对影印本的dAMIpc)原始真实MI面积测量与候选MI面积测量之间的微分dAMI。概括图21以及两个类似示例的测试结果，可以看到：示例1(图21)标记AMIdAMI原始0.091828真实候选0.1440460.052217影印本0.4692570.377429示例2原始0.116458真实候选0.2128490.096391影印本2.3585562.242098示例3原始0.115055真实候选0.1190430.003988影印本0.3576470.242592可以看出，真实标记的影印本的dAMI结果通常高于真实标记本身的dAMI结果。根据这一点，可以应用简单的阈值测试来表明候选标记内可能存在影印伪像。可以将针对影印伪像的该测试与以上所述的或更早的专利US2013/0228619中针对真实标记的任何测试相结合。公开的实施例的一些或所有优点包括但不限于：通过利用已经被放置在条目上用于其它目的的标记唯一地识别条目的能力，而不需要为了防伪的目的而专门引入明显或隐藏的元素。另一个优点为这种识别很难伪造。另外的优点包括将本发明的功能集成到通常用于读取条目符号的现有技术(诸如机器视觉照相机、条码阅读器和装配有照相机的消费者“智能手机”)中而不改变设备的主要行为、结构或用途的能力。另一个优点是(例如在2维条码的情况中)利用签名数据作为提供用于识别条目的多余的数据载体的方法的能力。在实例中，如果对候选标记的损坏使其只能部分可读，或使其不可能被读取和/或被解码携带数据的符号等，那么该标记的仅有的未损坏部分的识别特征可以足以识别该标记。因此，一旦候选标记被识别为真实标记，那么就可以从存储器中检索该真实标记的签名，并且就可以从检索的签名中而不是直接从损坏的标记中获取诸如标记的条目的序列号等被并入该签名的任何信息。因此，签名数据不论是否与部分恢复的符合信息相结合都可用于唯一的识别条目。这有很多优点，尤其是考虑到在标记的条目通过制造商的供应链的运输过程中，可能会损害携带标记的数据。这种挑战在过去通常通过确保创建的数据载体具有非常高的品质或“级别”而得到解决。该目标是制造具有如此高品质的标记，使得其在经受由于供应链中的物理损坏而导致的显著降级后仍然可以充分可读。这会给条目的制造者带来额外的成本负担并降低制造产量，因为他必须努力确保只有具有最高品质的标记进入其供应链。本发明实施例不需要生产最高品质的标记，同时仍然提供识别由于符号损坏无法以正常方式解码的不可读标记的方法。尽管以上描述使本领域普通技术人员能够做出并使用目前被认为是最好的模式，但是本领域普通技术人员将理解并领会本文中具体实施例、方法和示例存在变形、结合以及等价物。因此，本发明不限于以上描述的实施例、方法和示例，而是延伸至本发明的范围和精神之内的所有实施例和方法。例如，参考图5描述2-D条码的特征。参考图15描述1-D条码的特征。如上提到的，诸如公司标识(logo)等其它符号也可以用作目标符号。用作签名度量的这些特征和这些特征中的特定变化几乎是无限的，理解本发明说明书以选择合适的或可用的符号以及选择合适的度量和特征从而付诸实施本发明在本领域的普通技术范围内。在一些实施例中，不需要根据本发明的方法对标记提取签名数据。反之，假设标记包含合适的伪像特征，则可以使用已经被创建的标记。如果将原始伪像应用至原始条目，并且/或者原始条目被附着在原始物体上，那么该标记或条目可以包含关于该条目或物体的信息。在这种情况下，上述方法和系统可以包括：即使当隐含的条目或物体没有被物理地替换或改变时，也验证被包括在该标记或条目中的关于该条目或物体的信息。例如，如果物体标记有有效日期，那么即使具有被改变有效日期的物体本身是原始物体，也可能希望将其剔除为“不是真品”。如果在效日期中发现用于验证的伪像(例如印刷缺陷)，那么本发明的系统和方法的实施例将产生这样的结果。可以以类似的方式验证诸如批号和其它产品追踪数据等其它信息。主要从获取用于签名数据的整个2-D描述了实施例。然而，可以将标记划分成更小的区域。如果原始标记足够大，并且具有是潜在签名数据的足够大并且足够多的伪像，那么只可以获取或处理一个或少于全部的较少区域。如果获取或处理超过一个区域，那么可以分别记录来自不同区域的签名数据。如果该标记是具有纠错的符号编码数据，并且该纠错涉及比整个符号小区的区域，那么这是尤其有用的。因此，如果该纠错表明候选符号的部分被损坏，那么来自被损坏部分的签名数据就可能被降级。为了简单的目的，已经描述了特定实施例，其中伪像是对印刷标记的印刷过程中产生的缺陷，其被直接应用到待验证的条目或被应用到标签，而该标签被应用到待验证的物体上。然而，如已经提到的，可以用足够可探测的和永久的以及足够困难被复制的任何特征。已经利用针对真实条目的签名数据的数据库描述了一些实施例，在这些实施例中针对签名数据做查找，其至少部分地与从候选标记中提取的签名数据匹配。然而，如果以其它方式将候选条目识别为特定真实条目，那么可能就不必查找，并且可以将从候选标记提取的签名数据直接与针对该特定真实条目的存储的签名数据比较。因此，当指明本发明的范围时应当参考随附的权利要求而不是前述说明书。当前第1页1 2 3