CN104809422A - 基于图像处理的qr码识别方法 - Google Patents

Abstract

本发明提供了一种基于图像处理的QR码识别方法，包括以下步骤：（1）预处理：包括灰度化、图像增强、二值化、图像去噪；（2）定位：确定QR码符号位置探测图形上12个角点位置信息和确定QR码符号右下角角点位置信息；（3）解码：根据定位阶段所获得的QR码符号各种位置信息，再进行几何校正，提取出标准的QR码符号，然后绘制采样网格。本发明的优点是：本方法能够应用于工业生产自动化领域，实现了在无人工参与情况下QR码的自动识别功能，能够解决实际应用中图像背景复杂、图像质量不高、QR码位置探测图形比例特征被破坏等问题。算法在稳定运行情况下可以达到98%的高识别率。算法实时性强，识别一帧图像所用时间约为150ms。

Description

基于图像处理的QR码识别方法

技术领域

本发明涉及一种基于图像处理的QR码识别方法，用于工业生产流水线上的自动化控制。

背景技术

QR(Quick Response)码是二维码的一种，它由日本的Densor Wave公司于1994年发明，其对应的ISO国际标准ISO/IEC 18004于2000年6月获得批准。

由于QR码的识读速度快、容量密度大、纠错能力强等特点，它在各个行业领域被迅速推广应用起来。尤其是近几年来，在互联移动网浪潮的推进下，伴随着腾讯、阿里、百度等互联网巨头的强力推广，关于QR码的应用层出不穷，不断地渗透到人们日常生活的各个方面。

虽然国内关于QR码的应用已十分广泛，但是国内对于QR码识别方法的研究多是建立在人工参与的基础上的，QR码识别方法本身非常简单，对于QR码图像的质量要求高，识别所耗时间长。关于QR码的标准制定上，国内已经有一个影响较大的国家标准：GB/T 18284-2000《快速响应矩阵码》。国内在QR码的识读设备生产发明上，几乎是一片空白，尚没有公司和生产厂家拥有独立的成熟的CCD图像式识别技术。

而在国外，世界条码设备生产厂商的领军者便是美国Symbol(讯宝)公司，该公司的光电式条码扫描设备一直引领着世界的潮流。固定式图像型条码阅读器的生产商目前世界上只有Datalogic、康耐视、迈思肯(Microscan)等少数几家公司。在QR码识别的软件开发上，有些视觉公司做的比较成熟，如MVtec公司的Halcon机器视觉软件库中就有基于计算机视觉的QR码识别方法。

可以看出，国外的条码阅读设备和软件虽然相对成熟，却价格昂贵；而国内尚无固定式图像型条码阅读器(或软件)生产厂家出现，基于图像处理和机器视觉的QR码的识别算法研究具有重大的现实意义和经济意义。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于图像处理的QR码识别方法，据此可以通过智能相机抓取产品的表面图像，对产品上的QR码进行定位识别。

按照本发明提供的技术方案，所述基于图像处理的QR码识别方法包括以下步骤：

(1)预处理：包括灰度化、图像增强、二值化、图像去噪；

(2)定位：确定QR码符号位置探测图形上12个角点位置信息和确定QR码符号右下角角点位置信息；

(3)解码：根据定位阶段所获得的QR码符号各种位置信息，再进行几何校正，提取出标准的QR码符号，然后绘制采样网格。

其中，步骤(1)所述灰度化采用加权平均法，f表示灰度图的亮度级，R、G、B表示彩色图像红、绿、蓝三个颜色分量的亮度级，(i,j)表示图像中的像素位置，

f(i,j)＝0.11*B(i,j)+0.59*G(i,j)+0.3*R(i,j)  (公式1)。

步骤(1)所述图像增强的方法为：先对灰度图进行USM锐化操作，然后利用直方图均衡化方法去扩大图像的亮度分布范围。

步骤(1)所述二值化采用局部区块阈值算法，步骤如下：

a、根据图像的大小将图像分成COLS*ROWS块；

b、对每一区块Block(x,y)进行单独统计，找出该区块处的最大灰度值max(x,y)，和最小灰度值min(x,y)；

c、由公式4求取Block(x,y)处的阈值T(x,y),进而二值化，

T(x，y)＝(max(x，y)+min(x，y))/2  (公式4)。

步骤(1)所述图像去噪利用中值滤波算法进行图像去噪：

d、创建与二值化后的二值图binary同样大小的图像dst，依次扫描二值化图像binary上的每个点；

e、设binary当前位置(i,j)上灰度值为f(i,j)，dst的(i,j)位置上灰度值为g(i,j)，置count为0；依次扫描binary的(i,j)位置的8邻域上的点，如果碰到灰度为1的像素，则count加1；否则count不变；

f、当binary的(i,j)位置的8邻域点被扫描完毕后，判断count值，如果count＝4，则g(i,j)置为f(i,j)；若count<4，则g(i,j)置为0；若count>4，则g(i,j)置为1；

g、当(i,j)到达binary的末尾后，dst即是中值滤波后所得的结果图。

步骤(2)所述确定QR码符号位置探测图形上12个角点位置信息的方法为：

首先用轮廓检测算法，探测出QR码图像上的所有轮廓，然后根据QR码符号位置探测图形轮廓的区别于其他轮廓的特征，将这些轮廓筛选出来，QR码符号的位置探测图形的轮廓有如下几个性质：

1)每个位置探测图形上都有三个边界线，且依次被包围，从外至内分别为边界1、边界2、边界3；

2)同一位置探测图形上的三个边界的重心相同；

3)在一定畸变范围内，位置探测图形的外接矩形的长和宽的比例系数在0.5～2之间；

4)边界1的像素数在50～500之间；

获取QR码符号位置探测图形轮廓后，按照如下步骤获取这些位置探测图形的角点，三个轮廓分别为左下角轮廓、右上角轮廓、左上角轮廓：

第一步，根据左下角、右上角轮廓的重心，求出一条直线，那么在左上角轮廓中，距离该直线最远的点为顶点1，最近的点为顶点4；

第二步，根据顶点1和第一步中直线的斜率，求出一条直线，那么在左下角轮廓中，距离该直线最远的点为顶点12，最近的点为顶点9；在右上角轮廓中，距离该直线最远的点为顶点8，最近的点为顶点5；

第三步，根据顶点1做与第一步中直线垂直的直线，那么在左下角轮廓中，距离该直线最远的点即为顶点11，最近的点为顶点10；在右上角轮廓中，距离该直线最远的点即为顶点6，最近的点为顶点7；

第四步，根据顶点6做与第一步中直线垂直的直线，那么在左上角轮廓中，距离该直线最远的点为顶点3，最近的点为顶点2。

步骤(2)所述确定QR码符号右下角角点位置信息的方法为：设点A、B、C、D分别对应QR码符号的顶点6、8、11、12，延长AB、CD相交于E点；

首先，在直线AB上，距离E点1.5个码元范围内，选取该段的所有点进行考察，被考察点记为X，统计线段CX的黑色像素数m；当CX刚好是QR码符号的下边界时，m会发生突变；即有F点是m的一阶导数绝对值的极大值处；

然后，在直线CF上，距离F点1.5个码元范围内，选取该段的所有点进行考察，被考察点记为Y，统计线段AY的黑色像素数n；当AY刚好是QR码符号的右边界时，n会发生突变；即有G点是n的一阶导数绝对值的极大值处，并且G点是QR码符号的右下角角点。

步骤(3)利用透视变换算法来进行几何校正，并且配合双线性插值算法来减小变换带来的误差；

设变换前的点坐标为(xi,yi)，变换后对应的点坐标为(ui,vi)，那么透视变换可表示为公式5：

$\left\{\begin{array}{c}\mathrm{ui}=\frac{c_{00}*\mathrm{xi}+c_{01}*\mathrm{yi}+c_{02}}{c_{20}*\mathrm{xi}+c_{21}*\mathrm{yi}+c_{22}}\\ \mathrm{vi}=\frac{c_{10}*\mathrm{xi}+c_{11}*\mathrm{yi}+c_{12}}{c_{20}*\mathrm{xi}+c_{21}*\mathrm{yi}+c_{22}}\end{array}\right.$   (公式5)

而公式6中所示矩阵就是透视变换的矩阵，其中c22取值为1，

$\left[\begin{array}{ccc}{c}_{00}& c_{01}& c_{02}\\ c_{10}& c_{11}& c_{12}\\ c_{20}& c_{21}& c_{22}\end{array}\right]$   (公式6)

透视变换需要，变换前后QR码符号左上、左下、右上、右下共8个点的信息，而这些信息在定位阶段已经获取；当透视变换所需的8个点A’，B’，C’，D’，A，B，C，D的坐标已经确定后，求取透视变换的变换矩阵如公式7所示，

$\left[\begin{array}{cccccccc}x0& y0& 1& 0& 0& 0& -x0*u0& -y0*u0\\ x1& y1& 1& 0& 0& 0& -x1*u1& -y1*u1\\ x2& y2& 1& 0& 0& 0& -x2*u2& -y2*u2\\ x3& y3& 1& 0& 0& 0& -x3*u3& -y3*u3\\ 0& 0& 0& x0& y0& 1& -x0*v0& -y0*v0\\ 0& 0& 0& x1& y1& 1& -x1*v1& -y1*v1\\ 0& 0& 0& x2& y2& 1& -x2*v2& -y2*v2\\ 0& 0& 0& x3& y3& 1& -x3*v3& -y3*v3\end{array}\right]\left[\begin{array}{c}{c}_{00}\\ c_{01}\\ c_{02}\\ c_{10}\\ c_{11}\\ c_{12}\\ c_{20}\\ c_{21}\end{array}\right]=\left[\begin{array}{c}u0\\ u1\\ u2\\ u3\\ v0\\ v1\\ v2\\ v3\end{array}\right]$   (公式7)

将各点的坐标代入公式7中，进而求取线性方程组，即得到透视变换的变换矩阵。

步骤(3)所述绘制采样网格，分别利用水平和垂直Sobel算子对几何校正后的QR码符号进行边缘强化；然后对水平边缘强化图进行水平投影，获取投影函数f(y)，对垂直边缘强化图进行垂直投影，获取投影曲线g(x)；使f(y)取得极大值的y处，即是水平网格线的绘制位置；使g(x)取得极大值的x处，即是垂直网格线的绘制位置。

本发明的优点是：本方法能够应用于工业生产自动化领域，实现了在无人工参与情况下QR码的自动识别功能，能够解决实际应用中图像背景复杂、图像质量不高、QR码位置探测图形比例特征被破坏等问题。算法在稳定运行情况下可以达到98％的高识别率。算法实时性强，识别一帧图像所用时间约为150ms。

附图说明

图1是本发明的QR码识别方法流程。

图2是QR码符号位置探测图形轮廓信息。

图3展示了获取位置探测图形上角点的方法。其中，图3(a)是实施例步骤1示意图，图3(b)是实施例步骤2示意图，图3(c)是实施例步骤3示意图，图3(d)是实施例步骤4示意图。

图4是QR码符号右下角角点探测方法示意图。

图5是QR码符号被水平方向Sobel算子处理后效果图。

图6是QR码符号被垂直方向Sobel算子处理后效果图。

具体实施方式

下面参照附图和实施例对本发明进行详细的阐述。

如图1所示，本发明的QR码识别方法主要包括预处理、定位、解码三个阶段。预处理阶段又主要有灰度化、图像增强、二值化、图像去噪四个子步骤；定位阶段分为确定QR码符号位置探测图形上12个角点位置信息和确定QR码符号右下角角点位置信息两部分；解码阶段主要有几何校正和绘制采样网格两个子步骤。以下逐一描述这些子步骤。

1.预处理。

a)灰度化。一般所采集到的QR码源图像是由RGB颜色模型所表示的彩色图像，需要进行灰度化。本文采取的是加权平均法进行灰度化过程的。如公式1所示，f表示灰度图的亮度级，R、G、B表示彩色图像红、绿、蓝三个颜色分量的亮度级。(i,j)表示图像中的像素位置。

f(i,j)＝0.11*B(i,j)+0.59*G(i,j)+0.3*R(i,j)  (公式1)

b)图像增强。为了解决在实际应用中，抓取的图像亮度过暗等问题，需要进行图像增强。本发明图像增强的过程有两步：先对灰度图进行USM锐化操作，然后利用直方图均衡化方法去扩大图像的亮度分布范围。

USM锐化的基本思想可以用公式2表示：

h(i,j)＝4f(i,j)-f(i‐1,j)‐f(i+1,j)‐f(i,j‐1)‐f(i,j+1)  (公式2)

其中，(i,j)表示图像中的位置，f(i,j)表示输入图像，g(i,j)表示输出图像，h(i,j)表示校正信号，k是控制锐化效果的一个缩放因子。在传统的USM算法中，h是通过对f进行高通滤波获得，其获取方法如公式3所示。

h(i,j)＝4f(i,j)‐f(i‐1,j)‐f(i+1,j)‐f(i,j‐1)‐f(i,j+1)  (公式3)

直方图均衡化的原理是寻找一个变换T，使得原图像灰度f映射到新图像灰度g：g＝T(f)。该映射应该满足：

(1)T(f)是[0,L-1]上的一个单调递增函数，其中L是图像的灰度级数。这样保证了变换后的图像灰度的排列顺序没有改变。

(2)对于[0,L-1]上的任意f，映射所得的g都在[0,L-1]上，这使得变换后的图像灰度也在灰度级内。

而累积分布函数CDF，不仅是满足以上两个条件的变换，而且通过该变换后f映射的g满足均匀分布。

c)二值化。本发明采取的二值化算法是局部区块阈值算法。其实施步骤如下：

Step1：根据图像的大小将图像分成COLS*ROWS块。

Step2：对每一区块Block(x,y)进行单独统计，找出该区块处的最大灰度值

max(x,y)，和最小灰度值min(x,y)。

Step3：由公式4求取Block(x,y)处的阈值T(x,y),进而二值化。

T(x,y)＝(max(x,y)+min(x,y))/2  (公式4)

d)图像去噪。本发明利用中值滤波算法进行图像去噪。由于中值滤波是在二值化后的图像上进行的，进行灰度统计时只会有0、1两个数值，所以奇数个像素点的中值也必定是它们的众值，利用这些信息，其处理步骤如下：

Step1：创建与二值图binary同样大小的图像dst，依次扫描二值化图像binary上的每个点。

Step2：设binary当前位置(i,j)上灰度值为f(i,j)，dst的(i,j)位置上灰度值为g(i,j)，置count为0。依次扫描binary的(i,j)位置的8领域上的点，如果碰到灰度为1的像素，则count加1；否则count不变。

Step3：当binary的(i,j)位置的8领域点被扫描完毕后，判断count值，如果count＝4，则g(i,j)置为f(i,j)；若count<4，则g(i,j)置为0；若count>4，则g(i,j)置为1。

Step4：当(i,j)到达binary的末尾后，dst即是中值滤波后所得的结果图。

2.定位。

a)获取三个位置探测图形的12个角点。

QR码符号拥有三个“回”字型位置探测图形，而每个位置探测图形有4个角点。本发明首先用轮廓检测算法，探测出QR码图像上的所有轮廓。然后根据QR码符号位置探测图形轮廓的区别于其他轮廓的特征，将这些轮廓晒选出来。如图2所示，就是QR码符号的位置探测图形的轮廓，它们有如下几个性质：

1)每个位置探测图形上都有三个边界线，且依次被包围。

2)理想情况下，同一位置探测图形上的三个边界其重心相同。

3)在一定畸变范围内，位置探测图形的外接矩形的长和宽的比例系数在0.5～2之间。

4)在实际应用中，图中边界1的像素数在50～500之间。

获取QR码符号位置探测图形轮廓后，即可按照图3所示，获取这些位置探测图形的角点了，其步骤如下：

第一步，如图3(a)所示，根据左下角、右上角轮廓的重心，求出一条直线，那么在左上角轮廓中，距离该直线最远的点即为顶点1，最近的点为顶点4。

第二步，如图3(b)所示，根据顶点1和第一步中直线的斜率，求出一条直线，那么在左下角轮廓中，距离该直线最远的点即为顶点12，最近的点为顶点9；在右上角轮廓中，距离该直线最远的点即为顶点8，最近的点为顶点5。

第三步，如图3(c)所示，根据顶点1做与第一步中直线垂直的直线，那么在左下角轮廓中，距离该直线最远的点即为顶点11，最近的点为顶点10；在右上角轮廓中，距离该直线最远的点即为顶点6，最近的点为顶点7。

第四步，如图3(d)所示，根据顶点6做与第一步中直线垂直的直线，那么在左上角轮廓中，距离该直线最远的点即为顶点3，最近的点为顶点2。

b)获取QR码符号右下角角点信息。

在图4中，点A、B、C、D分别对应图3中QR码符号的顶点6、8、11、12，延长AB、CD相交于E点。由于几何畸变，E点往往并不是QR码符号右下角角点，但E点应该是在QR码右下角角点附近。为了精确获得QR码符号的右下角角点，还需要两步。

首先，在直线AB上，距离E 1.5个码元左右范围内，选取该段的所有点进行考察，被考察点记为X。统计线段CX的黑色像素数m。当CX刚好是QR码符号的下边界时，m会发生突变；换言之，就是m的一阶导数绝对值的极大值处。在图中，F点是m取的极大值的位置。

然后，在直线CF上，距离F 1.5个码元左右范围内，选取该段的所有点进行考察，被考察点记为Y。统计线段AY的黑色像素数n。当AY刚好是QR码符号的右边界时，n会发生突变；换言之，就是n的一阶导数绝对值的极大值处。在图中，G点是n取的极大值的位置。并且G点是QR码符号的右下角角点。

3.解码。

a)几何校正。根据定位阶段所获得的的QR码符号位置信息，再进行一步几何校正，即可提取出标准的QR码符号。本发明利用了透视变换算法来进行几何校正，并且配合双线性插值算法来减小变换带来的误差。

设变换前的点坐标为(xi,yi)，变换后对应的点坐标为(ui,vi)，那么透视变换可表示为公式5所示：

$\left\{\begin{array}{c}\mathrm{ui}=\frac{c_{00}*\mathrm{xi}+c_{01}*\mathrm{yi}+c_{02}}{c_{20}*\mathrm{xi}+c_{21}*\mathrm{yi}+c_{22}}\\ \mathrm{vi}=\frac{c_{10}*\mathrm{xi}+c_{11}*\mathrm{yi}+c_{12}}{c_{20}*\mathrm{xi}+c_{21}*\mathrm{yi}+c_{22}}\end{array}\right.$   (公式5)

而公式6中所示矩阵就是透视变换的矩阵，其中c22取值为1。

$\left[\begin{array}{ccc}{c}_{00}& c_{01}& c_{02}\\ c_{10}& c_{11}& c_{12}\\ c_{20}& c_{21}& c_{22}\end{array}\right]$   (公式6)

透视变换需要，变换前后QR码符号左上、左下、右上、右下共8个点的信息，而这些信息在定位阶段已经获取。当透视变换所需的8个点A’，B’，C’，D’，A，B，C，D的坐标已经确定后，就可以去求取透视变换的变换矩阵了。变换矩阵的求取方法如公式7所示。只要将各点的坐标代入公式7中，进而求取线性方程组，即可得到透视变换的变换矩阵。

$\left[\begin{array}{cccccccc}x0& y0& 1& 0& 0& 0& -x0*u0& -y0*u0\\ x1& y1& 1& 0& 0& 0& -x1*u1& -y1*u1\\ x2& y2& 1& 0& 0& 0& -x2*u2& -y2*u2\\ x3& y3& 1& 0& 0& 0& -x3*u3& -y3*u3\\ 0& 0& 0& x0& y0& 1& -x0*v0& -y0*v0\\ 0& 0& 0& x1& y1& 1& -x1*v1& -y1*v1\\ 0& 0& 0& x2& y2& 1& -x2*v2& -y2*v2\\ 0& 0& 0& x3& y3& 1& -x3*v3& -y3*v3\end{array}\right]\left[\begin{array}{c}{c}_{00}\\ c_{01}\\ c_{02}\\ c_{10}\\ c_{11}\\ c_{12}\\ c_{20}\\ c_{21}\end{array}\right]=\left[\begin{array}{c}u0\\ u1\\ u2\\ u3\\ v0\\ v1\\ v2\\ v3\end{array}\right]$   (公式7)

b)绘制采样网格。如图5，6所示，分别利用水平和垂直Sobel算子对几何校正后的QR码符号进行边缘强化。然后对水平边缘强化图进行水平投影，获取投影函数f(y)；对垂直边缘强化图进行垂直投影，获取投影曲线g(x)。使f(y)取得极大值的y处，即是水平网格线的绘制位置；使g(x)取得极大值的x处，即是垂直网格线的绘制位置。

按照QR码识别算法的整体流程，本发明的主要内容可以划分为预处理阶段、定位阶段、解码阶段三部分。

在图像预处理阶段，从智能相机获取的RGB原图中得到尽量多保持原有QR码符号信息的二值化图，是后续阶段的关键所在。本发明提出了自适应参数的USM锐化算法来进行图像增强，解决图像过暗导致条码区域对比度过低的问题。为了解决图像整体亮度分布不均匀的情况，本发明提出了局部区块阈值算法，来对图像进行二值化。此外，本发明还使用了中值滤波算法来消除图像中的椒盐噪声。

在图像定位阶段，为了精确获得图像位置，本发明放弃了传统利用位置探测图形(Finder Pattern)特征比例关系的方法，而选用了基于轮廓检测的算法。本发明确定了表示QR码条码区域表示位置区域的方法，即QR码三个位置探测图形各4个角点位置信息以及QR码右下角角点位置信息，共13个点来确定QR码位置信息。

在图像解码阶段，本发明利用定位阶段获取的13个角点信息，基于透视变换算法对图像进行几何校正。并利用双线性插值算法，减少透视变换过程中浮点预算造成的误差。为了获取QR码符号的采样网格，本发明利用Sobel边缘检测算法对几何校正后的图像进行处理，通过水平投影和垂直投影，最终获取垂直位置和水平位置极大值处作为采样网格的水平线和垂直线。

Claims (9)

1.基于图像处理的QR码识别方法，其特征是，包括以下步骤：

(1)预处理阶段：包括灰度化、图像增强、二值化、图像去噪；

(2)定位阶段：确定QR码符号位置探测图形上12个角点位置信息和确定QR码符号右下角角点位置信息；

(3)解码阶段：根据定位阶段所获得的QR码符号各种位置信息，再进行几何校正，提取出标准的QR码符号，然后绘制采样网格。

2.如权利要求1所述的基于图像处理的QR码识别方法，其特征是，步骤(1)所述灰度化采用加权平均法，f表示灰度图的亮度级，R、G、B表示彩色图像红、绿、蓝三个颜色分量的亮度级，(i,j)表示图像中的像素位置，

f(i,j)＝0.11*B(i,j)+0.59*G(i,j)+0.3*R(i,j)      (公式1)。

3.如权利要求1所述的基于图像处理的QR码识别方法，其特征是，步骤(1)所述图像增强的方法为：先对灰度图进行USM锐化操作，然后利用直方图均衡化方法去扩大图像的亮度分布范围。

4.如权利要求1所述的基于图像处理的QR码识别方法，其特征是，步骤(1)所述二值化采用局部区块阈值算法，步骤如下：

a、根据图像的大小将图像分成COLS*ROWS块；

b、对每一区块Block(x,y)进行单独统计，找出该区块处的最大灰度值max(x,y)，和最小灰度值min(x,y)；

c、由公式4求取Block(x,y)处的阈值T(x,y),进而二值化，

T(x,y)＝(max(x,y)+min(x,y))/2      公式4。

5.如权利要求1所述的基于图像处理的QR码识别方法，其特征是，步骤(1)所述图像去噪利用中值滤波算法进行图像去噪：

d、创建与二值化后的二值图binary同样大小的图像dst，依次扫描二值化图像binary上的每个点；

e、设binary当前位置(i,j)上灰度值为f(i,j)，dst的(i,j)位置上灰度值为g(i,j)，置count为0；依次扫描binary的(i,j)位置的8邻域上的点，如果碰到灰度为1的像素，则count加1；否则count不变；

f、当binary的(i,j)位置的8邻域点被扫描完毕后，判断count值，如果count＝4，则g(i,j)置为f(i,j)；若count<4，则g(i,j)置为0；若count>4，则g(i,j)置为1；

g、当(i,j)到达binary的末尾后，dst即是中值滤波后所得的结果图。

6.如权利要求1所述的基于图像处理的QR码识别方法，其特征是，步骤(2)所述确定QR码符号位置探测图形上12个角点位置信息的方法为：

首先用轮廓检测算法，探测出QR码图像上的所有轮廓，然后根据QR码符号位置探测图形轮廓的区别于其他轮廓的特征，将这些轮廓筛选出来，QR码符号的位置探测图形的轮廓有如下几个性质：

1)每个位置探测图形上都有三个边界线，且依次被包围，从外至内分别为边界1、边界2、边界3；

2)同一位置探测图形上的三个边界的重心相同；

3)在一定畸变范围内，位置探测图形的外接矩形的长和宽的比例系数在0.5～2之间；

4)边界1的像素数在50～500之间；

获取QR码符号位置探测图形轮廓后，按照如下步骤获取这些位置探测图形的角点，三个轮廓分别为左下角轮廓、右上角轮廓、左上角轮廓：

第一步，根据左下角、右上角轮廓的重心，求出一条直线，那么在左上角轮廓中，距离该直线最远的点为顶点1，最近的点为顶点4；

第二步，根据顶点1和第一步中直线的斜率，求出一条直线，那么在左下角轮廓中，距离该直线最远的点为顶点12，最近的点为顶点9；在右上角轮廓中，距离该直线最远的点为顶点8，最近的点为顶点5；

第三步，根据顶点1做与第一步中直线垂直的直线，那么在左下角轮廓中，距离该直线最远的点即为顶点11，最近的点为顶点10；在右上角轮廓中，距离该直线最远的点即为顶点6，最近的点为顶点7；

第四步，根据顶点6做与第一步中直线垂直的直线，那么在左上角轮廓中，距离该直线最远的点为顶点3，最近的点为顶点2。

7.如权利要求6所述的基于图像处理的QR码识别方法，其特征是，步骤(2)所述确定QR码符号右下角角点位置信息的方法为：设点A、B、C、D分别对应QR码符号的顶点6、8、11、12，延长AB、CD相交于E点；

首先，在直线AB上，距离E点1.5个码元范围内，选取该段的所有点进行考察，被考察点记为X，统计线段CX的黑色像素数m；当CX刚好是QR码符号的下边界时，m会发生突变；即有F点是m的一阶导数绝对值的极大值处；

然后，在直线CF上，距离F点1.5个码元范围内，选取该段的所有点进行考察，被考察点记为Y，统计线段AY的黑色像素数n；当AY刚好是QR码符号的右边界时，n会发生突变；即有G点是n的一阶导数绝对值的极大值处，并且G点是QR码符号的右下角角点。

8.如权利要求1所述的基于图像处理的QR码识别方法，其特征是，步骤(3)利用透视变换算法来进行几何校正，并且配合双线性插值算法来减小变换带来的误差；

设变换前的点坐标为(xi,yi)，变换后对应的点坐标为(ui,vi)，那么透视变换可表示为公式5：

$\left\{\begin{array}{c}\mathrm{ui}=\frac{c_{00}*\mathrm{xi}+c_{01}*\mathrm{yi}+c_{02}}{c_{20}*\mathrm{xi}+c_{21}*\mathrm{yi}+c_{22}}\\ \mathrm{vi}=\frac{c_{10}*\mathrm{xi}+c_{11}*\mathrm{yi}+c_{12}}{c_{20}*\mathrm{xi}+c_{21}*\mathrm{yi}+c_{22}}\end{array}\right.$ (公式5)

而公式6中所示矩阵就是透视变换的矩阵，其中c22取值为1，

$\left[\begin{array}{ccc}{c}_{00}& c_{01}& c_{02}\\ c_{10}& c_{11}& c_{12}\\ c_{20}& c_{21}& c_{22}\end{array}\right]$ (公式6)

透视变换需要，变换前后QR码符号左上、左下、右上、右下共8个点的信息，而这些信息在定位阶段已经获取；当透视变换所需的8个点A’，B’，C’，D’，A，B，C，D的坐标已经确定后，求取透视变换的变换矩阵如公式7所示，

$\left[\begin{array}{cccccccc}x0& y0& 1& 0& 0& 0& -x0*u0& -y0*u0\\ x1& y1& 1& 0& 0& 0& -x1*u1& -y1*u1\\ x2& y2& 1& 0& 0& 0& -x2*u2& -y2*u2\\ x3& y3& 1& 0& 0& 0& -x3*u3& -y3*u3\\ 0& 0& 0& x0& y0& 1& -x0*v0& -y0*v0\\ 0& 0& 0& x1& y1& 1& -x1*v1& -y1*v1\\ 0& 0& 0& x2& y2& 1& -x2*v2& -y2*v2\\ 0& 0& 0& x3& y3& 1& -x3*v3& -y3*v3\end{array}\right]\left[\begin{array}{c}{c}_{00}\\ c_{01}\\ c_{02}\\ c_{10}\\ c_{11}\\ c_{12}\\ c_{20}\\ c_{21}\end{array}\right]=\left[\begin{array}{c}u0\\ u1\\ u2\\ u3\\ v0\\ v1\\ v2\\ v3\end{array}\right]$ (公式7)

将各点的坐标代入公式7中，进而求取线性方程组，即得到透视变换的变换矩阵。

9.如权利要求1所述的基于图像处理的QR码识别方法，其特征是，步骤(3)所述绘制采样网格，分别利用水平和垂直Sobel算子对几何校正后的QR码符号进行边缘强化；然后对水平边缘强化图进行水平投影，获取投影函数f(y)，对垂直边缘强化图进行垂直投影，获取投影曲线g(x)；使f(y)取得极大值的y处，即是水平网格线的绘制位置；使g(x)取得极大值的x处，即是垂直网格线的绘制位置。