CN108241860A - 一种复杂环境下的qr码检测定位方法 - Google Patents

一种复杂环境下的qr码检测定位方法 Download PDF

Info

Publication number
CN108241860A
CN108241860A CN201810065484.6A CN201810065484A CN108241860A CN 108241860 A CN108241860 A CN 108241860A CN 201810065484 A CN201810065484 A CN 201810065484A CN 108241860 A CN108241860 A CN 108241860A
Authority
CN
China
Prior art keywords
codes
picture
convolutional neural
neural networks
localized mass
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810065484.6A
Other languages
English (en)
Inventor
郭明锦
陈荣军
谢舜道
朱雄泳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
SYSU CMU Shunde International Joint Research Institute
Research Institute of Zhongshan University Shunde District Foshan
National Sun Yat Sen University
Original Assignee
SYSU CMU Shunde International Joint Research Institute
Research Institute of Zhongshan University Shunde District Foshan
National Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SYSU CMU Shunde International Joint Research Institute, Research Institute of Zhongshan University Shunde District Foshan, National Sun Yat Sen University filed Critical SYSU CMU Shunde International Joint Research Institute
Priority to CN201810065484.6A priority Critical patent/CN108241860A/zh
Publication of CN108241860A publication Critical patent/CN108241860A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种复杂环境下的QR码检测定位方法，通过第一卷积神经网络判断获取到的图片是否含有QR码，若没有，则可以停止识别以避免不必要的运算，若有，则随机选取待检测的图片的任一局部块送到第二卷积神经网络中，当第二卷积神经网络识别到该局部块为QR码区域，即代表随机选取时命中了QR码区域时，以该命中的QR码区域为中心对其上下左右的局部块进行识别，并不断向外扩散，直至扩散到四个方向上都识别到背景区域时停止，并以此四个边缘初步定位出QR码区域，最后再检测出寻位图形，并通过透视变换矫正得到最终的QR码，本发明的方法适用于复杂环境下的检测定位，不仅检测过程快速高效，还能减少不必要的流程，提高识别效率。

Description

一种复杂环境下的QR码检测定位方法
技术领域
本发明涉及QR二维码检测定位领域，特别是一种复杂环境下的QR码检测定位方法。
背景技术
随着聊天工具的普及，移动支付也随着发展起来，最显而易见的就是各个商家的收银台处或者店里都贴着收款二维码，用户只需要扫描收款二维码便会弹出收款页面，完成支付即可，简单方便，无需找零。
二维码技术处于物联网三层结构的最底层，是最重要的信息采集方式；二维码在水平和垂直两个方向上表达信息，具有高密度大容量、较强的容错和加密功能、译码稳定可靠、低成本、制作简单、持久耐用等优点，而QR码是二维码的一种常用类型，是快速响应码(Quick Response Code)的简称，QR码的检测定位一般是基于QR码标准中三个寻位图形的比例特征进行定位，或者使用图像处理中形态学运算的方法提取二维码，但由于二维码的应用场景复杂，涉及到很多领域，例如餐饮行业、娱乐场所、各种超市商店、菜市场、公交车等，若无法快速的识别二维码，则有可能会造成人员拥堵或者影响到商家的正常营业等问题，所以如何能在复杂环境下快速准确的识别二维码就成了一个急需解决的问题。
发明内容
为解决上述问题，本发明的目的在于提供一种复杂环境下的QR码检测定位方法，能在复杂环境下快速准确的识别出QR码，为后续正确解码提供保障。
本发明解决其问题所采用的技术方案是：
一种复杂环境下的QR码检测定位方法，包括以下步骤：
A、获取图片，并对图片进行预处理；
B、训练第一卷积神经网络，将图片整体送入已训练好的第一卷积神经网络中，第一卷积神经网络判断图片是否含有QR码或类似QR码的图形；
C、训练第二卷积神经网络，将含有QR码或类似QR码的图形的待检测图片送入到已训练好的第二卷积神经网络中，以随机命中的方式进行局部识别得到整个QR码区域；
D、基于QR码的三个寻位图形的特征进行定位后得到最终的QR码。
进一步，所述步骤A中获取图片，并对图片进行预处理的具体步骤为：
A1、获取图片，将该图片转换成灰度图像，采用局部自适应阀值方法将灰度图像转化为二值图像；
A2、对二值图像进行中值滤波以及去除噪声。对图片进行处理的目的是为了减少数据量以及提高图片质量，以免由于多余的图形信息干扰到后续步骤的检测。
进一步，所述步骤B中训练第一卷积神经网络的具体步骤为：建立两类数据集图片，图片中含有QR码图像和未含有QR码图形，以此数据集作为训练集训练第一卷积神经网络。通过训练卷积神经网络来对图片进行检测识别，可以快速的识别出图片是否含有QR码。
进一步，所述步骤B第一卷积神经网络判断图片是否含有QR码或类似QR码的图形中，当第一卷积神经网络判断图片整体中含有QR码或类似QR码的图形时，执行下一步骤；若第一卷积神经网路判断图片整体中未含有QR码或类似QR码的图形时，终止操作。若检测到图片未含有QR码时，则停止操作以避免不必要的运算。
进一步，所述步骤C中训练第二卷积神经网络的具体步骤为：建立数据集图片，将数据集图片中每张图片进行切分得到局部块，将所有局部块分为包含QR码区域和背景区域两类作为数据集，以此数据集来训练第二卷积神经网络。训练第二卷积神经网络可以快速的识别出图片中的QR码区域，即使是在复杂环境下，依然可以快速的识别。
进一步，所述步骤C将含有QR码或类似QR码的图形的待检测图片送入到已训练好的第二卷积神经网络中，以随机命中的方式进行局部识别得到整个QR码区域的具体步骤为：
C1、随机选取待检测图片的任一局部块送入到第二卷积神经网络中，第二卷积神经网络对该局部块进行识别；
C2、若第二卷积神经网络对该局部块识别为背景区域，任取另一局部块进行再次识别，直至含有QR码区域的局部块被命中；
C3、以命中的局部块为中心，对其上下左右四个方向上的局部块进行识别，不断向外扩散直到检测到含有背景区域的局部块时停止识别；C4、以上述四个方向上的含有背景区域的局部块为边缘定位整个QR码区域。第二卷积神经网络采用随机选取的方式选取局部块，当选取到QR码区域时，即对其周围进行识别，快速定位出整个QR码区域。
进一步，所述步骤D中基于QR码的三个寻位图形的特征进行定位后得到最终的QR码的具体步骤为：利用寻位图形的宽度比例或者轮廓关系检测出寻位图形，通过透视变换矫正，提取到最终的QR码。通过QR码的三个寻位图形可以得到最终的QR码。
本发明的有益效果是：本发明采用的一种复杂环境下的QR码检测定位方法，通过任意方式获取图片，例如拍照、扫描、上传等，对获取到的图片进行预处理，以保证后续检测定位更加的容易，然后通过已训练好的第一卷积神经网络对图片整体进行识别，判断图片中是否含有QR码，若判断到图片中没有QR码，则停止识别过程以避免不必要的运算，反之，若识别到图片中含有QR码，则将此图片作为待检测图片送到已训练好的第二卷积神经网络中，由第二卷积神经网络对待检测图片进行局部识别并得到整个QR码区域，最后通过QR码的三个寻位图形即可提取到最终的QR码，本发明通过先整体识别后局部识别的方法对图片进行检测，在提高检测定位速度的同时避免不必要的运算。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种复杂环境下的QR码检测定位方法的流程框图；
图2是本发明第一卷积神经网络的整体识别过程图；
图3是本发明第二卷积神经网络的局部识别过程图；
图4是QR码的寻位图形的示意图；
图5是命中QR码区域后向上下左右扩散识别的示意图；
图6是本发明一种复杂环境下的QR码检测定位方法的流程图。
具体实施方式
参照图1-图3，本发明的一种复杂环境下的QR码检测定位方法，具体步骤如下：获取图片，并对图片进行预处理，将图片整体送入已训练好的第一卷积神经网络中，第一卷积神经网络判断图片是否含有QR码或类似QR码的图形，将含有QR码或类似QR码的图形的待检测图片送入到已训练好的第二卷积神经网络中，进行局部识别得到整个QR码区域，基于QR码的三个寻位图形的特征进行定位后得到最终的QR码，先通过整体识别图片是否含有QR码或者是类似QR码的图形，然后再通过局部识别含有QR码图形的图片，最终得到QR码，本发明的方法在复杂环境下依然可以快速有效的识别定位出QR码，为后续正确解码提供保障。
具体地，在获取图片后，将该图片转换成灰度图像，采用局部自适应阀值方法将灰度图像转化为二值图像，并对二值图像进行中值滤波以及去除噪声以减少数据量和提高图片质量，以免由于多余的图形信息干扰到后续步骤的检测。
将图片转换成灰度图像是应用了灰度化转换公式，转换公式为Y＝0.3R+0.59G+0.11B，其中R＝G＝B的值叫灰度值。
而将灰度图像转换成为二值图像采用的是局部适应阀值方法，较为常用的图像二值化方法有：全局固定阈值；局部自适应阈值；OTSU等，全局固定阈值就是对整幅图像都是用一个统一的阈值来进行二值化；而局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值，这样做的好处在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的，亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小，不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值，常用的局部自适应阈值有：局部邻域块的均值；局部邻域块的高斯加权和，本发明采用了局部邻域块的高斯加权和作为局部自适应阈值来进行二值化处理。
具体地，本发明采用卷积神经网络对待检测图片进行先整体后局部的检测定位，所采用的卷积神经网络则是事先训练好的网络，用于进行整体识别的第一卷积神经网络的训练过程为先建立两类数据集图片，图片中含有QR码图形和未含有QR码图形，以此数据集作为训练集训练第一卷积神经网络，训练好的第一卷积神经网络即可以对获取的图片整体进行识别，判断该图片是否含有QR码，以方便后续的步骤。
当第一卷积神经网络判断图片整体中含有QR码或类似QR码的图形时，则可以将该图片送到第二卷积神经网络中进行下一步的识别；若第一卷积神经网路判断图片整体中未含有QR码或类似QR码的图形时，则终止操作以避免不必要的运算。
而第二卷积神经网络是用于对含有QR码图形的待检测图片进行局部识别的，第二卷积神经网络同样也是事先训练好，先建立数据集图片，将数据集图片中每张图片进行切分得到局部块，将所有局部块分为包含QR码区域和背景区域两类作为数据集，以此数据集来训练第二卷积神经网络。
第二卷积神经网络进行局部识别得到整个QR码区域的具体步骤为：先随机选取待检测图片的任一局部块，将局部块送到第二卷积神经网络中，第二卷积神经网络识别该局部块是QR码区域还是背景区域，若是QR码区域，则称之为命中QR码区域；反之，若识别到是背景区域，则称之为不命中QR码区域，当不命中QR码区域时，重复选取待检测图片的另一个局部块进行识别，直到命中QR码区域即可进行下一步骤。
当第二卷积神经网络识别到局部块为QR码区域，即命中到QR码区域时，以该命中到QR码区域的局部块为中心，对其周围的局部块进行识别，包括上下左右四个方向上的局部块，并逐步往外扩散识别，直到识别到含有背景区域的局部块时则表示该方向上的识别结束，当所有方向上都扩散识别到含有背景区域的局部块并停止识别后，以当前四个方向上的含有背景区域的局部块作为边缘定位整个QR码区域，即可得到一个大致的QR码区域。
参照图4，QR码上分别设置有相同的寻位图形，分别设置在左上角、右上角和左下角，寻位图形包括三个边长不等的正方形，三个正方形的中心重合在一起，宽度比例为1：1：3：1：1，所以三个正方形的边长之比为3：5：7，通过三个寻位图形的宽度比例可以检测到寻位图形，再以这3个寻位图形为基准进行透视变换矫正，即可得到最终的QR码。
参照图5，当命中到QR码区域后，向该区域的上下左右四个方向扩散并进行识别，直至识别到背景区域后停止识别，并以此四个背景边缘初步定位出QR码的区域，然后在进行后续的步骤即可得到最终的QR码。
本发明的方法还可以引申到其它类型的二维码或者车牌识别等领域，使得识别的过程更加的快速高效，提高识别效率。
参照图6，本发明的一种复杂环境下的QR码检测定位方法的流程图，步骤如下：
S1、获取图片，进行预处理，转步骤S2；
S2、第一卷积神经网络识别图片整体是否含有QR码，是转步骤S3，否转步骤S8；
S3、随机选取图片中任一的局部块，转步骤S4；
S4、第二卷积神经网络识别局部块是否命中QR码区域，是转步骤S5，否转步骤S3；
S5、以局部块为中心向上下左右扩散式的选取局部块进行识别，当全部方向上都识别到含有背景区域的局部块时停止识别工作，转步骤S6；
S6、以四个方向上识别到的含有背景区域的局部块为边缘定位QR码，转步骤S7；
S7、检测寻位图形，以寻位图形为基准进行透视变换矫正，得到最终的QR码，转步骤S8；
S8、结束识别。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (7)

1.一种复杂环境下的QR码检测定位方法，其特征在于：包括以下步骤：
A、获取图片，并对图片进行预处理；
B、训练第一卷积神经网络，将图片整体送入已训练好的第一卷积神经网络中，第一卷积神经网络判断图片是否含有QR码或类似QR码的图形；
C、训练第二卷积神经网络，将含有QR码或类似QR码的图形的待检测图片送入到已训练好的第二卷积神经网络中，以随机命中的方式进行局部识别得到整个QR码区域；
D、基于QR码的三个寻位图形的特征进行定位后得到最终的QR码。
2.根据权利要求1所述的一种复杂环境下的QR码检测定位方法，其特征在于：所述步骤A中获取图片，并对图片进行预处理的具体步骤为：
A1、获取图片，将该图片转换成灰度图像，采用局部自适应阀值方法将灰度图像转化为二值图像；
A2、对二值图像进行中值滤波以及去除噪声。
3.根据权利要求1所述的一种复杂环境下的QR码检测定位方法，其特征在于：所述步骤B中训练第一卷积神经网络的具体步骤为：建立两类数据集图片，图片中含有QR码图像和未含有QR码图形，以此数据集作为训练集训练第一卷积神经网络。
4.根据权利要求1所述的一种复杂环境下的QR码检测定位方法，其特征在于：所述步骤B第一卷积神经网络判断图片是否含有QR码或类似QR码的图形中，当第一卷积神经网络判断图片整体中含有QR码或类似QR码的图形时，执行下一步骤；若第一卷积神经网路判断图片整体中未含有QR码或类似QR码的图形时，终止操作。
5.根据权利要求1所述的一种复杂环境下的QR码检测定位方法，其特征在于：所述步骤C中训练第二卷积神经网络的具体步骤为：建立数据集图片，将数据集图片中每张图片进行切分得到局部块，将所有局部块分为包含QR码区域和背景区域两类作为数据集，以此数据集来训练第二卷积神经网络。
6.根据权利要求1所述的一种复杂环境下的QR码检测定位方法，其特征在于：所述步骤C将含有QR码或类似QR码的图形的待检测图片送入到已训练好的第二卷积神经网络中，以随机命中的方式进行局部识别得到整个QR码区域的具体步骤为：
C1、随机选取待检测图片的任一局部块送入到第二卷积神经网络中，第二卷积神经网络对该局部块进行识别；
C2、若第二卷积神经网络对该局部块识别为背景区域，任取另一局部块进行再次识别，直至含有QR码区域的局部块被命中；
C3、以命中的局部块为中心，对其上下左右四个方向上的局部块进行识别，不断向外扩散直到检测到含有背景区域的局部块时停止识别；
C4、以上述四个方向上的含有背景区域的局部块为边缘定位整个QR码区域。
7.根据权利要求1所述的一种复杂环境下的QR码检测定位方法，其特征在于：所述步骤D中基于QR码的三个寻位图形的特征进行定位后得到最终的QR码的具体步骤为：利用寻位图形的宽度比例或者轮廓关系检测出寻位图形，通过透视变换矫正，提取到最终的QR码。
CN201810065484.6A 2018-01-23 2018-01-23 一种复杂环境下的qr码检测定位方法 Pending CN108241860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810065484.6A CN108241860A (zh) 2018-01-23 2018-01-23 一种复杂环境下的qr码检测定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810065484.6A CN108241860A (zh) 2018-01-23 2018-01-23 一种复杂环境下的qr码检测定位方法

Publications (1)

Publication Number Publication Date
CN108241860A true CN108241860A (zh) 2018-07-03

Family

ID=62698573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810065484.6A Pending CN108241860A (zh) 2018-01-23 2018-01-23 一种复杂环境下的qr码检测定位方法

Country Status (1)

Country Link
CN (1) CN108241860A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165538A (zh) * 2018-07-18 2019-01-08 北京飞搜科技有限公司 基于深度神经网络的条形码检测方法及装置
CN109241808A (zh) * 2018-08-27 2019-01-18 上海宝尊电子商务有限公司 一种时尚图像中二维码自动筛选方法
CN109409159A (zh) * 2018-10-11 2019-03-01 上海亿保健康管理有限公司 一种模糊二维码检测方法及装置
CN109446870A (zh) * 2018-09-07 2019-03-08 佛山市顺德区中山大学研究院 一种基于cnn的qr码寻像图形缺陷恢复方法
CN109815770A (zh) * 2019-01-31 2019-05-28 北京旷视科技有限公司 二维码检测方法、装置及系统
CN111310509A (zh) * 2020-03-12 2020-06-19 北京大学 基于物流运单的实时条码检测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903244A (zh) * 2012-12-25 2014-07-02 腾讯科技（深圳）有限公司 一种图像相似区块搜索方法及装置
US20160148283A1 (en) * 2014-11-21 2016-05-26 Michael Bornstein Cbcs Comics System and Method for Accessing Comic Book Grading Notes via a Quick Scan Code
US20160328660A1 (en) * 2015-05-04 2016-11-10 Yi Sun Huang Machine Learning System, Method, and Program Product for Point of Sale Systems
CN106991460A (zh) * 2017-01-23 2017-07-28 中山大学 一种qr码快速定位检测算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903244A (zh) * 2012-12-25 2014-07-02 腾讯科技（深圳）有限公司 一种图像相似区块搜索方法及装置
US20160148283A1 (en) * 2014-11-21 2016-05-26 Michael Bornstein Cbcs Comics System and Method for Accessing Comic Book Grading Notes via a Quick Scan Code
US20160328660A1 (en) * 2015-05-04 2016-11-10 Yi Sun Huang Machine Learning System, Method, and Program Product for Point of Sale Systems
CN106991460A (zh) * 2017-01-23 2017-07-28 中山大学 一种qr码快速定位检测算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN GERBER 等: "Number Plate Detection with a Multi-Convolutional Neural Network Approach with Optical Character Recognition for Mobile Devices", 《JOURNAL OF INFORMATION PROCESSING SYSTEMS》 *
程曙光: "基于卷积神经网络的QR码定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165538A (zh) * 2018-07-18 2019-01-08 北京飞搜科技有限公司 基于深度神经网络的条形码检测方法及装置
CN109241808A (zh) * 2018-08-27 2019-01-18 上海宝尊电子商务有限公司 一种时尚图像中二维码自动筛选方法
CN109446870A (zh) * 2018-09-07 2019-03-08 佛山市顺德区中山大学研究院 一种基于cnn的qr码寻像图形缺陷恢复方法
CN109409159A (zh) * 2018-10-11 2019-03-01 上海亿保健康管理有限公司 一种模糊二维码检测方法及装置
CN109815770A (zh) * 2019-01-31 2019-05-28 北京旷视科技有限公司 二维码检测方法、装置及系统
CN111310509A (zh) * 2020-03-12 2020-06-19 北京大学 基于物流运单的实时条码检测系统及方法

Similar Documents

Publication Publication Date Title
CN108241860A (zh) 一种复杂环境下的qr码检测定位方法
CN106485183B (zh) 一种二维码定位方法及系统
CN107967475B (zh) 一种基于窗口滑动和卷积神经网络的验证码识别方法
CN102136058B (zh) 条形码图像识别方法
CN105069394B (zh) 二维码加权平均灰度法解码方法及系统
CN106446952B (zh) 一种乐谱图像识别方法及装置
US20190188528A1 (en) Text detection method and apparatus, and storage medium
CN109711284A (zh) 一种考试答题卡系统智能识别分析方法
US20110290882A1 (en) Qr code detection
JP5891409B2 (ja) 特徴抽出装置、特徴抽出方法、および特徴抽出プログラム
CN110457972A (zh) 二维码识别方法与装置、存储介质、电子设备
US9785850B2 (en) Real time object measurement
CN103543277A (zh) 一种基于灰度分析与种类识别的血型结果识别算法
CN108509870B (zh) 一种基于图像匹配的中华绒螯蟹唯一性识别方法
CN108491786A (zh) 一种基于分级网络和聚类合并的人脸检测方法
CN112434544A (zh) 一种条烟编码检测识别方法及装置
CN107945111A (zh) 一种基于surf特征提取结合cs‑lbp描述符的图像拼接方法
US7980473B2 (en) Camera based code reading
CN103020634A (zh) 用于验证码识别的分割方法和装置
CN106682560A (zh) 二维码识别方法、装置和系统
CN107705254A (zh) 一种基于街景图的城市环境评估方法
CN108734250B (zh) 基于Sobel算子的视觉二维码生成方法
CN109886935A (zh) 一种基于深度学习的道面异物检测方法
CN104715250B (zh) 十字激光检测方法和装置
CN110298835B (zh) 一种皮革表面破损检测方法、系统及相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180703