CN109190434A - 一种基于亚像素级角点检测的条码识别算法 - Google Patents

Abstract

本发明公开了一种基于亚像素级角点检测的条码识别算法，包括下述步骤：S1，载入原始条码图像；S2，原始条码图像前期处理；S3，判断并清除非条码区域图像，具体步骤如下：首先进行分块扫描模式，所选取分块数量为6，所选取分块尺寸blockSize＝(图像宽和高的最小值)/6，即blockSize分块尺寸是根据原始条码图像行和列的最小值除于分块数量来计算的，而图像的每行分块数量block_cols和每列分块数量block_rows；本发明有效提高了图像处理速度与精确度，对非条码区域的清除更加有效，图像的处理与分析结果也越接近真实，最终也达到比较满意的识别效果。

Description

一种基于亚像素级角点检测的条码识别算法

技术领域

本发明涉及条形码检测技术领域，具体涉及一种基于亚像素级角点检测的条码识别算法。

背景技术

条形码是广泛使用的一种自动识别技术，它有以下几个方面的优点：输入速度快、可靠性高、采集信息量大、灵活实用等，条码的主要功能是携带数据并实现高效的数据采集，它在数据链中发挥着至关重要的作用，在某些行业中，如果条码精度不够高，就意味着数据链被破坏，供应链也将无法进行下去；在供应链中的任何环节，若因为条码精确度不够高而导致信息读写不准确，也将会给企业带来很多烦恼，因此需要将条码精度尽可能提高。

角点是图像中亮度变化最强的地方，反映了图像的本质特征，提取图像中的角点可以有效提高图像处理速度与精准度，因此对于处理整张图像来说特别重要，角点检测与提取地越准确，图像处理与分析结果就越接近真实；同时角点检测对真实环境下的对象识别、对象匹配都起到了决定性作用。条形码传统的角点检测方法有以下几种：基于模板的角点检测、基于边缘的角点检测、基于灰度变化的角点检测等，它们的检测精度最高只能到达像素级精度。但是，随着科学技术的飞速发展，工业检测等应用对条形码精确度的要求不断提高，传统的像素级角点检测方法已经不能满足实际测量的需要。

现有技术的缺点与不足：现有条码角点检测技术仅仅只能达到像素级精度，而随着科学技术的飞速发展，工业检测等应用对条形码精确度的要求不断提高，现有的像素级角点检测方法已经不能满足实际测量的需要。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于亚像素级角点检测的条码识别算法，该方法有效提高了图像处理速度与精确度，对非条码区域的清除更加有效，图像的处理与分析结果也越接近真实，最终也达到比较满意的识别效果。

本发明的目的通过下述技术方案实现：

一种基于亚像素级角点检测的条码识别算法，包括下述步骤：

S1，载入原始条码图像；

S2，原始条码图像前期处理；

S3，判断并清除非条码区域图像，具体步骤如下：

首先进行分块扫描模式，所选取分块数量为6，所选取分块尺寸blockSize＝(图像宽和高的最小值)/6，即blockSize分块尺寸是根据原始条码图像行和列的最小值除于分块数量来计算的，而图像的每行分块数量block_cols和每列分块数量block_rows，由下述公式(1)和(2)所示：

block_cols＝blurmage.cols/blockSize， (1)

block_rows＝blurmage.rows/blockSize， (2)

其中，blockSize为分块尺寸大小，blurmage.cols为图像列的大小，blurmage.rows为图像行的大小；

然后对所得图像进行灰度梯度扫描操作：在每个分块的两条对角线、中竖线和中横线上作扫描，即在这四条线上检测连续4个像素之间的灰度差，当灰度差的绝对值大于阈值时，标记为一次灰度变化，如下述公式(3)所示：

其中，V_i为第i个像素的梯度量化值，|f_i+1+f_i+f_i-1+f_i-2|为连续四个像素之间的灰度，t为阈值，若分块在某条扫描线上发生超过3次的灰度变化，则认为该分块可能含有条码部分，需要保留，否则清除分块；最后对所得图像进行8连通区域检查，每个分块都有8个领域分块，而分块的边缘除外，在统计每个条码区域分块的邻域分块中是条码区域分块的个数时,若达不到3个，则将该条码区域分块视为孤立分块，孤立分块是条码的可能性较小，因此将其标记为非条码区域，并清除该分块；

S4，对图像进行分块亚像素级角点检测，对每个分块的角点数进行统计，若分块的角点数小于等于预设阈值，则视为条码区域，具体步骤如下：

亚像素级角点检测的实现是基于对向量正交性的观测而实现的，即从中央点q到其领域点p的向量和p点处的图像梯度正交，如下述公式(4)所示：

其中表示在q的一个领域点p_i处的图像梯度，则q的值通过最小化ε_i得到；设置ε_i为0后，公式两边同乘以即可得到关于该领域点的一个等式；当对所有领域点均进行上述变换，等式左右分别相加，即可得到下述公式(5)：

设定最终可求解q＝G^-1·b；

通过上述公式(5)确定亚像素级角点，所设置的阈值为3，若分块的角点数小于等于预设阈值，则视为条码区域，否则即为非条码区域；

S5，条码区域分块再判断，具体步骤如下：

条码是将宽度不等的多个黑条和空白，按照一定的编码规则排列，用以表达一组信息的图形标识符，根据条码的条形排列的特点，通过霍夫变换算法进行直线检测：

运用直线的极坐标公式：ρ＝хcos(θ)+уsin(θ)，其中ρ,θ是一对参数，通过对图像中的像素点运用该公式处理即可得到二维的ρ,θ参数空间，在参数空间上形成峰值，从而利用该峰值即可检测出直线；最后将直线检测和角点检测的判定结果进行或运算，作为分块的最终结果，以防止出现误判；

S6，根据剩余图像轮廓定位条码位置，旋转并截取保存条码区域，具体步骤如下：

查找并绘制条码区域的所有轮廓，用矩形勾出最大的轮廓视为条码位置，计算条码黑条倾斜角，以矩形中心进行原图像旋转，截取并保存原图中所在区域；

S7，识别条码。

本发明与现有技术相比具有以下的有益效果：

本发明有效提高了图像处理速度与精确度，对非条码区域的清除更加有效，图像的处理与分析结果也越接近真实，最终也达到比较满意的识别效果。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本发明的主要工作原理为：对摄像机采集到的图像进行前期处理、读取原图、灰度化及中值滤波，在判断并清除非条码区域中进行角点检测采取基于亚像素级角点检测方法，根据剩余图像轮廓定位条码位置，旋转并截取保存条码区域等一系列操作从而得到精确的条形码图像。

具体来说，如图1所示，一种基于亚像素级角点检测的条码识别算法，包括下述步骤：

步骤一，载入原始条码图像；

步骤二，原始条码图像前期处理；

步骤三，判断并清除非条码区域图像，具体步骤如下：

首先进行分块扫描模式，分块尺寸太大会影响定位精度，分块尺寸太小则增加计算量，选取分块尺寸不合适则易导致条码定位失败，所选取分块数量为6，所选取分块尺寸blockSize＝(图像宽和高的最小值)/6，即blockSize分块尺寸是根据原始条码图像行和列的最小值除于分块数量来计算的，而图像的每行分块数量block_cols和每列分块数量block_rows，由下述公式(1)和(2)所示：

block_cols＝blurmage.cols/blockSize， (1)

block_rows＝blurmage.rows/blockSize， (2)

其中，blockSize为分块尺寸大小，blurmage.cols为图像列的大小，blurmage.rows为图像行的大小；

然后对所得图像进行灰度梯度扫描操作：在每个分块的两条对角线、中竖线和中横线上作扫描，即在这四条线上检测连续4个像素之间的灰度差，当灰度差的绝对值大于阈值时，标记为一次灰度变化，如下述公式(3)所示：

其中，V_i为第i个像素的梯度量化值，|f_i+1+f_i+f_i-1+f_i-2|为连续四个像素之间的灰度，t为阈值，若分块在某条扫描线上发生超过3次的灰度变化，则认为该分块可能含有条码部分，需要保留，否则清除分块；最后对所得图像进行8连通区域检查，每个分块都有8个领域分块，而分块的边缘除外，在统计每个条码区域分块的邻域分块中是条码区域分块的个数时,若达不到3个，则将该条码区域分块视为孤立分块，孤立分块是条码的可能性较小，因此将其标记为非条码区域，并清除该分块；

步骤四，对图像进行分块亚像素级角点检测，对每个分块的角点数进行统计，若分块的角点数小于等于预设阈值，则视为条码区域，具体步骤如下：

亚像素级角点检测的实现是基于对向量正交性的观测而实现的，即从中央点q到其领域点p的向量和p点处的图像梯度正交，如下述公式(4)所示：

其中表示在q的一个领域点p_i处的图像梯度，则q的值通过最小化ε_i得到；设置ε_i为0后，公式两边同乘以即可得到关于该领域点的一个等式；当对所有领域点均进行上述变换，等式左右分别相加，即可得到下述公式(5)：

设定G为矩阵，b为向量，最终可求解q＝G^-1·b；

通过上述公式(5)确定亚像素级角点，所设置的阈值为3，若分块的角点数小于等于预设阈值，则视为条码区域，否则即为非条码区域；

步骤五，条码区域分块再判断，具体步骤如下：

条码是将宽度不等的多个黑条和空白，按照一定的编码规则排列，用以表达一组信息的图形标识符，根据条码的条形排列的特点，通过霍夫变换算法进行直线检测：

运用直线的极坐标公式：ρ＝хcos(θ)+уsin(θ)，其中ρ,θ是一对参数，通过对图像中的像素点运用该公式处理即可得到二维的ρ,θ参数空间，在参数空间上形成峰值，从而利用该峰值即可检测出直线；最后将直线检测和角点检测的判定结果进行或运算，作为分块的最终结果，以防止出现误判；

步骤六，根据剩余图像轮廓定位条码位置，旋转并截取保存条码区域，具体步骤如下：

查找并绘制条码区域的所有轮廓，用矩形勾出最大的轮廓视为条码位置，计算条码黑条倾斜角，以矩形中心进行原图像旋转，截取并保存原图中所在区域；

步骤七，识别条码。

其中所使用的边缘检测算法为canny算子；所选滤波技术为中值滤波。

本发明有效提高了图像处理速度与精确度，对非条码区域的清除更加有效，图像的处理与分析结果也越接近真实，最终也达到比较满意的识别效果。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (1)

1.一种基于亚像素级角点检测的条码识别算法，其特征在于，包括下述步骤：

S1，载入原始条码图像；

S2，原始条码图像前期处理；

S3，判断并清除非条码区域图像，具体步骤如下：

首先进行分块扫描模式，所选取分块数量为6，所选取分块尺寸blockSize＝(图像宽和高的最小值)/6，即blockSize分块尺寸是根据原始条码图像行和列的最小值除于分块数量来计算的，而图像的每行分块数量block_cols和每列分块数量block_rows，由下述公式(1)和(2)所示：

block_cols＝blurmage.cols/blockSize， (1)

block_rows＝blurmage.rows/blockSize， (2)

其中，blockSize为分块尺寸大小，blurmage.cols为图像列的大小，blurmage.rows为图像行的大小；

然后对所得图像进行灰度梯度扫描操作：在每个分块的两条对角线、中竖线和中横线上作扫描，即在这四条线上检测连续4个像素之间的灰度差，当灰度差的绝对值大于阈值时，标记为一次灰度变化，如下述公式(3)所示：

其中，V_i为第i个像素的梯度量化值，|f_i+1+f_i+f_i-1+f_i-2|为连续四个像素之间的灰度，t为阈值，若分块在某条扫描线上发生超过3次的灰度变化，则认为该分块可能含有条码部分，需要保留，否则清除分块；最后对所得图像进行8连通区域检查，每个分块都有8个领域分块，而分块的边缘除外，在统计每个条码区域分块的邻域分块中是条码区域分块的个数时,若达不到3个，则将该条码区域分块视为孤立分块，孤立分块是条码的可能性较小，因此将其标记为非条码区域，并清除该分块；

S4，对图像进行分块亚像素级角点检测，对每个分块的角点数进行统计，若分块的角点数小于等于预设阈值，则视为条码区域，具体步骤如下：

亚像素级角点检测的实现是基于对向量正交性的观测而实现的，即从中央点q到其领域点p的向量和p点处的图像梯度正交，如下述公式(4)所示：

其中表示在q的一个领域点p_i处的图像梯度，则q的值通过最小化ε_i得到；设置ε_i为0后，公式两边同乘以即可得到关于该领域点的一个等式；当对所有领域点均进行上述变换，等式左右分别相加，即可得到下述公式(5)：

设定最终可求解q＝G^-1·b；

通过上述公式(5)确定亚像素级角点，所设置的阈值为3，若分块的角点数小于等于预设阈值，则视为条码区域，否则即为非条码区域；

S5，条码区域分块再判断，具体步骤如下：

条码是将宽度不等的多个黑条和空白，按照一定的编码规则排列，用以表达一组信息的图形标识符，根据条码的条形排列的特点，通过霍夫变换算法进行直线检测：

运用直线的极坐标公式：ρ＝хcos(θ)+уsin(θ)，其中ρ,θ是一对参数，通过对图像中的像素点运用该公式处理即可得到二维的ρ,θ参数空间，在参数空间上形成峰值，从而利用该峰值即可检测出直线；最后将直线检测和角点检测的判定结果进行或运算，作为分块的最终结果，以防止出现误判；

S6，根据剩余图像轮廓定位条码位置，旋转并截取保存条码区域，具体步骤如下：

查找并绘制条码区域的所有轮廓，用矩形勾出最大的轮廓视为条码位置，计算条码黑条倾斜角，以矩形中心进行原图像旋转，截取并保存原图中所在区域；

S7，识别条码。