CN110490023A - 一种二维码形变恢复方法、装置及设备 - Google Patents
一种二维码形变恢复方法、装置及设备 Download PDFInfo
- Publication number
- CN110490023A CN110490023A CN201910797364.XA CN201910797364A CN110490023A CN 110490023 A CN110490023 A CN 110490023A CN 201910797364 A CN201910797364 A CN 201910797364A CN 110490023 A CN110490023 A CN 110490023A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- training
- deformation
- code
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 149
- 238000013135 deep learning Methods 0.000 claims abstract description 141
- 238000011084 recovery Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 8
- 230000000644 propagated effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
- G06K7/1482—Methods for optical code recognition the method including quality enhancement steps using fuzzy logic or natural solvers, such as neural networks, genetic algorithms and simulated annealing
Abstract
本发明公开了一种二维码形变恢复方法、装置、设备及计算机可读存储介质,该方法包括:获取训练图像集,所述训练图像集中包括多个训练图像对,每个所述训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像;利用所述训练图像集训练用于训练阶段的深度学习网络,得到包含该深度学习网络中各项权值的权值文件,并将所述权值文件添加至用于预测阶段的深度学习网络中,得到目的深度学习网络;将待恢复的形变二维码图像输入至所述目的深度学习网络,得到所述目的深度学习网络输出的形变恢复的二维码图像。本申请操作简单,且实验证明,本申请进行形变恢复的二维码能够成功读取出原图的信息,可读性好。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,涉及一种二维码形变恢复方法、装置、设备及计算机可读存储介质。
背景技术
随着自动识别技术的发展以及携带高清摄像头的智能手机在民众中的普及,二维码获得了快速的发展;现在,各种各样的广告、火车票、景点门票、产品包装以及商店支付都能见到二维码的身影。而在实际生活中二维码经常会由于各种原因导致形变进而导致扫描及识别困难,如固定的付款二维码,手机扫描时每个人扫描的方向会不同,以及货物摆放的位置及高度等原因,采集到图像中的二维码往往存在较为严重的倾斜现象,进而由于这种形变导致对二维码的扫描与识别较为困难。
为了实现对形变二维码的扫描与识别,通常需要对形变二维码进行恢复,现有技术中对形变二维码进行恢复主要是采取图像处理的方法,采用线性方程组结合图像形态学处理的方式,需要多次重复的计算处理才能得出较好的恢复效果,一方面操作复杂,另一方面恢复的二维码可能无法读取出原图的信息。
发明内容
本发明的目的是提供一种二维码形变恢复方法、装置、设备及计算机可读存储介质,不仅操作简单,且能够保证恢复的二维码的可读性。
为了实现上述目的,本发明提供如下技术方案:
一种二维码形变恢复方法,包括:
获取训练图像集,所述训练图像集中包括多个训练图像对,每个所述训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像;
利用所述训练图像集训练用于训练阶段的深度学习网络,得到包含该深度学习网络中各项权值的权值文件,并将所述权值文件添加至用于预测阶段的深度学习网络中,得到目的深度学习网络;
将待恢复的形变二维码图像输入至所述目的深度学习网络,得到所述目的深度学习网络输出的形变恢复的二维码图像。
优选的,利用所述训练图像集训练用于训练阶段的深度学习网络,得到对应的权值文件,包括:
对用于训练阶段的深度学习网络进行预设次数的迭代,并在每次迭代中将所述训练图像集中的训练图像对依次输入至用于训练阶段的深度学习网络,以使该深度学习网络基于输入的训练图像对进行网络训练;
将用于训练阶段的深度学习网络当前具有的各项权值加入至指定文件中,得到对应的权值文件。
优选的,还包括:
获取U-net网络作为深度学习网络。
优选的,获取U-net网络作为深度学习网络,包括:
获取U-net网络作为深度学习网络,所述U-net网络包括用于实现训练阶段中损失计算的损失函数,所述损失函数包括:
Lt=Le+Ls,
其中,n表示输入的图像包含的像素个数,yi表示第i个像素在输入的形变二维码图像中的值,表示第i个像素在输入的真实二维码图像中的值,λ表示权值,Le表示总损失,
优选的,获取U-net网络作为深度学习网络,包括:
获取U-net网络作为深度学习网络,所述U-net网络包括用于实现训练阶段中网络优化的Adam优化器。
优选的,得到所述目的深度学习网络输出的形变恢复的二维码图像之后,还包括:
调取二维码识别模块,并利用调取的二维码识别模块对形变恢复的二维码图像进行识别,得到对应的二维码识别结果。
优选的,获取训练图像集,包括:
获取训练图像集,所述训练图像集中包含的形变二维码图像对应发生不同形变的不同二维码。
一种二维码形变恢复装置,包括:
获取模块,用于:获取训练图像集,所述训练图像集中包括多个训练图像对,每个所述训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像;
训练模块,用于:利用所述训练图像集训练用于训练阶段的深度学习网络,得到包含该深度学习网络中各项权值的权值文件,并将所述权值文件添加至用于预测阶段的深度学习网络中,得到目的深度学习网络;
恢复模块,用于:将待恢复的形变二维码图像输入至所述目的深度学习网络,得到所述目的深度学习网络输出的形变恢复的二维码图像。
一种二维码形变恢复设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一项所述二维码形变恢复方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述二维码形变恢复方法的步骤。
本发明提供了一种二维码形变恢复方法、装置、设备及计算机可读存储介质,其中,该方法包括:获取训练图像集,所述训练图像集中包括多个训练图像对,每个所述训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像;利用所述训练图像集训练用于训练阶段的深度学习网络,得到包含该深度学习网络中各项权值的权值文件,并将所述权值文件添加至用于预测阶段的深度学习网络中,得到目的深度学习网络;将待恢复的形变二维码图像输入至所述目的深度学习网络,得到所述目的深度学习网络输出的形变恢复的二维码图像。本申请利用包含有真实二维码图像及对应形变二维码图像的训练图像集对用于训练阶段的深度学习网络进行训练,得到深度学习网络中各项权值的权值文件,进而将权值文件添加至用于预测阶段的深度学习网络中,得到能够用于实现形变二维码恢复的目的深度学习网络,进而将任意待恢复的形变二维码输入至目的深度学习网络,即可得到对应的形变恢复的二维码图像;从而仅需要实现一次目的深度学习网络的获取,即可在需要恢复形变二维码时将形变二维码图像输入至目的深度学习网络获取到对应的恢复形变的二维码图像,操作简单,速度较快,且实验证明,本申请进行形变恢复的二维码能够成功读取出原图的信息,可读性好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种二维码形变恢复方法的流程图;
图2为本发明实施例提供的一种二维码形变恢复方法中形变二维码图像及对应的恢复形变的二维码图像的比对图;
图3为本发明实施例提供的一种二维码形变恢复装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中,在对形变二维码进行恢复时,可以采取的做法是通过计算预设的无形变的二维码图像坐标以及形变的二维码图像坐标建立线性方程组;根据求解方程组结果对二维码图像作校正;通过边缘区域,采用霍夫变换算法识别二维码的四条边,通过左手坐标系构建无形变图像坐标系XRY,逆时针遍历四条边以及长度来确定无形变图像坐标。最后输出仅包含二维码区域的信息的无形变二维码图像。这种做法需要进行多次重复的计算处理,并且实验证明这种做法恢复的二维码可能无法读取出原图的信息。为了解决这种做法存在的缺陷,本申请实施例提供了一种基于深度学习的二维码形变恢复方案。
请参阅图1,其示出了本发明实施例提供的一种二维码形变恢复方法的流程图,可以包括:
S11:获取训练图像集,训练图像集中包括多个训练图像对,每个训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像。
本发明实施例提供的一种二维码形变恢复方法的执行主体可以为对应的二维码形变恢复装置。训练图像集为用于实现深度学习网络训练的数据集,其中训练图像对的个数可以根据实际需要进行设定,如5000;每个训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像,二维码图像即为包含二维码的图像,也即可以利用摄像头等预先获取多个二维码图像,针对同一个二维码图像来说,获取该二维码图像未发生形变的图像为真实二维码图像,获取该二维码图像发生形变的图像为形变二维码图像,该二维码图像的真实二维码图像及形变二维码图像组成该二维码图像的训练图像对。
S12:利用训练图像集训练用于训练阶段的深度学习网络,得到包含该深度学习网络中各项权值的权值文件,并将权值文件添加至用于预测阶段的深度学习网络中,得到目的深度学习网络。
需要说明的是,本实施例中用于训练阶段及用于预测阶段的深度学习网络是同一种深度学习网络,区别在于用于不同的阶段,具体来说,深度学习网络用于训练阶段时包括前向传播、损失计算、损失反向传播及网络优化这四部分,在利用用于训练阶段的深度学习网络实现网络训练时,将一个训练图像对输入至深度学习网络后,深度学习网络对训练图像对中包含的形变二维码图像进行前向传播以进行形变恢复,得到对应的预测二维码图像,然后对预测二维码图像及对象真实二维码图像进行损失计算,然后对损失计算得到的结果作反向传播,最后基于反向传播的结果进行网络优化,能够得到深度学习网络中前向传播部分(或者说用于对形变二维码图像进行恢复的部分)中每一层网络的权值,进而得到对应的权值文件;深度学习网络用于预测阶段(或者测试阶段)时仅进行前向传播,其他三部分不起作用,将权值文件加载到用于预测阶段的深度学习网络中,得到目的深度学习网络,将待恢复的形变二维码图像输入至目的深度学习网络,目的深度学习网络对输入的形变二维码图像作前向传播以进行形变恢复,得到对应的恢复形变的二维码图像,也即预测的真实的二维码图像。
另外,由于用于训练阶段及预测阶段的深度学习网络中起作用的部分有所区别,因此本实施例中在训练深度学习网络完成后获取到深度学习网络中优化完成的各项权值,并将各项权值加入至预先创建的指定文件中即得到权值文件,进而将权值文件添加至用于预测阶段的深度学习网络中,权值文件中的各项权值自动替换深度学习网络中对应部分(前向传播的部分)中对应的默认的权值,从而就可以得到实现预测功能的目的深度学习网络。
S13:将待恢复的形变二维码图像输入至目的深度学习网络,得到目的深度学习网络输出的形变恢复的二维码图像。
在得到目的深度学习网络后,只要需要实现形变二维码图像的恢复,即可将待恢复的形变二维码输入至目的学习网络,也即步骤S13中待恢复的形变二维码图像可以是一个,也可以是多个,当待恢复的形变二维码图像为一个时,直接将待恢复的形变二维码图像输入至目的深度学习网络即可获得对应的形变恢复的二维码图像,当形变二维码图像为多个时,将多个形变二维码图像分别输入至目的深度学习网络即可获得对应的形变恢复的二维码图像;将待恢复的形变二维码图像输入至目的深度学习网络,目的深度学习网络就会对输入的形变二维码图像进行对应真实二维码图像的预测并输出,从而得到形变恢复的二维码图像。
本申请利用包含有真实二维码图像及对应形变二维码图像的训练图像集对用于训练阶段的深度学习网络进行训练,得到深度学习网络中各项权值的权值文件,进而将权值文件添加至用于预测阶段的深度学习网络中,得到能够用于实现形变二维码恢复的目的深度学习网络,进而将任意待恢复的形变二维码输入至目的深度学习网络,即可得到对应的形变恢复的二维码图像;从而仅需要实现一次目的深度学习网络的获取,即可在需要恢复形变二维码时将形变二维码图像输入至目的深度学习网络获取到对应的恢复形变的二维码图像,操作简单,速度较快,且实验证明,本申请进行形变恢复的二维码能够成功读取出原图的信息,可读性好。
本发明实施例提供的一种二维码形变恢复方法,利用训练图像集训练用于训练阶段的深度学习网络,得到对应的权值文件,可以包括:
对用于训练阶段的深度学习网络进行预设次数的迭代,并在每次迭代中将训练图像集中的训练图像对依次输入至用于训练阶段的深度学习网络,以使该深度学习网络基于输入的训练图像对进行网络训练;
将用于训练阶段的深度学习网络当前具有的各项权值加入至指定文件中,得到对应的权值文件。
本实施例中在利用训练图像集实现深度学习网络的训练时,将训练图像集中全部训练图像对依次输入至用于训练阶段的深度训练网络,用于训练阶段的深度学习网络基于输入的训练图像对进行网络训练完成,作为一次迭代,而为了保证深度学习网络的预测准确性,本实施例中需要对深度学习网络进行预测次数的迭代,预设次数可以根据实际需要进行设定,如可以设定为200。
另外,为了进一步保证深度学习网络的预测准确性,可以得到目的深度学习网络后利用测试图像集对目的深度学习网络进行测试,测试图像集中包括与训练图像集中不同的多个(大于一个)测试图像对,每个测试图像对包括一个真实二维码图像及对应的一个形变二维码图像,将每个测试图像对中的形变二维码图像输入至目的深度学习网络后,判断识别深度学习网络输出的二维码图像的结果与识别对应真实二维码图像的结果是否相同,如果相同,则说明预测正确,否则则说明预测错误,从而计算全部测试图像对对应预测正确的次数占预测的总次数(与测试图像对的数量相等)的百分比,如果该比值大于预先根据实际需要设定的值,如百分之七十,则说明预测准确性达标,可以利用目的深度学习网络实现预测功能,否则,则说明预测准确性不达标,重新执行对深度学习网络进行训练等步骤;从而进一步保证了实现形变二维码恢复的准确性。
本发明实施例提供的一种二维码形变恢复方法,还可以包括:
获取U-net网络作为深度学习网络。
本实施例中利用U-net网络作为深度学习网络实现形变二维码的恢复,U-net网络是基于FCN(Fully Convultional Neural Network:全卷积神经网络)进行改进后得到的,其利用数据增强(data augmentation)可以对一些比较少样本的数据进行训练,也即仅需少量的训练图像对即可实现U-net网络的训练,从而进一步简化了本申请中二维码形变恢复工作,提高了目的深度学习网络的获取效率。
本发明实施例提供的一种二维码形变恢复方法,获取U-net网络作为深度学习网络,可以包括:
获取U-net网络作为深度学习网络,U-net网络包括用于实现训练阶段中损失计算的损失函数,损失函数包括:
Lt=Le+Ls,
其中,n表示输入的图像包含的像素个数,yi表示第i个像素在输入的形变二维码图像中的值,表示第i个像素在输入的真实二维码图像中的值,λ表示权值,Le表示总损失,
损失函数包括的第一个函数为均方根损失函数,第二个函数为尺度不变损失函数,第三个函数为总损失函数,具体来说,y(包括yi及)表示的是一个二维向量,λ的初始值可以设为0.1;本实施例中在深度学习网络中添加了上述损失函数,实验证明,这样能够进一步保证形变恢复的二维码图像对应信息的读取的可行性及准确性。
本发明实施例提供的一种二维码形变恢复方法,获取U-net网络作为深度学习网络,可以包括:
获取U-net网络作为深度学习网络,U-net网络包括用于实现训练阶段中网络优化的Adam优化器。
需要说明的是,本实施例中可以利用Adam优化器实现U-net网络中网络优化,Adam优化器几乎是现有技术中优化效果最好的优化器,因此本实施例中采用Adam优化器能够实现较快速较优的网络优化,进一步保证了网络训练的效率及训练得到的网络的预测准确性。
本发明实施例提供的一种二维码形变恢复方法,得到目的深度学习网络输出的形变恢复的二维码图像之后,还可以包括:
调取二维码识别模块,并利用调取的二维码识别模块对形变恢复的二维码图像进行识别,得到对应的二维码识别结果。
需要说明的是,为了便于实现对二维码的快速识别,本实施例中在得到目的深度学习网络输出的形变恢复的二维码图像后,并不需要外界人员再手动实现对二维码图像的调用,而是直接调取需要进行对形变恢复的二维码图像进行识别的二维码识别模块,进而对形变恢复的二维码图像进行识别得到对应的二维码识别结果并输出显示等;从而能够提高二维码识别的识别效率,并且方便外界人员的相应操作。
本发明实施例提供的一种二维码形变恢复方法,获取训练图像集,可以包括:
获取训练图像集,训练图像集中包含的形变二维码图像对应发生不同形变的不同二维码。
需要说明的是,为了保证训练得到的网络能够对具有不同形变的二维码进行恢复,因此本实施例中获取的训练图像集可以包含具有不同形变的不同二维码,从而使得训练得到的网络在实现预测功能时对于可恢复的形变二维码类型更加全面,更具通用性。
利用本申请的目的深度学习网络实现形变恢复的形变二维码图像及对应恢复形变的二维码图像的比对图可以如图2所示,其中,每列均为一组二维码图像,每组二维码图像中第一行为形变二维码图像,第二行为对应恢复形变的二维码图像。本申请公开的一种二维码形变恢复方法,引入深度学习中的卷积神经网络U-net网络这一模型,相比传统的插值法、霍夫变换算法等方法,深度学习中的卷积神经网络可以通过对训练图像集中的形变二维码图像与真实二维码图像在网络中不断训练,使得到的网络可以快速地对形变二维码作校正,而在网络中加入的尺度不变损失函数、均方损失,保证了结果图像中二维码信息的可读性以及读取出的信息与原始二维码一致的准确性。简单来说,本申请采用了深度学习的方法对形变二维码图像进行恢复,既能够方便快速地恢复二维码的形变,又可以达到对更多种类的形变二维码的恢复,适用范围更为广泛,效果更好;同时,所采用到的U-net网络,在原有结构的基础上增加了均方根损失函数、尺度不变损失函数,保证了形变二维码恢复过程中信息的不丢失以及尺度不变。也即本申请公开的一种二维码形变恢复方法具有方便快捷、准确率高且可对多种形变种类的二维码作恢复等优点。
本发明实施例还提供了一种二维码形变恢复装置,如图3所示,可以包括:
获取模块11,用于:获取训练图像集,训练图像集中包括多个训练图像对,每个训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像;
训练模块12,用于:利用训练图像集训练用于训练阶段的深度学习网络,得到包含各项权值的权值文件,并将权值文件添加至用于预测阶段的深度学习网络中,得到目的深度学习网络;
恢复模块13,用于:将待恢复的形变二维码图像输入至目的深度学习网络,得到目的深度学习网络输出的形变恢复的二维码图像。
本发明实施例提供的一种二维码形变恢复装置,训练模块可以包括:
训练单元,用于:对用于训练阶段的深度学习网络进行预设次数的迭代,并在每次迭代中将训练图像集中的训练图像对依次输入至用于训练阶段的深度学习网络,以使深度学习网络基于输入的训练图像对进行网络训练;将用于训练阶段的深度学习网络当前具有的各项权值加入至指定文件中,得到对应的权值文件。
本发明实施例提供的一种二维码形变恢复装置,还可以包括:
设置模块,用于:获取U-net网络作为深度学习网络。
本发明实施例提供的一种二维码形变恢复装置,设置模块可以包括:
第一设置单元,用于:获取U-net网络作为深度学习网络,U-net网络包括用于实现训练阶段中损失计算的损失函数,损失函数包括:
Lt=Le+Ls,
其中,n表示输入的图像包含的像素个数,yi表示第i个像素在输入的形变二维码图像中的值,表示第i个像素在输入的真实二维码图像中的值,λ表示权值,Le表示总损失,
第二设置单元,用于:获取U-net网络作为深度学习网络,U-net网络包括用于实现训练阶段中网络优化的Adam优化器。
本发明实施例提供的一种二维码形变恢复装置,还可以包括:
识别模块,用于:得到目的深度学习网络输出的形变恢复的二维码图像之后,调取二维码识别模块,并利用调取的二维码识别模块对形变恢复的二维码图像进行识别,得到对应的二维码识别结果。
本发明实施例提供的一种二维码形变恢复装置,获取模块可以包括:
获取单元,用于:获取训练图像集,训练图像集中包含的形变二维码图像对应发生不同形变的不同二维码。
本发明实施例还提供了一种二维码形变恢复设备,可以包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上任一项二维码形变恢复方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可以实现如上任一项二维码形变恢复方法的步骤。
需要说明的是,本发明实施例提供的一种维码形变恢复装置、设备及计算机可读存储介质中相关部分的说明请参见本发明实施例提供的一种维码形变恢复方法中对应部分的详细说明,在此不再赘述。另外本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种二维码形变恢复方法,其特征在于,包括:
获取训练图像集,所述训练图像集中包括多个训练图像对,每个所述训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像;
利用所述训练图像集训练用于训练阶段的深度学习网络,得到包含该深度学习网络中各项权值的权值文件,并将所述权值文件添加至用于预测阶段的深度学习网络中,得到目的深度学习网络;
将待恢复的形变二维码图像输入至所述目的深度学习网络,得到所述目的深度学习网络输出的形变恢复的二维码图像。
2.根据权利要求1所述的方法,其特征在于,利用所述训练图像集训练用于训练阶段的深度学习网络,得到对应的权值文件,包括:
对用于训练阶段的深度学习网络进行预设次数的迭代,并在每次迭代中将所述训练图像集中的训练图像对依次输入至用于训练阶段的深度学习网络,以使该深度学习网络基于输入的训练图像对进行网络训练;
将用于训练阶段的深度学习网络当前具有的各项权值加入至指定文件中,得到对应的权值文件。
3.根据权利要求2所述的方法,其特征在于,还包括:
获取U-net网络作为深度学习网络。
4.根据权利要求3所述的方法,其特征在于,获取U-net网络作为深度学习网络,包括:
获取U-net网络作为深度学习网络,所述U-net网络包括用于实现训练阶段中损失计算的损失函数,所述损失函数包括:
Lt=Le+Ls,
其中,n表示输入的图像包含的像素个数,yi表示第i个像素在输入的形变二维码图像中的值,表示第i个像素在输入的真实二维码图像中的值,λ表示权值,Le表示总损失,
5.根据权利要求4所述的方法,其特征在于,获取U-net网络作为深度学习网络,包括:
获取U-net网络作为深度学习网络,所述U-net网络包括用于实现训练阶段中网络优化的Adam优化器。
6.根据权利要求5所述的方法,其特征在于,得到所述目的深度学习网络输出的形变恢复的二维码图像之后,还包括:
调取二维码识别模块,并利用调取的二维码识别模块对形变恢复的二维码图像进行识别,得到对应的二维码识别结果。
7.根据权利要求6所述的方法,其特征在于,获取训练图像集,包括:
获取训练图像集,所述训练图像集中包含的形变二维码图像对应发生不同形变的不同二维码。
8.一种二维码形变恢复装置,其特征在于,包括:
获取模块,用于:获取训练图像集,所述训练图像集中包括多个训练图像对,每个所述训练图像对均包括一个真实二维码图像及对应的一个形变二维码图像;
训练模块,用于:利用所述训练图像集训练用于训练阶段的深度学习网络,得到包含该深度学习网络中各项权值的权值文件,并将所述权值文件添加至用于预测阶段的深度学习网络中,得到目的深度学习网络;
恢复模块,用于:将待恢复的形变二维码图像输入至所述目的深度学习网络,得到所述目的深度学习网络输出的形变恢复的二维码图像。
9.一种二维码形变恢复设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述二维码形变恢复方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述二维码形变恢复方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797364.XA CN110490023A (zh) | 2019-08-27 | 2019-08-27 | 一种二维码形变恢复方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797364.XA CN110490023A (zh) | 2019-08-27 | 2019-08-27 | 一种二维码形变恢复方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490023A true CN110490023A (zh) | 2019-11-22 |
Family
ID=68554444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910797364.XA Pending CN110490023A (zh) | 2019-08-27 | 2019-08-27 | 一种二维码形变恢复方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490023A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815765A (zh) * | 2019-01-21 | 2019-05-28 | 东南大学 | 一种提取含有二维码的营业执照信息的方法及装置 |
CN109858305A (zh) * | 2019-01-17 | 2019-06-07 | 柳州康云互联科技有限公司 | 一种基于深度学习的二维码定位识别系统及方法 |
CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN110046529A (zh) * | 2018-12-11 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 二维码识别方法、装置及设备 |
-
2019
- 2019-08-27 CN CN201910797364.XA patent/CN110490023A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046529A (zh) * | 2018-12-11 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 二维码识别方法、装置及设备 |
CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN109858305A (zh) * | 2019-01-17 | 2019-06-07 | 柳州康云互联科技有限公司 | 一种基于深度学习的二维码定位识别系统及方法 |
CN109815765A (zh) * | 2019-01-21 | 2019-05-28 | 东南大学 | 一种提取含有二维码的营业执照信息的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
US20160321529A1 (en) | Producing, capturing and using visual identification tags for moving objects | |
CN103460705B (zh) | 利用立体对应性的实时深度提取 | |
KR102219561B1 (ko) | 대응점 일관성에 기반한 비지도 학습 방식의 스테레오 매칭 장치 및 방법 | |
CN105654492A (zh) | 基于消费级摄像头的鲁棒实时三维重建方法 | |
CN105046213A (zh) | 一种增强现实的方法 | |
CN102750697A (zh) | 一种参数标定方法及装置 | |
CN109871841A (zh) | 图像处理方法、装置、终端及存储介质 | |
CN110414380A (zh) | 一种基于目标检测的学生行为检测方法 | |
CN112686097A (zh) | 一种人体图像关键点姿态估计方法 | |
CN109635714A (zh) | 文档扫描图像的矫正方法及装置 | |
CN113705461A (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
Wang | A Comparison Study of Five 3D Modeling Systems Based on the SfM Principles | |
CN116363750A (zh) | 人体姿态预测方法、装置、设备及可读存储介质 | |
CN115223166A (zh) | 图片预标注方法、图片标注方法及装置、电子设备 | |
CN107845120A (zh) | Pet图像重建方法、系统、终端和可读存储介质 | |
CN114663880A (zh) | 基于多层级跨模态自注意力机制的三维目标检测方法 | |
CN110490023A (zh) | 一种二维码形变恢复方法、装置及设备 | |
Chen et al. | Structure guided texture inpainting through multi-scale patches and global optimization for image completion | |
Silva et al. | Multiview range image registration using the surface interpenetration measure | |
CN111311732A (zh) | 3d人体网格获取方法及装置 | |
Das et al. | Extracting building footprints from high-resolution aerial imagery using refined cross AttentionNet | |
CN116894911A (zh) | 三维重建方法、装置、电子设备及可读存储介质 | |
CN101882213A (zh) | 一种条码图像采样方法 | |
CN112766012B (zh) | 二维码图像的识别方法、装置、电子设备及存储介质 |
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: 20191122 |