CN110717500A - 一种二维条码初定位方法 - Google Patents

一种二维条码初定位方法 Download PDF

Info

Publication number
CN110717500A
CN110717500A CN201910936803.0A CN201910936803A CN110717500A CN 110717500 A CN110717500 A CN 110717500A CN 201910936803 A CN201910936803 A CN 201910936803A CN 110717500 A CN110717500 A CN 110717500A
Authority
CN
China
Prior art keywords
window
image
sampling
bar code
initial positioning
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.)
Granted
Application number
CN201910936803.0A
Other languages
English (en)
Other versions
CN110717500B (zh
Inventor
谭洪舟
肖逢枝
陈荣军
谢舜道
朱雄泳
曾衍瀚
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.)
National Sun Yat Sen University
Original Assignee
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 National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN201910936803.0A priority Critical patent/CN110717500B/zh
Publication of CN110717500A publication Critical patent/CN110717500A/zh
Application granted granted Critical
Publication of CN110717500B publication Critical patent/CN110717500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/476—Contour-based spatial representations, e.g. vector-coding using statistical shape modelling, e.g. point distribution models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的一种二维条码初定位方法，包括：对原始二维码图像进行预处理并进行降采样处理；利用二值化算法对降采样处理后的图像进行处理，得到Min‑Max二值化图片；根据二值化图片建立对应的积分图，通过边缘检测算子计算得到候选的矩形区域；计算窗口内边缘点的方向梯度直方图EOH，通过EOH特征判定，将符合特征判定的候选区域坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。本发明提供的一种二维条码初定位方法，实现快速自适应分离、提取出二维条码大致区域图像，有效减少了后续处理的计算量，加快整体识别效率，适用于移植到嵌入式实时系统，实现了对实际拍摄的光照不均、模糊、即便二维条码图像的初定位。

Description

一种二维条码初定位方法
技术领域
本发明涉及图像处理技术领域，更具体的，涉及一种二维条码初定位方法。
背景技术
随着科技的进步，社会的发展，万物联网成为了新时代下的潮流。二维条码作为万物联网的标签，起到了标识、防伪等作用的条码技术，应时而生，并迅速广泛应用在生产、仓储、物流、销售、金融、医疗等各个领域，潜移默化地影响着人们的生活。然而在实际应用场景中，待识别的图像由于受拍摄设备及拍摄场景的限制，往往会因为光照不均、模糊、畸变等原因，给二维条码识别造成较大困难。如何在低廉拍摄设备，如无自动对焦补光功能的摄像头，对实际拍摄的光照不均、模糊、畸变二维条码图像进行快速、有效识别，成为二维条码应用领域中需解决的问题之一。
发明内容
本发明为克服现有二维条码在识别的过程中受拍摄设备及拍摄场景的限制时常因为光照不均、模糊、畸变等原因，存在二维条码识别难度大的技术缺陷，提供一种二维条码初定位方法。
为解决上述技术问题，本发明的技术方案如下：
一种二维条码初定位方法，包括以下步骤：
S1：采集摄像头拍摄的含有二维条码的原始图像并对原始图像进行预处理；
S2：对预处理后的不同分辨率的图像进行降采样处理；
S3：利用改进的Bernsen局部二值化算法对降采样处理后的图像进行处理，得到Min-Max二值化图片；
S4：根据二值化图片建立对应的积分图，统计窗口内前景数，滤去分散的前景像素；
S5：通过边缘检测算子计算得到候选的矩形区域，对候选的矩形区域进行边缘提取，计算窗口内边缘点的方向梯度直方图EOH，通过EOH特征判定，将符合特征判定的候选区域坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。
其中，在所述步骤S1中，所述的对原始图像进行预处理具体为：将采集的含有二维条码的原始图像进行灰度变换及3*3的中值滤波，得到预处理后的具有不同分辨率的图像。
其中，在所述步骤S2中，所述的降采样处理具体为：计算自适应采样间隔，对不同分辨率的图像按照原始图像的宽高比，采样至100*100以内的图像。
其中，所述步骤S3具体为：根据将采样比得到自适应选定窗口大小，利用选定窗口对于降采样处理后的图像进行Min-Max操作，具体计算过程为：
wm＝Height/m/21
wn＝Width/n/21
Grey'x,y＝Max(wm-wn)x,y-Min(wm×wn)x,y
其中，wm、wn为局部操作窗口高度、宽度，Grey'x,y为降采样后(x,y)坐标像素点在进行Min-Max操作后的灰度值，Max(wm×wn)x,y、Min(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度最大值与最小值；Height为原始灰度图片的高度，Width为原始灰度图片的宽度；m和n表示自适应降采样间隔；
利用改进的Bernsen局部二值化算法，通过积分图技术加速，获得Min-Max二值化图片，具体计算过程为：
Mid(wm×wn)x,y＝Grey'x,y/2
Arg(wm×wn)x,y＝Sum(wm×wn)x,y/(wm×wn)
if(Grey'x,y<15)
else
Figure BDA0002221798800000022
其中Mid(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度中值，Sum(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度总和，由积分图技术快速计算得到，Arg(wm×wn)x,y为为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度均值，Thrx,y为Min-Max局部二值化输出。
其中，在对图像进行Min-Max操作的同时，建立于将采样图像大小相同的积分图，以加速对图像二值化处理的计算效率。
其中，所述步骤S4具体为：根据二值化图片建立对应的积分图，设定窗口大小为步骤S3中所述窗口大小的三倍；遍历二值化图片前景像素点，利用积分图统计当前窗口内的前景像素的个数，将少于1/4窗口总数的前景像素点剔除，滤去分散的前景像素。
其中，所述步骤S5具体包括以下步骤：
S51：通过Sobel边缘检测算子检测出余下的矩形区域并选取3个矩形区域作为候选区域，提取其各自中心坐标映射到原始图像上，并以原始图像为中心的窗口上进行边缘提取，计算窗口内边缘点的方向梯度直方图EOH；
S52：通过EOH特征判定，将错误的候选区域提出，其中EOH特征提取计算式具体为：
Figure BDA0002221798800000031
n＝9
Figure BDA0002221798800000032
其中θ(x,y)为窗口坐标为(x,y)的边缘点的无符号梯度方向，n为梯度方向子区间个数，
Figure BDA0002221798800000033
为边缘点的方向梯度直方图的最大两个主导方向角，
Figure BDA0002221798800000034
Figure BDA0002221798800000035
为两个主导方向角区间的值，EOHn为提取的窗口EOH特征；
S53：将符合特征判定的候选区域坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。
上述方案中，先对获取的含有二维条码的图像进行灰度变换，将彩色图片转换成灰度图像，接着对灰度图片进行中值滤波处理；然后进行自适应降采样处理，对不同分辨率的图片，按照原始图片的宽高比，统一降采样至100*100以内的图片；在降采样图片同时建立于将采样图片同大小的积分图，接着对降采样的图片，根据将采样比得到自适应选定窗口大小，进行Min-Max处理，同时采用改进的Bernsen局部二值化算法，通过积分图技术加速，获得Min-Max二值化图片。
上述方案中，对二值化图片建立对应的积分图，遍历二值化图片前景像素点，统计当前子窗口内的前景像素的个数，将少于1/4的窗口总数的前景像素点剔除，滤去分散的背景像素；然后通过边缘检测算子如Sobel，将余下的矩形区域检测出来，接着选取较大的3个矩形区域作为候选区域，提取其各自中心坐标，映射到原始灰度图上，以其中心的窗口上进行边缘提取，通过EOH(Edge OrientationHistogram)特征判定，将错误的候选区域剔除；最后将符合特征判定的候选去坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种二维条码初定位方法，采用改进的快速局部Min-Max二值化操作、积分图技术以及EOH特征判定等方法，实现快速自适应分离、提取出二维条码大致区域图像，有效减少了后续处理的计算量，加快整体识别效率，适用于移植到嵌入式实时系统，实现了对实际拍摄的光照不均、模糊、即便二维条码图像的初定位。
附图说明
图1为本发明所述方法步骤流程图；
图2为实际拍摄二维条码图像样张示意图；
图3为自适应Min-Max二值化效果图；
图4为本发明所述方法对二维条码初定位的结果示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种二维条码初定位方法，包括以下步骤：
S1：采集摄像头拍摄的含有二维条码的原始图像并对原始图像进行预处理；
S2：对预处理后的不同分辨率的图像进行降采样处理；
S3：利用改进的Bernsen局部二值化算法对降采样处理后的图像进行处理，得到Min-Max二值化图片；
S4：根据二值化图片建立对应的积分图，统计窗口内前景数，滤去分散的前景像素；
S5：通过边缘检测算子计算得到候选的矩形区域，对候选的矩形区域进行边缘提取，计算窗口内边缘点的方向梯度直方图EOH，通过EOH特征判定，将符合特征判定的候选区域坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。
更具体的，在所述步骤S1中，所述的对原始图像进行预处理具体为：将采集的含有二维条码的原始图像进行灰度变换及3*3的中值滤波，得到预处理后的具有不同分辨率的图像。
更具体的，在所述步骤S2中，所述的降采样处理具体为：计算自适应采样间隔，对不同分辨率的图像按照原始图像的宽高比，采样至100*100以内的图像。
更具体的，所述步骤S3具体为：根据将采样比得到自适应选定窗口大小，利用选定窗口对于降采样处理后的图像进行Min-Max操作，具体计算过程为：
wm＝Height/m/21
wn＝Width/n/21
Grey'x,y＝Max(wm-wn)x,y-Min(wm×wn)x,y
其中，wm、wn为局部操作窗口高度、宽度，Grey'x,y为降采样后(x,y)坐标像素点在进行Min-Max操作后的灰度值，Max(wm×wn)x,y、Min(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度最大值与最小值；Height为原始灰度图片的高度，Width为原始灰度图片的宽度；m和n表示自适应降采样间隔；
利用改进的Bernsen局部二值化算法，通过积分图技术加速，获得Min-Max二值化图片，具体计算过程为：
Mid(wm×wn)x,y＝Grey'x,y/2
Arg(wm×wn)x,y＝Sum(wm×wn)x,y/(wm×wn)
if(Grey'x,y<15)
Figure BDA0002221798800000051
else
Figure BDA0002221798800000061
其中Mid(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度中值，Sum(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度总和，由积分图技术快速计算得到，Arg(wm×wn)x,y为为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度均值，Thrx,y为Min-Max局部二值化输出。
更具体的，在对图像进行Min-Max操作的同时，建立于将采样图像大小相同的积分图，以加速对图像二值化处理的计算效率。
更具体的，所述步骤S4具体为：根据二值化图片建立对应的积分图，设定窗口大小为步骤S3中所述窗口大小的三倍；遍历二值化图片前景像素点，利用积分图统计当前窗口内的前景像素的个数，将少于1/4窗口总数的前景像素点剔除，滤去分散的前景像素。
更具体的，所述步骤S5具体包括以下步骤：
S51：通过Sobel边缘检测算子检测出余下的矩形区域并选取3个矩形区域作为候选区域，提取其各自中心坐标映射到原始图像上，并以原始图像为中心的窗口上进行边缘提取，计算窗口内边缘点的方向梯度直方图EOH；
S52：通过EOH特征判定，将错误的候选区域提出，其中EOH特征提取计算式具体为：
Figure BDA0002221798800000062
n＝9
其中θ(x,y)为窗口坐标为(x,y)的边缘点的无符号梯度方向，n为梯度方向子区间个数，
Figure BDA0002221798800000064
为边缘点的方向梯度直方图的最大两个主导方向角，
Figure BDA0002221798800000065
Figure BDA0002221798800000066
为两个主导方向角区间的值，EOHn为提取的窗口EOH特征；
S53：将符合特征判定的候选区域坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。
在具体实施过程中，先对获取的含有二维条码的图像进行灰度变换，将彩色图片转换成灰度图像，接着对灰度图片进行中值滤波处理；然后进行自适应降采样处理，对不同分辨率的图片，按照原始图片的宽高比，统一降采样至100*100以内的图片；在降采样图片同时建立于将采样图片同大小的积分图，接着对降采样的图片，根据将采样比得到自适应选定窗口大小，进行Min-Max处理，同时采用改进的Bernsen局部二值化算法，通过积分图技术加速，获得Min-Max二值化图片。
在具体实施过程中，对二值化图片建立对应的积分图，遍历二值化图片前景像素点，统计当前子窗口内的前景像素的个数，将少于1/4的窗口总数的前景像素点剔除，滤去分散的背景像素；然后通过边缘检测算子如Sobel，将余下的矩形区域检测出来，接着选取较大的3个矩形区域作为候选区域，提取其各自中心坐标，映射到原始灰度图上，以其中心的窗口上进行边缘提取，通过EOH(EdgeOrientation Histogram)特征判定，将错误的候选区域剔除；最后将符合特征判定的候选去坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。
实施例2
更具体的，在实施例1的基础上，以图2所示的最通用的QR码为例对本发明进行进一步详细说明。
在具体实施过程中，对输入的摄像头拍摄含有二维条码的彩色RGB图像进行灰度变换，以减少后期计算量，具体计算公式为：
Gray＝0.3R+0.59G+0.11B
紧接着采用3*3的中值滤波进行去噪处理。经实验证明，3*3中值滤波可以有效消除摄像头拍摄带来的噪声影响。
在具体实施过程中，计算自适应降采样间隔m、n，对不同分辨率的图片，按照原始图片的宽高比，统一降采样至100*100以内的图片，具体计算公式为：
Figure BDA0002221798800000071
其中Height为原始灰度图片的高度，Width为原始灰度图片的宽度。
在具体实施过程中，在降采样图片同时，建立与降采样图片同大小的积分图。然后对降采样的图片，根据降采样比得到自适应选定窗口大小进行Min-Max操作，具体计算公式为：
wm＝Height/m/21
wn＝Width/n/21
Grey'x,y＝Max(wm-wn)x,y-Min(wm×wn)x,y
其中wm、wn为局部操作窗口高度、宽度，Grey'x,y为降采样后(x,y)坐标像素点在进行Min-Max操作后的灰度值，Max(wm×wn)x,y、Min(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度最大值与最小值。
在具体实施过程中，如图3所示，结合改进的Bernsen局部二值化算法，通过积分图技术加速，获得Min-Max二值化图片，具体计算过程为：
Mid(wm×wn)x,y＝Grey'x,y/2
Arg(wm×wn)x,y＝Sum(wm×wn)x,y/(wm×wn)
if(Grey'x,y<15)
Figure BDA0002221798800000081
else
Figure BDA0002221798800000082
其中Mid(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度中值，Sum(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度总和，由积分图技术快速计算得到，Arg(wm×wn)x,y为为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度均值，Thrx,y为Min-Max局部二值化输出。
在具体实施过程中，根据二值化图片建立对应的积分图，设定窗口大小为步骤S3中所述窗口大小的三倍；遍历二值化图片前景像素点，利用积分图统计当前窗口内的前景像素的个数，将少于1/4窗口总数的前景像素点剔除，滤去分散的前景像素。
在具体实施过程中，通过边缘检算子如Sobel，将余下的矩形区域检测出来。接着选取较大的3个矩形区域作为候选区域，提取其各自中心坐标，映射到原始灰度图上，以其为中心的窗口上进行边缘提取，计算窗口内边缘点的方向梯度直方图EOH，通过EOH特征判定，将错误的候选区域剔除。其中EOH特征提取计算式为：
Figure BDA0002221798800000091
n＝9
Figure BDA0002221798800000092
其中，θ(x,y)为窗口坐标为(x,y)的边缘点的无符号梯度方向，n为梯度方向子区间个数，
Figure BDA0002221798800000093
αθ2为边缘点的方向梯度直方图的最大两个主导方向角，
Figure BDA0002221798800000094
为两个主导方向角区间的值，EOHn为提取的窗口EOH特征。
在具体实施过程中，将符合特征判定的候选区域坐标，映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成背景分离，初定位操作；通过上述方法，如图4所示，最终完成对实际拍摄的光照不均、模糊、畸变二维条码图像，实现快速自适应分离、提取出二维条码大致区域图像。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种二维条码初定位方法，其特征在于：包括以下步骤：
S1：采集摄像头拍摄的含有二维条码的原始图像并对原始图像进行预处理；
S2：对预处理后的不同分辨率的图像进行降采样处理；
S3：利用改进的Bernsen局部二值化算法对降采样处理后的图像进行处理，得到Min-Max二值化图片；
S4：根据二值化图片建立对应的积分图，统计窗口内前景数，滤去分散的前景像素；
S5：通过边缘检测算子计算得到候选的矩形区域，对候选的矩形区域进行边缘提取，计算窗口内边缘点的方向梯度直方图EOH，通过EOH特征判定，将符合特征判定的候选区域坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。
2.根据权利要求1所述的一种二维条码初定位方法，其特征在于：在所述步骤S1中，所述的对原始图像进行预处理具体为：将采集的含有二维条码的原始图像进行灰度变换及3*3的中值滤波，得到预处理后的具有不同分辨率的图像。
3.根据权利要求2所述的一种二维条码初定位方法，其特征在于：在所述步骤S2中，所述的降采样处理具体为：计算自适应采样间隔，对不同分辨率的图像按照原始图像的宽高比，采样至100*100以内的图像。
4.根据权利要求3所述的一种二维条码初定位方法，其特征在于：所述步骤S3具体为：根据将采样比得到自适应选定窗口大小，利用选定窗口对于降采样处理后的图像进行Min-Max操作，具体计算过程为：
wm＝Height/m/21
wn＝Width/n/21
Grey'x,y＝Max(wm-wn)x,y-Min(wm×wn)x,y
其中，wm、wn为局部操作窗口高度、宽度，Grey'x,y为降采样后(x,y)坐标像素点在进行Min-Max操作后的灰度值，Max(wm×wn)x,y、Min(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度最大值与最小值；Height为原始灰度图片的高度，Width为原始灰度图片的宽度；m和n表示自适应降采样间隔；
利用改进的Bernsen局部二值化算法，通过积分图技术加速，获得Min-Max二值化图片，具体计算过程为：
Mid(wm×wn)x,y＝Grey'x,y/2
Arg(wm×wn)x,y＝Sum(wm×wn)x,y/(wm×wn)
if(Grey'x,y<15)
Figure FDA0002221798790000021
else
Figure FDA0002221798790000022
其中Mid(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度中值，Sum(wm×wn)x,y为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度总和，由积分图技术快速计算得到，Arg(wm×wn)x,y为为降采样后以(x,y)坐标像素点为中心的wm×wn窗口内的灰度均值，Thrx,y为Min-Max局部二值化输出。
5.根据权利要求4所述的一种二维条码初定位方法，其特征在于：在对图像进行Min-Max操作的同时，建立于将采样图像大小相同的积分图，以加速对图像二值化处理的计算效率。
6.根据权利要求4所述的一种二维条码初定位方法，其特征在于：所述步骤S4具体为：根据二值化图片建立对应的积分图，设定窗口大小为步骤S3中所述窗口大小的三倍；遍历二值化图片前景像素点，利用积分图统计当前窗口内的前景像素的个数，将少于1/4窗口总数的前景像素点剔除，滤去分散的前景像素。
7.根据权利要求6所述的一种二维条码初定位方法，其特征在于：所述步骤S5具体包括以下步骤：
S51：通过Sobel边缘检测算子检测出余下的矩形区域并选取3个矩形区域作为候选区域，提取其各自中心坐标映射到原始图像上，并以原始图像为中心的窗口上进行边缘提取，计算窗口内边缘点的方向梯度直方图EOH；
S52：通过EOH特征判定，将错误的候选区域提出，其中EOH特征提取计算式具体为：
Figure FDA0002221798790000031
n＝9
Figure FDA0002221798790000032
其中θ(x,y)为窗口坐标为(x,y)的边缘点的无符号梯度方向，n为梯度方向子区间个数，
Figure FDA0002221798790000033
αθ2为边缘点的方向梯度直方图的最大两个主导方向角，
Figure FDA0002221798790000034
Figure FDA0002221798790000035
为两个主导方向角区间的值，EOHn为提取的窗口EOH特征；
S53：将符合特征判定的候选区域坐标映射到原始尺寸的灰度图上，输出二维条码的大致区域，完成初定位操作。
CN201910936803.0A 2019-09-29 2019-09-29 一种二维条码初定位方法 Active CN110717500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910936803.0A CN110717500B (zh) 2019-09-29 2019-09-29 一种二维条码初定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910936803.0A CN110717500B (zh) 2019-09-29 2019-09-29 一种二维条码初定位方法

Publications (2)

Publication Number Publication Date
CN110717500A true CN110717500A (zh) 2020-01-21
CN110717500B CN110717500B (zh) 2023-12-26

Family

ID=69211189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910936803.0A Active CN110717500B (zh) 2019-09-29 2019-09-29 一种二维条码初定位方法

Country Status (1)

Country Link
CN (1) CN110717500B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114564978A (zh) * 2022-04-27 2022-05-31 北京紫光青藤微系统有限公司 用于二维码解码的方法及装置、电子设备、存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025639A (zh) * 2017-04-05 2017-08-08 中科微至智能制造科技江苏有限公司 一种复杂环境下的条码定位方法
CN109800615A (zh) * 2018-12-28 2019-05-24 新大陆数字技术股份有限公司 二维码区域的检测定位方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025639A (zh) * 2017-04-05 2017-08-08 中科微至智能制造科技江苏有限公司 一种复杂环境下的条码定位方法
CN109800615A (zh) * 2018-12-28 2019-05-24 新大陆数字技术股份有限公司 二维码区域的检测定位方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114564978A (zh) * 2022-04-27 2022-05-31 北京紫光青藤微系统有限公司 用于二维码解码的方法及装置、电子设备、存储介质
CN114564978B (zh) * 2022-04-27 2022-07-15 北京紫光青藤微系统有限公司 用于二维码解码的方法及装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN110717500B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN109272489B (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN103946866B (zh) 与直方图一起使用多层连接分量的文本检测
CN110349207B (zh) 一种复杂环境下的视觉定位方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
US8712114B2 (en) Elegant solutions for fingerprint image enhancement
KR102314520B1 (ko) 객체 검출 장치 및 방법
CN109636824A (zh) 一种基于图像识别技术的多目标计数方法
Prabhakar et al. A novel design for vehicle license plate detection and recognition
Chandra et al. Recognition of vehicle number plate using Matlab
Kortli et al. Efficient implementation of a real-time lane departure warning system
Bui et al. Selecting automatically pre-processing methods to improve OCR performances
CN109977910B (zh) 基于彩色线段的票据快速定位方法及其系统
CN111027564A (zh) 基于深度学习一体化的低照度成像车牌识别方法及装置
CN110717500B (zh) 一种二维条码初定位方法
Saini Document image binarization techniques, developments and related issues: a review
CN112528740A (zh) 一种压板状态识别方法
Rastegar et al. An intelligent control system using an efficient License Plate Location and Recognition Approach
CN112686248A (zh) 证件增减类别检测方法、装置、可读存储介质和终端
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN114529715B (zh) 一种基于边缘提取的图像识别方法及系统
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
Dandu et al. Vehicular number plate recognition using edge detection and characteristic analysis of national number plates
KR101468566B1 (ko) 저조도 영상에서의 말레이시아 차량 번호판 인식 방법과 그 시스템
CN114693543A (zh) 图像降噪方法及装置、图像处理芯片、图像采集设备
CN114554188A (zh) 基于图像传感器像素阵列的手机摄像头检测方法及装置

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
GR01 Patent grant
GR01 Patent grant