CN110874542A - 适用于读取不同载体所显示条码的方法和装置 - Google Patents
适用于读取不同载体所显示条码的方法和装置 Download PDFInfo
- Publication number
- CN110874542A CN110874542A CN201811015364.1A CN201811015364A CN110874542A CN 110874542 A CN110874542 A CN 110874542A CN 201811015364 A CN201811015364 A CN 201811015364A CN 110874542 A CN110874542 A CN 110874542A
- Authority
- CN
- China
- Prior art keywords
- training
- bar code
- dimensional bar
- different carriers
- data
- 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 54
- 239000000969 carrier Substances 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000005286 illumination Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000002650 habitual effect Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Electromagnetism (AREA)
- Toxicology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Cash Registers Or Receiving Machines (AREA)
Abstract
本公开提供了一种适用于读取不同载体所显示条码的方法,获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对训练数据进行预处理;根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对DiscoGAN模型与卷积神经网络模型进行训练;接收二维条码图像,并对二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。该方法高效、精准、快捷地针对不同载体所呈现的支付图像实现图像识读的操作,具有易用性与适用性。本公开还提供了一种适用于读取不同载体所显示条码的装置。
Description
技术领域
本公开涉及移动支付技术领域和图像识别技术领域,具体而言,涉及一种适用于读取不同载体所显示条码的方法和装置。
背景技术
现有技术中,收银方式为支付方打开电子设备,对商户提供的大多数都是静态的二维码(静态的支付图像在制作与图像采集的过程中,图像中不可避免地会夹杂一些杂质、干扰等,使得图像中有噪声、模糊、灰度不均匀的问题)进行扫描,识读二维码的信息,并完成支付操作。该操作使得收银的形式单一,只具有一种主动付款方式,对于多数习惯场景下的商户,无法提供“支付动作”更为简便的支付方式,不具有多样性与适用性。
即便现阶段市场上开始出现被动读取条码完成支付的操作,也会因为条码展示在不同介质载体上,不同介质载体材质和环境的差异造成条码读取不够快捷、精准的现象。
发明内容
为了解决现有技术中的技术问题,本公开实施例提供了一种适用于读取不同载体所显示条码的方法和装置,获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对训练数据进行预处理;根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对DiscoGAN模型与卷积神经网络模型进行训练;接收二维条码图像,并对二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。该方法高效、精准、快捷地针对不同载体所呈现的支付图像实现图像识读的操作,具有易用性与适用性。
第一方面,本公开实施例提供了一种适用于读取不同载体所显示条码的方法,包括以下步骤:获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对所述训练数据进行预处理;根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对所述DiscoGAN模型与所述卷积神经网络模型进行训练;接收二维条码图像,并对所述二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。
在其中一个实施例中,所述获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,包括:获取以纸质载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据;以及获取以配置LCD屏的移动设备为载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据。
在其中一个实施例中,对所述训练数据进行预处理,包括:判断获取的多张所述二维条码图像是否具有相同尺寸;当所述二维条码图像的尺寸不一致时,则对不一致的所述二维条码图像按照预设的尺寸对所述二维条码图像进行裁剪,且调整裁剪后的所述二维条码的长宽比。
在其中一个实施例中,还包括:对所述二维条码图像读取成功时,则完成支付事件的触发操作。
在其中一个实施例中,所述完成支付事件的触发操作包括:建立收银商品特征与收银商品价格之间的映射关系;根据所述映射关系,获取各商品中的商品价格以及针对当前所述二维条码图像对应商品的价格;将当前所述二维条码图像对应商品的价格完成收银操作。
在其中一个实施例中,还包括:在预设时间段内获取以配置LCD屏的移动设备屏幕的光照强度以及获取以配置LCD屏的移动设备屏幕反射出去的光照强度;构建针对以配置LCD屏的移动设备屏幕光照强度数据库以及针对以配置LCD屏的移动设备屏幕反射光照强度数据库。
在其中一个实施例中,还包括:在预设时间段内获取以配置LCD屏的移动设备屏幕的长度值、宽度值以及以配置LCD屏的移动设备的闪频值;计算获取以配置LCD屏的移动设备的面积值以及统计以配置LCD屏的移动设备的闪频强度指数。
第二方面,本公开实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法的步骤。
第三方面,本公开实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法的步骤。
第四方面,本公开实施例提供了一种适用于不同载体所显示条码的装置,所述装置包括:获取与预处理模块,用于获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对所述训练数据进行预处理;构造与训练模块,用于根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对所述DiscoGAN模型与所述卷积神经网络模型进行训练;读取模块,用于接收二维条码图像,并对所述二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。
本发明提供的一种适用于读取不同载体所显示条码的方法和装置,获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对训练数据进行预处理;根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对DiscoGAN模型与卷积神经网络模型进行训练;接收二维条码图像,并对二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。该方法高效、精准、快捷地针对不同载体所呈现的支付图像实现图像识读的操作,具有易用性与适用性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面对实施例描述中所需要使用的附图作简单地介绍:
图1为本发明一个实施例中的一种适用于读取不同载体所显示条码的方法的步骤流程示意图;以及
图2为本发明一个实施例中的一种适用于读取不同载体所显示条码的装置的结构示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的详细介绍。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本公开的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
为了使本发明的目的、技术方案及优点更加清楚明白,以下通过实施例,并结合附图,对本发明适用于读取不同载体所显示条码的方法和装置的具体实施方式进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
可以理解的是,大多数情况下收银方式为支付方打开电子设备,对商户提供的大多数都是静态的二维码(静态的支付图像在制作与图像采集的过程中,图像中不可避免地会夹杂一些杂质、干扰等,使得图像中有噪声、模糊、灰度不均匀的问题)进行扫描,识读二维码的信息,并完成支付操作。该操作使得收银的形式单一,只具有一种主动付款方式,对于多数习惯场景下的商户,无法提供“支付动作”更为简便的支付方式,不具有多样性与适用性。更进一步地,即便现阶段市场上开始出现被动读取条码完成支付的操作,也会因为条码展示在不同介质载体上,不同介质载体材质和环境的差异造成条码读取不够快捷、精准的现象。上述问题已经变成亟待解决的问题。
如图1所示,为一个实施例中的一种适用于读取不同载体所显示条码的方法的流程示意图,具体包括以下步骤:
步骤102,获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对训练数据进行预处理。
在一个实施例中,获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,包括:获取以纸质载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据;以及获取以配置LCD屏的移动设备为载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据。由此,提高了获取不同载体所呈现二维码的可行性。
需要说明的是,对训练数据进行预处理,包括:判断获取的多张二维条码图像是否具有相同尺寸;当二维条码图像的尺寸不一致时,则对不一致的二维条码图像按照预设的尺寸对二维条码图像进行裁剪,且调整裁剪后的二维条码的长宽比。
步骤104,根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对DiscoGAN模型与卷积神经网络模型进行训练。
步骤106,接收二维条码图像,并对二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。
在一个实施例中,本公开涉及的一种适用于读取不同载体所显示条码方法还包括:对二维条码图像读取成功时,则完成支付事件的触发操作。需要说明的是,完成支付事件的触发操作包括:建立收银商品特征与收银商品价格之间的映射关系;根据映射关系,获取各商品中的商品价格以及针对当前二维条码图像对应商品的价格;将当前二维条码图像对应商品的价格完成收银操作。其中,根据映射关系,获得各商品中的商品价格,并进行累加,获得当前支付图像对应商品的价格。可以理解的是,进行累加的各商品价格为预先存储的,也可以根据用户购物的历史数据通过神经网络学习快速分析并获取各商品价格。需要说明的是,为了增加用户体验性,对完成收银操作的数据,以及完成状态进行展示。
此外,还需要说明的是,在一个实施例中,本公开涉及的适用于读取不同载体所显示条码的方法还包括:在预设时间段内获取以配置LCD屏的移动设备屏幕的光照强度以及获取以配置LCD屏的移动设备屏幕反射出去的光照强度;构建针对以配置LCD屏的移动设备屏幕光照强度数据库以及针对以配置LCD屏的移动设备屏幕反射光照强度数据库。此外,还包括:在预设时间段内获取以配置LCD屏的移动设备屏幕的长度值、宽度值以及以配置LCD屏的移动设备的闪频值;计算获取以配置LCD屏的移动设备的面积值以及统计以配置LCD屏的移动设备的闪频强度指数。
此外,本公开涉及的一种适用于读取不同载体所显示条码的方法,还包括:在监测到支付事件被触发后,当移动支付设备处于充电时,则将支付图像从图片库中删除,并将移动支付设备内置系统中的默认图片设置为提示图像;当移动支付设备当前的电量低于预设电量阈值时,将移动支付设备内置系统中的额默认图片设置为提示图像。其中,提示图像为移动支付设备的关机低电提示图。
本发明提供的一种适用于读取不同载体所显示条码的方法,获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对训练数据进行预处理;根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对DiscoGAN模型与卷积神经网络模型进行训练;接收二维条码图像,并对二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。该方法高效、精准、快捷地针对不同载体所呈现的支付图像实现图像识读的操作,具有易用性与适用性。
基于同一发明构思,还提供了一种适用于读取不同载体所显示条码的装置。由于此装置解决问题的原理与前述一种适用于读取不同载体所显示条码的方法相似,因此,该装置的实施可以按照前述方法的具体步骤实现,重复之处不再赘述。
如图2所示,为一个实施例中的一种适用于读取不同载体所显示条码的装置的结构示意图。该适用于读取不同载体所显示条码的装置10包括:获取与预处理模块200、构造与训练模块400和读取模块600。
其中,获取与预处理模块200用于获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对训练数据进行预处理;构造与训练模块400用于根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对DiscoGAN模型与卷积神经网络模型进行训练;读取模块600用于接收二维条码图像,并对二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。
本发明提供的一种适用于读取不同载体所显示条码的装置,首先通过获取与预处理模块获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对训练数据进行预处理;再通过构造与训练模块根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对DiscoGAN模型与卷积神经网络模型进行训练;最终通过读取模块接收二维条码图像,并对二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。该装置高效、精准、快捷地针对不同载体所呈现的支付图像实现图像识读的操作,具有易用性与适用性。
以上,根据本公开实施例的适用于读取不同载体所显示条码的方法和装置,以及计算机可读存储介质,获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对训练数据进行预处理;根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对DiscoGAN模型与卷积神经网络模型进行训练;接收二维条码图像,并对二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。该方法高效、精准、快捷地针对不同载体所呈现的支付图像实现图像识读的操作,具有易用性与适用性。本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被图1中处理器执行。
本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得计算机执行上述图1的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为示例性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
另外,如在此使用的,在以“至少一个”开始的项的列举中使用的“或”指示分离的列举,例如“A、B或C的至少一个”的列举意味着A或B或C,或AB或AC或BC,或ABC(即A和B和C)。此外,措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是,在本公开的系统和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外,本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而,所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了示例和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种适用于读取不同载体所显示条码的方法,其特征在于,包括以下步骤:
获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对所述训练数据进行预处理;
根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对所述DiscoGAN模型与所述卷积神经网络模型进行训练;
接收二维条码图像,并对所述二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。
2.根据权利要求1所述的适用于读取不同载体所显示条码的方法,其特征在于,所述获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,包括:获取以纸质载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据;以及
获取以配置LCD屏的移动设备为载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据。
3.根据权利要求1所述的适用于读取不同载体所显示条码的方法,其特征在于,对所述训练数据进行预处理,包括:判断获取的多张所述二维条码图像是否具有相同尺寸;
当所述二维条码图像的尺寸不一致时,则对不一致的所述二维条码图像按照预设的尺寸对所述二维条码图像进行裁剪,且调整裁剪后的所述二维条码的长宽比。
4.根据权利要求1所述的适用于读取不同载体所显示条码的方法,其特征在于,还包括:对所述二维条码图像读取成功时,则完成支付事件的触发操作。
5.根据权利要求4所述的适用于读取不同载体所显示条码的方法,其特征在于,所述完成支付事件的触发操作包括:建立收银商品特征与收银商品价格之间的映射关系;
根据所述映射关系,获取各商品中的商品价格以及针对当前所述二维条码图像对应商品的价格;
将当前所述二维条码图像对应商品的价格完成收银操作。
6.根据权利要求1所述的适用于读取不同载体所显示条码的方法,其特征在于,还包括:在预设时间段内获取以配置LCD屏的移动设备屏幕的光照强度以及获取以配置LCD屏的移动设备屏幕反射出去的光照强度;
构建针对以配置LCD屏的移动设备屏幕光照强度数据库以及针对以配置LCD屏的移动设备屏幕反射光照强度数据库。
7.根据权利要求1所述的适用于读取不同载体所显示条码的方法,其特征在于,还包括:
在预设时间段内获取以配置LCD屏的移动设备屏幕的长度值、宽度值以及以配置LCD屏的移动设备的闪频值;
计算获取以配置LCD屏的移动设备的面积值以及统计以配置LCD屏的移动设备的闪频强度指数。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述权利要求1-7中任一项所述方法的步骤。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述权利要求1-7中任一项所述方法的步骤。
10.一种适用于不同载体所显示条码的装置,其特征在于,所述装置包括:
获取与预处理模块,用于获取以多种不同载体所呈现的二维条码数据集作为训练生成对抗网络的训练数据,对所述训练数据进行预处理;
构造与训练模块,用于根据训练目标,构造DiscoGAN模型与卷积神经网络模型,并对所述DiscoGAN模型与所述卷积神经网络模型进行训练;
读取模块,用于接收二维条码图像,并对所述二维条码图像中的数据通过训练生成的卷积神经网络分类器进行读取操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015364.1A CN110874542A (zh) | 2018-08-31 | 2018-08-31 | 适用于读取不同载体所显示条码的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015364.1A CN110874542A (zh) | 2018-08-31 | 2018-08-31 | 适用于读取不同载体所显示条码的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110874542A true CN110874542A (zh) | 2020-03-10 |
Family
ID=69715951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811015364.1A Pending CN110874542A (zh) | 2018-08-31 | 2018-08-31 | 适用于读取不同载体所显示条码的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874542A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627576A (zh) * | 2021-10-08 | 2021-11-09 | 平安科技(深圳)有限公司 | 扫码信息检测方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693409A (zh) * | 2012-05-18 | 2012-09-26 | 四川大学 | 一种快速的图像中二维码码制类型识别方法 |
CN105260731A (zh) * | 2015-11-25 | 2016-01-20 | 商汤集团有限公司 | 一种基于光脉冲的人脸活体检测系统及方法 |
CN106778730A (zh) * | 2016-12-29 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种用于快速生成ocr训练样本的自适应方法及系统 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
WO2018004557A1 (en) * | 2016-06-29 | 2018-01-04 | Intel Corporation | Multiplication-free approximation for neural networks and sparse coding |
CN108062668A (zh) * | 2017-12-15 | 2018-05-22 | 中国银联股份有限公司 | 基于后台图片加密识别的二维码支付方法与系统 |
CN108171509A (zh) * | 2018-03-12 | 2018-06-15 | 宁波大学 | 实现移动终端多屏扰乱显示的安全支付方法 |
CN108198046A (zh) * | 2018-01-31 | 2018-06-22 | 京东方科技集团股份有限公司 | 智能购物数据处理方法、智能购物车、设备及存储介质 |
-
2018
- 2018-08-31 CN CN201811015364.1A patent/CN110874542A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693409A (zh) * | 2012-05-18 | 2012-09-26 | 四川大学 | 一种快速的图像中二维码码制类型识别方法 |
CN105260731A (zh) * | 2015-11-25 | 2016-01-20 | 商汤集团有限公司 | 一种基于光脉冲的人脸活体检测系统及方法 |
WO2018004557A1 (en) * | 2016-06-29 | 2018-01-04 | Intel Corporation | Multiplication-free approximation for neural networks and sparse coding |
CN106778730A (zh) * | 2016-12-29 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种用于快速生成ocr训练样本的自适应方法及系统 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN108062668A (zh) * | 2017-12-15 | 2018-05-22 | 中国银联股份有限公司 | 基于后台图片加密识别的二维码支付方法与系统 |
CN108198046A (zh) * | 2018-01-31 | 2018-06-22 | 京东方科技集团股份有限公司 | 智能购物数据处理方法、智能购物车、设备及存储介质 |
CN108171509A (zh) * | 2018-03-12 | 2018-06-15 | 宁波大学 | 实现移动终端多屏扰乱显示的安全支付方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627576A (zh) * | 2021-10-08 | 2021-11-09 | 平安科技(深圳)有限公司 | 扫码信息检测方法、装置、设备及存储介质 |
CN113627576B (zh) * | 2021-10-08 | 2022-01-18 | 平安科技(深圳)有限公司 | 扫码信息检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537533B (zh) | 一种自助购物结算方法及系统 | |
CN109978538B (zh) | 确定欺诈用户、训练模型、识别欺诈风险的方法及装置 | |
KR101879416B1 (ko) | 이상 금융거래 탐지 방법 및 그 전자 장치 | |
CN105874471B (zh) | 卡ocr图像的客户端侧过滤 | |
CN105631049A (zh) | 一种识别诈骗短信的方法和系统 | |
CN108520417B (zh) | 支付方法、装置、服务器、支付终端及计算机可读介质 | |
KR101980060B1 (ko) | Pos 트랜잭션의 방법, 시스템 및 장치 | |
CN109299793A (zh) | 垃圾分类激励方法及装置、设备和存储介质 | |
CN110009324A (zh) | 一种线下自助结算方法、装置和系统 | |
CN110569794B (zh) | 物品的信息存储方法、装置和计算机可读存储介质 | |
CN110874540A (zh) | 全角度读取条码的方法和装置 | |
CN110222547B (zh) | 条码识别方法及装置 | |
US10438263B2 (en) | Method and system for information recording | |
CN110874542A (zh) | 适用于读取不同载体所显示条码的方法和装置 | |
CN113128983A (zh) | 数字货币的支付方法、电子设备和计算机存储介质 | |
US20160055470A1 (en) | Virtual receipts | |
CN112364702A (zh) | 一种物品核验方法及装置 | |
CN110874733A (zh) | 支持外接设备的被动扫码支付方法和装置 | |
CN110874734A (zh) | 动态二维码生成方法和装置 | |
CN117994008B (zh) | 活动商品推荐方法、装置、电子设备及存储介质 | |
KR20150059682A (ko) | 영수증 인식 기반 고객관리 시스템 및 방법 | |
CN111091368A (zh) | 封闭式快速支付方法和装置 | |
US20240005750A1 (en) | Event-triggered capture of item image data and generation and storage of enhanced item identification data | |
CN110287753B (zh) | 物品信息的更新方法、装置及服务器 | |
JPWO2018174006A1 (ja) | 決済処理装置、方法および決済処理プログラム |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200310 |
|
WD01 | Invention patent application deemed withdrawn after publication |