CN111709262A - 三维码信息智能识别方法和装置 - Google Patents

三维码信息智能识别方法和装置 Download PDF

Info

Publication number
CN111709262A
CN111709262A CN202010426735.6A CN202010426735A CN111709262A CN 111709262 A CN111709262 A CN 111709262A CN 202010426735 A CN202010426735 A CN 202010426735A CN 111709262 A CN111709262 A CN 111709262A
Authority
CN
China
Prior art keywords
information
code
dimensional code
image
identification
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
CN202010426735.6A
Other languages
English (en)
Other versions
CN111709262B (zh
Inventor
李峰
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.)
Hannan Tian Jian Anti Forgery Science&ttechnology Co ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010426735.6A priority Critical patent/CN111709262B/zh
Publication of CN111709262A publication Critical patent/CN111709262A/zh
Application granted granted Critical
Publication of CN111709262B publication Critical patent/CN111709262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1413—1D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
    • G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
    • G06K19/06046—Constructional details
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Toxicology (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种三维码信息智能识别方法和装置，三维码包括:多层结构体和多层结构体中的特征物；最顶层分布有镂空区域，通过镂空区域呈现出特征物；镂空区域呈现出特征物与全部色块相组合构成三维码的编码；该方法包括：对三维码进行拍摄获取编码的第一图像；获取第一图像中的特征物图像和全部色块组成的信息码图像；将特征物图像输入人工智能模型，通过人工智能模型对特征物图像中的特征物进行识别获取第一识别结果；对信息码图像中的信息码进行识别获取第二识别结果；根据第一识别结果和第二识别结果获得三维码的识别结果。该实施例方案实现了含特征物三维码的自动识别，提高了识别准确率和用户体验。

Description

三维码信息智能识别方法和装置
技术领域
本文涉及信息识别技术，尤指一种三维码信息智能识别方法和装置。
背景技术
目前对于包含特征物的识别码的识别方法均是通过人眼辨别，然后通过用户在识别软件上进行确认，方法繁琐，而且由于人眼辨别的错误率较大，从而造成识别错误率较高，降低了用户体验。
发明内容
本申请实施例提供了一种三维码信息智能识别方法和装置，能够实现含特征物的三维码的自动识别，并提高了识别准确率，提高了用户体验。
本申请实施例提供了一种三维码信息智能识别方法，所述三维码可以包括:多层结构体和设置于所述多层结构体中的至少一个特征物；所述多层结构体中至少相邻的两个结构层的颜色不同；所述多层结构体的最顶层分布有一个或多个镂空区域；所述镂空区域的深度延伸到所述多层结构体的次顶层至最底层中的任意一层，以裸露出所延伸到的结构层的颜色；通过所述镂空区域至少呈现出一个特征物；所述镂空区域中呈现出的特征物，或者色块及特征物，与所述最顶层中非镂空区域的颜色构成的色块相互组合，构成所述三维码的携带有可供扫描识别的信息的编码；所述方法可以包括：
对所述三维码进行拍摄，获取所述编码的第一图像；
对所述第一图像进行预处理，以获取所述第一图像中的特征物图像和所述第一图像中全部色块组成的信息码图像；
将所述特征物图像输入预先训练好的人工智能模型，通过所述人工智能模型对所述特征物图像中的一个或多个特征物进行识别，获取第一识别结果；
对所述信息码图像中包含的信息码进行识别，获取第二识别结果；
根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果。
在本申请的示例性实施例中，所述对所述第一图像进行预处理可以包括：
通过边缘检测确定所述第一图像中的特征物图像所在的第一区域；
对一个或多个所述第一区域进行图像分割，获取一个或多个特征物图像。
在本申请的示例性实施例中，所述对所述第一图像进行预处理还可以包括：
将对所述第一区域进行图像切割后的第一图像中的第一区域设置为所述信息码的背景色，获取所述信息码图像；或者，
通过边缘检测确定所述第一图像中的色块所在的第二区域，对一个或多个所述第二区域进行图像分割，获取一个或多个色块图像；按照一个或多个色块图像在所述第一图像中的位置重新组合，获取所述信息码图像。
在本申请的示例性实施例中，所述人工智能模型可以包括神经网络模型；所述人工智能模型通过以下方式进行训练：对生成所述三维码的各类特征物各自的图像分别标注该特征物的种类，标注后作为训练数据对搭建好的神经网络模型进行训练。
在本申请的示例性实施例中，所述将所述特征物图像输入预先训练好的人工智能模型，通过所述人工智能模型对所述特征物图像中的一个或多个特征物进行识别，获取第一识别结果可以包括：
将获取的所述第一图像中的全部特征物图像输入训练好的神经网络模型；
通过所述神经网络模型识别所述特征物图像中的特征物是否属于生成所述三维码的特征物的种类，以及识别到的每种特征物的数量；
当识别出所述特征物图像中的特征物属于生成所述三维码的特征物的种类，并且识别到的每种特征物的数量与存储的数量值相同时，输出识别成功信息作为所述第一识别结果；当识别出所述特征物图像中的特征物不属于生成所述三维码的特征物的种类，并且识别到的每种特征物的数量与存储的数量值相同时，输出识别失败信息作为所述第一识别结果。
在本申请的示例性实施例中，所述信息码可以包括：二维码和/或条形码；
所述对所述信息码图像中包含的信息码进行识别，获取第二识别结果可以包括：
对所述二维码进行识别，获取二维码识别结果；和/或，对所述条形码进行识别，获取条形码识别结果；
将所述二维码识别结果和/或所述条形码识别结果作为所述第二识别结果。
在本申请的示例性实施例中，所述将所述二维码识别结果和/或所述条形码识别结果作为所述第二识别结果可以包括：
当所述信息码为二维码时：如果所述二维码识别失败，则将识别失败信息作为所述第二识别结果；如果所述二维码识别成功，且识别出的信息与第一预存信息相符，则将识别成功信息作为所述第二识别结果；
当所述信息码为条形码时：如果所述条形码识别失败，则将识别失败信息作为所述第二识别结果；如果所述条形码识别成功，且识别出的信息与第二预存信息相符，则将识别成功信息作为所述第二识别结果；
当所述信息码为二维码和条形码时：
如果所述二维码和所述条形码中任意一个识别失败，和/或，所述二维码和所述条形码中均识别成功，而通过所述二维码和所述条形码中任意一个识别出的信息与相应的预存信息不相符；则将识别失败信息作为所述第二识别结果；如果所述二维码和所述条形码均识别成功，且通过所述二维码和所述条形码识别出的信息均与相应的预存信息相符；则将识别成功信息作为所述第二识别结果。
在本申请的示例性实施例中，所述根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果可以包括：
当所述第一识别结果和所述第二识别结果中任意一个为识别失败信息时，确认所述三维码信息识别失败；
当所述第一识别结果和所述第二识别结果均为识别成功信息时，确认所述三维码信息识别成功。
在本申请的示例性实施例中，所述根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果还可以包括：
在确认所述三维码信息识别成功时，调取并显示所述三维码对应的信息；
在确认所述三维码信息识别失败时，发出识别失败的提醒信息。
本申请实施例还提供了一种三维码信息智能识别装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的三维码信息智能识别方法。
与相关技术相比，本申请实施例包括所述三维码可以包括:多层结构体和设置于所述多层结构体中的至少一个特征物；所述多层结构体中至少相邻的两个结构层的颜色不同；所述多层结构体的最顶层分布有一个或多个镂空区域；所述镂空区域的深度延伸到所述多层结构体的次顶层至最底层中的任意一层，以裸露出所延伸到的结构层的颜色；通过所述镂空区域至少呈现出一个特征物；所述镂空区域中呈现出的特征物，或者色块及特征物，与所述最顶层中非镂空区域的颜色构成的色块相互组合，构成所述三维码的携带有可供扫描识别的信息的编码；所述方法可以包括：对所述三维码进行拍摄，获取所述编码的第一图像；对所述第一图像进行预处理，以获取所述第一图像中的特征物图像和所述第一图像中全部色块组成的信息码图像；将所述特征物图像输入预设的人工智能模型，通过所述人工智能模型对所述特征物图像中的一个或多个特征物进行识别，获取第一识别结果；对所述信息码图像中包含的信息码进行识别，获取第二识别结果；根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果。通过该实施例方案，实现了含特征物的三维码的自动识别，并提高了识别准确率，提高了用户体验。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例的三维码结构示意图；
图2为本申请实施例的三维码信息智能识别方法流程图；
图3为本申请实施例的三维码信息智能识别装置组成框图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供了一种三维码信息智能识别方法，如图1所示，所述三维码可以包括:多层结构体1和设置于所述多层结构体中的至少一个特征物2；所述多层结构体1中至少相邻的两个结构层的颜色不同；所述多层结构体1的最顶层分布有一个或多个镂空区域3；所述镂空区域3的深度延伸到所述多层结构体1的次顶层至最底层中的任意一层，以裸露出所延伸到的结构层的颜色；通过所述镂空区域3至少呈现出一个特征物；所述镂空区域3中呈现出的特征物，或者色块及特征物，与所述最顶层中非镂空区域的颜色构成的色块相互组合，构成所述三维码的携带有可供扫描识别的信息的编码；如图1所示，所述方法可以包括步骤S101-S105：
S101、对所述三维码进行拍摄，获取所述编码的第一图像。
在本申请的示例性实施例中，三维码中呈现出的全部色块可以构成信息码，三维码的编码可以由该信息码和特征物共同组成。
在本发明的示例性实施例中，所述特征物2的形状可以包括以下任意一种或多种：几何图形、字符和物体图案。例如，该特征物2可以为五角星和/或圆点等，也可以为数字、序号等、还可以为小动物图案或风景图案等。
在本发明的示例性实施例中，所述特征物2可以为平面结构。
在本发明的示例性实施例中，当多层结构体1足够厚时，特征物2也可以设置为立体结构，例如，特征物2具有一定的厚度，嵌入多层结构体1之中。
在本发明的示例性实施例中，所述特征物2可以为具有任意色彩的丝线和/或色块。
在本发明的示例性实施例中，当所述特征物2为平面结构时，所述特征物2可以为丝线(例如，具有色彩的纤维)和/或色块(例如颜色图层或者固定于结构体中的色片)。
在本发明的示例性实施例中，对于丝线的宽度、长度、颜色、材质、走向、绕制成的图案、实现方式、设置位置、设置数量等均不做限制。
在本发明的示例性实施例中，对于色块的宽度、长度、面积、颜色、材质、形状、实现方式、设置位置、设置数量等均不做限制。
在本申请的示例性实施例中，为了实现对三维码的识别，可以通过识别终端对三维码进行拍照，以便于进一步对所拍照片上的图像(即第一图像)进行识别，获取三维码信息。其中，第一图像上可以包括最顶层中非镂空区域的颜色构成的色块组成的图像(即下述的信息码图像)以及通过所述镂空区域3呈现出的特征物的图像(即下述的特征物图像)。
在本申请的示例性实施例中，该识别终端可以为任何具有拍照功能的终端、例如，手机、电脑、平板电脑、智能机器人、智能可佩戴设备(如智能手表、智能手环、智能眼镜、智能项链、智能戒指等)。
S102、对所述第一图像进行预处理，以获取所述第一图像中的特征物图像和所述第一图像中全部色块组成的信息码图像。
在本申请的示例性实施例中，所述对所述第一图像进行预处理可以包括：
通过边缘检测确定所述第一图像中的特征物图像所在的第一区域；
对一个或多个所述第一区域进行图像分割，获取一个或多个特征物图像。
在本申请的示例性实施例中，可以直接通过边缘检测技术区分出该特征物图像和信息码图像，并对特征物图像所在区域(即第一区域)进行切割，获取该特征物图像。
在本申请的示例性实施例中，所述对所述第一图像进行预处理还可以包括：
将对所述第一区域进行图像切割后的第一图像中的第一区域设置为所述信息码的背景色，获取所述信息码图像；或者，
通过边缘检测确定所述第一图像中的色块所在的第二区域，对一个或多个所述第二区域进行图像分割，获取一个或多个色块图像；按照一个或多个色块图像在所述第一图像中的位置重新组合，获取所述信息码图像。
在本申请的示例性实施例中，通过前述方案切割出征物图像以后，原第一图像上仅存在剩余图像，剩余图像包括所述信息码图像以及原特征物图像处留下的空白区域，可以将该空白区域均设置为信息码的背景色，则剩余图像即为所述信息码图像。
在本申请的示例性实施例中，直接通过边缘检测技术区分出特征物图像和信息码图像以后，也可以直接对信息码图像所在区域(即第二区域)进行切割，获取该信息码图像。
在本申请的示例性实施例中，需要说明的是，在通过边缘检测技术在第一图像中检测出多个相邻的灰度区域后，由于具有特征物图像的区域必定是一种灰度值的区域内包含有另一种灰度值的线条或区域，而信息码图像是由多个单纯的色块组成，因此，这些色块中均为同一种灰度值，不会包含另一种灰度值的线条或区域。基于这些特征，可以区分出哪些区域为特征物图像所在的第一区域，哪些区域为信息码图像所在的第二区域。
S103、将所述特征物图像输入预先训练好的人工智能模型，通过所述人工智能模型对所述特征物图像中的一个或多个特征物进行识别，获取第一识别结果。
在本申请的示例性实施例中，所述人工智能模型可以包括神经网络模型；所述人工智能模型通过以下方式进行训练：
对生成所述三维码的各类特征物各自的图像分别标注该特征物的种类，标注后作为训练数据对搭建好的神经网络模型进行训练。
在本申请的示例性实施例中，作为训练数据的特征物的图像可以为多种特征物的图像，该多种特征物可以应用于一个或多个三维码中，以便于该人工智能模型可以对任何包含特征物的三维码中的特征物图像进行识别。
在本申请的示例性实施例中，所述将所述特征物图像输入预先训练好的人工智能模型，通过所述人工智能模型对所述特征物图像中的一个或多个特征物进行识别，获取第一识别结果可以包括：
将获取的所述第一图像中的全部特征物图像输入训练好的神经网络模型；
通过所述神经网络模型识别所述特征物图像中的特征物是否属于生成所述三维码的特征物的种类，以及识别到的每种特征物的数量；
当识别出所述特征物图像中的特征物属于生成所述三维码的特征物的种类，并且识别到的每种特征物的数量与存储的数量值相同时，输出识别成功信息作为所述第一识别结果；当识别出所述特征物图像中的特征物不属于生成所述三维码的特征物的种类，和/或识别到的每种特征物的数量与存储的数量值不相同时，输出识别失败信息作为所述第一识别结果。
在本申请的示例性实施例中，通过人工智能模型，可以对输入的特征物图像的种类和数量进行识别，并输出识别结果(种类和数量)。
在本申请的示例性实施例中，在人工智能模型输出所识别出的特征物图像的种类和数量后，可以将该种类和数量与预存的与当前三维码对应的特征物的种类和数量相比较，当识别出的特征物的种类和数量与预存的特征物的种类和数量相符合时，确定对第一图像中的特征物图像识别成功，可以输出识别成功的第一识别结果。
在本申请的示例性实施例中，当多个三维码中包含有相同的特征物时，为了准确区分出是哪一个三维码中的特征物，可以预先在包含该相同的特征物的至少一个第一区域内设置区分标识，在识别出该特征物后可以根据该区分标识确定出当前识别的是哪一个三维码的特征物，并可以进一步根据预存的与该三维码对应的特征物的类型(即种类)、数量对识别出的特征物的类型、数量相比较或匹配，确定是否匹配成功。
在本申请的示例性实施例中，上述的区分标识可以设置于三维码最顶层或镂空区域底部的任何区域，在通过终端拍照后，能够在第一图像中准确显现出即可，并且对于该区分标识的大小、内容、形状、个数等均不作限制。
S104、对所述信息码图像中包含的信息码进行识别，获取第二识别结果。
在本申请的示例性实施例中，所述信息码可以为任何能够进行扫描、识别的编码，例如，可以包括但不限于：二维码和/或条形码；
所述对所述信息码图像中包含的信息码进行识别，获取第二识别结果可以包括：
对所述二维码进行识别，获取二维码识别结果；和/或，对所述条形码进行识别，获取条形码识别结果；
将所述二维码识别结果和/或所述条形码识别结果作为所述第二识别结果。
在本申请的示例性实施例中，所述将所述二维码识别结果和/或所述条形码识别结果作为所述第二识别结果可以包括：
当所述信息码为二维码时：如果所述二维码识别失败，则将识别失败信息作为所述第二识别结果；如果所述二维码识别成功，且识别出的信息与第一预存信息相符，则将识别成功信息作为所述第二识别结果；
当所述信息码为条形码时：如果所述条形码识别失败，则将识别失败信息作为所述第二识别结果；如果所述条形码识别成功，且识别出的信息与第二预存信息相符，则将识别成功信息作为所述第二识别结果；
当所述信息码为二维码和条形码时：如果所述二维码和所述条形码中任意一个识别失败，和/或，所述二维码和所述条形码中均识别成功，而通过所述二维码和所述条形码中任意一个识别出的信息与相应的预存信息不相符；则将识别失败信息作为所述第二识别结果；如果所述二维码和所述条形码均识别成功，且通过所述二维码和所述条形码识别出的信息均与相应的预存信息相符；则将识别成功信息作为所述第二识别结果。
在本申请的示例性实施例中，三维码中的信息码可以为任意一种或多种，当存在多种时，该多种信息码可以均为有效信息码，此时，可以对多种信息码全部识别成功后才认为信息码识别成功；该多种信息码也可以仅有一部分为有效信息码，此时，仅对有效信息码识别成功即可。
S105、根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果。
在本申请的示例性实施例中，所述根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果可以包括：
当所述第一识别结果和所述第二识别结果中任意一个为识别失败信息时，确认所述三维码信息识别失败；
当所述第一识别结果和所述第二识别结果均为识别成功信息时，确认所述三维码信息识别成功。
在本申请的示例性实施例中，特征物识别和信息码识别相结合，增加了三维码的识别难度，从而进一步提高了三维码的防伪效果。
在本申请的示例性实施例中，所述根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果还可以包括：
在确认所述三维码信息识别成功时，调取并显示所述三维码对应的信息；
在确认所述三维码信息识别失败时，发出识别失败的提醒信息。
本申请实施例还提供了一种三维码信息智能识别装置A，如图3所示，可以包括处理器A1和计算机可读存储介质A2，所述计算机可读存储介质A2中存储有指令，当所述指令被所述处理器A1执行时，实现上述任意一项所述的三维码信息智能识别方法。
在本申请的示例性实施例中，三维码信息智能识别装置A可以为任何具有拍照功能的终端、例如，手机、电脑、平板电脑、智能机器人、智能可佩戴设备(如智能手表、智能手环、智能眼镜、智能项链、智能戒指等)。
在本申请的示例性实施例中，上述方法实施例中的任何实施例均适用于该装置实施例中，在此不再一一赘述。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种三维码信息智能识别方法，其特征在于，所述三维码包括:多层结构体和设置于所述多层结构体中的至少一个特征物；所述多层结构体中至少相邻的两个结构层的颜色不同；所述多层结构体的最顶层分布有一个或多个镂空区域；所述镂空区域的深度延伸到所述多层结构体的次顶层至最底层中的任意一层，以裸露出所延伸到的结构层的颜色；通过所述镂空区域至少呈现出一个特征物；所述镂空区域中呈现出的特征物，或者色块及特征物，与所述最顶层中非镂空区域的颜色构成的色块相互组合，构成所述三维码的携带有可供扫描识别的信息的编码；所述方法包括：
对所述三维码进行拍摄，获取所述编码的第一图像；
对所述第一图像进行预处理，以获取所述第一图像中的特征物图像和所述第一图像中全部色块组成的信息码图像；
将所述特征物图像输入预先训练好的人工智能模型，通过所述人工智能模型对所述特征物图像中的一个或多个特征物进行识别，获取第一识别结果；
对所述信息码图像中包含的信息码进行识别，获取第二识别结果；
根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果。
2.根据权利要求1所述的三维码信息智能识别方法，其特征在于，所述对所述第一图像进行预处理包括：
通过边缘检测确定所述第一图像中的特征物图像所在的第一区域；
对一个或多个所述第一区域进行图像分割，获取一个或多个特征物图像。
3.根据权利要求2所述的三维码信息智能识别方法，其特征在于，所述对所述第一图像进行预处理还包括：
将对所述第一区域进行图像切割后的第一图像中的第一区域设置为所述信息码的背景色，获取所述信息码图像；或者，
通过边缘检测确定所述第一图像中的色块所在的第二区域，对一个或多个所述第二区域进行图像分割，获取一个或多个色块图像；按照一个或多个色块图像在所述第一图像中的位置重新组合，获取所述信息码图像。
4.根据权利要求1-3任意一项所述的三维码信息智能识别方法，其特征在于，所述人工智能模型包括神经网络模型；所述人工智能模型通过以下方式进行训练：
对生成所述三维码的各类特征物各自的图像分别标注该特征物的种类，标注后作为训练数据对搭建好的神经网络模型进行训练。
5.根据权利要求4所述的三维码信息智能识别方法，其特征在于，所述将所述特征物图像输入预先训练好的人工智能模型，通过所述人工智能模型对所述特征物图像中的一个或多个特征物进行识别，获取第一识别结果包括：
将获取的所述第一图像中的全部特征物图像输入训练好的神经网络模型；
通过所述神经网络模型识别所述特征物图像中的特征物是否属于生成所述三维码的特征物的种类，以及识别到的每种特征物的数量；
当识别出所述特征物图像中的特征物属于生成所述三维码的特征物的种类，并且识别到的每种特征物的数量与存储的数量值相同时，输出识别成功信息作为所述第一识别结果；当识别出所述特征物图像中的特征物不属于生成所述三维码的特征物的种类，和/或识别到的每种特征物的数量与存储的数量值不相同时，输出识别失败信息作为所述第一识别结果。
6.根据权利要求1-3任意一项所述的三维码信息智能识别方法，其特征在于，所述信息码包括：二维码和/或条形码；
所述对所述信息码图像中包含的信息码进行识别，获取第二识别结果包括：
对所述二维码进行识别，获取二维码识别结果；和/或，对所述条形码进行识别，获取条形码识别结果；
将所述二维码识别结果和/或所述条形码识别结果作为所述第二识别结果。
7.根据权利要求6所述的三维码信息智能识别方法，其特征在于，所述将所述二维码识别结果和/或所述条形码识别结果作为所述第二识别结果包括：
当所述信息码为二维码时：如果所述二维码识别失败，则将识别失败信息作为所述第二识别结果；如果所述二维码识别成功，且识别出的信息与第一预存信息相符，则将识别成功信息作为所述第二识别结果；
当所述信息码为条形码时：如果所述条形码识别失败，则将识别失败信息作为所述第二识别结果；如果所述条形码识别成功，且识别出的信息与第二预存信息相符，则将识别成功信息作为所述第二识别结果；
当所述信息码为二维码和条形码时：如果所述二维码和所述条形码中任意一个识别失败，和/或，所述二维码和所述条形码中均识别成功，而通过所述二维码和所述条形码中任意一个识别出的信息与相应的预存信息不相符；则将识别失败信息作为所述第二识别结果；如果所述二维码和所述条形码均识别成功，且通过所述二维码和所述条形码识别出的信息均与相应的预存信息相符；则将识别成功信息作为所述第二识别结果。
8.根据权利要求7或5所述的三维码信息智能识别方法，其特征在于，所述根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果包括：
当所述第一识别结果和所述第二识别结果中任意一个为识别失败信息时，确认所述三维码信息识别失败；
当所述第一识别结果和所述第二识别结果均为识别成功信息时，确认所述三维码信息识别成功。
9.根据权利要求8所述的三维码信息智能识别方法，其特征在于，所述根据所述第一识别结果和所述第二识别结果获得所述三维码的识别结果还包括：
在确认所述三维码信息识别成功时，调取并显示所述三维码对应的信息；
在确认所述三维码信息识别失败时，发出识别失败的提醒信息。
10.一种三维码信息智能识别装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令被所述处理器执行时，实现如权利要求1-9任意一项所述的三维码信息智能识别方法。
CN202010426735.6A 2020-05-19 2020-05-19 三维码信息智能识别方法和装置 Active CN111709262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010426735.6A CN111709262B (zh) 2020-05-19 2020-05-19 三维码信息智能识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010426735.6A CN111709262B (zh) 2020-05-19 2020-05-19 三维码信息智能识别方法和装置

Publications (2)

Publication Number Publication Date
CN111709262A true CN111709262A (zh) 2020-09-25
CN111709262B CN111709262B (zh) 2024-01-09

Family

ID=72538243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010426735.6A Active CN111709262B (zh) 2020-05-19 2020-05-19 三维码信息智能识别方法和装置

Country Status (1)

Country Link
CN (1) CN111709262B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149776A (zh) * 2020-09-30 2020-12-29 北京小龙潜行科技有限公司 可视化标签及其组件

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012078973A (ja) * 2010-09-30 2012-04-19 Shift:Kk 二次元コード、エンコード装置、エンコードプログラムおよび二次元コードリーダ
CN108664837A (zh) * 2018-05-11 2018-10-16 李峰 三维码生产集成系统
CN108830124A (zh) * 2018-05-11 2018-11-16 李峰 三维码识别方法
CN109063807A (zh) * 2018-09-10 2018-12-21 上海祥羽投资咨询有限公司 一种三维码的生成、读取和识别方法
CN110490022A (zh) * 2019-08-23 2019-11-22 京东数字科技控股有限公司 一种识别图片中的条形码方法及装置
WO2019237243A1 (zh) * 2018-06-12 2019-12-19 深圳前海达闼云端智能科技有限公司 一种物品识别的方法、装置、服务器和可读存储介质
US20200065828A1 (en) * 2017-05-16 2020-02-27 Feng Li Structure three-dimensional code and anti-counterfeiting method

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012078973A (ja) * 2010-09-30 2012-04-19 Shift:Kk 二次元コード、エンコード装置、エンコードプログラムおよび二次元コードリーダ
US20200065828A1 (en) * 2017-05-16 2020-02-27 Feng Li Structure three-dimensional code and anti-counterfeiting method
CN108664837A (zh) * 2018-05-11 2018-10-16 李峰 三维码生产集成系统
CN108830124A (zh) * 2018-05-11 2018-11-16 李峰 三维码识别方法
WO2019237243A1 (zh) * 2018-06-12 2019-12-19 深圳前海达闼云端智能科技有限公司 一种物品识别的方法、装置、服务器和可读存储介质
CN109063807A (zh) * 2018-09-10 2018-12-21 上海祥羽投资咨询有限公司 一种三维码的生成、读取和识别方法
CN110490022A (zh) * 2019-08-23 2019-11-22 京东数字科技控股有限公司 一种识别图片中的条形码方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YUNHUA GU ETC.: "QR code recognition based on image processing", INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND TECHNOLOGY *
余芳等: "在智能手机上实现二维条形码识别", 微计算机信息, no. 07 *
杨勇: "基于机器视觉的条形码及二维码识别系统的设计", 微型电脑应用, no. 11 *
林杰等: "基于深度学习的图像识别处理", 网络安全技术与应用, no. 11 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149776A (zh) * 2020-09-30 2020-12-29 北京小龙潜行科技有限公司 可视化标签及其组件

Also Published As

Publication number Publication date
CN111709262B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
US10592726B2 (en) Manufacturing part identification using computer vision and machine learning
CN110659589B (zh) 基于姿态和注意力机制的行人再识别方法、系统、装置
US20120070086A1 (en) Information reading apparatus and storage medium
CN111046859B (zh) 字符识别方法及装置
CN106886774A (zh) 识别身份证信息的方法和装置
CN113435556A (zh) 一种点阵码的生码、解码方法及防伪方法
AU2017380263B2 (en) Method for detecting and recognising long-range high-density visual markers
CN110909743B (zh) 图书盘点方法及图书盘点系统
CN109509228A (zh) 用于定位一个或多个候选数字图像的方法
CN110781856A (zh) 异质人脸识别模型训练方法、人脸识别方法及相关装置
CN111709262B (zh) 三维码信息智能识别方法和装置
CN103620650A (zh) 验证标签的方法及装置
CN110223340B (zh) 一种机器人识别图书所在架位的方法、装置
CN110222547A (zh) 条码识别方法及装置
CN116227524B (zh) 防伪码的生成与验证方法、基于标签的防伪系统
CN113435557B (zh) 一种二维码生成、解码、识别方法、装置及设备
KR20020058161A (ko) 코드화된 패턴 및 이의 코드 추출 방법
CN114398920A (zh) 编码读取方法、编码方法以及编码读取装置
CN115994996A (zh) 对照装置、存储介质及对照方法
JP7418553B2 (ja) オブジェクトのマーキング、製造方法、及び認証方法
CN109214243A (zh) 目标跟踪方法、装置及无人机
CN109344935B (zh) 防伪印刷物及其印制方法
CN113505733A (zh) 行为识别方法、装置、存储介质及电子装置
CN110427580A (zh) 无源无硅基芯片射频技术实现可变的光学直读识别码系统
CN113869474A (zh) 一种多维编码方法、系统、解码方法及防伪加密标识

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231215

Address after: No. 19 Xinghai Road, Haikou Hi-tech Industrial Development Zone, Hainan Province, 570314

Applicant after: HANNAN TIAN JIAN ANTI-FORGERY SCIENCE&TTECHNOLOGY Co.,Ltd.

Address before: 570102, 3, 906, Overseas Chinese Building, 17 Datong Road, Hainan, Haikou

Applicant before: Li Feng

GR01 Patent grant
GR01 Patent grant