CN111950315B - 一种多幅条形码图像切分与识别方法、装置及存储介质 - Google Patents
一种多幅条形码图像切分与识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111950315B CN111950315B CN202010341391.9A CN202010341391A CN111950315B CN 111950315 B CN111950315 B CN 111950315B CN 202010341391 A CN202010341391 A CN 202010341391A CN 111950315 B CN111950315 B CN 111950315B
- Authority
- CN
- China
- Prior art keywords
- bar code
- images
- code images
- image
- segmenting
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 16
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1452—Methods for optical code recognition including a method step for retrieval of the optical code detecting bar code edges
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise 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
- G06V10/44—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种多幅条形码图像切分与识别方法、装置及存储介质，通过对多幅条形码图像进行预处理，对多幅条形码图像进行边缘检测，进一步提出改进多边形逼近算法，通过长度匹配滤除图像内部轮廓以实现多幅条形码图像切分，并进一步识别所有单幅条形码图像的图像信息。本发明提出的一种多幅条形码图像切分与识别方法、装置及存储介质，结合其他的结构和方法有效避免了现有技术中尚未有有效的与多幅条形码图像快速切分相关的方法、无法满足较多场景中需要同时处理多个条形码、识别误差率较高、不能适应高速生产线使用的缺陷。
Description
技术领域
本发明涉及图像处理算法设计技术领域，也涉及改进多边形逼近算法领域，具体涉及一种多幅条形码图像切分与识别方法、装置及存储介质。
背景技术
图像切分是由图像处理到图像分析的关键步骤，具体是指从整幅图像中分割提取出多个单幅目标区域图像的过程。而条形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。常见的条形码是由反射率相差很大的黑条(简称条)和白条(简称空)排成的平行线图案。条形码是表达产品信息的图形标识符，在图书管理、银行系统、产品包装等许多领域广泛使用。
由于较多场景中往往需要同时处理多个条形码，识别误差率较高，不能适应高速生产线使用。因此利用一种有效的技术快速、准确地对多幅条形码图像进行切分与识别是急需解决的问题。现有针对条形码的研究，主要集中于条形码图像生成系统，如申请号为CN201580063306.4、CN200480043481.9和CN201810335498.5这样的专利技术方案中的条形码图像生成技术，以及针对条形码定位方法的如申请号为CN201510621702.6的专利技术方案与如申请号为CN201410334506.6和CN201910827229.5中所提到的条形码识别装置，而尚未有有效的与多幅条形码图像快速切分与识别相关的技术方案，无法满足较多场景中需要同时处理多个条形码，识别误差率较高，不能适应高速生产线使用，因此设计一种针对多幅条形码图像快速切分与识别的方法，填补这一方面研究的缺失，对于提升条形码图像检测质量与效率显得尤为重要。
发明内容
为解决上述问题，本发明提供了一种多幅条形码图像切分与识别方法、装置及存储介质，能同时处理多个条形码，识别误差率低，能适应高速生产线使用，有效避免了现有技术中尚未有有效的与多幅条形码图像快速切分相关的方法、无法满足较多场景中需要同时处理多个条形码、识别误差率较高、不能适应高速生产线使用的缺陷。
为了克服现有技术中的不足，本发明给予了一种多幅条形码图像切分与识别方法、装置及存储介质的解决方案，具体如下：
一种多幅条形码图像切分与识别方法，包括：
步骤1：采集多幅条形码图像并进行预处理，对多幅条形码图像进行边缘检测；
步骤2：提出改进多边形逼近算法，通过长度匹配滤除图像内部轮廓以实现多幅条形码图像切分，为高速准确的切分与识别多幅条形码图像，减少了识别误差率，提高条形码图像检测质量；
步骤3：识别所有单幅条形码图像的图像信息。
进一步的，所述步骤1中的采集多幅条形码图像并进行预处理，所述预处理包括：
步骤A-1：对采集来的多幅条形码图像进行图像滤波；
步骤A-2：对图像滤波后的多幅条形码图像进行图像二值化。
进一步的，所述步骤1中的对多幅条形码图像进行边缘检测的方法为利用Canny算子检测多幅条形码图像边缘轮廓信息。
进一步的，所述步骤2中的改进多边形逼近算法以及通过长度匹配滤除图像内部轮廓包括：
步骤B-1：设置阈值以及多幅条形码边缘图像中的各个轮廓曲线的起止端点；
步骤B-2：计算各个轮廓曲线到其弦的最大距离；
步骤B-3：比较最大距离与阈值的大小，若最大距离小于阈值，则该轮廓曲线的弦作为该轮廓曲线的近似轮廓曲线；
若最大距离不小于阈值，则利用该轮廓曲线上离其弦距离最大的点将该轮廓曲线分为两段轮廓曲线，该离其弦距离最大的点就作为分割点，并分别把该两段轮廓曲线返回步骤B-2中进行循环处理，当所有轮廓曲线处理完毕时，依次连接各个分割点形成的折线，作为近似轮廓曲线；
步骤B-4：通过长度匹配方法滤除多幅条形码边缘图像中的轮廓。
进一步的，所述步骤3中的识别出所有单幅条形码图像的图像信息，包括：
步骤C-1：拟合滤除后多幅条形码边缘图像轮廓的最小外接矩形并进行切分；
步骤C-2：利用Zbar库扫描所有单幅条形码图像，获取各个单幅条形码的图像信息。
进一步的，所述步骤B-2中的计算各个轮廓曲线到其弦的最大距离，包括：
所述轮廓曲线上离线段AB距离最大的点C与作为轮廓曲线的弦的线段AB的最大距离L由以下公式(3)可求出：
线段AC与线段AB的角度α可用公式(4)求得：
α＝arccos(cos(α)) (4)
则点C与线段AB最大距离L为公式(5)所示：
其中，为线段AB的向量，/>为线段AC的向量，/>为/>的模，/>为/>的模，为线段CD向量的模。
本发明还提供一种多幅条形码图像切分与识别方法的装置，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所述多幅条形码图像切分与识别方法。
本发明还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述多幅条形码图像切分与识别方法。
本发明的有益效果为：
本发明为更快速、更准确地切分与识别多幅条形码图像提供了一定的理论依据，减少识别误差率，提高条形码图像检测质量。
附图说明
图1是多幅条形码的原始图像。
图2是多幅条形码的原始图像灰度化灰度图像。
图3是多幅条形码的高斯滤波后的图像。
图4是多幅条形码的二值化图像。
图5是Canny算子边缘检测而得的图像。
图6是通过改进多边形逼近算法而得的轮廓图像。
图7是滤除内部轮廓后的图像。
图8是拟合滤除后轮廓最小外接矩形的图像。
图9是切分提取出所有单幅条形码的图像。
图10是利用Zbar库识别所有单幅条形码图像信息。
图11是基于KMeans算法分割多幅条形码图像。
图12是基于KMeans算法的拟合轮廓最小外接矩形所得的图像。
图13是基于分水岭算法分割多幅条形码图像。
图14是基于分水岭算法的拟合轮廓最小外接矩形所得的图像。
图15是多幅条形码快速切分与识别方法的流程图。
具体实施方式
本发明以多幅条形码图像为研究对象，分割提取出多个单幅条形码图像并进行识别。
下面将结合附图和实施例对本发明做进一步地说明。
如图1和图2所示，图1为利用工控机采集的多幅条形码图像的原始图像，图2为该原始图像的灰度图像，以图1和图2作为本发明内容的解释图像，多幅条形码图像切分与识别方法，包括以下步骤：
(1)采集多幅条形码图像并进行预处理，具体包括：
(1.1)对采集来的多幅条形码图像进行图像滤波：
通过工控机采集如图1所示的多幅条形码图像，将其灰度化而如图2所示，采用窗口为5×5的高斯滤波而如图3所示，抑制图像采集产生的噪声，达到平滑图像效果，在图像处理中，常使用二维高斯函数进行滤波，计算公式如下公式(1)所示：
其中，G(x，y)为二维高斯函数，(x，y)为多幅条形码图像中的各点的点坐标，其中x为横坐标而y为纵坐标，σ为标准差，A为归一化系数，使不同的权重之和为一。这里工控机并连接上摄像头也是通常的条形码图像切分与识别方法的装置，该工控机相连的摄像头，用于采集所述多幅条形码图像。
(1.2)图像二值化：
采用固定阈值法对多幅条形码图像进行二值化处理而如图4所示，通过判断多幅条形码图像中每一个像素点的特征属性是否满足阈值的要求，来确定图像中的该像素点是属于目标区域还是背景区域，从而将一幅灰度图像转换成二值图像，计算公式如下公式(2)所示：
其中，g(x，y)为在图像(x，y)处的灰度值，f(x，y)为二值化后的值，固定阈值T＝200；
(2)利用Canny算子检测多幅条形码图像边缘轮廓信息：
多幅条形码图像经过预处理后，采用高斯滤波标准差σ＝3的Canny算子进行边缘检测，获取预处理后的多幅条形码图像的如图5所示的边缘图像；
(3)提出改进多边形逼近算法，通过长度匹配滤除多幅条形码的边缘图像的内部轮廓，具体包括：
(3.1)设置阈值threshold以及多幅条形码的边缘图像中的各个轮廓曲线的起止端点A和B：
其中，设置阈值threshold，阈值越大，多边形逼近精度越高；反之精度越低。设置起止端点A和B分别为所述轮廓曲线的起点Top与终点End，在起止端点A和B之间连接一条线段AB，作为轮廓曲线的弦；
(3.2)计算各个轮廓曲线到其弦的最大距离L：
其中，获取轮廓所有点信息，找出轮廓曲线上离线段AB距离最大的点C，计算点C其与线段AB的最大距离L；
(3.3)比较最大距离L与阈值threshold：
其中，若L<threshold，则线段段AB作为轮廓曲线的近似，该段曲线处理完毕；若L>threshold，则利用点C将轮廓曲线分为两段AC与BC，将点C作为分割点，并分别对两段进行(3.2)处理，依次循环，直至检测完轮廓所有的点。当所有轮廓曲线处理完毕时，依次连接各个分割点形成的折线，作为如图6所示的近似轮廓曲线。
(3.4)通过长度匹配滤除图像内部轮廓：
其中，寻找图像轮廓凸包，设置轮廓长度Length[i]，令350<Length[i]<600，若图像轮廓长度处于Length[i]范围内，则保留；反之，则去除，如图7所示；
(4)拟合滤除后轮廓的最小外接矩形并进行切分：
其中，计算滤除后多幅条形码的边缘图像的轮廓面积，再通过最小外接矩形进行轮廓拟合而如图8所示，将拟合轮廓进行切分，获取所有单幅条形码图像而如图9所示。
(5)利用Zbar库扫描所有单幅条形码图像，获取各个单幅条形码的图像信息：
其中，利用Zbar库函数对所有单幅条形码图像进行逐一扫描，将扫描后的图像信息显示出来而如图10所示，并与条形码图像原始信息对比。
在所述步骤(3.2)中，中的计算各个轮廓曲线到其弦的最大距离，包括：
所述轮廓曲线上离线段AB距离最大的点C与作为轮廓曲线的弦的线段AB的最大距离L由以下公式(3)可求出：
线段AC与线段AB的角度α可用公式(4)求得：
α＝arccos(cos(α)) (4)
则点C与线段AB最大距离L为公式(5)所示：
其中，为线段AB的向量，/>为线段AC的向量，/>为/>的模，/>为/>的模，/>为线段CD向量的模。
结合以上所述，图15为针对多幅条形码图像切分与识别方法的流程图，对上述多幅条形码图像切分与识别方法进行实验验证与比较如下：
(1)所有单幅条形码图像获取实验：
以工控机采集的多幅条形码图像为实验对象，以四核八线程CPU@2.4GHz、内存8G、OpenCV2015为实验环境。利用OpenCV从多幅条形码图像切分提取出所有单幅条形码图像，如图9所示，结合Zbar库扫描所有单幅条形码图像，识别出所有单幅条形码图像，如图10所示。
(2)本发明切分方法与KMeans算法以及分水岭算法时间比较
为了检测本发明切分方法与KMeans算法分割图像、分水岭算法分割图像运行时间差异，对多幅条形码图像切分成所有单幅条形码图像运行时间进行实验对比。图11和图12分别为KMeans算法分割图像以及对应的拟合轮廓最小外接矩形图像，图13和图14为分水岭算法分割图像以及对应的拟合轮廓最小外接矩形图像。在相同环境下运行程序，KMeans算法分割图像总耗时317ms，分水岭算法分割图像总耗时139ms，而本发明切分方法仅用64ms就完成了切分过程。因此本发明提出的多幅条形码图像快速切分与识别方法计算效率更高，大幅地减少了运算时间。
本发明还提供一种多幅条形码图像切分与识别方法的装置，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所述多幅条形码图像切分与识别方法。
本发明还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述多幅条形码图像切分与识别方法。
综上所述，本发明提出的一种多幅条形码图像快速切分与识别方法、装置及存储介质，是一种比传统算法速度更快、效率更高的方法，可用于生产条形码切分与识别环节，为检测条形码信息降低了误差率，提高条形码检测效率。
以上以用实施例说明的过程对本发明作了描述，本领域的技术人员应当理解，本公开不限于以上描述的实施例，在不偏离本发明的范围的状况下，能够做出每种变动、改变和替换。
Claims (6)
1.一种多幅条形码图像切分与识别方法，其特征在于，包括：
步骤1：采集多幅条形码图像并进行预处理，对多幅条形码图像进行边缘检测；
步骤2：提出改进多边形逼近算法，通过长度匹配滤除图像内部轮廓以实现多幅条形码图像切分；
步骤3：识别所有单幅条形码图像的图像信息；
所述步骤2中的改进多边形逼近算法以及通过长度匹配滤除图像内部轮廓包括：
步骤B-1：设置阈值以及多幅条形码边缘图像中的各个轮廓曲线的起止端点；
步骤B-2：计算各个轮廓曲线到其弦的最大距离；
步骤B-3：比较最大距离与阈值的大小，若最大距离小于阈值，则该轮廓曲线的弦作为该轮廓曲线的近似轮廓曲线；
若最大距离不小于阈值，则利用该轮廓曲线上离其弦距离最大的点将该轮廓曲线分为两段轮廓曲线，该离其弦距离最大的点就作为分割点，并分别把该两段轮廓曲线返回步骤B-2中进行循环处理，当所有轮廓曲线处理完毕时，依次连接各个分割点形成的折线，作为近似轮廓曲线；
步骤B-4：通过长度匹配方法滤除多幅条形码边缘图像中的轮廓；
所述步骤B-2中的计算各个轮廓曲线到其弦的最大距离，包括：
所述轮廓曲线上离线段AB距离最大的点C与作为轮廓曲线的弦的线段AB的最大距离L由以下公式（3）可求出：
（3），
线段AC与线段AB的角度α可用公式（4）求得：
（4），
则点C与线段AB最大距离L为公式（5）所示：
（5），
其中，为线段AB的向量，/>为线段AC的向量，/>为/>的模，/>为/>的模，为线段CD向量的模。
2.根据权利要求1所述的多幅条形码图像切分与识别方法，其特征在于，所述步骤1中的采集多幅条形码图像并进行预处理，所述预处理包括：
步骤A-1：对采集来的多幅条形码图像进行图像滤波；
步骤A-2：对图像滤波后的多幅条形码图像进行图像二值化。
3.根据权利要求1所述的多幅条形码图像切分与识别方法，其特征在于，所述步骤1中的对多幅条形码图像进行边缘检测的方法为利用Canny算子检测多幅条形码图像边缘轮廓信息。
4.根据权利要求1所述的条形码图像切分与识别方法，其特征在于，所述步骤3中的识别出所有单幅条形码图像的图像信息，包括：
步骤C-1：拟合滤除后多幅条形码边缘图像轮廓的最小外接矩形并进行切分；
步骤C-2：利用Zbar库扫描所有单幅条形码图像，获取各个单幅条形码的图像信息。
5.一种条形码图像切分与识别方法的装置，其特征在于，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所述权利要求1～4中任意一项的多幅条形码图像切分与识别方法。
6.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行所述权利要求1～4中任意一项的多幅条形码图像切分与识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010341391.9A CN111950315B (zh) | 2020-10-19 | 2020-10-19 | 一种多幅条形码图像切分与识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010341391.9A CN111950315B (zh) | 2020-10-19 | 2020-10-19 | 一种多幅条形码图像切分与识别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950315A CN111950315A (zh) | 2020-11-17 |
| CN111950315B true CN111950315B (zh) | 2023-11-07 |
Family
ID=73337675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010341391.9A Active CN111950315B (zh) | 2020-10-19 | 2020-10-19 | 一种多幅条形码图像切分与识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950315B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5966469A (en) * | 1995-10-26 | 1999-10-12 | Hyundai Electronics Industries Co., Ltd. | Sequential polygon approximation apparatus for contour and method thereof |
| CN104680109A (zh) * | 2013-12-03 | 2015-06-03 | 航天信息股份有限公司 | 一种基于图像识别的条码区域定位方法 |
| CN107609623A (zh) * | 2017-10-17 | 2018-01-19 | 九州通医疗信息科技（武汉）有限公司 | 条形码处理方法及装置 |
| CN107622499A (zh) * | 2017-08-24 | 2018-01-23 | 中国东方电气集团有限公司 | 一种基于目标二维轮廓模型的识别与空间定位方法 |
| CN109101854A (zh) * | 2018-06-25 | 2018-12-28 | 华南理工大学 | 一种多条形码定位方法 |
| CN109492450A (zh) * | 2018-10-18 | 2019-03-19 | 成都中科信息技术有限公司 | 一种基于版面分析的条形码定位方法 |
| CN109522768A (zh) * | 2018-10-22 | 2019-03-26 | 清华大学 | Qr码的识别方法及装置 |
| CN110992326A (zh) * | 2019-11-27 | 2020-04-10 | 江苏理工学院 | 一种qfn芯片引脚图像快速倾斜校正方法 |
-
2020
- 2020-10-19 CN CN202010341391.9A patent/CN111950315B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5966469A (en) * | 1995-10-26 | 1999-10-12 | Hyundai Electronics Industries Co., Ltd. | Sequential polygon approximation apparatus for contour and method thereof |
| CN104680109A (zh) * | 2013-12-03 | 2015-06-03 | 航天信息股份有限公司 | 一种基于图像识别的条码区域定位方法 |
| CN107622499A (zh) * | 2017-08-24 | 2018-01-23 | 中国东方电气集团有限公司 | 一种基于目标二维轮廓模型的识别与空间定位方法 |
| CN107609623A (zh) * | 2017-10-17 | 2018-01-19 | 九州通医疗信息科技（武汉）有限公司 | 条形码处理方法及装置 |
| CN109101854A (zh) * | 2018-06-25 | 2018-12-28 | 华南理工大学 | 一种多条形码定位方法 |
| CN109492450A (zh) * | 2018-10-18 | 2019-03-19 | 成都中科信息技术有限公司 | 一种基于版面分析的条形码定位方法 |
| CN109522768A (zh) * | 2018-10-22 | 2019-03-26 | 清华大学 | Qr码的识别方法及装置 |
| CN110992326A (zh) * | 2019-11-27 | 2020-04-10 | 江苏理工学院 | 一种qfn芯片引脚图像快速倾斜校正方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙洋洋 等.基于图像处理的多条形码检测方法研究.仪表技术与传感器.2020,(第01期),第92-95页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950315A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
| CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
| CN101114335A (zh) | 全角度快速指纹识别方法 | |
| CN113723330B (zh) | 一种图表文档信息理解的方法及系统 | |
| CN112364862B (zh) | 一种基于直方图相似度的扰动变形汉字图片匹配的方法 | |
| CN111461131A (zh) | 身份证号码信息识别方法、装置、设备及存储介质 | |
| CN111027544A (zh) | 一种基于视觉显著性检测的mser车牌定位方法及系统 | |
| Lawgali et al. | A Frame Work For Arabic Handwritten Recognition Based on Segmentation | |
| Mishchenko et al. | Model-based chart image classification | |
| Chen et al. | Efficient text localization in born-digital images by local contrast-based segmentation | |
| CN116503848B (zh) | 车牌的智能识别方法、装置、设备及存储介质 | |
| Zhan et al. | A robust split-and-merge text segmentation approach for images | |
| Tribak et al. | QR code patterns localization based on Hu Invariant Moments | |
| CN111950315B (zh) | 一种多幅条形码图像切分与识别方法、装置及存储介质 | |
| CN110378337B (zh) | 金属切削刀具图纸标识信息视觉输入方法及系统 | |
| CN109002821B (zh) | 一种基于连通域和切线斜率的网银盾数字识别方法 | |
| Yun et al. | Vision-based 1D barcode localization method for scale and rotation invariant | |
| Santosh et al. | Scalable arrow detection in biomedical images | |
| Fang et al. | A new fingerprint thinning algorithm | |
| Deb et al. | Automatic vehicle identification by plate recognition for intelligent transportation system applications | |
| CN112949361B (zh) | 指纹识别方法及装置 | |
| Mishchenko et al. | Model-Based Recognition and Extraction of Information from Chart Images. | |
| CN110619273B (zh) | 一种高效的虹膜识别方法以及识别装置 | |
| Mohan et al. | Handwritten character recognition: a comprehensive review on geometrical analysis | |
| CN1641681A (zh) | 具有摄像装置的移动终端中快速输入字符信息的方法 |
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 |