CN112766012A - 二维码图像的识别方法、装置、电子设备及存储介质 - Google Patents
二维码图像的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112766012A CN112766012A CN202110164635.5A CN202110164635A CN112766012A CN 112766012 A CN112766012 A CN 112766012A CN 202110164635 A CN202110164635 A CN 202110164635A CN 112766012 A CN112766012 A CN 112766012A
- Authority
- CN
- China
- Prior art keywords
- dimensional code
- image
- sub
- images
- code sub
- 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
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
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Toxicology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种二维码图像的识别方法、装置、电子设备及存储介质,涉及人工智能、区块链和图像处理技术领域,可用于支付、车联、驾驶、社交等场景。该方法包括:获取针对二维码图像进行连续扫码得到的多个二维码子图像,确定各二维码子图像分别对应的特征信息,进而基于特征信息进行二维码图像的识别。本申请实施例实现了在扫码设备距离二维码较近扫码区域无法完全覆盖二维码时,采用连续扫码的方式获取二维码图像的特征信息,进而基于特征信息进行二维码图像识别,有利于提高用户扫码的体验。
Description
技术领域
本申请涉及人工智能及图像处理技术领域,具体而言,本申请涉及一种二维码图像的识别方法、装置、电子设备及存储介质。
背景技术
二维码又称二维条码,常见的二维码为QR(Quick Response)Code,是用某种特定的几何图形按一定规律在平面(二维方向上)分布的、黑白相间的、记录数据符号信息的图形。随着技术的发展,二维码的使用涉及各个领域,如信息获取、网站跳转、广告推送、扫码支付、账号登录等;在扫码支付领域中,用户通过扫码设备扫描二维码,可以通过银行或第三方支付提供的通道完成支付。
在现有技术中,用户一般通过移动设备(如手机)进行扫码,将扫码获取到的信息传输到后台进行信息验证。然而,现有技术中,仅支持距离较远或扫码设备的扫码区域可以完全覆盖二维码的扫码方式,当扫码设备距离二维码较近,扫码区域无法完全覆盖二维码时,则无法完成扫码进行二维码信息验证;其限制了用户扫码的距离,降低了用户体验。
发明内容
本申请提供的技术方案旨在至少能解决上述的技术缺陷之一,特别是扫码设备距离二维码较近扫码区域无法完全覆盖二维码,导致无法完成扫码进行二维码信息验证的技术缺陷。其中,技术方案如下:
在本申请的第一方面,提供了一种二维码图像的识别方法,包括:
获取针对二维码图像进行连续扫码得到的多个二维码子图像;
确定各二维码子图像分别对应的特征信息;
基于特征信息进行二维码图像的识别。
在一实施例中,获取针对二维码图像连续扫码得到的多个二维码子图像,包括:
获取针对二维码图像基于预设扫码方式连续扫码得到的图像数据;
对图像数据进行抽取,得到多个二维码子图像,二维码子图像包括二维码图像的部分区域。
在另一实施例中,对图像数据进行抽取,得到多个二维码子图像,包括:
识别二维码图像中各预设区域在图像数据中的位置;
基于识别得到的位置对图像数据进行抽取,得到多个二维码子图像。
在一可能的实施例中,确定各二维码子图像分别对应的特征信息,包括:
确定多个二维码子图像对应的卷积核权重矩阵;
基于卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息。
在另一可能的实施例中,确定多个二维码子图像对应的卷积核权重矩阵,包括:
基于多个二维码子图像在二维码图像中的位置信息生成原始权重矩阵;
采用二维高斯函数对原始权重矩阵进行计算,得到多个二维码子图像对应的卷积核权重矩阵。
在又一可行的实施例中,基于卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息,包括:
基于预设排序方式对多个二维码子图像进行编号;
针对每一带编号的二维码子图像,基于卷积核权重矩阵,采用卷积神经网络进行图像处理,得到该二维码子图像对应的特征信息。
在一可行的实施例中,基于特征信息进行二维码图像的识别,包括:
基于编号按序拼接各二维码子图像分别对应的特征信息得到二维码图像对应的图像特征信息;
基于图像特征信息进行二维码图像的识别。
在一实施例中,基于图像特征信息进行二维码图像的识别,包括:
将图像特征信息输入扫码支付模块进行信息验证。
在本申请的第二方面,提供了一种二维码图像的识别装置,包括:
获取模块,用于获取针对二维码图像进行连续扫码得到的多个二维码子图像;
确定模块,用于确定各二维码子图像分别对应的特征信息;
识别模块,用于基于特征信息进行二维码图像的识别。
在一可行的实施例中,获取模块在执行获取针对二维码图像连续扫码得到的多个二维码子图像的步骤时,还用于执行下述步骤:
获取针对二维码图像基于预设扫码方式连续扫码得到的图像数据;
对图像数据进行抽取,得到多个二维码子图像,二维码子图像包括二维码图像的部分区域。
在另一实施例中,获取模块在执行对图像数据进行抽取,得到多个二维码子图像的步骤时,还用于执行下述步骤:
识别二维码图像中各预设区域在图像数据中的位置;
基于识别得到的位置对图像数据进行抽取,得到多个二维码子图像。
可选地,确定模块在执行确定各二维码子图像分别对应的特征信息的步骤时,还用于执行下述步骤:
确定多个二维码子图像对应的卷积核权重矩阵;
基于卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息。
可选地,确定模块在执行确定多个二维码子图像对应的卷积核权重矩阵的步骤时,还用于执行下述步骤:
基于多个二维码子图像在二维码图像中的位置信息生成原始权重矩阵;
采用二维高斯函数对原始权重矩阵进行计算,得到多个二维码子图像对应的卷积核权重矩阵。
可选地,确定模块在执行基于卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息的步骤时,还用于执行下述步骤:
基于预设排序方式对多个二维码子图像进行编号;
针对每一带编号的二维码子图像,基于卷积核权重矩阵,采用卷积神经网络进行图像处理,得到该二维码子图像对应的特征信息。
可选地,识别模块在执行基于特征信息进行二维码图像的识别的步骤时,还用于执行下述步骤:
基于编号按序拼接各二维码子图像分别对应的特征信息得到二维码图像对应的图像特征信息;
基于图像特征信息进行二维码图像的识别。
可选地,识别模块在执行基于图像特征信息进行二维码图像的识别的步骤时,还用于执行下述步骤:
将图像特征信息输入扫码支付模块进行信息验证。
在本申请的第三方面,提供了一种电子设备,电子设备包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:执行第一方面提供的方法。
在本申请的第四方面,提供了一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当计算机指令在计算机上运行时,使得计算机可以执行第一方面提供的方法。
本申请提供的技术方案带来的有益效果是:
本申请在进行二维码图像识别时,可以通过获取针对二维码图像进行连续扫码得到的多个二维码子图像,对该二维码子图像进行处理确定对应的特征信息,进而基于特征信息进行二维码图像识别;本申请的实施可以通过连续扫码的方式解决现有技术中扫码设备距离二维码较近扫码区域无法完全覆盖二维码图像,导致无法完成二维码验证以使用相应触发的功能的问题,有利于提高用户扫码的体验度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为相关技术中二维码图像的识别方法流程图;
图2为扫码设备距离二维码图像较近的场景示意图;
图3为本申请实施例提供的一种二维码图像的识别方法的流程示意图;
图4为本申请实施例提供的一种二维码图像的识别方法中的流程示意框图;
图5为本申请实施例中一种连续扫码的扫码方式示意图;
图6a为本申请实施例中一种二维码图像的识别方法中确定二维码子图像对应特征信息的方法流程图;
图6b为本申请实施例中一种确定二维码子图像对应的特征信息的处理过程流程示意图;
图7a为本申请实施例中一种二维码图像的识别方法中拼接特征信息的方法流程图;
图7b为本申请实施例中一种拼接特征信息的处理过程流程示意图;
图8a为本申请实施例中一种二维码图像的识别方法的应用场景图;
图8b为本申请实施例中一种二维码图像的识别方法的应用例的示意图;
图9a为相关技术中采用手机扫码的示意图;
图9b为应用本申请实施例提供的二维码图像的识别方法进行手机扫码的示意图;
图10为本申请实施例提供的一种二维码图像的识别装置的结构示意图;
图11为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面对本申请涉及的技术和名词进行说明:
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在本申请提供的技术方案中,主要涉及计算机视觉技术。计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。本申请提供的技术方案主要涉及图像处理和图像识别技术。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。本申请提供的技术方案中涉及产生的图像、特征信息等数据可以采用区块链技术进行存储和传输。
二维码:是采用某种特定的几何图形按一定规律在平面(二维方向上)分布的、黑白相间的、记录数据符号信息的图形。二维码图像是指包括二维码图形的图像;二维码图像在一般的应用场景中以图片格式进行呈现(如展示在电子设备的用户界面、在各类海报/展板的展示页面上等)。其中,二维码图像中包含的二维码图形可以是动态变化的(如每隔预设时间更新或刷新一次),也可以是静态的,本申请对此不作限定。
连续扫码:一种使用扫码设备对同一二维码图像的各个区域进行扫码的操作。该操作过程也可理解为针对二维码图像进行连续移动录像或连续拍照的过程。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks,FNN),是深度学习(deeplearning,DL)的代表算法之一。卷积神经网络由一个或多个卷积层和顶端的全连接层组成,还包括关联权重和池化层。
在二维码图像的识别中,目前相关技术采用的是一种信息全覆盖技术,主要是采用等比例方法映射的函数,将距离较远的二维码进行等比例放大后,再采用卷积神经网络进行图像处理,得到图像特征信息,进而完成二维码图像的识别;具体地,主要是采用手机作为扫码设备针对二维码图形进行扫码,将扫码获得的完整二维码图像经过映射函数将二维码图像进行放大后,再采用卷积神经网络进行特征提取的处理后将扫码获得的信息(卷积神经网络的输出数据)传输到手机的后台程序进行信息验证。如图1所示,用户可以采用手机通过扫码程序调用摄像装置进行扫码,进而手机后台程序会进行图像处理,在读取到二维码图像所表征的信息后即完成扫码的过程,后续可触发启动相应程序或功能模块(如在扫码支付的应用场景中,扫码验证通过后触发支付模块进行账款支付);其中,当手机作为扫码设备距离二维码较远时,无法读取二维码表征的信息时,采用等比例放大映射的技术进行处理,将当前扫码区域内较小的二维码等比例放大后读取二维码表征的信息。然而,该技术当用户使用的扫码设备距离二维码图像较近,扫码区域无法完全覆盖二维码图像时,则无法完成扫码并进行信息验证。如图2所示,图中圆点所示可以理解为扫码设备(如手机)距离二维码图像过近,仅能获取到圆点所能覆盖范围的二维码图像信息,无法完成扫码进行信息验证的功能。
为解决上述至少一个问题,本申请提供一种二维码图像的识别方法、装置、电子设备和计算机可读存储介质;通过采用连续扫码的方式,结合后台程序进行图像采集、卷积神经网络进行图像处理、进而进行图像拼接,获得相对应完整的二维码图像的图像特征信息,从而实现在近距离扫码的过程中完成二维码信息的验证。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请实施例中提供了一种二维码图像的识别方法,如图3所示,该方法包括下述步骤S101-S103:
步骤S101:获取针对二维码图像进行连续扫码得到的多个二维码子图像。
具体地,在本申请实施例中,进行连续扫码操作的对象是二维码图像(可以是针对同一个二维码图像),连续扫码的过程可以理解为如采用手机通过扫码程序调用摄像装置针对二维码图像进行连续录像或连续拍照的过程,扫码过程中可以采用从左到右,从上到下的移动方式(如图5所示)。
具体地,通过连续扫码过的图像数据可以传输到后台进行图像采集。其中,可以根据二维码的布局设置进行图像抽取的内容,如二维码为方形布局,可以将二维码图像整体区分为等比例的n个区域,如:等分为9个区域,在获得连续扫码得到的图像数据时,按照二维码布局的9个区域逐一抽取相应位置的二维码子图像。也即,在本申请实施例中,二维码子图像为二维码图像中的一部分,将在后续实施例中详述获取各个二维码子图像的具体过程。在一个或多个实施例中,可以将二维码图像分为等比例的2个区域、3个区域、4个区域、6个区域、8个区域、9个区域、12个区域、14个区域、16个区域,等等。需要说明的是,本申请对等分后的区域数量并不做限定。
可选地,连续扫码的操作可以是采用移动式录像的方式(如图5所示),也可以是采用连续逐一扫描/拍摄二维码图像各个区域的方式。用户可以手持扫码设备(如采用手机通过扫码程序调用的摄像装置;在一实施例中,手机本身可理解为扫码设备)对二维码图像进行连续扫码的操作,以将连续扫码获取对应的图像数据传输至后台程序进行处理。
步骤S102:确定各二维码子图像分别对应的特征信息。
具体地,可以采用卷积神经网络CNN分别对各个二维码子图像进行图像处理(主要涉及特征提取),确定各二维码子图像分别对应的特征信息。
在本申请实施例中,卷积神经网络的处理对象为二维码子图像,适应二维码的特性(属于二维数据),卷积神经网络的输入层可以处理二维数组(可能包含多个通道),即平面上的二维像素点。其中,卷积神经网络中的隐含层可以包括卷积层、池化层和全连接层,即在本申请实施例中可以采用输入层-卷积层-池化层-全连接层-输出层的卷积神经网络结构。其中,卷积层用于对输入数据(各二维码子图像)进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量(bias vector),类似于一个前馈神经网络的神经元;而在本申请实施例中,权重系数可以根据各个二维码子图像进行设定,将在后续实施例中详述二维码图像对应的卷积权重矩阵的确定方式。另,在卷积层中包含激励函数,在本申请实施时可以采用线性整流函数(Rectified Linear Unit,ReLU)、Sigmoid函数和双曲正切函数(hyperbolic tangent)等,本申请对所采用的激励函数不作限定。其中,池化层(pooling layer)用于在卷积层进行特征提取后,获取卷积层输出的特征图进行特征选择和信息过滤。
步骤S103:基于特征信息进行二维码图像的识别。
具体地,可以基于步骤S102中卷积神经网络的输出数据进行二维码图像的识别,即分别识别各个二维码子图像所表达的特征信息,进而完成二维码图像的识别(二维码验证)。在一实施例中,还可以对卷积神经网络的输出数据(各二维码子图像的特征信息)进行拼接,形成完整的二维码图像整体对应的图像特征信息后,基于图像特征信息进行二维码图像的识别。
在本申请实施例中,考虑到在扫码设备距离二维码图像过近,扫码区域无法完全覆盖二维码图像,导致无法完成扫码进行二维码信息验证的问题,提供一种可以通过连续扫码完成二维码图像识别的方法,在获取到用户连续扫码得到的多个二维码子图像后,对该二维码子图像进行图像处理,确定出各个二维码子图像分别对应的特征信息,进而基于特征信息进行二维码图像的识别。本申请实施例解决了现有技术的扫码方式中对扫码距离的限制问题,提高了用户扫码的体验度。
下面针对获取多个二维码子图像的具体过程进行说明。
在本申请实施例中提供了一种可能的实现方式,具体地,步骤S101中获取针对二维码图像连续扫码得到的多个二维码子图像,包括以下步骤S1011-S1012:
步骤S1011:获取针对二维码图像基于预设扫码方式连续扫码得到的图像数据。
具体地,预设扫码方式可以为默认的扫码方式(如图5所示),可以为从左到右、从上到下的移动录像的扫码方式。在一可行的实施例中,当用户首次使用连续扫码进行二维码信息验证的功能时,若扫码设备确定当前扫码区域无法完全覆盖二维码图像时,可以通过在界面显示指引图引导用户使用连续扫码的方式,并通过弹窗或浮层的形式显示连续扫码的扫码方式,以使用户可以快速了解连续扫码的操作,并降低后续步骤中后台基于连续扫码获得的图像数据进行图像采集的复杂度(避免用户采用其他扫码方式进行扫码,增加了后续图像采集的步骤,如增加了在图像采集之前确定图像数据中的每一帧图像所在二维码图像中的位置)。
其中,图像数据可以理解为连续扫码获得的多媒体数据,如视频数据,得到该图像数据后将传输到扫码设备的后台进行处理,用户通过扫码设备的用户界面(扫码界面)无法感知对图像数据的处理过程。
步骤S1012:对图像数据进行抽取,得到多个二维码子图像,二维码子图像包括二维码图像的部分区域。
具体地,适应二维码图像一般呈现为方形的特性,可以将二维码图像划分为多个相同大小的区域进行图像抽取,如划分为2个、3个、4个、6个、8个、9个、12个、14个、16个等相同大小的区域进行图像采集。其中,考虑到与连续扫码的扫码方式以及后续采用卷积神经网络进行特征提取的问题,本申请实施例可以选择将二维码图像划分为9个区域(为方便描述,在后续阶段中以9个区域为例进行说明)。在获取到步骤S1011得到的图像数据时,可以根据二维码图像对应的9个区域分别进行图像抽取,获得9个二维码子图像。
可选地,步骤S1012中对图像数据进行抽取,得到多个二维码子图像,包括下述步骤S10121-S10122:
步骤S10121:识别二维码图像中各预设区域在图像数据中的位置。
具体地,可以将二维码图像预先划分为多个预设区域,如划分为9个预设区域;进而可以采用图像识别技术识别出各个预设区域在图像数据中的位置,如针对二维码图像中某一预设区域,在某一帧图像数据(一张图像)中以该预设区域的左上角、左下角、右上角、右下角和/或中心等位置,确定该预设区域在图像数据中的位置。
其中,将二维码图像划分为多个预设区域可以理解为对二维码图像进行图像切片处理。图像切片(slice)的处理可以理解为包括将一副大图像分割为一些小的图像切片的操作。
可选地,对二维码图像进行划分得到多个预设区域时,可以采用等分或等比例的情况进行,如将一个二维码图像等分地划分为9个预设区域。
步骤S10122:基于识别得到的位置对图像数据进行抽取,得到多个二维码子图像。
具体地,在进行识别后,可以根据识别得到的位置,在图像数据上进行二维码子图像的抽取操作,如提取识别得到位置对应的图像作为二维码子图像。
其中,抽取得到的多个二维码子图像可以存储在后台图像数据库中,以便后续数据的传输和调用。可选地,后台图像数据库可以是去中心化的数据库。
在一实施例中,步骤S1012在进行图像抽取时可能仅能采集到相应预设区域对应的二维码子图像,但无法确保二维码子图像的尺寸大小一致,为减少后续的计算复杂度和便于后续卷积神经网络对二维码子图像的处理,在步骤S1012得到多个二维码子图像后,还可以对二维码子图像进行尺寸归一化处理,得到图像尺寸大小一致的二维码子图像。如,图像可能是112x112、256x256、或1024x1024的大小;相应地,可以统一归一化处理为256x256大小的图像;归一化处理得到的图像尺寸可以根据实际情况进行调整,本申请对此不作限定。
可选地,考虑到用户扫码时所对应场景的复杂性,在连续扫码的过程中获得的图像数据中可能带有光照和/或阴影的信息,为提高后续采用卷积神经网络进行特征提取的准确性,可以针对各二维码子图像进行颜色归一化处理,生成仅带有黑白两色的二维码子图像;相当于进行图像变换的操作,从二维码子图像上移除光照和/或阴影的信息。
下面针对确定二维码子图像的特征信息的具体过程进行说明。
在一可行的实施例中,具体地,步骤S102中确定各二维码子图像分别对应的特征信息,包括下述步骤S1021-S1022:
步骤S1021:确定多个二维码子图像对应的卷积核权重矩阵。
具体地,在本申请实施例中,采用多个二维码子图像的相关信息构建后续用于卷积神经网络进行图像处理的卷积核权重矩阵,以确保二维码图像信息的完整性和正确性。
在一实施例中,步骤S1021中确定多个二维码子图像对应的卷积核权重矩阵,包括下述步骤A1-A2:
步骤A1:基于多个二维码子图像在二维码图像中的位置信息生成原始权重矩阵。
具体地,利用二维码子图像在二维码图像中的位置信息构建权重矩阵,可以有效地通过权重矩阵反映二维码子图像在二维码图像中的位置信息;基于此,可以采用左(-1)、中(0)、右(1);上(-1)、中(0)、下(1)表示二维码子图像在二维码图像中的位置(即,可以理解为切分所得子图像在原图像中的位置)。可选地,当通过步骤S1013得到9个二维码子图像时,各二维码子图像在二维码图像中的位置分别为:左上(-1,-1)、中上(0,-1)、右上(1,-1);左中(-1,0)、中中(0,0)、右中(1,0);左下(-1,1)、中下(0,1)、右下(1,1),对应的原始权重矩阵(基于图像切片得到的子图像在原图像中的位置进行构建)可以表示如下:
(-1,-1) | (0,-1) | (1,-1) |
(-1,0) | (0,0) | (1,0) |
(-1,1) | (0,1) | (1,1) |
需要说明的是,该原始权重矩阵是以等分为9个区域为例形成的权重矩阵,可以知道的是,当将二维码图像分为等比例的其他数量个区域时,如2个区域、3个区域、4个区域、6个区域、8个区域、9个区域、12个区域、14个区域、16个区域,等等,会形成相应的权重矩阵,本申请对此并不做限定。
步骤A2:采用二维高斯函数对原始权重矩阵进行计算,得到多个二维码子图像对应的卷积核权重矩阵。
具体地,二维高斯函数可以表示如下公式(1):
采用公式(1)所示的二维高斯函数对步骤A1所得的原始权重矩阵(针对9个二维码子图像)进行计算,可以得到表示如下的卷积核权重矩阵:
0.07511 | 0.12384 | 0.07511 |
0.12384 | 0.20418 | 0.12384 |
0.07511 | 0.12384 | 0.07511 |
上述卷积核权重矩阵中,可以理解的是,将二维高斯函数(如公式(1)所示)作用于位置(x,y)表征的数据中得到相应位置的卷积核权重,并由各个位置分别对应的卷积核权重组成卷积核权重矩阵。
其中,由上卷积核权重矩阵可见,在本申请实施例中,多个二维码子图像对应的卷积核权重矩阵之和为1(针对任何个数的二维码子图像)。
需要说明的是,该卷积核权重矩阵是以等分为9个区域为例形成的权重矩阵,可以知道的是,当将二维码图像分为等比例的其他数量个区域时,如2个区域、3个区域、4个区域、6个区域、8个区域、9个区域、12个区域、14个区域、16个区域,等等,会形成相应的卷积核权重矩阵,本申请对此并不做限定。
在本申请实施例中,步骤A1的实施,采用二维码子图像在二维码图像中的位置信息构建原始权重矩阵(又可称为二维权重矩阵),可以有效通过原始权重矩阵反映二维码子图像在二维码图像中的位置信息,确保图像信息的完整性和图像特征信息中位置信息的正确性。步骤A2的实施,采用二维高斯函数作用于原始权重矩阵,得到卷积核权重矩阵,进而在后续采用卷积神经网络对二维码子图像进行特征提取时,可以在确保不丢失特征信息的情况下,有效平滑特征信息。
步骤S1022:基于卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息。
具体地,卷积神经网络在卷积层对二维码子图像进行卷积操作时,结合步骤A2确定的卷积核权重矩阵进行,具体采用卷积神经网络进行图像处理得到相应的特征信息的方法可以参考相关技术进行,在此不作详细说明。
可选地,结合图6a,步骤S1022中基于卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息,包括下述步骤B1-B2:
步骤B1:基于预设排序方式对多个二维码子图像进行编号。
具体地,在编号时,可以采用与连续扫码的方式相同的顺序进行,如从左到右、从上到下的顺序。举例说明,如图6所示,假设二维码图像被切分为9个二维码子图像时,可以按照图像1表示左上位置的二维码子图像、图像2表示中上位置的二维码子图像、图像3表示右上位置的二维码子图像、图像4表示左中位置的二维码子图像、图像5表示中中位置的二维码子图像、图像6表示右中位置的二维码子图像、图像7表示左下位置的二维码子图像、图像8表示中下位置的二维码子图像、图像9表示右下位置的二维码子图像等。
基于步骤B1的实施,可以获得多个带编号的二维码子图像,不同的标号表征二维码子图像所在二维码图像中的不同位置。
步骤B2:针对每一带编号的二维码子图像,基于卷积核权重矩阵,采用卷积神经网络进行图像处理,得到该二维码子图像对应的特征信息。
具体地,结合图6b可见,在对各个二维码子图像进行编号后,可以采用卷积神经网络中的高斯卷积核对各二维码子图像进行卷积操作,提取得到各个二维码子图像对应的特征信息,如图像1特征对应为二维码图像中左上位置的二维码子图像对应的特征信息......图像5特征对应为二维码图像中中位置的二维码子图像对应的特征信息......图像9特征对应为二维码图像中右下位置的二维码子图像对应的特征信息。
可选地,步骤S1022中处理的各二维码子图像可以从后台图像数据库中获取。
在上述实施例的基础上,下面针对基于特征信息进行二维码图像识别的具体过程进行说明。
具体地,如图7a,步骤S103基于特征信息进行二维码图像的识别,包括下述步骤S1031-S1032:
步骤S1031:基于编号按序拼接各二维码子图像分别对应的特征信息得到二维码图像对应的图像特征信息。
具体地,基于编号按序拼接特征信息时,可以按照各二维码子图像对应的编号大小按顺序进行,例如结合步骤B1中图像1至图像9的编号,适应二维码图像所呈现的方形布局,分三组进行特征信息的拼接,如图7b所示,第一种各个分组的情况如下所示:
第一组:图像1对应的特征信息+图像2对应的特征信息+图3对应的特征信息;
第二组:图像4对应的特征信息+图像5对应的特征信息+图像6对应的特征信息;
第三组:图像7对应的特征信息+图像8对应的特征信息+图像9对应的特征信息。
在进行上述三组的特征信息拼接后,基于从上到下的顺序,可以得到完整的二维码图像对应的图像特征信息。
在一可行的实施例中,进行特征信息的拼接时,还可以采用下述第二种各个分组的情况进行:
第一组:图像1对应的特征信息+图像4对应的特征信息+图像7对应的特征信息;
第二组:图像2对应的特征信息+图像5对应的特征信息+图像8对应的特征信息;
第三组:图像3对应的特征信息+图像6对应的特征信息+图像9对应的特征信息。
在进行上述第二种情况对应三组的特征信息拼接后,基于从左到右的顺序,可以得到完整的二维码图像对应的图像特征信息。
可选地,还可以同时结合第一种和第二种所示的分组情况进行特征信息的拼接,加强特征信息之间的关联性,减少特征信息的损失。
需要说明的是,上述处理步骤是以等分为9个区域为例的计算步骤,可以知道的是,当将二维码图像分为等比例的其他数量个区域时,如2个区域、3个区域、4个区域、6个区域、8个区域、9个区域、12个区域、14个区域、16个区域,等等,计算步骤会有对应的变化,本申请对此并不做限定。其中,步骤S1022采用卷积神经网络对二维码子图像进行特征提取得到的特征信息还可以采用特征信息序列的方式进行表达,基于此,在步骤S1031中进行特征信息拼接时,还可以是针对特征信息序列进行拼接,如图7b右边大括号所示。
在一可行的实施例中,基于上述例子拼接后得到的二维码图像对应的图像特征信息还可以表达如下矩阵(可以称为图像信息矩阵)所示:
图像1特征信息 | 图像2特征信息 | 图像3特征信息 |
图像4特征信息 | 图像5特征信息 | 图像6特征信息 |
图像7特征信息 | 图像8特征信息 | 图像9特征信息 |
需要说明的是,该图像信息矩阵是以等分为9个区域为例进行运算后得到的图像信息矩阵,可以知道的是,当将二维码图像分为等比例的其他数量个区域时,如2个区域、3个区域、4个区域、6个区域、8个区域、9个区域、12个区域、14个区域、16个区域,等等,会得到对应的图像信息矩阵,本申请对此并不做限定。
步骤S1032:基于图像特征信息进行二维码图像的识别。
具体地,经步骤S1031得到二维码图像完整的图像特征信息后,可以输入相应需要触发功能的后台系统进行二维码图像的识别。其中,二维码图像的识别过程可以理解为对二维码所表征信息的验证过程,
可选地,步骤S1032中基于图像特征信息进行二维码图像的识别,包括下述步骤C1:将图像特征信息输入扫码支付模块进行信息验证。
具体地,当进行二维码图像识别的场景为扫码支付时,可以将步骤S1031得到的二维码图像对应的完整的图像特征信息传输至扫码支付模块,对当前扫描二维码得到的信息进行验证。若验证通过,则可调用银行或第三方支付通道完成款项支付。
可选地,本申请实施例提供的二维码图像的识别方法还可以应用于多个领域,如账户登录、视频推送等;若应用在账号登录时,可以将步骤S1031得到的二维码图像的完整的图像特征信息输入相应待登录程序的验证模块进行信息验证。
下面结合图4对本申请实施例提供的二维码图像的识别方法进行整体性说明。
如图4所示,本申请实施例提供的方法具体包括五个阶段:连续扫码阶段、图像切片阶段、图像处理阶段、图像信息拼接阶段和完成扫码阶段。下面针对各个阶段进行说明。
在连续扫码阶段中,其扫码对象为二维码图像,可以由用户持扫码设备针对二维码图像采用移动录像或连续拍照的方式完成连续扫码,得到图像数据。
在图像切片阶段中,其处理对象为图像数据,首先针对图像数据进行图像抽取,图像抽取的设置可以根据二维码的特性进行调整,也可以根据后续图像处理阶段的需求进行调整。如可以设置为将完整的二维码图像进行等分划分,如划分为9个区域,则在进行图像抽取时根据各个区域对应二维码图像的位置采集相应的二维码子图像,获得9个二维码子图像。
在图像处理阶段中,包括卷积核权重矩阵的构建和特征提取两部分;首先,基于各二维码子图像在二维码图像中的各个位置,结合二维高斯函数构建对应的卷积核权重矩阵;进而采用卷积神经网络基于卷积核权重矩阵对二维码子图像进行卷积操作,以提取二维码子图像对应的特征信息。经图像处理阶段进行处理后,可以得到各个二维码子图像分别对应的特征信息。
在图像信息拼接阶段中,处理对象为卷积神经网络基于二维码子图像进行特征提取得到的各个二维码子图像分别对应的特征信息;在信息拼接时,可以按照各个二维码子图像在二维码图像中的位置进行,如二维码图像对应9个二维码子图像时,可以采用分组拼接的方式,将位于二维码图像左上位置、中上位置、右上位置的二维码子图像分别对应的特征信息进行拼接,将位于二维码图像左中位置、中中位置、右中位置的二维码子图像分别对应的特征信息进行拼接,继而将位于二维码图像左下位置、中下位置和右下位置的二维码子图像分别对应的特征信息进行拼接;在获得三组拼接后的特征信息后,将三组拼接信息基于从上到下的顺序进行拼接处理可以得到二维码图像完整的图像特征信息。
在完成扫码阶段中,可以将拼接得到的图像特征信息输入相应用于对二维码信息进行验证的后台模块进行处理,以完成对二维码图像的识别,最终识别得到的结果可以通过扫码设备的用户界面向用户反馈。
在经过上述五个阶段针对连续扫码获得的信息进行处理可以有效确保图像特征信息没有发生损失,以有效确保连续扫码方式对应的二维码图像识别的准确性。
需要说明的是,上述处理步骤是以等分为9个区域为例的计算、处理步骤,可以知道的是,当将二维码图像分为等比例的其他数量个区域时,如2个区域、3个区域、4个区域、6个区域、8个区域、9个区域、12个区域、14个区域、16个区域,等等,计算、处理步骤会有对应的变化,本申请对此并不做限定。
可以理解的是本申请实施例并非仅适用于扫码设备距离二维码过近导致扫码区域无法完全覆盖二维码图像的场景,还可以适用于扫码设备与二维码距离适宜且扫码区域可完全覆盖二维码图像的场景;即,即使采用一次扫码方式(扫码区域可以完全覆盖二维码图像,采用扫码设备正对二维码进行扫描)可完成二维码图像的识别,也可以使用本申请实施例提供的连续扫码方式完成二维码图像的识别。
下面结合图8a、图8b、图9a和图9b,针对本申请提供的二维码图像的识别方法给出可行的应用例。
假设扫码设备为终端400,终端400可以为智能手机、平板电脑、笔记本电脑、智能音箱、智能手表、车载设备等,下述以扫码设备为智能手机为例进行说明:用户采用手机进行扫码时可以通过扫码程序调用摄像装置进行处理,扫码过程可以在用户界面400-11(用户界面的具体显示状态可以参考图9a和图9b)中进行显示并向用户反馈扫码状态和扫码结果。从图8a可见,下述应用例中本申请实施例提供的二维码图像的识别方法的执行主体为终端400-1。
在一般的扫码过程中,用户采用手机进行扫码,在用户界面可以呈现如图9a所示状态,扫码区域可以完全覆盖二维码图像。但若当前用户持手机进行扫码时距离二维码过近,则将出现图8b中左图和图9b所示场景,扫码区域无法完全覆盖二维码图像,手机二维码扫码器无法一次覆盖二维码。此时,用户可以考虑采用连续扫码的方式完成扫码,如图8b所示,用户通过连续扫码的方式进行扫码时,终端400-1将在后台从连续扫码获得的图像数据中采集9张二维码子图像(包含图像切片阶段)保存到后台图像数据库500中(如图8a所示,数据存储的过程中二维码子图像由终端400发出经过网络300,进而由数据库500提供数据存储服务),进而针对每一二维码子图像,采用卷积神经网络进行图像处理,提取二维码子图像中的特征信息,进而将各二维码子图像分别对应的特征信息进行拼接得到二维码图像对应的完整的二维码特征信息(图像特征信息)。在获得完整的图像特征信息后,终端400-1将基于该图像特征信息进行信息验证,即基于图像特征信息进行二维码图像的识别。
在一可行的实施例中,考虑到二维码图像均呈现为方形布局,可以设定在图像切片阶段默认将二维码图像分割为9个二维码子图像,基于此,在进行图像处理的过程中,可以统一采用如步骤A2中得到的卷积核权重矩阵在卷积神经网络中进行特征提取,以有效减少本申请实施例中构建卷积核权重矩阵的计算操作。相应地,可以理解的是,图像切片阶段得到的二维码子图像的数量与后续构建的卷积核权重矩阵相关。
在一可能的实施例中,本申请实施例提供的二维码图像的识别方法可以适用于停车场扫码缴费的场景,如驾驶员驾车准备离开停车场时,目前一般的停车场为加快车辆离开停车场的速度,一般在停车场的各个通道上粘贴有缴费二维码,驾驶员驾车离场时,经过粘贴有二维码的位置可以停车进行扫码支付停车费,避免拥挤在停车场出口进行缴费。然而,一般的停车场通道较窄,当驾驶员驾车停在粘贴有缴费二维码的侧方时,距离二维码较近,很多时候驾驶员无法扫码完成缴费,只能选择放弃扫码支付或下车走远后再次扫码支付,由于现有技术中扫码距离的限制,其降低了用户扫码支付的效率。而通过本申请实施例提供的方法,驾驶员无需在意距离缴费二维码的距离,可以通过连续扫码的方式完成扫码支付停车费,该方法可以有效提高二维码的使用效率,同时提高停车费支付的效率。
可选地,本申请实施例提供的二维码图像的识别方法还可以适用于多种应用场景,在此不一一赘述。
本申请实施例提供了一种二维码图像的识别装置,如图10所示,该二维码图像的识别装置100可以包括:获取模块101、确定模块102以及识别模块103,其中,获取模块101,用于获取针对二维码图像进行连续扫码得到的多个二维码子图像;确定模块102,用于确定各二维码子图像分别对应的特征信息;识别模块103,用于基于特征信息进行二维码图像的识别。
在一可行的实施例中,获取模块101在执行获取针对二维码图像连续扫码得到的多个二维码子图像的步骤时,还用于执行下述步骤:
获取针对二维码图像基于预设扫码方式连续扫码得到的图像数据;
对图像数据进行抽取,得到多个二维码子图像,二维码子图像包括二维码图像的部分区域。
可选地,获取模块101在执行对对图像数据进行抽取,得到多个二维码子图像,二维码子图像包括二维码图像的部分区域的步骤时,还用于执行下述步骤:
识别二维码图像中各预设区域在图像数据中的位置;
基于识别得到的位置对图像数据进行抽取,得到多个二维码子图像。
可选地,确定模块101在执行确定各二维码子图像分别对应的特征信息的步骤时,还用于执行下述步骤:
确定多个二维码子图像对应的卷积核权重矩阵;
基于卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息。
可选地,确定模块102在执行确定多个二维码子图像对应的卷积核权重矩阵的步骤时,还用于执行下述步骤:
基于多个二维码子图像在二维码图像中的位置信息生成原始权重矩阵;
采用二维高斯函数对原始权重矩阵进行计算,得到多个二维码子图像对应的卷积核权重矩阵。
可选地,确定模块102在执行基于卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息的步骤时,还用于执行下述步骤:
基于预设排序方式对多个二维码子图像进行编号;
针对每一带编号的二维码子图像,基于卷积核权重矩阵,采用卷积神经网络进行图像处理,得到该二维码子图像对应的特征信息。
可选地,识别模块103在执行基于特征信息进行二维码图像的识别的步骤时,还用于执行下述步骤:
基于编号按序拼接各二维码子图像分别对应的特征信息得到二维码图像对应的图像特征信息;
基于图像特征信息进行二维码图像的识别。
可选地,识别模块103在执行基于图像特征信息进行二维码图像的识别的步骤时,还用于执行下述步骤:
将图像特征信息输入扫码支付模块进行信息验证。
本申请实施例的装置可执行本申请的实施例所提供的方法,其实现原理相类似,本申请各实施例中的装置中的各模块所执行的动作是与本申请各实施例中的方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应的方法中的描述,此处不再赘述。
本申请实施例中提供了一种电子设备,该电子设备包括:存储器和处理器;至少一个程序,存储于存储器中,用于被处理器执行时,与现有技术相比可实现:本申请在进行二维码图像识别时,可以通过获取针对二维码图像进行连续扫码得到的多个二维码子图像,对该二维码子图像进行处理确定对应的特征信息,进而基于特征信息进行二维码图像识别;本申请的实施可以通过连续扫码的方式解决现有技术中扫码设备距离二维码较近扫码区域无法完全覆盖二维码图像,导致无法完成扫码进行二维码信息验证的问题,有利于提高用户扫码的体验度。
在一个可选实施例中提供了一种电子设备,如图11所示,图11所示的电子设备1100包括:处理器1101和存储器1103。其中,处理器1101和存储器1103相连,如通过总线1102相连。可选地,电子设备1100还可以包括收发器1104,收发器1104可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器1104不限于一个,该电子设备1100的结构并不构成对本申请实施例的限定。
处理器1101可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器1101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线1102可包括一通路,在上述组件之间传送信息。总线1102可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线1102可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器1103可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器1103用于存储执行本申请方案的应用程序代码(计算机程序),并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:智能手机、平板电脑、笔记本电脑、智能音箱、智能手表、车载设备等。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的二维码图像的识别方法。
本申请实施例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,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种二维码图像的识别方法,其特征在于,包括:
获取针对二维码图像进行连续扫码得到的多个二维码子图像;
确定各所述二维码子图像分别对应的特征信息;
基于所述特征信息进行二维码图像的识别。
2.根据权利要求1所述的方法,其特征在于,所述获取针对二维码图像连续扫码得到的多个二维码子图像,包括:
获取针对所述二维码图像基于预设扫码方式连续扫码得到的图像数据;
对所述图像数据进行抽取,得到所述多个二维码子图像,所述二维码子图像包括所述二维码图像的部分区域。
3.根据权利要求2所述的方法,其特征在于,所述对所述图像数据进行抽取,得到所述多个二维码子图像,包括:
识别所述二维码图像中各预设区域在所述图像数据中的位置;
基于识别得到的位置对所述图像数据进行抽取,得到多个二维码子图像。
4.根据权利要求2所述的方法,其特征在于,所述确定各所述二维码子图像分别对应的特征信息,包括:
确定所述多个二维码子图像对应的卷积核权重矩阵;
基于所述卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息。
5.根据权利要求4所述的方法,其特征在于,所述确定所述多个二维码子图像对应的卷积核权重矩阵,包括:
基于所述多个二维码子图像在所述二维码图像中的位置信息生成原始权重矩阵;
采用二维高斯函数对所述原始权重矩阵进行计算,得到所述多个二维码子图像对应的卷积核权重矩阵。
6.根据权利要求4所述的方法,其特征在于,所述基于所述卷积核权重矩阵,采用卷积神经网络对各二维码子图像进行图像处理,确定各二维码子图像分别对应的特征信息,包括:
基于预设排序方式对所述多个二维码子图像进行编号;
针对每一带编号的二维码子图像,基于所述卷积核权重矩阵,采用卷积神经网络进行图像处理,得到该二维码子图像对应的特征信息。
7.根据权利要求6所述的方法,其特征在于,所述基于所述特征信息进行二维码图像的识别,包括:
基于所述编号按序拼接所述各二维码子图像分别对应的特征信息得到二维码图像对应的图像特征信息;
基于所述图像特征信息进行二维码图像的识别。
8.根据权利要求7所述的方法,其特征在于,所述基于所述图像特征信息进行二维码图像的识别,包括:
将所述图像特征信息输入扫码支付模块进行信息验证。
9.一种二维码图像的识别装置,其特征在于,包括:
获取模块,用于获取针对二维码图像进行连续扫码得到的多个二维码子图像;
确定模块,用于确定各所述二维码子图像分别对应的特征信息;
识别模块,用于基于所述特征信息进行二维码图像的识别。
10.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据权利要求1~8任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当所述计算机指令在计算机上运行时,使得计算机可以执行上述权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164635.5A CN112766012B (zh) | 2021-02-05 | 2021-02-05 | 二维码图像的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164635.5A CN112766012B (zh) | 2021-02-05 | 2021-02-05 | 二维码图像的识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766012A true CN112766012A (zh) | 2021-05-07 |
CN112766012B CN112766012B (zh) | 2021-12-17 |
Family
ID=75705187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110164635.5A Active CN112766012B (zh) | 2021-02-05 | 2021-02-05 | 二维码图像的识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766012B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114162464A (zh) * | 2021-11-19 | 2022-03-11 | 长沙易爱智能科技有限公司 | 一种智慧型码子及其连接器 |
Citations (11)
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 |
US20150041539A1 (en) * | 2013-08-08 | 2015-02-12 | National Tsing Hua University | Two dimensional code and method of creating the same |
CN105069389A (zh) * | 2015-07-27 | 2015-11-18 | 福建联迪商用设备有限公司 | 二维码分块解码方法及系统 |
CN106022433A (zh) * | 2016-06-23 | 2016-10-12 | 天津众阳科技有限公司 | 新型二维码及其生成、扫码方法 |
US20170206417A1 (en) * | 2012-12-27 | 2017-07-20 | Panasonic Intellectual Property Corporation Of America | Display method and display apparatus |
CN107992780A (zh) * | 2017-10-31 | 2018-05-04 | 维沃移动通信有限公司 | 一种编码识别方法及移动终端 |
CN109190436A (zh) * | 2018-07-30 | 2019-01-11 | 努比亚技术有限公司 | 一种二维码识别方法、移动终端及存储介质 |
CN110309687A (zh) * | 2019-07-05 | 2019-10-08 | 华中科技大学 | 一种二维码图像的校正方法及校正装置 |
CN110852999A (zh) * | 2019-10-29 | 2020-02-28 | 北京临近空间飞行器系统工程研究所 | 图像扫描系统及图像扫描方法 |
CN111950318A (zh) * | 2020-08-12 | 2020-11-17 | 上海连尚网络科技有限公司 | 一种二维码图像的识别方法、设备及存储介质 |
CN112215745A (zh) * | 2020-09-30 | 2021-01-12 | 深圳云天励飞技术股份有限公司 | 图像处理方法、装置及电子设备 |
-
2021
- 2021-02-05 CN CN202110164635.5A patent/CN112766012B/zh active Active
Patent Citations (11)
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 |
US20170206417A1 (en) * | 2012-12-27 | 2017-07-20 | Panasonic Intellectual Property Corporation Of America | Display method and display apparatus |
US20150041539A1 (en) * | 2013-08-08 | 2015-02-12 | National Tsing Hua University | Two dimensional code and method of creating the same |
CN105069389A (zh) * | 2015-07-27 | 2015-11-18 | 福建联迪商用设备有限公司 | 二维码分块解码方法及系统 |
CN106022433A (zh) * | 2016-06-23 | 2016-10-12 | 天津众阳科技有限公司 | 新型二维码及其生成、扫码方法 |
CN107992780A (zh) * | 2017-10-31 | 2018-05-04 | 维沃移动通信有限公司 | 一种编码识别方法及移动终端 |
CN109190436A (zh) * | 2018-07-30 | 2019-01-11 | 努比亚技术有限公司 | 一种二维码识别方法、移动终端及存储介质 |
CN110309687A (zh) * | 2019-07-05 | 2019-10-08 | 华中科技大学 | 一种二维码图像的校正方法及校正装置 |
CN110852999A (zh) * | 2019-10-29 | 2020-02-28 | 北京临近空间飞行器系统工程研究所 | 图像扫描系统及图像扫描方法 |
CN111950318A (zh) * | 2020-08-12 | 2020-11-17 | 上海连尚网络科技有限公司 | 一种二维码图像的识别方法、设备及存储介质 |
CN112215745A (zh) * | 2020-09-30 | 2021-01-12 | 深圳云天励飞技术股份有限公司 | 图像处理方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
S. G. SREEJEESH;R. SAKTHIVEL;JAYARAJ U. KIDAV: "Superior Implementation of Accelerated QR Decomposition for Ultrasound Imaging", 《IEEE ACCESS》 * |
刘亚文余孝源周飞舟谢巍柳贵东林景春: "基于金字塔权重的QR二维码重构", 《控制工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114162464A (zh) * | 2021-11-19 | 2022-03-11 | 长沙易爱智能科技有限公司 | 一种智慧型码子及其连接器 |
CN114162464B (zh) * | 2021-11-19 | 2023-08-22 | 长沙易爱智能科技有限公司 | 一种智慧型码子及其连接器 |
Also Published As
Publication number | Publication date |
---|---|
CN112766012B (zh) | 2021-12-17 |
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 | |
US10410353B2 (en) | Multi-label semantic boundary detection system | |
CN112052839B (zh) | 图像数据处理方法、装置、设备以及介质 | |
CN111862035B (zh) | 光斑检测模型的训练方法、光斑检测方法、设备及介质 | |
CN114359851A (zh) | 无人驾驶目标检测方法、装置、设备及介质 | |
CN111932577B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN111191582A (zh) | 三维目标检测方法、检测装置、终端设备及计算机可读存储介质 | |
CN114219855A (zh) | 点云法向量的估计方法、装置、计算机设备和存储介质 | |
CN115578590A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
CN112836653A (zh) | 人脸隐私化方法、设备、装置及计算机存储介质 | |
CN113015022A (zh) | 行为识别方法、装置、终端设备及计算机可读存储介质 | |
CN112149694A (zh) | 一种基于卷积神经网络池化模块的图像处理方法、系统、存储介质及终端 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
CN113762039A (zh) | 一种交通标志牌的信息匹配方法及相关装置 | |
CN112749576B (zh) | 图像识别方法和装置、计算设备以及计算机存储介质 | |
CN112766012B (zh) | 二维码图像的识别方法、装置、电子设备及存储介质 | |
CN114049491A (zh) | 指纹分割模型训练、指纹分割方法、装置、设备及介质 | |
CN113191189A (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
CN114155540B (zh) | 基于深度学习的文字识别方法、装置、设备及存储介质 | |
CN115690488A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
CN114758145A (zh) | 一种图像脱敏方法、装置、电子设备及存储介质 | |
CN109961083A (zh) | 用于将卷积神经网络应用于图像的方法和图像处理实体 | |
US20240046601A1 (en) | Deep recognition model training method, electronic device and readable storage medium |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40043523 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |