CN113971680A - 一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储介质及系统 - Google Patents

一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储介质及系统 Download PDF

Info

Publication number
CN113971680A
CN113971680A CN202111027200.2A CN202111027200A CN113971680A CN 113971680 A CN113971680 A CN 113971680A CN 202111027200 A CN202111027200 A CN 202111027200A CN 113971680 A CN113971680 A CN 113971680A
Authority
CN
China
Prior art keywords
bar code
positioning
original image
code
texture
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
Application number
CN202111027200.2A
Other languages
English (en)
Inventor
郁琳
陈�胜
蔡源桃
徐文涛
蒋帆
吴国平
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.)
Shanghai Zhunshi Intelligent Information Technology Co ltd
Original Assignee
Shanghai Zhunshi Intelligent Information Technology Co ltd
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 Shanghai Zhunshi Intelligent Information Technology Co ltd filed Critical Shanghai Zhunshi Intelligent Information Technology Co ltd
Priority to CN202111027200.2A priority Critical patent/CN113971680A/zh
Publication of CN113971680A publication Critical patent/CN113971680A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • G06T2207/30208—Marker matrix

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储介质及系统，包括以下步骤：获取含有需定位条码的原始图像，确定所述原始图像中不同区域的纹理特征；预先提取各种码制的纹理特征范围；根据各种码制的纹理特征范围确定原始图像中包含任意条码的区域；确定条码区域的边缘图像，确定边缘图像的四个顶点，实现对所述条码定位。本发明具有以下有益效果：1)适用于多种码制的定位，不受限于条码的类型，而且能够在定位的同时确定条码的类型；2)能够同时对多个条码进行定位；3)能适用于复杂背景，如光照不均或文字背景；4)各种码制的纹理特征范围可以通过提前训练来完成，这样可以缩短计算时间，降低算法的复杂度。

Description

一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储 介质及系统
技术领域
本发明涉及视觉图像处理技术领域，特别是涉及一种基于灰度共生矩阵的任意条码的定 位方法、服务器、存储介质及系统。
背景技术
近年来，随着移动技术的快速发展及工业自动化产业程度的不断深入，由于条码具有信 息储存量大、鲁棒性好、成本低等特点，因而被广泛应用在工业加工制造、物流、交通、图 书管理、食品药物生产和监管以及移动支付等领域。目前较常用的条码有一维码和二维码， 且条码类型(码制)众多，在进行条码识别时，上位机首先对相机拍摄的图像进行预处理， 接着对其边缘进行定位，然后进行二值化处理，最后实现解码，提取出包含的信息。
现有的条码定位技术往往是针对单一的码制，且往往不适用于复杂背景下的定位。以DM 码为例，现有的二维码DM识别技术包括：扫描法、Hough变换、角点法定位和其他方法， Hough变换查找法的耗时长，对计算机的内存需求大，在复杂背景下的精度低，而角点法则 简单快捷，但是仅仅适用于背景干净，条码完整无损的情景下，因而，上述方法在复杂背景 下的定位效率较低，甚至出现定位失败的情况，然而在工业现场中，由相机拍摄到的二维码 图片带有复杂的背景以及工业流水线对实时性要求很高，不能满足实际需求。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于灰度共生矩阵的任意条 码的定位方法、服务器、存储介质及系统，用于解决现有技术中对于背景较复杂的条码定位 精度低的问题。
本发明的实施方式提供了一种基于灰度共生矩阵的任意条码的定位方法，包括以下步骤： 获取含有需定位条码的原始图像，确定所述原始图像中不同区域的纹理特征；预先提取各种 码制的纹理特征范围；根据各种码制的纹理特征范围确定原始图像中包含任意条码的区域； 确定条码区域的边缘图像，确定边缘图像的四个顶点，实现对条码的定位。
本发明的实施方式提供了一种基于灰度共生矩阵的任意条码的定位系统，包括：学习训 练模块，用于预先提取各种码制的纹理特征范围；获取模块，用于获取需定位条码的原始图 像中不同区域内的纹理特征；识别模块，用于根据各种码制的纹理特征范围确定原始图像中 包含任意条码的区域；处理模块，用于确定条码区域的边缘图像，确定边缘图像的四个顶点， 实现对条码定位。
本发明的实施方式提供了一种服务器，包括：至少一个处理器；以及，与所述至少一个 处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的基于灰度 共生矩阵的任意条码的定位方法。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机 程序被处理器执行时实现如上述的基于灰度共生矩阵的任意条码的定位方法。
本发明实施方式相对于现有技术而言，主要区别及其效果在于：1)适用于多种码制的定 位，不受限于条码的类型，而且能够在定位的同时确定条码的类型；2)能够同时对多个条码 进行定位；3)能适用于复杂背景，如光照不均或文字背景；4)各种码制的纹理特征范围可 以通过提前训练来完成，这样可以缩短计算时间，降低算法的复杂度。
作为进一步改进，在所述获取含有需定位条码的原始图像之后，所述确定所述原始图像 中不同区域的纹理特征之前，包括：对原始图像进行降噪处理。
上述方案对含有需定位任意条码的原始图像进行降噪处理，通过降噪处理能够降低原始 图像中的噪声，便于确定出原始图像的纹理特征，使得提高条码的定位精确度。
作为进一步改进，所述原始图像中不同区域的纹理特征参数包括：能量Energy、熵Entropy、 对比度Contrast和相关性Correlation。
作为进一步改进，根据以下计算公式计算能量Energy、熵Entropy、对比度Contrast和相 关性Correlation：
Figure BDA0003243724910000021
Contrast＝Σij(i-j)2Pij；
Figure BDA0003243724910000022
其中，(i,j)为原始图像中的任意一点对应的灰度值，Pij为对应的(i,j)组合出现的概率， μx＝∑i，ji*P(i，j)，μy＝∑i，jj*P(i，j)，σx＝∑i，j(i-μx)2*P(i，j)，σy＝∑i，j(j-μy)2*P(i，j).。
作为进一步改进，所述预先提取各种码制的纹理特征范围，包括：根据一系列无背景的 各种类型的条码图像获取不同码制的纹理特征范围。
作为进一步改进，所述根据一系列无背景的各种类型的条码图像获取不同码制的纹理特 征范围，包括：获取一系列无复杂背景的各种类型的条码图像，计算每张图像中条码区域的 纹理特征；对码制相同的图像，分别统计所述条码图像的四种纹理特征参数的平均值和方差， 并将其用于确定该码制的纹理特征范围。
附图说明
图1显示为本发明第一实施方式的基于灰度共生矩阵的任意条码的定位方法流程图；
图2显示为本发明第二实施方式的基于灰度共生矩阵的任意条码的定位方法流程图；
图3显示为本发明第三实施方式的基于灰度共生矩阵的任意条码的定位系统示意图；
图4显示为本发明第四实施例中电子设备示意图；
图5显示为本发明对DM条码实L边的定位示意图；
图6显示为本发明对DM条码虚L边的定位示意图；
图7显示为本发明对DM条码虚L边的定位示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露 的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精 神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征 可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图 式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实 际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复 杂。
本发明的第一实施方式涉及一种基于灰度共生矩阵的任意条码的定位方法。
本申请的发明人发现，条码区域具有非常明显的纹理特征，即存在大量规律交替变换的 黑白像素点，因而条码区域与条码区域有着不同的纹理特征分布，借助于纹理特征信息可以 将条码区域与非条码区域区分开来，另一方面，由于不同类型(码制)的条码具有不同的纹 理分布，因此纹理特征还有助于区分不同的条码码制。基于该特性，本申请发明人提出一种 基于灰度共生矩阵的任意条码的定位方法。
流程如图1所示，具体如下：
步骤101，获取含有需定位条码的原始图像。
具体的说，一般含有需定位的任意条码的原始图像由相机进行拍照上传，在原始图像中 不仅含有需定位的条码，还包含大量的比较复杂的背景图像。
步骤102，确定该原始图像中不同区域的纹理特征。
具体的说，将原始图像等分为M*N个模块，计算每个模块的共生矩阵以及纹理特征参数 的统计值。在计算模块的共生矩阵时，在该模块中任意取一点(x，y)及偏离它的另一点 (x+a，y+b)，设该点对的灰度值为(i，j)，若灰度级数为k，则当前的灰度组合(i，j)有k2种可 能，统计每一种(i，j)组合在整幅图像中出现的次数，并将其数值排列成一个方阵，最后对该 方阵归一化，此时该方阵称为灰度联合概率矩阵，也称为共生矩阵，其对应的矩阵元Pi，j则可 以理解成对应的(i，j)组合出现的概率。由于灰度共生矩阵的维度较大，因此仅使用其统计该 原始图像内的信息。该发明选取纹理特征能量Energy、熵Entropy、对比度Contrast和相关性 Correlation来表示图像的灰度分布信息：
Figure BDA0003243724910000041
Contrast＝Σij(i-j)2Pij；
Figure BDA0003243724910000042
其中μx＝∑i,ji*P(i,j),μy＝∑i,jj*P(i,j),σx＝∑i,j(i-μx)1*P(i,j),σy＝∑i,j(j-μy)2*P(i,j).。
步骤103，预先提取各种码制的纹理特征范围。
具体的说，根据无背景的各种类型的条码图像计算出各种码制的纹理特征范围，并且将 计算好的各种码制的纹理特征范围存储在存储器内，在需要对含有复杂背景的各种码制进行 定位时，将各种码制的纹理特征范围进行提取。
步骤104，根据各种码制的纹理特征范围确定原始图像中包含任意条码的区域。
实际应用中，根据获取各种码制的纹理特征，对该原始图像不同区域的纹理特征进行筛 选，若当前区域的纹理特征值与步骤103所得到的某种条码的纹理特征的偏差在ε以内时，可 以认为当前区域内包含该类型的条码,并确定条码的类型。即：
Energy∈[Energyth(1-ε),Energyth(1+ε)]；
Entropy∈[Entropyth(1-ε),Entropyth(1+ε)]；
Contrast∈[Contrastth(1-ε),Contrastth(1+ε)]；
Correlation∈[Correlationth(1-ε),Correlationth(1+ε)].
步骤105，确定条码区域的边缘图像。
具体的说，使用边缘检测算法对条码区域进行检测，比如Canny检测，由于Canny边缘 检测能在进行梯度最小值抑制的同时，尽可能保留更多的边缘图像，从而可以提取到整个条 码的边缘图像，继而得到边缘图像的四个顶点，实现对条码的定位。
下面以DM条码为例，描述具体的定位过程。
步骤106，确定边缘图像的四个顶点，实现对条码的定位。
具体的说，对含有任意条码的区域的边缘图像进行直线段检测，如Hough直线算法。当 然为了保证算法的实时性，直线段检测算法也可以选为LSD算法或者EDLines算法、Canny Lines算法，这些算法较传统的Hough算法计算的更快。
实际应用中，基于检测到的直线段，寻找两组直线段，这两组直线段必须要 满足：1、直线段长度大于20个像素点；2、两组直线段的夹角[85°,95°]介于之 间，记录这两条直线段的端点，此外，为了方便描述，如图5所示，两组直线段 命名为L1和L2，则L1和L2即为DM码的实线L边，L1的端点为(P1,P2)， L2的端点为(P3,P4)，计算出这两条直线段的交点，该交点为B点；如图6和
本发明实施方式相对于现有技术而言，主要区别及其效果在于：1)适用于多种码制的定 位，不受限于条码的类型，而且能够在定位的同时确定条码的类型；2)能够同时对多个条码 进行定位；3)能适用于复杂背景，如光照不均或文字背景；4)各种码制的纹理特征范围可 以通过提前训练来完成，这样可以缩短计算时间，降低算法的复杂度。
本发明的第二实施方式涉及一种基于灰度共生矩阵的任意条码的定位方法，第二实施方 式是对第一实施方式的详细论述，主要详细的论述在于：在第一实施方式中并没有对含有需 定位任意条码的原始图像进行降噪处理，也没有对获取任意条码的纹理特征的过程进行详细 的论述，而在本发明的第二实施方式中，详细的论述含有需定位任意条码的原始图像的降噪 处理的过程和获取任意条码的纹理特征的过程。
本实施方式请参阅图2，包括以下步骤，进行如下说明：
步骤201与第一实施方式中的步骤101相类似，在此不再赘述。
步骤202，对原始图像进行降噪处理。
具体地说，对原始图像进行预处理，比如高斯滤波法、均值滤波法，这样能够降低图像 中的噪声。
步骤203与第一实施方式中的步骤102相类似，在此不再赘述。
步骤204，获取一系列无复杂背景的各种类型的条码图像。
具体的说，其中，多张无背景的条码图像是指在图像中只含有条码，这些图像可以由相 机进行拍照上传或者由条码生成器生成。
步骤205，计算每张图像中条码区域的纹理特征。
具体的说，对于每张条码图像的纹理特征是根据第一实施方式中原始图像的纹理特征的 四个计算公式进行计算的。
步骤206，对同种码制的图像，分别统计条码图像的四种纹理特征参数的平均值和方差， 并将其用于确定该码制的纹理特征范围。
在实际应用中，根据一系列无背景的各种类型的条码图像获取不同码制的纹理特征范围， 先获取一系列无复杂背景的各种类型的条码图像，并计算每张图像中条码区域的纹理特征； 对同种码制的图像，分别统计能量、熵、对比度和相关性这四种纹理特征参数的平均值和方 差，并将其设为该码制的纹理特征阈值Energyth,Entropyth,Contrastth,Correlationth.
步骤207至步骤209与第一实施方式中的步骤104至步骤106相类似，在此不再赘述。
可见，本发明实施方式对含有需定位条码的原始图像进行降噪处理，通过降噪处理能够 降低原始图像中的噪声，能够提高条码的定位精确度。另一方面，在预先提取同种码制的纹 理特征时，通过计算出每张条码图像的纹理特征，再通过计算出纹理特征在多张图像中的统 计信息，可以节省定位时间，提高定位效率，也拓展了该方法对于多种码制上的适用性。。
本发明的第三实施方式涉及一种基于灰度共生矩阵的任意条码的定位系统，请参阅图3， 包括：
学习训练模块，用于预先提取各种码制的纹理特征范围；
获取模块，用于获取需定位条码的原始图像中不同区域的纹理特征；
识别模块，用于根据各种码制的纹理特征范围确定原始图像中包含任意条码的区域；
处理模块，用于确定条码区域的边缘图像，确定边缘图像的四个顶点，实现对条码的定 位。
不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实 施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了 减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施 方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻 辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组 合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的 技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本发明第四实施方式涉及一种服务器，请参阅图4，包括：
至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可 被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行 如上的基于灰度共生矩阵的任意条码的定位方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥， 总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳 压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此， 本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个 元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装 置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收 数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压 调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的 数据。
本发明第五实施方式涉及一种计算机可读存储介质，存储有计算机程序，计算机程序被 处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程 序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设 备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部 分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、 随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码 的介质。
综上，本发明先计算原始图像中不同区域的纹理特征，接着根据无背景的各种类型条码 图像提取出不同码制的纹理特征范围，将其对原始图像的纹理特征进行筛选，从而确定原始 图像中条码区域，继而可以将条码区域从背景比较复杂的原始图像中提取出来，实现对背景 比较复杂的条码进行定位。此外，该定位方位不受限于条码的类型，定位的效率较高，而且 不同码制的条码纹理特征可以提前通过学习训练而得到，可以缩短定位的时间。所以，本发 明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技 术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡 所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等 效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种基于灰度共生矩阵的任意条码的定位方法，其特征在于，包括以下步骤：
获取含有需定位条码的原始图像；
确定所述原始图像中不同区域的纹理特征；
预先提取各种码制的纹理特征范围；
根据各种码制的纹理特征范围确定原始图像中包含任意条码的区域；
确定条码区域的边缘图像；
确定边缘图像的四个顶点，实现对条码的定位。
2.根据权利要求1所述的一种基于灰度共生矩阵的任意条码的定位方法，其特征在于：在所述获取含有需定位条码的原始图像之后，所述确定所述原始图像中不同区域的纹理特征之前，包括：
对原始图像进行降噪处理。
3.根据权利要求1所述的一种基于灰度共生矩阵的任意条码的定位方法，其特征在于：所述原始图像中不同区域的纹理特征参数包括：能量Energy、熵Entropy、对比度Contrast和相关性Correlation。
4.根据权利要求3所述的一种基于灰度共生矩阵的任意条码的定位方法，其特征在于：根据以下计算公式计算能量Energy、熵Entropy、对比度Contrast和相关性Correlation：
Figure FDA0003243724900000011
Entropy＝-∑ijPijLogPij；
Contrast＝∑ij(i-j)2Pij；
Figure FDA0003243724900000012
其中，(i,j)为原始图像中的任意一点对应的灰度值，Pij为对应的(i,j)组合出现的概率，μx＝∑i,ji*P(i,j),μy＝∑i,jj*P(i,j),σx＝∑i,j(i-μx)2*P(i,j),σy＝∑i,j(j-μy)2*P(i,j).。
5.根据权利要求1所述的一种基于灰度共生矩阵的任意条码的定位方法，其特征在于：所述预先提取各种码制的纹理特征范围，包括：
根据一系列无背景的各种类型的条码图像获取不同码制的纹理特征范围。
6.根据权利要求5所述的一种基于灰度共生矩阵的条码的定位方法，其特征在于：所述根据一系列无背景的各种类型的条码图像获取不同码制的纹理特征范围，包括：
获取一系列无复杂背景的各种类型的条码图像；
计算每张图像中条码区域的纹理特征；
对码制相同的图像，分别统计所述条码图像的四种纹理特征参数的平均值和方差，并将其用于确定该码制的纹理特征范围。
7.一种基于灰度共生矩阵的任意条码的定位系统，其特征在于：包括：
学习训练模块，用于预先提取各种码制的纹理特征范围；
获取模块，用于获取需定位条码的原始图像中不同区域内的纹理特征；
识别模块，用于根据各种码制的纹理特征范围确定原始图像中包含任意条码的区域；
处理模块，用于确定条码区域的边缘图像，确定边缘图像的四个顶点，实现对条码定位。
8.一种服务器，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的一种基于灰度共生矩阵的任意条码的定位方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一所述的一种基于灰度共生矩阵的任意条码的定位方法。
CN202111027200.2A 2021-09-02 2021-09-02 一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储介质及系统 Pending CN113971680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111027200.2A CN113971680A (zh) 2021-09-02 2021-09-02 一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111027200.2A CN113971680A (zh) 2021-09-02 2021-09-02 一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储介质及系统

Publications (1)

Publication Number Publication Date
CN113971680A true CN113971680A (zh) 2022-01-25

Family

ID=79586417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111027200.2A Pending CN113971680A (zh) 2021-09-02 2021-09-02 一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储介质及系统

Country Status (1)

Country Link
CN (1) CN113971680A (zh)

Similar Documents

Publication Publication Date Title
CN109299720B (zh) 一种基于轮廓片段空间关系的目标识别方法
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN109961101A (zh) 货架状态确定方法及装置、电子设备、存储介质
EP3467700A1 (en) Systems and methods for decoding two-dimensional matrix symbols
Mayunga et al. A semi‐automated approach for extracting buildings from QuickBird imagery applied to informal settlement mapping
US20130070997A1 (en) Systems, methods, and media for on-line boosting of a classifier
CN103530590A (zh) Dpm二维码识别系统
Falomir et al. Measures of similarity between objects based on qualitative shape descriptions
CN111860496A (zh) 车牌识别方法、装置、设备及计算机可读存储介质
Huang et al. Data matrix code location based on finder pattern detection and bar code border fitting
CN104899589B (zh) 一种采用阈值二值化算法实现二维条码预处理的方法
CN103218427A (zh) 局部描述子的提取方法、图像检索方法及图像匹配方法
Xu et al. An automatic optical and SAR image registration method with iterative level set segmentation and SIFT
Tolias et al. Towards large-scale geometry indexing by feature selection
CN111368573A (zh) 一种基于几何特征约束的定位方法
CN101833644A (zh) 一种基于动态模板的校正图形搜索方法
Kong et al. Local Stereo Matching Using Adaptive Cross‐Region‐Based Guided Image Filtering with Orthogonal Weights
Gao A post-processing scheme for the performance improvement of vehicle detection in wide-area aerial imagery
Piccoli et al. Towards the automatic classification of pottery sherds: two complementary approaches
CN111160142B (zh) 一种基于数值预测回归模型的证件票据定位检测方法
Li et al. Content-based lace fabric image retrieval system using texture and shape features
CN113971680A (zh) 一种基于灰度共生矩阵的任意条码的定位方法、服务器、存储介质及系统
CN111199228A (zh) 一种车牌定位的方法及装置
CN111753723B (zh) 一种基于密度校准的指纹识别方法及装置
CN112766082B (zh) 基于宏微观特征的中文文本笔迹鉴别方法、装置及存储介质

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