一种二维码检测和识读方法技术

本发明专利技术涉及图像处理技术领域，具体公开了一种二维码检测和识读方法，其中，包括：获取检测模型；根据所述检测模型对原始输入图像进行检测，得到候选框；对所述候选框进行图像处理，得到处理结果；对所述处理结果中的二维码区域进行识读，得到识读结果。本发明专利技术提供的二维码检测和识读方法，通过检测模型获得二维码区域进行识读，具有检测速度快且识读精度高的优势，在复杂场景下能够高精度检测和识读二维码，弥补了过往研究对于二维码检测精度和速度双标准的不足，具有极大的应用价值和意义，另外对图像旋转和光线变化具有较强的鲁棒性，可以一次性识读多个二维码。

【技术实现步骤摘要】
一种二维码检测和识读方法
本专利技术涉及图像处理
，尤其涉及一种二维码检测和识读方法。
技术介绍
二维码是近年来颇受瞩目的一种新的编码方式，可以存储更大量、更多种类的数据类型，广泛应用于购物、交通工具、工业流水线检测等场景。传统的二维码检测方法，采用图像处理的相关操作，通过二维码典型标记找到二维码的三个特征区域以定位出二维码，再以相关的二维码扫描算法加以检测。然而，传统的定位方法需要运用图像匹配，这类算法对二维码分辨率和角度的要求较高，当背景复杂、角度倾斜且存在大量不固定噪声时，传统方法检测精度低且识读速度慢。为了加强二维码检测精度同时能够具有较高的鲁棒性，一些基于机器学习的方法陆续被研究学者提出，典型的有基于AdaBoost的检测方法，基于SVM的检测算法等，但是这些方法需要手工设计特征，如何找到高效的、鲁棒的特征用于表征二维码是一项异常困难的任务。近些年，深度学习技术的大力发展极大的提高了计算机视觉领域各个应用的实用性，相比传统的手工设计特征的方法，深度学习技术依托强大的深度神经网络能够自动的学习特征，其中，深度卷积神经网络显得尤为突出。目前，已有很多成熟的基于深度学习的目标检测算法被提出，包括FasterRCNN，YoloV3、SSD等，这些算法在通用数据集上均取得了不错的检测效果。但是，目前将深度学习技术运用于二维码检测的工作相对较少，很多现成的深度学习模型难以满足二维码检测精度和实时性的双重要求。如何根据现有理论成果，设计一种高精度的、快速的二维码检测算法成为了一个难题。>
技术实现思路
本专利技术提供了一种二维码检测和识读方法，解决相关技术中存在的二维码检测识读速度慢且精度低的问题。作为本专利技术的一个方面，提供一种二维码检测和识读方法，其中，包括：获取检测模型；根据所述检测模型对原始输入图像进行检测，得到候选框；对所述候选框进行图像处理，得到处理结果；对所述处理结果中的二维码区域进行识读，得到识读结果。进一步地，所述获取检测模型包括：分别获取粗定位模型和细定位模型。进一步地，所述分别获取粗定位模型和细定位模型包括：标注真实场景下的二维码照片，得到二维码照片标注结果；根据所述二维码照片标注结果构建训练模型；根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型。进一步地，所述根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型，包括：将通道图像输入粗定位训练模型进行训练，得到粗定位模型；根据所述粗定位模型的结果生成细定位模型的训练数据；将所述细定位模型的训练数据输入细定位训练模型进行训练，得到细定位模型。进一步地，所述根据所述检测模型对原始输入图像进行检测，得到候选框，包括：根据所述粗定位模型对所述原始输入图像进行检测得到粗定位候选框以及对应的分类值；将所述粗定位候选框以及对应的分类值输入至所述细定位模型进行检测，得到细定位候选框以及对应的分类值。进一步地，所述对所述候选框进行图像处理，得到处理结果，包括：对所述细定位候选框进行灰度化处理，得到对比度明显的候选框图像。进一步地，所述对所述处理结果中的二维码区域进行识读，得到识读结果，包括：根据ZBar库对处理结果中的二维码区域进行识读，得到识读结果。本专利技术提供的二维码检测和识读方法，通过检测模型获得二维码区域进行识读，具有检测速度快且识读精度高的优势，在复杂场景下能够高精度检测和识读二维码，弥补了过往研究对于二维码检测精度和速度双标准的不足，具有极大的应用价值和意义，另外对图像旋转和光线变化具有较强的鲁棒性，可以一次性识读多个二维码。附图说明附图是用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术，但并不构成对本专利技术的限制。图1为本专利技术提供的二维码检测和识读方法的流程图。图2为本专利技术提供的二维码检测和识读方法的具体实施过程流程图。图3为本专利技术提供的粗定位模型的训练过程示意图。图4为本专利技术提供的细定位模型的训练过程示意图。具体实施方式需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本专利技术。为了使本领域技术人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在本实施例中提供了一种二维码检测和识读方法，图1是根据本专利技术实施例提供的二维码检测和识读方法的流程图，如图1所示，包括：S110、获取检测模型；S120、根据所述检测模型对原始输入图像进行检测，得到候选框；S130、对所述候选框进行图像处理，得到处理结果；S140、对所述处理结果中的二维码区域进行识读，得到识读结果。本专利技术实施例提供的二维码检测和识读方法，通过检测模型获得二维码区域进行识读，具有检测速度快且识读精度高的优势，在复杂场景下能够高精度检测和识读二维码，弥补了过往研究对于二维码检测精度和速度双标准的不足，具有极大的应用价值和意义，另外对图像旋转和光线变化具有较强的鲁棒性，可以一次性识读多个二维码。如图2所示，为本专利技术实施例提供的二维码检测和识读的具体实施方式，可以包括：训练二维码粗定位和细定位模型；采用粗定位模型对图像进行粗定位，得到候选框；采用非最大值抑制算法对候选框进行整合；采用细定位模型对整合后的候选框区域进行细定位，得到精细的候选框区域；采用非最大抑制算法对细定位候选框进行整合；对整合后的细定位区域进行对比度调整；使用ZBar库对调整后的区域进行二维码识读。具体地，所述获取检测模型包括：分别获取粗定位模型和细定位模型。需要说明的是，用于检测的模型为两步检测模型：训练时，需要先训练粗定位模型然后再使用粗定位模型的训练结果来生成细定位模型训练需要的数据，然后再训练细定位模型，其中粗定位模型结果需要使用非极大值抑制算法进行候选框整合。如图3所示，为粗定位模型的获取过程示意图，如图4所示，为细本文档来自技高网...

【技术保护点】
1.一种二维码检测和识读方法，其特征在于，包括：/n获取检测模型；/n根据所述检测模型对原始输入图像进行检测，得到候选框；/n对所述候选框进行图像处理，得到处理结果；/n对所述处理结果中的二维码区域进行识读，得到识读结果。/n

【技术特征摘要】
1.一种二维码检测和识读方法，其特征在于，包括：
获取检测模型；
根据所述检测模型对原始输入图像进行检测，得到候选框；
对所述候选框进行图像处理，得到处理结果；
对所述处理结果中的二维码区域进行识读，得到识读结果。


2.根据权利要求1所述的二维码检测和识读方法，其特征在于，所述获取检测模型包括：
分别获取粗定位模型和细定位模型。


3.根据权利要求2所述的二维码检测和识读方法，其特征在于，所述分别获取粗定位模型和细定位模型包括：
标注真实场景下的二维码照片，得到二维码照片标注结果；
根据所述二维码照片标注结果构建训练模型；
根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型。


4.根据权利要求3所述的二维码检测和识读方法，其特征在于，所述根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型，包括：
将通道图像输入粗定位训练模型进行训...

【专利技术属性】
技术研发人员：钱彬，黄金，王军华，刘东波，顾席光，
申请(专利权)人：公安部交通管理科学研究所，
类型：发明
国别省市：江苏;32