基于深度神经网络的反光二维码关键点检测的方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度神经网络的反光二维码关键点检测的方法，通过获取大量标注有设定数量个关键点坐标的二维码图片，然后分别计算每一张二维码图片的欧拉角；对所述二维码图片进行归一化和标准化处理；基于标注有设定数量个关键点坐标、欧拉角以及处理后的二维码图片构建训练数据集；构建深度神经网络模型，然后利用所述训练数据集对所述深度神经网络模型进行训练，得到关键点坐标检测模型；将待检测图片处理后输入模型得到关键点坐标位置。本发明专利技术提供的一种基于深度神经网络的反光二维码关键点检测的方法和装置，通过深度神经网络对整个图像计算特征映射图，从而实现抗光照变化和角度变化能力强，且成本低的二维码目标检测。标检测。标检测。

【技术实现步骤摘要】
基于深度神经网络的反光二维码关键点检测的方法和装置


[0001]本专利技术涉及二维码关键点检测
，特别涉及一种基于深度神经网络的反光二维码关键点检测的方法和装置。

技术介绍

[0002]目前，二维码解析技术的一般步骤为：
[0003](1)二维码目标检测；
[0004](2)二维码关键点检测；
[0005](3)二维码图像校准；
[0006](4)像素图数字矩阵化。
[0007]其中，二维码关键点检测技术通常是基于扫描线算法(Scan Line Algorithm)。该算法假设二维码基本无光照变化干扰和角度变化干扰。然而，在实际场景中，摄像头采集的二维码图片由于阳光和灯光以及拍摄角度的影响，往往带有较强的光照干扰污染和角度变化，严重影响了扫描线算法的检测成功率和稳定性。为解决这一问题，现有技术通过在摄像头上增加特种光学镜头或读码器来过滤反光，但是同时会增加设备成本。
[0008]目前尚缺乏一种抗光照变化和角度变化能力强，成本低的二维码目标检测算法。

技术实现思路

[0009]本专利技术要解决的技术问题，在于提供一种基于深度神经网络的反光二维码关键点检测的方法和装置，通过深度神经网络对整个图像计算特征映射图，从而实现抗光照变化和角度变化能力强，且成本低的二维码目标检测。
[0010]第一方面，本专利技术提供了一种基于深度神经网络的反光二维码关键点检测的方法，包括：训练数据集构建过程、深度神经网络模型构建和训练过程以及二维码关键点检测过程；r/>[0011]所述训练数据集构建过程包括：获取大量标注有设定数量个关键点坐标的二维码图片，然后分别计算每一张二维码图片的欧拉角；对所述二维码图片进行归一化和标准化处理；基于标注有设定数量个关键点坐标、欧拉角以及处理后的二维码图片构建训练数据集；
[0012]所述深度神经网络模型构建和训练过程包括：构建深度神经网络模型，所述深度神经网络模型的输出向量的数量为训练数据集中每一二维码图片的关键点数量的两倍；然后利用所述训练数据集对所述深度神经网络模型进行训练，得到关键点坐标检测模型；
[0013]所述二维码关键点检测过程包括：在待检测图片中获取待检测二维码区域，然后进行归一化和标准化处理后输入所述关键点坐标检测模型，得到待检测二维码的关键点坐标位置。
[0014]进一步地，所述训练数据集构建过程中，二维码图片上标注关键点位置具体为：设二维码左上角的定位图案为第一定位图案、右上角的定位图案为第二定位图案、左下角的
定位图案为第三定位图案，在三个定位图案中分别取最外圈正方形的四个顶点，二维码图像右下角的顶点以及第二定位图案的内侧边与第三定位图案上侧边分别延伸的交点，共计14个关键点。
[0015]进一步地，所述欧拉角的计算方法具体为，根据每一张二维码图片中所有关键点的图像二维坐标和世界坐标系下的三维坐标，基于PNP方法计算该二维码图片相对于相机作为原点的欧拉角。
[0016]进一步地，所述深度神经网络模型包括二维卷积层、批归一化层、线性整流函数层、平均池化层、全连接层以及激活函数层。
[0017]第二方面，本专利技术提供了一种基于深度神经网络的反光二维码关键点检测的装置，包括：训练数据集模块、深度神经网络模型模块以及二维码关键点检测模块；
[0018]所述训练数据集模块，用于获取大量标注有设定数量个关键点坐标的二维码图片，然后分别计算每一张二维码图片的欧拉角；对所述二维码图片进行归一化和标准化处理；基于标注有设定数量个关键点坐标、欧拉角以及处理后的二维码图片构建训练数据集；
[0019]所述深度神经网络模型模块，用于构建深度神经网络模型，所述深度神经网络模型的输出向量的数量为训练数据集中每一二维码图片的关键点数量的两倍；然后利用所述训练数据集对所述深度神经网络模型进行训练，得到关键点坐标检测模型；
[0020]所述二维码关键点检测模块，用于在待检测图片中获取待检测二维码区域，然后进行归一化和标准化处理后输入所述关键点坐标检测模型，得到待检测二维码的关键点坐标位置。
[0021]进一步地，所述训练数据集模块中，二维码图片上标注关键点位置具体为：设二维码左上角的定位图案为第一定位图案、右上角的定位图案为第二定位图案、左下角的定位图案为第三定位图案，在三个定位图案中分别取最外圈正方形的四个顶点，二维码图像右下角的顶点以及第二定位图案的内侧边与第三定位图案上侧边分别延伸的交点，共计14个关键点。
[0022]进一步地，所述训练数据集模块中，欧拉角的计算方法具体为，根据每一张二维码图片中所有关键点的图像二维坐标和世界坐标系下的三维坐标，基于PNP方法计算该二维码图片相对于相机作为原点的欧拉角。
[0023]进一步地，所述深度神经网络模型包括二维卷积层、批归一化层、线性整流函数层、平均池化层、全连接层以及激活函数层。
[0024]本专利技术实施例中提供的技术方案具有如下技术效果或优点：
[0025]1、利用深度神经网络模型对二维码关键点进行检测，将传统算法利用定位图案进行形状检测转化为特征向量检测，基于卷积共享权值对整个图像计算特征映射图，同时利用了局部信息和全局信息，对比传统算法，提高了对局部反光污染和角度变换的抗干扰能力；
[0026]2、相比传统算法仅能输出3个点，增加输出控制点数量到14个，提高了定位精确度，从而较大程度提高了后续处理成功率。
[0027]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0028]下面参照附图结合实施例对本专利技术作进一步的说明。
[0029]图1为本专利技术实施例一中方法中的流程图；
[0030]图2为本专利技术实施例一中深度神经网络的结构示意图；
[0031]图3为本专利技术实施例一中反光二维码关键点检测结果示意图；
[0032]图4为本专利技术实施例二中装置的结构示意图。
具体实施方式
[0033]本申请实施例通过提供一种基于深度神经网络的反光二维码关键点检测的方法和装置，通过深度神经网络对整个图像计算特征映射图，从而实现抗光照变化和角度变化能力强，且成本低的二维码目标检测。
[0034]本申请实施例中的技术方案，总体思路如下：
[0035]提出一种轻量级、速度快、对反光干扰和角度变化稳定性强的二维码关键点检测算法，步骤如下：
[0036]1.采用大量二维码数据训练深度神经网络模型
[0037]1.1对输入的训练数据进行数据增广处理；
[0038]1.2根据标注的二维码关键点数据计算二维码在三维空间中相对于摄像机的欧拉角；
[0039]1.3对二维码图像数据进行归一化和标准化；
[0040]1.4基于二维码关键点坐标和欧拉角构建二维码标签数据；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的反光二维码关键点检测的方法，其特征在于，包括：训练数据集构建过程、深度神经网络模型构建和训练过程以及二维码关键点检测过程；所述训练数据集构建过程包括：获取大量标注有设定数量个关键点坐标的二维码图片，然后分别计算每一张二维码图片的欧拉角；对所述二维码图片进行归一化和标准化处理；基于标注有设定数量个关键点坐标、欧拉角以及处理后的二维码图片构建训练数据集；所述深度神经网络模型构建和训练过程包括：构建深度神经网络模型，所述深度神经网络模型的输出向量的数量为训练数据集中每一二维码图片的关键点数量的两倍；然后利用所述训练数据集对所述深度神经网络模型进行训练，得到关键点坐标检测模型；所述二维码关键点检测过程包括：在待检测图片中获取待检测二维码区域，然后进行归一化和标准化处理后输入所述关键点坐标检测模型，得到待检测二维码的关键点坐标位置。2.根据权利要求1所述的方法，其特征在于：所述训练数据集构建过程中，二维码图片上标注关键点位置具体为：设二维码左上角的定位图案为第一定位图案、右上角的定位图案为第二定位图案、左下角的定位图案为第三定位图案，在三个定位图案中分别取最外圈正方形的四个顶点，二维码图像右下角的顶点以及第二定位图案的内侧边与第三定位图案上侧边分别延伸的交点，共计14个关键点。3.根据权利要求1所述的方法，其特征在于：所述欧拉角的计算方法具体为，根据每一张二维码图片中所有关键点的图像二维坐标和世界坐标系下的三维坐标，基于PNP方法计算该二维码图片相对于相机作为原点的欧拉角。4.根据权利要求1所述的方法，其特征在于：所述深度神经网络模型包括二维卷积层、批归一化层、线性整流函数层、平均池化层、全连接层以及激活函数层。5.一...

【专利技术属性】
技术研发人员：何凯航，吴振文，
申请(专利权)人：福建星网天合智能科技有限公司，
类型：发明
国别省市：