一种批量QR码实时提取方法及系统技术方案

本发明专利技术提供一种批量QR码实时提取方法及系统，本发明专利技术利用QR码图形的边缘信息对其进行检测，通过灰度转化、去模糊、边缘检测、二值化、形态学处理、轮廓提取、分级多步判别、网络模型判别等步骤对包含多个QR码图形的单帧图像进行处理，并重点考虑到了图形模糊问题，通过统计边缘灰度值的坡度分布对图像进行去模糊处理；结合了传统图像处理方式和神经网络模型，保证了方法的识别准确率的同时提高了运算效率；针对包含有大量QR码的图像的离线实时检测和提取问题，能够快速部署在实际的嵌入式实时场景中并进行应用，满足批量医疗试管登记和大批仓储货物检录等场景对多个QR码进行检测和提取的实时需求。提取的实时需求。提取的实时需求。

【技术实现步骤摘要】
一种批量QR码实时提取方法及系统


[0001]本专利技术涉及信息技术和物联网
，更具体地，涉及一种批量QR码实时提取方法及系统。

技术介绍

[0002]随着信息技术和物联网技术的快速发展，QR码(Quick Response Code,QR code)作为物联网感知层中一种信息容量大、安全性强、成本低廉的二维码标识方案，被大量地部署在电子商务、仓储物流、设备管理等各个领域。特别是在一些车间流水线上，每个物件货品上都有一个QR码标签，随着传送带的传送，QR码扫描设备需要及时快速无遗漏地对所扫描的区域里的所有QR码进行读取。类似的，在一些生化实验室，实验人员需要通过识别大量的样本试管、疫苗试剂上的QR码标识来进行记录和存取。此外，仓储物流行业里也需要识别大批货物上的QR码标签来进行登记和入库追踪。这些场景都需要一种能够实时检测大批量QR的技术。
[0003]片上系统(SoC，System on Chip)是一种集成了处理器、专用电路、外设控制器的芯片级系统，用户能够自由地对其进行定制化，现场可编程门阵列(FPGA,Field Programmable Gate)是作为专用集成电路(ASIC,Application Specific Integrated Circuit)领域的其中一种SoC半定制电路芯片。FPGA采用了包括内部连线(Interconnect)、可配置逻辑模块(CLB，Configurable Logic Block)和输出输入模块(IOB，Input Output Block)的逻辑单元阵列(LCA,Logic Cell Array)，内部拥有大量的输入输出引脚和触发器。使用FPGA进行算法实现，能够让程序的运算从硬件底层进行加速，达到运算实时性的效果。而为了减少FPGA重复模块的开发，知识产权核(IP核，Intellectual Property Core)被广泛使用于FPGA的开发阶段中。IP核是经过验证的、可重复利用的和拥有确定功能的集成电路模块，能够大幅度降低开发时间和成本，提高设计效率。
[0004]现有技术中公开了一种批量QR码图像提取方法及系统的专利，该专利：对实际拍摄的一幅包含多个QR码的高分辨率图像，首先进行灰度变换及滤波去噪等预处理操作；接着采用边缘检测方法提取边缘梯度值，并通过截断归一化得到边缘图像：通过设置分块尺寸初始值，进行迭代搜索后确定最佳分块尺寸；接着以最佳分块尺寸再次进行分块，特征计算及阈值分割，标记块聚类得到候选矩形框集合，并通过筛选将显然不满足QR码区域特征的矩形框剔除；最后再经过压缩，训练好的轻量级、高性能的mobileNet系列分类器，判定候选框中是否包含QR码图案，剔除背景矩形框，并将原图中对应的区域分离出来，完成分割、提取QR码图案操作。然而，该专利方法的运算步骤多，涉及的计算量大，对硬件性能的要求相对来说不低，而且当输入图片模糊时，该方法的检测精度极低。

技术实现思路

[0005]本专利技术提供一种批量QR码实时提取方法，该方法能够实时地对含有大批量的QR码的图片进行检测并提取出QR码。
[0006]本专利技术的又一目的在于提供一种应用上述方法的批量QR码实时提取系统。
[0007]为了达到上述技术效果，本专利技术的技术方案如下：
[0008]一种批量QR码实时提取方法，包括以下步骤：
[0009]S1：采集QR码图像数据并进行缓存；
[0010]S2：对缓存的QR码图像数据进行滤波和边缘检测处理，完成QR码图像的灰度转化、去模糊、边缘检测、二值化、形态学处理；
[0011]S3：对经过步骤S2处理后的QR码图像进行轮廓提取QR码矩形框，并在各个矩形框之间的IOU矩阵通过流水线加速的方式被快速计算出来，从而剔除掉QR码矩形框的背景区域；
[0012]S4：利用步骤S3中得到的QR码矩形框，使用卷积神经网络对其进行分类计算，并将计算结果进行显示。
[0013]进一步地，所述步骤S2中，进行灰度转化的过程是：
[0014]将QR码图像数据从RGB颜色空间变换到灰度颜色空间，转化公式为如式(1)：
[0015]I＝0.30
×
I
r
+0.59
×
I
g
+0.11
×
I
b
ꢀꢀ
(1)
[0016]其中，I表示转化后的灰度图像，I
r
表示输入图像的r通道的数据信息，I
g
表示输入图像的g通道的数据信息，I
b
表示输入图像的b通道的数据信息；
[0017]对式(1)进行加速处理，如式(2)：
[0018]I＝(300
×
I
r
+590
×
I
g
+110
×
I
b
+500)＞＞10
ꢀꢀ
(2)
[0019]此时得到的图像数据像素的灰度值范围在0～255。
[0020]进一步地，所述步骤S2中，进行去模糊的过程是：
[0021]1)、将QR码图像分成B
×
B的图像块，然后计算每一块垂直方向的DCT系数C
v
(k)和水平方向的DCT系数C
h
(k)，如公式(3)和(4)所示，其中，f(m,n)为像素点(m,n)灰度值：
[0022][0023][0024]2)、通过该DCT系数判断图像块的边缘响应，再通过公式(5)计算整个图像的边缘响应，其中，M为边缘方向大于0的个数，s
i
为图像块的边缘响应：
[0025][0026]3)、利用S(n)估计出PSF系数，再通过维纳滤波器对灰度图形进行去模糊处理。
[0027]进一步地，所述步骤S2中，进行边缘检测的过程是：
[0028]通过Sobel算子模板与图像数据做卷积运算，从而对图像进行边缘检测：
[0029]将Sobel算子模板定义为常量型的数据：
[0030]parameter h1＝8'hff，h2＝8'h00，h3＝8'h01，h4＝8'hfe，h5＝8'h00，h6＝8'h02，h7＝8'hff，h8＝8'h00，h9＝8'h01；
[0031]parameter v1＝8'h01，v2＝8'h02，v3＝8'h01，v4＝8'h00，v5＝8'h00，v6＝8'h00，v7＝8'hff，v8＝8'hfe，v9＝8'hff；
[0032]Sobel模板中变量的位宽都为8，十进制的
‑
1采用补码8
’
hff表示，十进制的
‑
2采用补码8
’
hfe表示，其中最高位表示符号位，使用Sobel模板求得图像水平和垂直方向的梯度值后，两者再取绝对值相加，求得整幅图像的灰度梯度。
[0033]进一步地，所述步骤S2中，进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种批量QR码实时提取方法，其特征在于，包括以下步骤：S1：采集QR码图像数据并进行缓存；S2：对缓存的QR码图像数据进行滤波和边缘检测处理，完成QR码图像的灰度转化、去模糊、边缘检测、二值化、形态学处理；S3：对经过步骤S2处理后的QR码图像进行轮廓提取QR码矩形框，并在各个矩形框之间的IOU矩阵通过流水线加速的方式被快速计算出来，从而剔除掉QR码矩形框的背景区域；S4：利用步骤S3中得到的QR码矩形框，使用卷积神经网络对其进行分类计算，并将计算结果进行显示。2.根据权利要求1所述的批量QR码实时提取方法，其特征在于，所述步骤S2中，进行灰度转化的过程是：将QR码图像数据从RGB颜色空间变换到灰度颜色空间，转化公式为如式(1)：I＝0.30
×
I
r
+0.59
×
I
g
+0.11
×
I
b (1)其中，I表示转化后的灰度图像，I
r
表示输入图像的r通道的数据信息，I
g
表示输入图像的g通道的数据信息，I
b
表示输入图像的b通道的数据信息；对式(1)进行加速处理，如式(2)：I＝(300
×
I
r
+590
×
I
g
+110
×
I
b
+500)＞＞10 (2)此时得到的图像数据像素的灰度值范围在0～255。3.根据权利要求2所述的批量QR码实时提取方法，其特征在于，所述步骤S2中，进行去模糊的过程是：1)、将QR码图像分成B
×
B的图像块，然后计算每一块垂直方向的DCT系数C
v
(k)和水平方向的DCT系数C
h
(k)，如公式(3)和(4)所示，其中，f(m,n)为像素点(m,n)灰度值：(k)，如公式(3)和(4)所示，其中，f(m,n)为像素点(m,n)灰度值：2)、通过该DCT系数判断图像块的边缘响应，再通过公式(5)计算整个图像的边缘响应，其中，M为边缘方向大于0的个数，s
i
为图像块的边缘响应：3)、利用S(n)估计出PSF系数，再通过维纳滤波器对灰度图形进行去模糊处理。4.根据权利要求3所述的批量QR码实时提取方法，其特征在于，所述步骤S2中，进行边缘检测的过程是：通过Sobel算子模板与图像数据做卷积运算，从而对图像进行边缘检测：将Sobel算子模板定义为常量型的数据：parameter h1＝8'hff，h2＝8'h00，h3＝8'h01，h4＝8'hfe，h5＝8'h00，h6＝8'h02，h7＝8'hff，h8＝8'h00，h9＝8'h01；parameter v1＝8'h01，v2＝8'h02，v3＝8'h01，v4＝8'h00，v5＝8'h00，v6＝8'h00，v7
＝8'hff，v8＝8'hfe，v9＝8'hff；Sobel模板中变量的位宽都为8，十进制的
‑
1采用补码8
’
hff表示，十进制的
‑
2采用补码8
’
hfe表示，其中最高位表示符号位，使用Sobel模板求得图像水平和垂直方向的梯度值后，两者再取绝对值相加，求得整幅图像的灰度梯度。5.根据权利要求4所述的批量QR码实时提取方法，其特征在于，所述步骤S2中，进行二值化的过程是：二值化操作是将梯度图像转化为黑白图，转化公式如式(6)：6.根据权利要求5所述的批量QR码实时提取方法，其特征在于，所述步骤S2中，进行形态学处理的过程是：形态学处理是消除噪声、分割出独立的QR码图像元素和寻找图像中的极大值区域或极小值区域，包括腐蚀Erosion和膨胀Dilation操作，如公式(7)所示，I(x,y)表示QR码图像数据里位置为(x,y)的像素值：7.根据权利要求6所述的批量QR码实时提取方法，其特征在于，所述步骤S3中，由于形态学处理所处理的图像数据被存储在数据缓存单元里，所以要先将数据缓存单元里的图像数据读取出来，然后调用OpenCV库里的findContours()函数，提取出各个QR码前景的轮廓，第i个轮廓用[x
i
,y
i
,w
i
,h
i
]表示，n表示当前图片所获得的的矩形框轮廓的数量，x、y分别表示该矩形框的左上角顶点的横坐标和纵坐标，w、h分别表示该矩形框的宽度...

【专利技术属性】
技术研发人员：陈荣军，黄宏兴，于永兴，马勇枝，任金昌，王磊军，吕巨建，赵慧民，李建波，
申请(专利权)人：广州楚秀信息科技有限公司，
类型：发明
国别省市：