本发明涉及条码识别技术领域，尤其涉及一种复杂环境下的条码定位方法。
背景技术：
近些年来，快递行业在新的电商经济环境下得到了迅速的发展，自动分拣技术也随之发展。自动分拣技术最重要的是依靠相机采集快递单图像，然后基于图像处理技术识别快递单信息，进而对包裹进行自动分拣。条码定位是自动分拣中一个很重要的步骤，但是在图像采集过程中由于光学成像的非线性畸变、相机与履带之间相互运动等问题，会导致图像质量的不同程度的退化，极大地影响了条码定位及后续其他图像处理。因而现在条码定位的最重要的困难在于如何在复杂环境中准确定位到条码。
要在复杂环境中高效准确的定位到条码，需要设计一套稳定高效的定位算法，对于复杂环境的处理，除了要解决图像质量下降的问题，还要能够排除图片中复杂背景的干扰，实际快递单中，复杂背景杂而多，有图片、文字、表格、标志等。
而现有技术中的一些基于空域处理的条码定位算法多由于算法的条件较多，且条码容易受光照、模糊等干扰的影响，实际效果不太理想；还有一些基于频域处理的算法则由于频域计算量太大，不能达到实时性的要求；另外一些基于神经网络的定位算法由于只考虑了纹理特征，最终结果容易受到类条码干扰区域的影响，也不能达到很好的定位效果。
因此，如何减少条码定位过程中图像处理的计算量以及定位的准确性成为本领域亟待解决的技术问题。
技术实现要素：
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种复杂环境下的条码定位方法，该方法能够减少条码定位过程中的图形处理的计算量，且能够提高条码定位的准确性。
为了实现上述目的，作为本发明的一个方面，提供一种复杂环境下的条码定位方法，其中，所述条码定位方法包括：
采集原始条码图像，并对所述原始条码图像进行预处理得到增强条码图像；
对所述增强条码图像进行边缘统计得到多个合理条码图像区域；
对多个所述合理条码图像区域进行区域整合得到目标条码图像；
其中，所述对多个所述合理条码图像区域进行区域整合得到目标条码图像的步骤包括：
将多个所述合理条码图像区域根据主梯度方向进行分类，得到具有相同主梯度方向的所述合理条码图像区域；
将具有相同主梯度方向的所述合理条码区域进行连通域检测得到多个有效连通域矩形；
判断至少两个所述有效连通域矩形之间的高度差是否在误差允许范围内，且该两个所述有效连通域矩形的中心连线的角度与所述主梯度方向是否在误差允许范围内，且该两个所述有效连通域矩形之间的距离是否小于所述目标条码图像；
当该两个所述有效连通域矩形之间的高度差在误差允许范围内，且该两个所述有效连通域矩形的中心连线的角度与所述主梯度方向在误差允许范围内，且该两个所述有效连通域矩形之间的距离小于所述目标条码图像时，判定该两个所述有效连通域矩形能够进行合并，并将两个所述有效连通域进行合并得到合并连通域；
将多个所述合并连通域进行整合得到所述目标条码图像。
优选地，所述将具有相同主梯度方向的所述合理条码区域进行连通域检测得到多个有效连通域矩形的步骤包括：
将具有相同主梯度方向的所述合理条码区域通过矩形进行框定得到多个连通域矩形；
判断所述连通域矩形的宽长比是否小于或者等于1/8，且所述连通域矩形中所述合理条码区域的有效面积占比是否大于或者等于1/3；
当所述连通域矩形的宽长比小于或者等于1/8，且所述连通域矩形中所述合理条码区域的有效面积占比大于或者等于1/3时，判定所述连通域矩形为所述有效连通域矩形。
优选地，所述对所述增强条码图像进行边缘统计得到多个合理条码图像区域的步骤包括：
确定所述增强条码图像的边缘点；
将所述增强条码图像划分为多个区域，统计每个区域内的所述边缘点的梯度方向；
判断每个区域内的所述边缘点的数量是否大于第一阈值，若每个区域内的所述边缘点的数量不大于所述第一阈值，则去除掉该区域；
若每个区域内的所述边缘点的数量大于所述第一阈值，则判断每个区域内的所述边缘点的梯度方向与所述主梯度方向的偏差是否在误差允许范围内；
若每个区域内的所述边缘点的梯度方向与所述主梯度方向的偏差在所述误差允许范围内，则该区域为所述合理条码图像区域，否则去除掉该区域；
其中，所述第一阈值a与该区域的边长d的关系为：1/2d≤a≤2d。
优选地，所述确定所述增强条码图像的边缘点的步骤包括：
统计所述增强条码图像中每个像素点的四个方向的sobel统计值，其中，所述sobel算子公式为：
将得到的所述像素点的四个方向的sobel统计值中的最大值作为该像素点的梯度值；
判断所述像素点的梯度值是否大于第二阈值，
当所述像素点的梯度值大于所述第二阈值时，判定该像素点为所述边缘点；
其中，所述第二阈值为所述增强条码图像的所有像素点的梯度值进行otsu算法得到。
优选地，所述统计每个区域内的所述边缘点的梯度方向的步骤前还包括：
确定所述边缘点的梯度角度，包括：
当每个所述边缘点的两个梯度角度不相邻且差值大于45°时，所述边缘点的梯度值大的所对应的角度作为该边缘点的梯度角度；
当每个所述边缘点的两个梯度角度相邻，若该边缘点的两个梯度值中的一个梯度值不大于另一个梯度值的两倍时，则该边缘点的两个梯度角度的中间值作为该边缘点的梯度角度；若该边缘点的两个梯度值中的一个梯度值大于另一个梯度值的两倍时，则所述梯度值大的所对应得角度作为该边缘点的梯度角度。
优选地，所述对所述原始条码图像进行预处理包括：
对所述原始条码图像灰度化得到灰度图像；
将所述灰度图像通过高斯滤波得到滤波图像；
将所述滤波图像通过去模糊得到待增强图像；
对所述待增强图像进行增强图像对比度处理得到所述增强条码图像。
优选地，所述将所述滤波图像通过去模糊得到待增强图像的步骤包括：
获得点扩散函数；
通过rl算法对点扩散函数和所述滤波图像进行非盲卷积运算去模糊得到待增强图像；
其中，所述radon变换的公式为：
所述rl算法的公式为：
优选地，所述获得点扩散函数的步骤包括：
对所述滤波图像进行频谱变换获得频谱图；
将所述频谱图进行中值滤波以及二值化处理；
根据所述频谱图中频谱条纹获得与所述频谱条纹垂直的模糊角度，各级所述频谱条纹中间条纹宽度的一半获得模糊长度；
将所述模糊角度和所述模糊长度代入点扩散函数公式得到所述点扩散函数；
其中，所述频域变换公式为：
所述点扩散函数公式为：
其中，l为模糊长度，θ为模糊角度。
优选地，所述获得点扩散函数的步骤还包括在所述步骤通过点扩散函数公式得到所述点扩散函数前进行的：
通过radon变换进行投影计算获得所述频谱条纹的角度并得到radon变换统计图；
根据所述radon变换统计图统计0°至180°中的每个角度对应的radon变换最大值；
所述radon统计图中所述radon变换的最大值对应的角度作为所述模糊角度，所述radon统计图中两个极小值坐标差的一半作为模糊长度；
所述频谱图上两个极小值坐标差的一半作为模糊长度；
其中，所述radon变换的公式为：
优选地，对所述待增强图像进行增强图像对比度处理得到所述增强条码图像，其中所述图像增强公式为：
其中，f(x,y)为待增强图像的像素值，f′(x,y)为增强条码图像的像素值，l＝25，h＝225。
本发明提供的复杂环境下的条码定位方法，通过对原始条码图像预处理，并对预处理后的图像进行增强图像处理后复原条码图形，最后对复原的图像基于梯度特征进行处理得到目标条码图形，即处理后的条码图像，也即最终定位得到的条码。本发明提供的复杂环境下的条码定位方法一方面由于在获得合理条码图像区域时采用边缘统计的方式能够减少图像处理的计算量，快速去掉图像中的大部分干扰区域，满足实时性的需求，并快速完成条码定位；另一方面，由于采用基于梯度特征的方式获得目标条码图像，能够有效提高条码定位以及识别的准确率，且其中采用的算法具有很好的鲁棒性。
附图说明
附图是用来提供对本发明的进一步理解，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发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的复杂环境下的条码定位方法流程图；
图2为本发明提供的获得有效连通域矩形的方法流程图；
图3为本发明提供的获得合理条码图像区域的方法流程图；
图4为本发明提供的确定增强条码图像的边缘点的方法流程图；
图5为本发明提供的原始条码图像预处理的方法流程图；
图6为本发明提供的图像去模糊的方法流程图；
图7为本发明提供的获得点扩散函数的第一种实施方式的方法流程图；
图8为本发明提供的获得点扩散函数的第二种实施方式的方法流程图；
图9为本发明提供的具体实施方式的条码定位流程框图；
图10为本发明提供的模糊图及频谱图，其中，a为模糊图像，b为频谱图，c为频谱图二值化；
图11为本发明提供的radon变换最大值统计图；
图12为图11中最大值对应的角度的radon变换统计图；
图13为本发明提供的三种情况下的边缘点统计图，其中，a为条码区域统计图，b为条码区域，c为简单背景统计图，d为简单背景，e为复杂背景统计图，f为文字或复杂背景；
图14为本发明提供的小区域过滤流程框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
作为本发明的一个方面，如图1所示，提供一种复杂环境下的条码定位方法，其在，所述条码定位方法包括：
s110、采集原始条码图像，并对所述原始条码图像进行预处理得到增强条码图像；
具体地，对原始条码图像进行预处理，可以理解的是，此处的原始条码图像可以是待处理的快递单条码。
s120、对所述增强条码图像进行边缘统计得到多个合理条码图像区域；
具体地，上述得到的增强条码图像通过边缘统计能够获得多个合理条码图像区域，可以理解的是，在所述增强条码图像处理的基础上，对所述增强条码图像处理后去掉一些不合理的区域，最终获得多个合理条码区域，例如，增强处理的快递单条码经过边缘统计可以获得多个合理条码图像区域。
s130、对多个所述合理条码图像区域进行区域整合得到目标条码图像；
具体地，对多个所述合理条码图像区域进行区域整合后获得的图像即为目标条码图像，例如，原始条码图像为具有复杂背景的快递单条码，经过处理后最终获得的目标条码图像即为去掉复杂背景的快递单条码。
其中，步骤s130具体可以包括：
s131、将多个所述合理条码图像区域根据主梯度方向进行分类，得到具有相同主梯度方向的所述合理条码图像区域；
具体地，将获得的多个所述合理条码图像区域根据主梯度方向进行分类，并对分类后的合理条码区域进行标记，此处可以理解的是，此处所述根据主梯度方向进行分类是将主梯度方向相同的合理条码图像区域作为一类，因此分类后得到了具有相同主梯度方向的所述合理条码图像区域。
s132、将具有相同主梯度方向的所述合理条码区域进行连通域检测得到多个有效连通域矩形；
具体地，在上述分类完成后得到的所述合理条码区域均具有相同的主梯度方向，对这些合理条码区域进行连通域检测后得到多个有效连通域矩形。
s133、判断至少两个所述有效连通域矩形之间的高度差是否在误差允许范围内，且该两个所述有效连通域矩形的中心连线的角度与所述主梯度方向是否在误差允许范围内，且该两个所述有效连通域矩形之间的距离是否小于所述目标条码图像；
s134、当该两个所述有效连通域矩形之间的高度差在误差允许范围内，且该两个所述有效连通域矩形的中心连线的角度与所述主梯度方向在误差允许范围内，且该两个所述有效连通域矩形之间的距离小于所述目标条码图像时，判定该两个所述有效连通域矩形能够进行合并，并将两个所述有效连通域进行合并得到合并连通域；
具体地，通过判断至少两个有效连通域矩形之间的高度是否近似相等，两个有效连通域矩形之间的中心连线的角度与主梯度方向是否近似相同以及这两个有效连通域矩形之间的距离是否小于所述目标条码图像，来判定两个有效连通域矩形是否能够进行合并。
当上述判定结果为可以进行合并时，则将两个有效连通域矩形进行合并得到合并连通域。
s135、将多个所述合并连通域进行整合得到所述目标条码图像。
本发明提供的复杂环境下的条码定位方法，通过对原始条码图像预处理，并对预处理后的图像进行增强图像处理后复原条码图形，最后对复原的图像基于梯度特征进行处理得到目标条码图形，即处理后的条码图像，也即最终定位得到的条码。本发明提供的复杂环境下的条码定位方法一方面由于在获得合理条码图像区域时采用边缘统计的方式能够减少图像处理的计算量，快速去掉图像中的大部分干扰区域，满足实时性的需求，并快速完成条码定位；另一方面，由于采用基于梯度特征的方式获得目标条码图像，能够有效提高条码定位以及识别的准确率，且其中采用的算法具有很好的鲁棒性。
为了获得有效连通域矩形，具体地，如图2所示，所述将具有相同主梯度方向的所述合理条码区域进行连通域检测得到多个有效连通域矩形的步骤可以包括：
s210、将具有相同主梯度方向的所述合理条码区域通过矩形进行框定得到多个连通域矩形；
具体地，对每个所述合理条码区域进行连通域检测时通过采用最小矩形对所述合理条码区域进行框定，此处应当理解的是，为了获得更加精确地检测结果，采用最小矩形对所述合理条码区域进行框定。需要说明的是，所述最小矩形是指能够将所述合理条码区域全部包含进去的最小面积矩形。
s220、判断所述连通域矩形的宽长比是否小于或者等于1/8，且所述连通域矩形中所述合理条码区域的有效面积占比是否大于或者等于1/3；
s230、当所述连通域矩形的宽长比小于或者等于1/8，且所述连通域矩形中所述合理条码区域的有效面积占比大于或者等于1/3时，判定所述连通域矩形为所述有效连通域矩形。
具体地，通过对框定后得到的所述连通域矩形的形状特征进行筛选，去除掉不符合筛选条件的连通域矩形，获得最终的有效连通域矩形。
为了获得合理条码图像区域，具体地，如图3所示，所述对所述增强条码图像进行边缘统计得到多个合理条码图像区域的步骤包括：
s310、确定所述增强条码图像的边缘点；
具体地，为了能够得到合理条码图像区域，首先需要确定所述增强条码图像的边缘点。
s320、将所述增强条码图像划分为多个区域，统计每个区域内的所述边缘点的梯度方向；
具体地，在确定了所述边缘点后，可以将所述增强条码图像划分为多个大小相同的区域，每个区域可以视为图像大小为8*12大小的方针，然后统计每个方针里的边缘点的梯度方向情况。
需要说明的是，前文所述的主梯度方向定义为区域内的边缘点数量最多的梯度方向。
s330、判断每个区域内的所述边缘点的数量是否大于第一阈值，若每个区域内的所述边缘点的数量不大于所述第一阈值，则去除掉该区域；
s340、若每个区域内的所述边缘点的数量大于所述第一阈值，则判断每个区域内的所述边缘点的梯度方向与所述主梯度方向的偏差是否在误差允许范围内；
s350、若每个区域内的所述边缘点的梯度方向与所述主梯度方向的偏差在所述误差允许范围内，则判定该区域为所述合理条码图像区域，否则去除掉该区域；
其中，所述第一阈值a与该区域的边长d的关系为：1/2d≤a≤2d。
需要说明的是，首先通过每个区域内的边缘点的数量与第一阈值的比较进行第一次的区域筛选，只有每个区域内的所述边缘点的数量大于所述第一阈值，才能够继续判断每个区域内的所述边缘点的梯度方向与所述主梯度方向的偏差是否在误差允许范围内，即进行第二次的区域筛选，当每个区域内的所述边缘点的梯度方向与所述主梯度方向的偏差在所述误差允许范围内时，该区域才为所述合理条码图像区域。
上述这种两级区域统计的方式，减少了图像处理的计算量，快速去除掉图像中的大部分干扰区域，能够满足实时性的需求，快速完成条码定位。
为了获得所述增强条码图像的边缘点，具体地，如图4所示，所述确定所述增强条码图像的边缘点的步骤包括：
s410、统计所述增强条码图像中每个像素点的四个方向的sobel统计值，其中，所述sobel算子公式为：
s420、将得到的所述像素点的四个方向的sobel统计值中的最大值作为该像素点的梯度值；
s430、判断所述像素点的梯度值是否大于第二阈值；
s440、当所述像素点的梯度值大于所述第二阈值时，判定该像素点为所述边缘点；
其中，所述第二阈值为所述增强条码图像的所有像素点的梯度值进行otsu算法得到。
在统计所述边缘点的梯度前需要确定边缘点的梯度角度，具体地，所述统计每个区域内的所述边缘点的梯度方向的步骤前还包括：
确定所述边缘点的梯度角度，包括：
当每个所述边缘点的两个梯度角度不相邻且差值大于45°时，所述边缘点的梯度值大的所对应的角度作为该边缘点的梯度角度；
当每个所述边缘点的两个梯度角度相邻，若该边缘点的两个梯度值中的一个梯度值不大于另一个梯度值的两倍时，则该边缘点的两个梯度角度的中间值作为该边缘点的梯度角度；若该边缘点的两个梯度值中的一个梯度值大于另一个梯度值的两倍时，则所述梯度值大的所对应得角度作为该边缘点的梯度角度。
通常，采集到所述原始条码图像后先经过预处理，具体地，如图5所示，所述对所述原始条码图像进行预处理包括：
s510、对所述原始条码图像灰度化得到灰度图像；
s520、将所述灰度图像通过高斯滤波得到滤波图像；
s530、将所述滤波图像通过去模糊得到待增强图像；
s540、对所述待增强图像进行增强图像对比度处理得到所述增强条码图像。
进一步具体地，如图6所示，所述将所述滤波图像通过去模糊得到待增强图像的步骤包括：
s610、获得点扩散函数；
s620、通过rl算法对点扩散函数和所述滤波图像进行非盲卷积运算去模糊得到待增强图像；
其中，所述radon变换的公式为：
所述rl算法的公式为：
进一步具体地，如图7所示，所述获得点扩散函数的步骤包括：
s710、对所述滤波图像进行频谱变换获得频谱图；
s720、将所述频谱图进行中值滤波以及二值化处理；
s730、根据所述频谱图中频谱条纹获得与所述频谱条纹垂直的模糊角度，各级所述频谱条纹中间条纹宽度的一半获得模糊长度；
s740、将所述模糊角度和所述模糊长度代入点扩散函数公式得到所述点扩散函数；
其中，所述频域变换公式为：
所述点扩散函数公式为：
其中，l为模糊长度，θ为模糊角度。
为了能够更加准确地计算模糊角度，具体地，如图8所示，所述获得点扩散函数的步骤还包括在所述步骤通过点扩散函数公式得到所述点扩散函数前进行的：
s810、通过radon变换进行投影计算获得所述频谱条纹的角度并得到radon变换统计图；
s820、根据所述radon变换统计图统计0°至180°中的每个角度对应的radon变换最大值；
s830、所述radon统计图中所述radon变换的最大值对应的角度作为所述模糊角度，所述radon统计图中两个极小值坐标差的一半作为模糊长度；
s840、所述频谱图上两个极小值坐标差的一半作为模糊长度；
其中，所述radon变换的公式为：
对所述待增强图像进行增强图像对比度处理得到所述增强条码图像，其中所述图像增强公式为：
其中，f(x,y)为待增强图像的像素值，f′(x,y)为增强条码图像的像素值，l＝25，h＝225。
下面以快递单条码为例，对复杂环境下的条码定位方法进行详细说明。
考虑到图像运动模糊是由于分拣履带与相机做相对直线运动造成的，可以用匀速直线运动模型来估算运动模糊的点扩散函数。利用模糊角度、模糊长度与频谱条纹的关系，通过频谱统计得到模糊长度与模糊角度，最后用rl算法对模糊图像进行复原。然后对复原后的图像进行基于梯度特征的多尺度区域条码定位算法，首先将3×3小区域进行sobel算子运算计算出中心点梯度特征，然后将此小区域基础上统计二级区域梯度特征，然后根据小区域梯度特征对区域进行筛选，连通域整合，最后定位到条码区域。
具体地，如图9所示，在图像输入后，对输入的所述原始条码图像进行预处理，在所述预处理过程中，需要对所述原始条码图像进行去模糊。所述去模糊的过程如下：
由于点扩散函数估计即估计出图像运动模糊的模糊函数，自动分拣图像模糊类型实际上可以看成匀速直线运动模糊，由于匀速直线运动点扩散函数公式如前文所示。
而模糊长度跟模糊角度与它的频谱图有关，对上述公式进行频域变换，则其频域变换公式如前文所示。
由上述频域变换公式可以得到模糊角度与频谱条纹垂直，模糊长度等于中间条纹宽度一半。对所述原始条码图像进行频谱变换，得到频谱图，对频谱图进行中值滤波去噪处理，然后对频谱图进行二值化，并将四个方向的干扰去掉，效果如图10所示。其中，将模糊图进行傅里叶变换得到他的频谱图，为了凸显出来条纹特征，将图像进行二值化。
为了更准确计算他的模糊角度，使用radon变换来进行投影计算出频谱条纹的角度。所述radon变换的公式如前文所示。
然后使用matlab对图像进行处理，统计出每个角度对应的radon变换最大值，效果如图11所示。统计0到180度，每个角度对应的radon变换最大值。图中70度时候radon变换最大值最大。
从图可以看到radon的最大值对应的角度，即是模糊角度。统计角度是模糊角度的radon变换统计图，效果如图12所示，为图11最大值对应角度即70度的radon变换统计图。模糊长度就是图12中两个极小值坐标差一半。
在得到模糊角度与模糊长度后，即得到点扩散函数，使用rl算法对图像进行非盲卷积运算。所述rl算法的公式如前文所示。
在对所述原始条码图像去模糊后，为了让条码区域特征更加明显，对图像进行图像增强，提高图像对比度。当原图像素值小于低阈值的时候，新的像素值等于0，当原图像素值大于高阈值的时候，新像素值变为255。需要说明的是，此处所述低阈值通常取25，所述高阈值通常取225。对于其他的像素值像素进行拉伸变换，相应转换为其他数值。所述图像增强公式如前文所示。
为了检测出所述原始条码图像的边缘点，采用sobel算子求取梯度特征的方式来确定边缘点。为了统计更加准确，将sobel算子改为4方向统计。所述sobel算子公式如前文所示。
分别统计像素点4个方向的sobel统计值，将最大值作为该点梯度值。将统计得到的像素点的梯度值与第二阈值进行比较，当该像素点的梯度值大于第二阈值时，该像素点为边缘点，其中第二阈值为所述增强条码图像中的所有像素点的梯度值进行otsu算法得到的值。
对像素点的梯度方向判断如前文所述，此处不再赘述。
将确定边缘点后的图像分为大小相同的n个小区域，每一个小区域可以视图像大小选择8*12大小的方阵。统计每个方针里面边缘点的梯度方向情况，对符合要求的方针保留下来，对不符合要求的方针剔除。各种情况统计图如图13所示，图13中展示了三种情况统计图，分别是：条码区域、简单背景区域、复杂背景区域。简单背景区域内的边缘点数量很少，而且也没有什么规律；文字复杂背景区域内的边缘点虽然很多，但是像文字、复杂背景等区域的边缘点的梯度方向是杂乱，无规律的；而条码区域内的边缘点表现出了很好的方向一致性，绝大部分边缘点的梯度方向维持一致，只有个别干扰点呈现其他方向。可以根据这一特征采取判别方法，对不合理区域进行剔除，对合理区域进行标记。
最后对小区域进行过滤，剔除掉区域内边缘点过少以及主梯度方向边缘点较少，即方向一致性较差的小区域，保留合理小区域，算法流程如图14。基于图14流程图的算法，可以剔除掉区域内边缘点过少以及主梯度方向边缘点较少，即方向一致性较差的小区域。其中主梯度方向的定义为，小区域内边缘点数量最多的梯度方向。对于图14中的阈值t1，t2的选择根据经验值选取，其中t1一般选取小区域边长的一半到一倍之间，而t2一般选取0.5～0.8，这个比例越大说明区域内的方向一致性越高，越可能是条码区域。快递单上经常会有一些横竖直线，会造成个别小区域也符合前两个条件，但是其周围并没有相同主梯度方向的合理区域，所以对于这些干扰区域，也将它们进行抛弃。
接下来结合聚类方法以及连通域方法，进行区域整合定位。具体地，将每个小区域根据其主梯度方向进行分类，由于前面我们能够统计8个方向的梯度方向，因此这里能将小区域分为8类，并将这些小区域进行标记。对具有相同主梯度方向的小区域分别进行连通域检测，并用最小矩形对连通域进行框定。基于前面的连通域矩形，对检测出来的连通域矩形进行筛选，即前文所述的根据连通域矩形的形状特征进行筛选，此处不再赘述。最后将筛选得到的连通域(即前文所述的有效连通域矩形)进行合并，准确定位到条码区域，对于合并进行条件限制：待合并的有效连通域矩形高度必须近似相等，且两个要合并的有效连通域矩形中心连线的角度应该近似与主梯度方向相同，且合并后的宽长比要适中，且连通域合并的距离要合理，最后进行整合操作，能够准确定位得到条码区域。
本发明提供的复杂环境下的条码定位方法，通过对原始条码图像滤波处理，去模糊处理以及图像增强，图像的条码特征明显，通过sobel算子求出像素点梯度值，并根据梯度方向将点分为8类，然后通过小区域边缘点特征统计以及小区域之间关联进行区域整合实现条码定位。本发明提供的这种条码定位方法能够减少图像处理的计算量，快速去掉图像中的大部分干扰区域，满足实时性的需求，并快速完成条码定位，还能够有效提高条码定位以及识别的准确率，且其中采用的算法具有很好的鲁棒性。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。