一种基于机器学习的二维码定位方法及系统与流程

本发明涉及二维码处理技术领域，尤其涉及一种基于机器学习的二维码定位方法及系统。

背景技术：

二维码定位是二维码识别中的重要过程。传感器获取的二维码图像周围经常会包含噪声和无关的背景信息，降低二维码的识别效率与准确度。传统的二维码定位方法通过灰度变换与形态学的组合实现图像中的二维码区域提取。由于不同二维码码型，如or码，datamatrix，pdf417等，在图形上存在许多共性，如都具有复杂的边缘信息，都由黑白模块构成等。这些共性使得某种二维码的定位程序可以很方便的修改成另一个码的定位程序。然而在实际应用中，用户更需要设备能同时识别多种码型，此时传统方法便显得虽然能通过增加判断条件等方式来兼容多种二维码定位，但随着系统需要识别的码型数目的增加，此方法的定位稳定性也随之降低。同时，算法复杂度的提高会妨碍后续的功能扩展。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种基于机器学习的二维码定位方法及系统，可以增加定位的稳定性，模型在通过不断学习，提高定位准确度。

为了解决上述技术问题，本发明实施例提供了一种基于机器学习的二维码定位方法，所述方法包括：

采用图像传感器获取二维码图像信息；

对所述二维码图像信息进行分块、标注和向量化预处理，获取二维码图像信息的分块、标注和向量化信息；

采用训练模型对所述二维码图像信息的分块、标注和向量化信息进行定位处理，根据定位处理结果确定二维码在所述二维码图像信息的区域。

优选地，所述对所述二维码图像信息进行分块、标注和向量化预处理，包括：

读取所述二维码图像信息；

对所述二维码图像信息进行定位处理，获取二维码图像信息定位结果；

对所述二维码图像信息定位结果进行分块及标注处理；

对分块及标注后的二维码图像信息进行图像向量化处理，输出处理结果。

优选地，所述训练模型的训练学习步骤包括：

读入待学习的二维码图像信息的分块、标注和向量化信息；

调整训练参数，使训练模型采用所述训练参数收敛到局部最优

采用所述训练参数多所述待学习的二维码图像信息的分块、标注和向量化信息进行训练学习，输出学习后的训练模型。

优选地，所述采用训练模型对所述二维码图像信息的分块、标注和向量化信息进行定位处理，根据定位处理结果确定二维码在所述二维码图像信息的区域，包括：

读入待定位二维码图像信息的分块、标注和向量化信息；

采用所述训练模型对所述二维码图像信息的分块、标注和向量化信息进行分类，用1标识含有二维码分块，用0标识非二维码块；

将标识为1的分块按顺序重组图像块，获取完整二维码图像区域；

对所述完整二维码图像区域进行形态学处理，去除多与区域与填充残缺二维码图像区域，获取二维码区域图像信息；

将所述二维码区域图像信息输出，作为定位结果。

本发明实施例还提供了一种基于机器学习的二维码定位系统，所述系统包括：

采集模块：用于采用图像传感器获取二维码图像信息；

预处理模块：用于对所述二维码图像信息进行分块、标注和向量化预处理，获取二维码图像信息的分块、标注和向量化信息；

定位模块：用于采用训练模型对所述二维码图像信息的分块、标注和向量化信息进行定位处理，根据定位处理结果确定二维码在所述二维码图像信息的区域。

优选地，所述预处理模块包括：

信息读取单元：用于读取所述二维码图像信息；

定位单元：用于对所述二维码图像信息进行定位处理，获取二维码图像信息定位结果；

分块及标注单元：用于对所述二维码图像信息定位结果进行分块及标注处理；

量化处理单元：用于对分块及标注后的二维码图像信息进行图像向量化处理，输出处理结果。

优选地，所述训练模型的训练学习步骤包括：

读入待学习的二维码图像信息的分块、标注和向量化信息；

调整训练参数，使训练模型采用所述训练参数收敛到局部最优

采用所述训练参数多所述待学习的二维码图像信息的分块、标注和向量化信息进行训练学习，输出学习后的训练模型。

优选地，所述定位模块包括：

信息读入单元：用于读入待定位二维码图像信息的分块、标注和向量化信息；

预处理单元：用于采用所述训练模型对所述二维码图像信息的分块、标注和向量化信息进行分类，用1标识含有二维码分块，用0标识非二维码块；

图像重组单元：用于将标识为1的分块按顺序重组图像块，获取完整二维码图像区域；

形态学处理单元：用于对所述完整二维码图像区域进行形态学处理，去除多与区域与填充残缺二维码图像区域，获取二维码区域图像信息；

结果输出单元：用于将所述二维码区域图像信息输出，作为定位结果。

在本发明实施例中，通过一种机器学习训练模型的方式对二维码图像进行定位，可以增加定位的稳定性，模型在通过不断学习，提高定位准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于机器学习的二维码定位方法的方法流程示意图；

图2是本发明实施例中的分块、标注和向量化预处理的流程示意图；

图3是本发明实施例中的二维码定位的流程示意图；

图4是本发明实施例中的基于机器学习的二维码定位系统的系统结构组成示意图；

图5是本发明实施例中的定位模块的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1是本发明实施例中的基于机器学习的二维码定位方法的方法流程示意图，如图1所示，所述方法包括：

s11：采用图像传感器获取二维码图像信息；

s12：对所述二维码图像信息进行分块、标注和向量化预处理，获取二维码图像信息的分块、标注和向量化信息；

s13：采用训练模型对所述二维码图像信息的分块、标注和向量化信息进行定位处理，根据定位处理结果确定二维码在所述二维码图像信息的区域。

对s11作进一步说明：

二维码图像信息采集可以通过图像传感器进行，如采用摄像头等设备进行采集，获取到二维码图像。

参照图2是本发明实施例中的分块、标注和向量化预处理的流程示意图，如图2所示，对s12作进一步说明：

s121：读取所述二维码图像信息；

读取s11中获取到的二维码图像信息。

s122：对所述二维码图像信息进行定位处理，获取二维码图像信息定位结果；

采用投影法对二维码定进行定位；首先采用边缘检测算子检测二维码图像信息的边缘，如采用sobel算子或者canny算子；在水平和垂直方向上对图像进行投影，即分别求二维码图像信息的行向量与列向量的和；然后考虑到二维码图像信息具有丰富的边缘信息，搜素行向量与列向量和大于阈值的区间，从而得到一个矩形区域，即为二维码图像信息区域。

s123：对所述二维码图像信息定位结果进行分块及标注处理；

对二维码图像进行分块处理，处理中，每个图像块的大小为16*16，在进行标注处理时，根据分块的先后，采用数字1到n来进行标注。

s124：对分块及标注后的二维码图像信息进行图像向量化处理，输出处理结果。

将分块及标注和的二维码图像块进行向量化处理，采用向量对二维码图像块进行表示。

对s13作进一步处理：

在s13训练模型训练学习步骤如下：

读入待学习的二维码图像信息的分块、标注和向量化信息；

调整训练参数，使训练模型采用所述训练参数收敛到局部最优

采用所述训练参数多所述待学习的二维码图像信息的分块、标注和向量化信息进行训练学习，输出学习后的训练模型。

在s13中，通过上述学习步骤可以对新获取到的图像信息进行学习，这样可以使得训练模型在对二维码图像信息定位的时候，可以实现对待定位的二维码图像信息的更精确定位。

图3是本发明实施例中的二维码定位的流程示意图，结合图3对s13作进一步说明：

s131：读入待定位二维码图像信息的分块、标注和向量化信息；

在定位过程中，首先读入待定位的二维码图像信息的分块、标注和向量化信息。

s132：采用所述训练模型对所述二维码图像信息的分块、标注和向量化信息进行分类，用1标识含有二维码分块，用0标识非二维码块；

采用上述的训练模型对所述二维码图像信息的分块、标注和向量化信息进行分类，其中是根据分块中是否含有二维码块为区别进行分类，若含有二维码块的则采用1进行标识，否则采用0进行标识。

s133：将标识为1的分块按顺序重组图像块，获取完整二维码图像区域；

根据上述s132中获取标识为1的二维码块，获取这些二维码块中的标注信息，根据标注信息中的从小到大的顺序重新组合在一起，重新形成完整的二维码图像区域。

s134：对所述完整二维码图像区域进行形态学处理，去除多与区域与填充残缺二维码图像区域，获取二维码区域图像信息；

采用形态学的处理方式对二维码区域图像进行处理，主要是去除多与区域与填充残缺二维码图像区域，获取到仅仅含有二维码区域图像信息。

s135：将所述二维码区域图像信息输出，作为定位结果。

将获取到的二维码区域图像信息进行输出，即可实现对二维码进行定位。

图4是本发明实施例中的基于机器学习的二维码定位系统的系统结构组成示意图，如图4所示，所述系统包括：

采集模块11：用于采用图像传感器获取二维码图像信息；

预处理模块12：用于对所述二维码图像信息进行分块、标注和向量化预处理，获取二维码图像信息的分块、标注和向量化信息；

定位模块13：用于采用训练模型对所述二维码图像信息的分块、标注和向量化信息进行定位处理，根据定位处理结果确定二维码在所述二维码图像信息的区域。

优选地，所述预处理模块12包括：

信息读取单元：用于读取所述二维码图像信息；

定位单元：用于对所述二维码图像信息进行定位处理，获取二维码图像信息定位结果；

分块及标注单元：用于对所述二维码图像信息定位结果进行分块及标注处理；

量化处理单元：用于对分块及标注后的二维码图像信息进行图像向量化处理，输出处理结果。

优选地，所述训练模型的训练学习步骤包括：

读入待学习的二维码图像信息的分块、标注和向量化信息；

调整训练参数，使训练模型采用所述训练参数收敛到局部最优

采用所述训练参数多所述待学习的二维码图像信息的分块、标注和向量化信息进行训练学习，输出学习后的训练模型。

图5是本发明实施例中的定位模块的结构组成示意图，如图5所示，优选地，所述定位模块13包括：

信息读入单元131：用于读入待定位二维码图像信息的分块、标注和向量化信息；

预处理单元132：用于采用所述训练模型对所述二维码图像信息的分块、标注和向量化信息进行分类，用1标识含有二维码分块，用0标识非二维码块；

图像重组单元133：用于将标识为1的分块按顺序重组图像块，获取完整二维码图像区域；

形态学处理单元134：用于对所述完整二维码图像区域进行形态学处理，去除多与区域与填充残缺二维码图像区域，获取二维码区域图像信息；

结果输出单元135：用于将所述二维码区域图像信息输出，作为定位结果。

在本发明实施例中，通过一种机器学习训练模型的方式对二维码图像进行定位，可以增加定位的稳定性，模型在通过不断学习，提高定位准确度。

本领域普通技术人员可以理解上述实施例的各种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，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于机器学习的二维码定位方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。