一种二维码检测方法、装置、电子设备及存储介质与流程

本发明涉及图像处理，具体而言，涉及一种二维码检测方法、装置、电子设备及存储介质。

背景技术：

1、基于深度学习的目标检测算法可分为两阶段(two-stage)算法和一阶段(one-stage)算法，两阶段算法需要先生成候选框，再基于卷积神经网络、分类器、回归器对候选框进行目标分类和位置修正，一阶段算法是在不需要生成候选框的情况下，基于一个完整的卷积神经网络直接对图像进行回归处理，同时得到目标框的位置和分类概率。

2、由于两阶段算法的检测效率较低，目前大都采用一阶段算法来检测图像中的二维码。但是二维码检测场景与其他目标检测场景相比有其特殊性，主要在于虽然各种二维码，比如qr码(quick response，快速反应码)、dm码(data matrix，数据矩阵码)、aztec码(aztec code，阿兹特克码)等具有不同的个性特征，但相对于图像背景，各种二维码存在明显的共性特征，即均是由多个整齐排列的黑/白单元组成的正方形(特殊情况为矩形)，因此要求一阶段算法在识别各种二维码的共性特征进行定位的同时，识别各种二维码间的个性特征进行分类，容易发生二维码定位和分类的干扰，导致二维码定位错误或者二维码类别混淆，进而影响后续的解码等过程。

技术实现思路

1、本发明实施例的目的在于提供一种二维码检测方法、装置、电子设备及存储介质，用以实现提高二维码定位分类准确率的技术效果。

2、第一方面，本发明实施例提供一种二维码检测方法，包括：

3、将各个训练图像中的二维码标签替换为第一标签，得到第一训练数据集，以及将各个所述训练图像中的二维码标签替换为第二标签，得到第二训练数据集；

4、采用所述第一训练数据集训练预先构建的初始定位模型，得到定位模型，以及采用所述第二训练数据集训练预先构建的初始分类模型，得到分类模型；

5、基于所述定位模型根据待检测图像进行二维码定位，得到二维码定位结果，并基于所述分类模型根据所述二维码定位结果进行二维码分类，得到二维码分类结果；

6、结合所述二维码定位结果和所述二维码分类结果，得到所述待检测图像的二维码检测结果。

7、在上述实现过程中通过基于训练好的定位模型和分类模型来分离执行二维码检测过程中的定位操作和分类操作，能够有效避免出现因同时执行定位操作和分类操作而导致的二维码定位错误、二维码类别混淆等问题，提高二维码定位分类准确率。

8、进一步地，所述将各个训练图像中的二维码标签替换为第一标签，得到第一训练数据集，具体包括：

9、对于每一所述训练图像，分别将所述训练图像中的每一二维码标签替换为对应的第一标签，得到第一训练图像；其中，所述二维码标签包括二维码位置坐标和二维码类别号，所述二维码标签对应的第一标签包括所述二维码位置坐标和预设二维码类别号；

10、根据所有所述第一训练图像，得到所述第一训练数据集。

11、在上述实现过程中，通过将各个训练图像中所有二维码标签中的二维码类别号均替换为预设二维码类别号，对应得到各个第一训练图像组成第一训练集，能够保证所有第一训练图像中的所有二维码均表示为对应位置上的同一类二维码，采用第一训练数据集训练出可将各种类别的二维码合为一类定位出各种类别的二维码的定位模型，进一步提高二维码定位分类准确率。

12、进一步地，所述预设二维码类别号为固定值。

13、在上述实现过程中，通过设置一固定值作为预设二维码类别号，能够有效保证所有第一训练图像中的所有二维码均表示为对应位置上的同一类二维码，采用第一训练数据集训练出可将各种类别的二维码合为一类定位出各种类别的二维码的定位模型，进一步提高二维码定位分类准确率。

14、进一步地，所述将各个所述训练图像中的二维码标签替换为第二标签，得到第二训练数据集，具体包括：

15、对于每一所述训练图像，分别将所述训练图像中的每一二维码标签替换为对应的第二标签，得到第二训练图像；其中，所述二维码标签包括二维码位置坐标和二维码类别号，所述二维码标签对应的第二标签包括所述二维码类别号；

16、根据所有所述第二训练图像，得到所述第二训练数据集。

17、在上述实现过程中，通过将各个训练图像中所有二维码标签中的二维码位置坐标均删除且均仅保留二维码类别号，对应得到各个第二训练图像组成第二训练集，能够保证所有第二训练图像中的所有二维码均仅表示为对应类别的二维码，采用第二训练数据集训练出可快速对各种类别的二维码进行分类的分类模型，进一步提高二维码定位分类准确率。

18、进一步地，所述基于所述定位模型根据待检测图像进行二维码定位，得到二维码定位结果，具体包括：

19、基于所述定位模型，分别对所述待检测图像中的每一二维码进行定位，得到所述待检测图像中各个二维码的位置坐标；

20、分别根据所述待检测图像中每一二维码的位置坐标，在所述待检测图像中截取对应的区域图像，得到各个所述区域图像；

21、根据所有所述区域图像，得到所述二维码定位结果。

22、在上述实现过程中，通过基于训练好的定位模型单独执行二维码检测过程中的定位操作，能够有效避免出现因同时执行定位操作和分类操作而导致的二维码定位错误、二维码类别混淆等问题，提高二维码定位分类准确率。

23、进一步地，所述基于所述分类模型根据所述二维码定位结果进行二维码分类，得到二维码分类结果，具体包括：

24、基于所述分类模型，分别对每一所述区域图像进行分类，得到各个所述区域图像的二维码类别；

25、根据所有所述区域图像的二维码类别，得到所述二维码分类结果。

26、在上述实现过程中，通过基于训练好的分类模型单独执行二维码检测过程中的分类操作，能够有效避免出现因同时执行定位操作和分类操作而导致的二维码定位错误、二维码类别混淆等问题，提高二维码定位分类准确率。

27、进一步地，所述初始定位模型为yolo神经网络模型，所述初始分类模型为神经网络模型或多分类支持向量机。

28、在上述实现过程中，通过选用yolo神经网络模型作为初始定位模型，选用神经网络模型或多分类支持向量机作为初始分类模型，能够进一步提高二维码定位分类准确率。

29、第二方面，本发明实施例提供一种二维码检测装置，包括：

30、标签处理模块，用于将各个训练图像中的二维码标签替换为第一标签，得到第一训练数据集，以及将各个所述训练图像中的二维码标签替换为第二标签，得到第二训练数据集；

31、模型训练模块，用于采用所述第一训练数据集训练预先构建的初始定位模型，得到定位模型，以及采用所述第二训练数据集训练预先构建的初始分类模型，得到分类模型；

32、目标检测模块，用于基于所述定位模型根据待检测图像进行二维码定位，得到二维码定位结果，并基于所述分类模型根据所述二维码定位结果进行二维码分类，得到二维码分类结果；

33、结果获取模块，用于结合所述二维码定位结果和所述二维码分类结果，得到所述待检测图像的二维码检测结果。

34、第三方面，本发明实施例提供一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序；所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时实现如上所述的二维码检测方法。

35、第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的二维码检测方法。