快速QR码检测
摘要
快速响应(QR)代码由引入Denso Wave于1994年。 它可以编码字母数字字符,通过编码可以获得丰富的信息URL地址。 如今,随着丰富的发展移动互联网和物联网,是值得拥有的一种快速有效的QR码识别方法。 然而,QR码检测不是一件容易的事。 在本文中,一套检测任意获取的QR码的新方法提出了图像。 已经评估了所提出的方法随意获取的图像。 实验结果表明所提出的方法是检测QR码的有效方法位置。
一,导言
与1D条形码相比,2D条形码获得更高的故障容忍度和纠错能力。 QR码是一种类型二维码。最近,它已经越来越多了广泛应用于电子卡,电子商务领域和社交网络服务。 列出了更多的应用程序文献。
一般来说,QR码检测的研究大多是基于提高图像质量或确定精确度代码的轮廓。 比如Liu Y. [11]使用了描述了基于移动设备的图像处理系统能够二进制化,定位,分段和解码QR码。楚楚提出了一种高效且有效的算法从相机中的复杂背景中提取二维条码图片。 胡小鹏改进了许多方法用于识别QR码的图像处理。 陈启超提出了一种有效的预处理和检测方法二维码。 他还介绍了一种检测QR码的方法这依赖于黑人和黑人之间交替的规律性为了找到FIP特有的白色像素他们然后确定高的精确轮廓。该这些方法的共同缺点在于它的关注提高图像质量而不是找到QR码符号。
一些处理QR问题的工作代码通过形态学运算符。 Jinwei Wei利用形态开闭算子找到了位置检测模式。 婷婷黄提出了一个检测QR码的QR码检测方法使用不同的边缘检测算子并找到QR码通过霍夫变换。 但是,检测率以上方法不高。LuizF.F Belussi和Nina S. T. Hirata [2]证明了这一点可以通过形成组件来改进QR码检测聚合方法。 他们引入了基于组件的两个版本检测QR码的方法达到了90个% 检测率。在这项工作中,一种快速的基于组件的方法进行检测建议使用QR码。 所提出的方法可以检测QR复杂背景下的代码。本文的其余部分安排如下。第2节讨论QR码检测。我们展示了实验结果在第3节中。最后,第4节总结了我们的工作。
二、QR码检测
在本节中,QR码的一些结构方面将会我们将对它进行描述并审查一些工作与我们最相关的。 另外,一种新颖的物体方法提出检测以改善QR的性能代码检测。
二维码
图1显示QR码包含信息取景器图案(FIP),定时图案(TP),对齐模式(AP),纠错码字,版本信息等等。 这些信息可能是一个重要的特征我们检测QR码。
图1 QR码信息分发
组件聚合方法的回顾
组件聚合方法分为两个阶段。 在第一阶段检测到FIP候选者,并且在第二阶段检测到的几何限制验证组件以确认代码的存在。在第一阶段,他们提议使用Viola-Jones用于检测FIPS的快速对象检测框架。该方法的细节参见。 FIP通常是代码中最大的结构并具有固定的形状。和Viola-Jones方法具有速度快的特点不变的比例和照明变化。来自第一阶段的每个FIP候选者表示为三元组(T,x,y),其中T是方形区域x和y的大小表示该正方形中心的坐标。 根据观察,标准应该允许一些容忍因这些条件而容纳不精确。
拟议的方法
在本小节中,基于快速组件的两阶段方法提出了用于检测QR码的方法。与上述方法相比,仅替换了FIP候选方法。该生成FIP候选区域的算法如下:步骤1.图像预处理。图像的第一步处理是过滤图像后的图像质量滤波器与检测率密切相关。第二步图像处理是将RGB彩色图像转换为灰度图片。步骤2.通过Canny边缘查找图像的边缘检测算法。步骤3.查找嵌套层的边缘大于4。轮廓之间存在一定程度的关系,并且一个边缘将被识别为两个轮廓:外轮廓和内心轮廓。 FIP候选人之后应该有六层寻找大纲。图2显示了轮廓层次结构FIP候选人。我们找到了边缘为的嵌套层目标区域大于4作为我们的FIP候选人。我们选择大于4的嵌套层,因为这允许你可以放大约束并选择更多的FIP候选者区域。
图2 轮廓层次结构图
三、实验
在本节中,我们将在两个QR码上测试我们的方法数据库 - NI数据库(这些图像是在线收集的并且可能不会在此显示,因为它们可能包含隐私信息)和CI数据集(见图4)。 然后我数据库和CI数据库由我们自己收集。 你数据库包含100个图像。 CI数据库包含60个图像我们接受了。 比较一些方法,包括:组件聚合方法,Zbar,ZXing和我们的方法。
组件聚合方法
在本实验中,我们重现了组件聚合方法。 检测率列于表1检测率通过下式计算:
其中Ncorrect是真实QR码的数量,Ntotal表示总数二维码。 从表1中,我们可以看到该组件聚合方法在NI数据库中有很好的效果,但是在CI数据库中并不理想。 这是因为质量image影响组件聚合的检测率方法。
表1 不同的数据库的检测率
数据集 |
QR码的数量 |
检测率 |
NI数据集 |
100 |
53% |
CI数据集 |
60 |
26.67% |
Zbar和Zxing
Zbar和Zxing算法是开源条形码和QR码检测算法。 Zbar是一个开源软件适合从各种来源阅读条形码,如视频流,图像文件和原始强度传感器。该flexibe,分层实现有助于条形码扫描并解码任何应用程序。 Zxing是一个开源的,多格式1D或2D条形码图像处理库在Java中实现,包含连接到其他端口的端口语言。 如表2所示,Zbar而Zxing方法实现了高检测率。
表2 ZBAR在不同数据库中的检测率
数据集 |
QR码的数量 |
检测率 |
NI数据集 |
100 |
72% |
CI数据集 |
60 |
62.33% |
我们的方法
在这个实验中,基于两阶段的组件检测方法已被提出。在第一阶段,FIPs由轮廓层次检测。对于第二阶段,a基于几何限制的简单算法检测到的FIP用于决定是否检测到FIP
对应于QR码的角落与否。此外,一个通过组合Zbar组件提出了一种新方法聚合方法和我们的方法(基于两阶段组件检测方法)相互补充。该组合方法是使用组件聚合在没有检测到我们的方法和检测的情况下检测的方法如果组件聚合则使用Zbar方法检测方法不是检测。检测结果不同两个数据库上的方法如表3和表所示4,分别。从表IV和表V中我们可以看到Zbar CAM(组件聚合方法) 我们的方法(基于两阶段组件的检测方法)实现了检出率高。
表3 关于不同数据库的检测方法的检测率
数据集 |
QR码的数量 |
检测率 |
NI数据集 |
100 |
45% |
CI数据集 |
60 |
53.33% |
表4 ZBAR CAM的检测率
数据集 |
QR码的数量 |
检测率 |
NI数据集 |
100 |
77% |
CI数据集 |
60 |
68.33% |
四、结论
本文采用两阶段基于组件的检测方法已被提议。 在第一阶段,一个新颖的用途使用FIP检测的轮廓层次。 第二个阶段,一种基于几何限制的简单算法在检测到的FIP中用于决定是否检测到FIP对应于QR码的角落与否。 而且,我们已经表明,通过组合可以提高检测率相互补充的方法。 和实验结果表明,该方法可以改善QR代码检测率。
基于MATLAB的QR码图像校正研究图像灰色功能
摘要
解决了传统几何校正的问题QR码的算法会受到光线的影响这个,冲击角度,校正算法的鲁棒性等等论文提出了一种基于图像灰度特征的自适应算法,它实现了准确的读数和快速校正QR码位置信息。 经过QR的预处理代码图像,该算法根据动态阈值计算到特征图像的灰度值和计算的阈值用于确认最合适的阈值QR位置信息。 然后,我们可以准确地得到四个
QR码图像的顶点坐标,完成准确基于投影变换的QR码图像校正。该算法能够完成有效的校正这些捕获的图像在不同的环境下解决二维码识别的关键技术瓶颈。
介绍
QR码是一种信息编码技术存储,传输,图像处理和数据加密体积很大。随着移动互联网的快速发展和QR码应用的增加,QR二维代码已成为使用最广泛的代码。在实际应用中,使用手机时,数字化相机和其他设备收集QR码图像,由于拍摄环境的影响,获得的图像存在不均匀照明和几何失真的问题,这严重影响了QR码的正确识别。最近,有许多用于QR的图像校正方法国内外几何畸变的代码。如魏金伟提出了一种基于QR码图像的校正方法形态学和霍夫变换;孔苏然提出一种基于Corner的QR码图像校正算法检测和凸壳算法;陈伟提出来了一种根据仿射的QR码图像校正方法转化公式;陈琳提出了二维码图像基于小波变换的校正算法。
在校正QR码图像的微观结构时,它对四个顶点坐标的精度有更高的要求二维码图像,并有传统的一些缺陷查找QR码顶点坐标的方法。 在里面检测到QR码图像的四个顶点,给出了哈里斯角点检测算法比较复杂耗时,所以本文首先设计了一个简单的算法找到QR码图像的粗糙顶点坐标,和根据图像灰度特征,提出了一自适应算法找到准确的顶点坐标。 最后,我们恢复QR码图像透视转换。 为了进一步证明了提出的正确性和有效性算法,进行详细的实验。 这些实验表明,我们的方法可以实现准确的QR各种拍摄条件下的代码图像校正。 和与其他算法相比,我们提出的方法是一个识别准确率大大提高。
QR码的基本结构
QR码的符号是由正方形阵列组成的由各种模块组成,它由一个编码组成区域和功能模式。 编码区域包括格式信息,版本信息,数据和纠错代码字; 功能模式由finder组成图案,分隔符,定时图案和对齐图案。当通过移动电话或移动电话获取QR码图像时相机,三个取景器模式的相对位置图像不会改变。 因此本文学习了取景器模式快速定义半色调图像并校正图像。
QR码图像预处理
本文的应用背景如下:正确并从包含QR的图像中恢复QR码图像通过电话,相机和其他设备拍摄的代码。但是,通过手机或相机拍摄的图像不仅包含QR码图案,还包含背景图片。为了消除这些背景图像的干扰并准备获取QR码的四个顶点,本文首先在获得捕获后进行一些预处理图片。
在本文中,数学形态学的内容是应用于数字图像处理,使用扩张到二进制图像。 图像扩张旨在制作QR码图像和图像背景完全分开,删除QR码图像中的孤立像素,以及QR码的边缘图像更平滑。 将产生不同的结构元素B.图像扩张的不同结果; 本文使用15x15测试后的方形结构元素。 图像扩张的结果如图3所示。 这里有一些孤立的点图像膨胀后的背景部分。 本文使用的消除不相关连接区域的方法这些孤立的点。 在搜索连接的过程中在本文中,本文采用了八个邻域标注算法。在标记了所有连接区域之后,我们消除了无关紧要连通区。
图3 图像扩展结果
QR码VERTEX收购模板
关于QR码图像的几何校正,首先我们需要获得QR码的四个顶点坐标失真的图像。 在对QR图像进行预处理之后,QR码部分和图像的背景部分是完全分开,这基本上解决了影响顶点位置的背景。 因为亲戚三维取景器图案的位置在QR码中不会改变图像,本文采用线性逼近法快速获取QR图像的四个顶点坐标,然后获得QR码的四个顶点的精确坐标根据图像灰度特征。
对于已被淘汰的二进制图像无关紧要连通区域,本文采用线性逼近快速获得QR的四个粗顶点坐标的方法图片。在获得四个大致顶点坐标后,本文将这四个顶点替换为原始捕获图像。根据图像特征,我们设计了自适应匹配算法获得四个精确的顶点坐标。 这个以左上角为例,然后是算法流程图如图4所示。 在图4中,阈值左上角的K1是动态的,不同的光环境或者拍摄环境会导致不同的K1每个图像。 假设上部的近似坐标如下:以图像的左上角为中心取出一个5x5矩阵,并计算出的平均值灰色矩阵。
图4 算法流程图
QR码图像校正
在QR码图像校正过程中,关键部分是透视变换也称为投影。映射。 在图5中,本文找到了准确的四个顶点通过提出的算法。 根据左上方的顺序,右
以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。