[发明专利]基于深度神经网络的条形码检测方法及装置

说明书

本发明提供一种基于深度神经网络的条形码检测方法及装置，所述方法包括：将获取到的待检测图像输入至训练好的深度神经网络模型，输出所述待检测图像中的条形码的预测边界框；根据所述预测边界框，确定目标检测图像区域，所述目标检测图像区域是所述待检测图像的一部分，并且包含所述条形码；基于所述目标检测图像区域，获取所述条形码的最终边界框。本发明提供的基于深度神经网络的条形码检测方法及装置，通过将深度神经网络和图像处理技术相结合，先用深度神经网络获取待检测图像中的条形码的预测边界框，再利用图像处理技术对待检测图像有针对性的检测，提高了条形码检测的召回率，降低了误检率，并提高了检测速率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于深度神经网络的条形码检测方法及装置。

背景技术

条形码在日常的生产和生活中应用广泛，特别是在智能终端飞速发展的今天，采集含有条形码的图像，检测出条形码的位置，然后识别出条形码中的信息是智能终端最基本的功能。然而，在这一过程中，如何更准确、更快速的检测出条形码是本领域研究的重点。

现有技术中，条形码的信号采集设备大致可以分为两类，一维采集设备和二维采集设备。一维采集采用光束扫过条码表面，条码符号反射光束，经过光电转换后，形成矩形波，比如激光枪。虽然这种方法简单易行，但往往需要人工辅助完成。二维采集设备主要利用计算机图像处理技术识读条形码，例如摄像头，扫描仪等，都是二维采集设备，这种技术无需人工参与，非常灵活，可以利用检测，定位分割，识别等技术实现真正的全自动化识读。而对于条形码检测，主要方法是基于Gabor小波纹理分析的条码检测，用形态学方法检测条形码，主要的方法是利用梯度特征，先根据梯度方向将图像分为多个梯度图像，再选取其中梯度值较大的区域分析并合并。这种基于图像梯度特征的方法在图像纹理特征良好的情况下，往往具有不错的性能，但在较为复杂的背景下，比如有污损，重叠的条形码区域，梯度信息往往容易受到复杂背景的干扰，使得检测出的区域出现不完整，形变较大，误检严重等问题。

发明内容

本发明的目的是提供一种基于深度神经网络的条形码检测方法及装置，解决了现有技术中条形码检测的准确度低，检测速度慢的技术问题。

为了解决上述技术问题，一方面，本发明提供一种基于深度神经网络的条形码检测方法，包括：

将获取到的待检测图像输入至训练好的深度神经网络模型，输出所述待检测图像中的条形码的预测边界框；

根据所述预测边界框，确定目标检测图像区域，所述目标检测图像区域是所述待检测图像的一部分，并且包含所述条形码；

基于所述目标检测图像区域，获取所述条形码的最终边界框。

另一方面，本发明提供一种基于深度神经网络的条形码检测装置，包括：

预测模块，用于将获取到的待检测图像输入至训练好的深度神经网络模型，输出所述待检测图像中的条形码的预测边界框；

确定模块，用于根据所述预测边界框，确定目标检测图像区域，所述目标检测图像区域是所述待检测图像的一部分，并且包含所述条形码；

检测模块，用于基于所述目标检测图像区域，获取所述条形码的最终边界框。

再一方面，本发明提供一种用于基于深度神经网络的条形码检测的电子设备，包括：

存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。

又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。