[发明专利]一种二维码检测和识读方法

说明书

本发明涉及图像处理技术领域，具体公开了一种二维码检测和识读方法，其中，包括：获取检测模型；根据所述检测模型对原始输入图像进行检测，得到候选框；对所述候选框进行图像处理，得到处理结果；对所述处理结果中的二维码区域进行识读，得到识读结果。本发明提供的二维码检测和识读方法，通过检测模型获得二维码区域进行识读，具有检测速度快且识读精度高的优势，在复杂场景下能够高精度检测和识读二维码，弥补了过往研究对于二维码检测精度和速度双标准的不足，具有极大的应用价值和意义，另外对图像旋转和光线变化具有较强的鲁棒性，可以一次性识读多个二维码。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种二维码检测和识读方法。

背景技术

二维码是近年来颇受瞩目的一种新的编码方式，可以存储更大量、更多种类的数据类型，广泛应用于购物、交通工具、工业流水线检测等场景。传统的二维码检测方法，采用图像处理的相关操作，通过二维码典型标记找到二维码的三个特征区域以定位出二维码，再以相关的二维码扫描算法加以检测。然而，传统的定位方法需要运用图像匹配，这类算法对二维码分辨率和角度的要求较高，当背景复杂、角度倾斜且存在大量不固定噪声时，传统方法检测精度低且识读速度慢。

为了加强二维码检测精度同时能够具有较高的鲁棒性，一些基于机器学习的方法陆续被研究学者提出，典型的有基于AdaBoost的检测方法，基于SVM的检测算法等，但是这些方法需要手工设计特征，如何找到高效的、鲁棒的特征用于表征二维码是一项异常困难的任务。

近些年，深度学习技术的大力发展极大的提高了计算机视觉领域各个应用的实用性，相比传统的手工设计特征的方法，深度学习技术依托强大的深度神经网络能够自动的学习特征，其中，深度卷积神经网络显得尤为突出。目前，已有很多成熟的基于深度学习的目标检测算法被提出，包括Faster RCNN，Yolo V3、SSD等，这些算法在通用数据集上均取得了不错的检测效果。

但是，目前将深度学习技术运用于二维码检测的工作相对较少，很多现成的深度学习模型难以满足二维码检测精度和实时性的双重要求。如何根据现有理论成果，设计一种高精度的、快速的二维码检测算法成为了一个难题。

发明内容

本发明提供了一种二维码检测和识读方法，解决相关技术中存在的二维码检测识读速度慢且精度低的问题。

作为本发明的一个方面，提供一种二维码检测和识读方法，其中，包括：

获取检测模型；

根据所述检测模型对原始输入图像进行检测，得到候选框；

对所述候选框进行图像处理，得到处理结果；

对所述处理结果中的二维码区域进行识读，得到识读结果。

进一步地，所述获取检测模型包括：

分别获取粗定位模型和细定位模型。

进一步地，所述分别获取粗定位模型和细定位模型包括：

标注真实场景下的二维码照片，得到二维码照片标注结果；

根据所述二维码照片标注结果构建训练模型；

根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型。

进一步地，所述根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型，包括：

将通道图像输入粗定位训练模型进行训练，得到粗定位模型；

根据所述粗定位模型的结果生成细定位模型的训练数据；

将所述细定位模型的训练数据输入细定位训练模型进行训练，得到细定位模型。