[发明专利]一种基于三维码和图像识别的离线识读方法及装置有效

专利信息
申请号: 202011171971.4 申请日: 2020-10-28
公开(公告)号: CN112364675B 公开(公告)日: 2022-11-01
发明(设计)人: 陈绳旭;王秋婉;马吉良;张梦达 申请(专利权)人: 三维码(厦门)网络科技有限公司
主分类号: G06K7/14 分类号: G06K7/14;G06V40/16;G06V10/82;G06K19/06;G06N3/04;G06N3/08
代理公司: 福州科扬专利事务所(普通合伙) 35001 代理人: 李晓芬
地址: 361000 福建省厦*** 国省代码: 福建;35
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 三维 图像 识别 离线 方法 装置
【权利要求书】:

1.一种基于三维码和图像识别的离线识读方法,其特征在于,包括以下步骤:

建立原始图像集合,收集复数张包含有待识别对像的原始图像放入原始图像集合中;

进行图像预处理,对所述原始图像集合中的每一张原始图像进行预处理,将原始图像调整成按需格式设置的图像素材并放入素材集合中;

进行图片重构,对所述素材集合中的每一张图像素材进行处理,获得每一张图像素材的像素矩阵,并提取像素矩阵中的特征矩阵,将每一图像素材中提取的特征矩阵存入向量集合中;同时通过卷积神经网络训练能够通过特征矩阵还原对应的图像素材的图像重构模型;

编制三维码,通过字符串对向量集合中的每一特征矩阵进行标识,得到字符串标识与特征矩阵的关系集合;对字符串标识以及与字符串关联的特征矩阵对应的图像素材进行编码,图像素材作为人眼可识别的视觉特征元素并在指定区域展示,字符串转化为码点,从而得到三维码;

训练图像识别模型,使用素材集合中的图像素材对深度学习网络模型进行训练,得到图像识别模型;

进行识读和验证,调取所述向量集合、关系集合、图像重构模型和图像识别模型,并导入三维码识别模块,对包含有三维码的图片进行识读和验证。

2.根据权利要求1所述的一种基于三维码和图像识别的离线识读方法,其特征在于,需识别的对像包括但不限于:人脸、物品和文字;所述原始图像在放入原始图像集合后还进行核验步骤,通过目标检测算法确认每一原始图像中包含有需识别的对象,将未检测到对象的原始图像移出原始图像集合。

3.根据权利要求1所述的一种基于三维码和图像识别的离线识读方法,其特征在于,所述将原始图像调整成按需格式设置的图像素材并放入素材集合中的步骤具体为:

通过目标检测算法,检测需识别的对象在原始图像中的位置,并作出能包含需识别的对象的最小矩形框;

以最小矩形框为中心,在原始图像中截取一个正方形,使正方形面积为最小矩形框面积的N倍;

将截取后的图像进行缩放,保存为所需大小及所需格式的图片放入素材集合中。

4.根据权利要求1所述的一种基于三维码和图像识别的离线识读方法,其特征在于,所述获得每一张图像素材的像素矩阵,并提取向量矩阵中的特征矩阵,将每一图像素材中提取的特征矩阵存入向量集合中的步骤具体为:

获取m*n阶的图像素材的像素矩阵A,根据公式对像素矩阵进行奇异值运算,获取矩阵U、∑和VT;其中矩阵U是m×m阶酉矩阵;矩阵∑是半正定m×n阶对角矩阵;矩阵VT是n×n阶酉矩阵;

通过主成分分析法从矩阵∑中提取K个奇异值,使得K个奇异值之和占所有奇异值之和的比重为P,根据K个奇异值的位置获得新的矩阵U1、∑1和V1T

将矩阵U1作为该图像素材的特征矩阵放入向量集合中。

5.根据权利要求4所述的一种基于三维码和图像识别的离线识读方法,其特征在于,所述通过卷积神经网络训练能够通过特征矩阵还原对应的图像素材的图像重构模型的步骤具体为:

使用卷积神经网络开发图像重构模型,使用∑1和V1T作为模型的计算参数,构建重构图片公式U11V1T=A1

使用向量集合作为训练集,通过图像重构模型和重构图片公式计算重构图片的像素矩阵A1,调整∑1和V1T使得重构图片的像素矩阵A1与对应图像素材的像素矩阵A的像素值之和最小;

保存调整后的∑1和V1T,输出训练好的图像重构模型。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于三维码(厦门)网络科技有限公司,未经三维码(厦门)网络科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011171971.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top