[發明專利]一種二維碼識別方法

有效

• 申請號: 202010092621.2
• 申請日: 2020-02-14
• 公開（公告）號: CN111310508B
• 公開（公告）日: 2021-08-10
• 發明（設計）人: 曹政才;李俊年
• 申請（專利權）人: 北京化工大學
• 主分類號: G06K7/14
• 分類號: G06K7/14;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種二維碼識別方法，根據實際識別需要，選擇不同背景中的QR二維碼并添加不同模糊長度和模糊角度的運動模糊，設計并制作了基于運動模糊的二維碼數據集。其次，采用基于生成對抗網絡的圖像去運動模糊算法，并采用基于特征金字塔的圖像特征提取網絡提取圖像的特征映射，通過設計新的GAN損失函數使得基于生成對抗網絡的圖像去模糊算法訓練速度更快，魯棒性更高，可以提供非常高效的圖像去模糊效果。設計一種基于自適應閾值的圖像二值化算法和一系列基于圖像處理的算法，更好地提取圖像邊緣區域和校正圖像。本發明能夠應用于不同背景的二維碼識別環境中。

技術領域

本發明涉及機器人圖像處理領域，具體為一種二維碼識別方法。

背景技術

近年來，隨著科技的高速發展，二維碼作為新興的自動識別技術中的一種，憑借其在識別速度、存儲容量、糾錯能力等方面的諸多優點，越來越多的被應用于許多行業和領域，如共享單車、移動支付、倉儲調度、機器人定位導航和社交軟件等，極大的方便了人們的日常生活。

近年來，得益于深度學習的快速發展，研究者們提出了許多基于卷積神經網絡網絡的圖像處理算法，這些算法通過對于大規模的訓練樣本的迭代訓練來完成所給的任務。相比于傳統的算法，基于卷積神經網絡的算法表現出了更好的性能和更高的魯棒性，因此很快形成了人工智能領域新的研究熱點。

運動模糊在二維碼識別過程中非常容易發生。圖像去模糊問題是一個典型的不適定問題，或者可以稱為逆問題，因此處理起來難度較大，尤其是對邊緣、紋理等細節信息的刻畫更具難度。傳統方法首先通過其他手段獲得關于模糊核的信息，然后根據模糊核重建出清晰圖像，而在通常情況下，模糊函數是未知的，因此使用傳統方法會有很大的局限性，不足以解決實際生活中由各種復雜因素引起的圖像運動模糊問題。Kupyn等人在IEEEconference on Computer Vision and Pattern Recognition提出使用條件生成對抗網絡(Conditional Generative Adversarial Network)對圖像進行去模糊，在網絡結構更為簡化的基礎上，取得了更快的運行速度。實驗證明，這種圖像去模糊算法可以得到更出色的圖像去模糊效果，足以證明深度學習算法在圖像去模糊問題上的確具有優異表現。然而，經過相關技術檢索發現，目前尚無滿足在較強運動模糊的情況下針對二維碼的識別方法。

發明內容

以下給出一個或多個方面的主要概述以應對這些方面的基本理解。此概述不能將所有的構想進行詳述，其唯一的目的是要以簡化形式給出一個或多個方面的一些概念以為稍后給出的更加詳細的描述之序。

針對由于二維碼圖像存在運動模糊而無法準確識別的情況，采用基于生成對抗網絡的去運動模糊算法和傳統圖像處理算法相結合的二維碼識別新方法，能夠在二維碼圖像受運動模糊影響較大時仍能準確解碼和識別，提高了二維碼識別的魯棒性，有效解決了現有二維碼識別方法中存在的問題。

本發明提供一種二維碼識別方法，包含以下步驟：

步驟1：設計并制作了基于運動模糊的QR二維碼數據集，用于圖像去運動模糊算法的訓練和測試，其中包括以下步驟：

步驟1.1：設計基于運動模糊的QR二維碼數據集，根據實際人機交互場景選擇二維碼所在的背景、二維碼所包含信息、二維碼與攝像頭距離。

步驟1.2：在選定背景下使用kinect攝像機采集二維碼圖像信息，并加入不同模糊長度和模糊角度的運動模糊，完成運動模糊QR二維碼數據集的制作。

步驟2：構建基于生成對抗網絡的圖像去運動模糊算法，使用基于運動模糊的QR二維碼數據集進行訓練以獲得參數權重，在圖像模糊核未知的情況下仍能獲得去運動模糊效果；

步驟2.1：在基于生成對抗網絡的圖像去運動模糊算法中，采用基于特征金字塔的圖像特征提取網絡，使得提取到的特征映射包含更多語義信息并保證質量；