[發明專利]一種復雜場景下的二維碼檢測和校正方法

在審

• 申請號: 202010340631.3
• 申請日: 2020-04-26
• 公開（公告）號: CN111523342A
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 王飛;劉小超
• 申請（專利權）人: 成都艾視特信息技術有限公司
• 主分類號: G06K7/14
• 分類號: G06K7/14;G06K9/62;G06N3/04
• 代理公司: 成都佳劃信知識產權代理有限公司 51266
• 代理人: 任遠高

1.一種復雜場景下的二維碼檢測和校正方法，其特征在于，包括以下步驟：

獲取自然場景和支付場景下數幅二維碼圖像，使用二維碼識別算法對圖像中的二維碼進行位置及三個定位點的標記，并對未識別的圖像進行標記；

構建具有局部HOG特征的級聯的分類器；

將圖像分為訓練集和測試集，并從訓練樣本中獲取二維碼區域正樣本和非二維碼區域負樣本；利用學習區分二維碼區域正樣本和非二維碼區域負樣本的HOG特征；

利用學習得到的HOG特征對待檢測二維碼圖像進行窗口掃描，得到二維碼圖像中二維碼區域坐標；

構建由卷積層、pooling層或全連接層組成的定位點回歸網絡模型；對訓練集的二維碼圖像進行隨機旋轉、顏色變換、模糊、形變處理，以得到擴充的增強數據集；

將所述訓練集數據輸入至定位點回歸網絡模型，根據L1損失函數調整定位點回歸網絡模型的參數，以得到訓練后的網絡模型；并使用測試數據集合對精度進行測試；

加載訓練后的網絡模型，將測試集內的任一幅包含二維碼的圖像送入到網絡模型中，得到此圖像中二維碼圖對應的三個定位點坐標以及該二維碼的置信度；

利用三個定位點坐標計算仿射變換參數，對該二維碼圖像進行仿射變換校正。

2.根據權利要求1所述的一種復雜場景下的二維碼檢測和校正方法，其特征在于，所述分類器包括5層弱分類器，且第一層包含4個局部HOG特征，第二層弱分類器包含8個局部HOG特征，第三層弱分類器包含16個局部HOG特征，且其余層分類器包含32個局部HOG特征。

3.根據權利要求1所述的一種復雜場景下的二維碼檢測和校正方法，其特征在于，所述定位點回歸網絡由卷積層、pooling層或全連接層組成的定位點回歸網絡模型，包括以下步驟：

根據二維碼的定位點的特征，預設包含5個3*3卷積層、3個1*1卷積層的網絡；

對訓練集的二維碼圖像進行隨機旋轉、顏色變換、模糊、形變處理，以得到擴充的增強數據集；

將所述訓練集數據輸入至定位點回歸網絡模型，根據損失函數調整定位點回歸網絡模型的參數，以得到訓練后的網絡模型；并使用測試數據集合對精度進行測試；

加載訓練后的網絡模型，將任一幅包含二維碼的圖像區域送入到網絡中，得到此圖像中二維碼圖對應的三個定位點坐標以及是二維碼的置信度；

利用三個定位點坐標計算仿射變換參數，對該二維碼圖像進行仿射變換校正。

4.根據權利要求1所述的一種復雜場景下的二維碼檢測和校正方法，其特征在于，所述采用局部HOG特征進行二維碼定位，包含包括以下步驟：

將圖像分為訓練集和測試集，并從訓練樣本中獲取二維碼區域正樣本和非二維碼區域負樣本；

采用聚類算法對所述二維碼區域正樣本和非二維碼區域負樣本進行聚類處理，并利用聚類處理后的二維碼區域正樣本和非二維碼區域負樣本的出現頻率對二維碼區域正樣本和非二維碼區域負樣本進行排序篩選；

利用排序后的二維碼區域正樣本和非二維碼區域負樣本按頻率加載每一層分類器學習，獲得不同尺度和位置上的局部HOG特征；

利用學習得到的HOG特征對待檢測二維碼圖像進行窗口掃描，得到二維碼圖像中二維碼區域坐標。

5.根據權利要求1所述的一種復雜場景下的二維碼檢測和校正方法，其特征在于，所述利用三個定位點坐標對該二維碼圖像進行坐標校正，包括以下步驟：

根據得到的3個定位點相對位置計算仿射變換矩陣，通過仿射變換對圖像進行變換得到校正的二維碼圖像。

6.一種復雜場景下的二維碼檢測和校正系統，其特征在于，采用權利要求1～5任一項所述的一種復雜場景下的二維碼檢測和校正方法，所述二維碼檢測和校正系統，包括:

二維碼定位模塊，采用局部HOG特征來對復雜場景的二維碼圖像進行定位；

二維碼校正模塊，采用定位點回歸網絡模型對任一包含二維碼的圖像區域進行校正。