[發明專利]二維碼的識別方法及裝置

在審

• 申請號: 202010530228.7
• 申請日: 2020-06-11
• 公開（公告）號: CN111860027A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 路浩南
• 申請（專利權）人: 貝殼技術有限公司
• 主分類號: G06K7/14
• 分類號: G06K7/14;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 楊云云

1.一種二維碼的識別方法，其特征在于，包括：

將具有二維碼的待識別圖案輸入預先訓練的神經網絡模型，獲得所述神經網絡模型輸出的待識別圖案中像素點位于二維碼中的概率；

根據所述像素點位于二維碼中的概率，獲得位于二維碼中的像素點，計算所述位于二維碼中的像素點的最小外接矩形，以獲得所述待識別圖案中的識別框；

識別所述識別框框出的二維碼，獲得二維碼識別結果；

其中，所述神經網絡模型為改進的AdvancedEAST模型，所述改進的AdvancedEAST模型以具有二維碼的樣本圖案作為標簽，以樣本圖案中像素是否位于二維碼中的標記結果作為樣本標簽；

所述改進的AdvancedEAST模型訓練時計算的損失僅為score map參數的損失；所述score map參數用于表征像素點位于識別框內的概率。

2.根據權利要求1所述的二維碼的識別方法，其特征在于，所述改進的AdvancedEAST模型的感受野為40～55。

3.根據權利要求1或2所述的二維碼的識別方法，其特征在于，所述改進的AdvancedEAST模型的訓練方法包括：

對所述改進的AdvancedEAST模型的超參數進行設置，獲得多組具有不同的超參數組合的待訓練的AdvancedEAST模型；

根據多組待訓練的AdvancedEAST模型的訓練效果，確定具有最優超參數組合的AdvancedEAST模型。

4.根據權利要求3所述的二維碼的識別方法，其特征在于，所述超參數包括但不限于batch_size批尺寸、pixel_threshold內部點閾值、side_vertex_pixel_threshold內部頭尾點的閾值和trunc_threshold頭尾點取值范圍。

5.根據權利要求3所述的二維碼的識別方法，其特征在于，所述訓練效果以預測的識別框邊框和真實的識別框的交集和并集間的比值進行表征。

6.根據權利要求1所述的二維碼的識別方法，其特征在于，所述根據所述像素點位于二維碼中的概率，獲得位于二維碼中的像素點，計算所述位于二維碼中的像素點的最小外接矩形，以獲得所述待識別圖案中的識別框，具體為：

將概率大于預設閾值的像素點作為位于二維碼中的像素點；

確定包含所述二維碼中的像素點的最小外接矩形，將所述最小外接矩形作為所述識別框。

7.根據權利要求1所述的二維碼的識別方法，其特征在于，所述識別所述識別框框出的二維碼，獲得二維碼識別結果，具體為：

從所述待識別圖案中分割出所述識別框內的區域，對所述識別框內的區域進行透視變換，獲得二維碼圖案；

使用zbar庫對所述二維碼圖案進行解碼，獲得二維碼識別結果。

8.一種二維碼的識別裝置，其特征在于，包括：

概率計算模塊，用于將具有二維碼的待識別圖案輸入預先訓練的神經網絡模型，獲得所述神經網絡模型輸出的待識別圖案中像素點位于二維碼中的概率；

識別框輸出模塊，用于根據所述像素點位于二維碼中的概率，獲得位于二維碼中的像素點，計算所述位于二維碼中的像素點的最小外接矩形，以獲得所述待識別圖案中的識別框；

二維碼識別模塊，用于識別所述識別框框出的二維碼，獲得二維碼識別結果；

其中，所述神經網絡模型為改進的AdvancedEAST模型，所述改進的AdvancedEAST模型以具有二維碼的樣本圖案作為標簽，以樣本圖案中像素是否位于二維碼中的標記結果作為樣本標簽；

所述改進的AdvancedEAST模型訓練時計算的損失僅為score map參數的損失；所述score map參數用于表征像素點位于識別框內的概率。

9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至7任一項所述二維碼的識別方法的步驟。

10.一種非暫態計算機可讀存儲介質，其特征在于，所述非暫態計算機可讀存儲介質存儲計算機指令，所述計算機指令使所述計算機執行如權利要求1至7中任意一項所述的二維碼的識別方法。