随着科技不断进步,物联网迅速发展,二维条码技术作为信息储存和传输的媒介日渐成熟,深入到生活中的每个角落,尤其是团购扫码、微信营销以及广告宣传等。二维条码的广泛应用使我们对条码技术的识别有了更深入的研究。
由于拍摄环境和图像采集系统造成二维条码背景复杂,污染变形、反光虚化、扭曲失真和图像缺损等情况,使其在识别时难度增加,降低译码的准确率。针对该情况,本文以QR码为例,提出了基于BP神经网络的QR码图像识别技术,以提高图像的可检测性、降低解码的误码率。
在QR码预处理部分,先将彩色的QR码图像灰度化处理,减少后期的运算量。在此基础上对复杂背景下的QR码做二值化处理,根据不同算子的处理效果,选取最优算子提取QR码的大致轮廓。由于QR码在拍摄时或多或少会存在噪声或由反光引起QR码的高光现象,采用中值滤波改善QR码图像的椒盐噪声;高斯滤波降低高斯噪声;同态滤波处理高光部分。预处理步骤可以使QR码图像变得较为清晰。
在QR码特征提取部分,对不同算子做边缘检测,提取QR码图像的大致轮廓。由于本文采用一个QR码做不同类型分析,提出了QR码图像的纹理特性分析方法,通过分析QR码图像的特征,为后期QR码图像识别奠定基础。为了对比纹理特征对识别的效果,用QR码的SIFT特征点匹配的方法作为其对比实验,在QR码的识别部分验证其可行性;针对拍摄角度的不同容易使获取的QR码图像变形,采用仿射变换对QR码图像几何校正,使畸变的图像还原为标准图像。
在QR码识别部分,设计基于BP神经网络的QR码识别模型,目的是为了高效的把污染变形或缺损的QR码图像正常识别出来,提高QR码的识别效果和速率。运用MATLAB中的神经网络工具箱建立BP神经网络完成仿真。选择若干测试样本进行测试,结果显示此QR码识别模型对测试样本有较好的识别效果,可行性较强。为了对比识别效果,建立QR码的SIFT特征库和纹理特征库中的数据分别作为BP神经网络的训练样本并进行仿真和测试,结果显示纹理特征识别效果优于SIFT特征识别效果。本文所做的工作,在货物管理系统等方面具有一定的参考价值。