一種改進的二維碼區(qū)域定位系統(tǒng)及其定位方法
【專利摘要】本發(fā)明公開了一種改進的二維碼區(qū)域定位系統(tǒng)，包括圖像采集模塊，用于采集圖層信息；訓練模塊，使用圖像采集模塊采集到的樣本圖層作為輸入信息，通過計算得到多個與樣本圖像相關的傳遞圖層信息；特征提取模塊，使用傳遞圖層信息對圖像采集模塊采集圖層的特征向量進行提??；特征分類模塊，用于對圖層的特征向量進行分類存儲；識別模塊，使用待識別圖層特征向量的分類結果與樣本圖層特征向量的分類結果進行對比，判定待識別圖層是否為二維碼區(qū)域。本發(fā)明還公開了一種上述改進的二維碼區(qū)域定位系統(tǒng)的定位方法。本發(fā)明可以解決現(xiàn)有技術的不足，解決了現(xiàn)有方法存在的需要大量訓練樣本卻又易陷入局部最優(yōu)解的矛盾。
【專利說明】
一種改進的二維碼區(qū)域定位系統(tǒng)及其定位方法
技術領域
[0001] 本發(fā)明涉及信息安全技術領域，尤其是一種改進的二維碼區(qū)域定位系統(tǒng)及其定位 方法。
【背景技術】
[0002] 近年來，隨著互聯(lián)網的發(fā)展和智能手機的普及，以及二維碼在信息量和安全性方 面的優(yōu)勢，二維碼在信息傳遞、身份認證和移動支付等領域的應用越來越廣泛。二維碼應用 時，先將帶有攝像頭的讀取設備(如掃描槍或智能手機)對準二維碼;讀取設備對攝像頭采 集到的圖像進行二維碼區(qū)域定位，即找到圖像中的二維碼;截取定位成功的圖像進行后續(xù) 的圖像處理和識別。
[0003] 二維碼區(qū)域定位的成功與否的影響因素主要有以下幾個方面：
[0004] 1、讀取設備與二維碼的距離，當距離為25cm~30cm時，定位成功率較高；
[0005] 2、讀取設備與二維碼之間的角度，讀取設備的采集面與二維碼之間的夾角越接近 〇度，定位成功率越高；
[0006] 3、二維碼載體的空間形變，空間形變越小，定位成功率越高；
[0007] 4、二維碼在圖像中的位置，越接近中央位置時，定位成功率越高；
[0008] 5、二維碼占據圖像的比例，比例越大，定位成功率越高；
[0009] 6、二維碼所在圖像的背景，背景越簡單，與二維碼對比度越高時，定位成功率越 尚。
[0010] 現(xiàn)有的二維碼區(qū)域定位方法無法在更深層次上對目標進行特征提取，難以在復雜 環(huán)境中進行精確的定位?，F(xiàn)有的二維碼區(qū)域定位技術主要分為以下幾類：
[0011] 1、基于二維碼指示符的區(qū)域定位技術，即通過尋找二維碼的指示符進行區(qū)域定 位。雖然基于指示符的定位技術是最直觀的，但當圖像信息受損，特別是指示符受損時，容 易造成定位失敗。
[0012] 2、基于紋理特征的二維碼區(qū)域定位技術，即通過提取二維碼的紋理特征進行二維 碼區(qū)域定位。這類技術利用了二維碼的全局特征，對于圖像信息受損有一定的魯棒性，但很 難提取到適應性較強的二維碼紋理特征。
[0013] 3、基于頻域特征的二維碼區(qū)域定位技術，即通過將圖像轉換到頻域，并提取二維 碼的頻域特征進行區(qū)域定位。這類技術與基于紋理特征的技術類似，只是將特征從空域轉 到了頻域。
[0014] 4、基于機器學習的二維碼區(qū)域定位技術，即通過機器學習的方法找出二維碼區(qū)域 與非二維碼區(qū)域的分類器，進行二維碼區(qū)域定位。這類技術需要大量的樣本進行訓練，而當 樣本量較大時，往往容易陷入局部最優(yōu)解。

【發(fā)明內容】

[0015] 本發(fā)明要解決的技術問題是提供一種改進的二維碼區(qū)域定位系統(tǒng)及其定位方法， 能夠解決現(xiàn)有技術的不足，解決了現(xiàn)有方法存在的需要大量訓練樣本卻又易陷入局部最優(yōu) 解的矛盾。
[0016] 為解決上述技術問題，本發(fā)明所采取的技術方案如下。
[0017] -種改進的二維碼區(qū)域定位系統(tǒng)，包括，
[0018] 圖像采集模塊，用于采集圖層信息；
[0019] 訓練模塊，使用圖像采集模塊采集到的樣本圖層作為輸入信息，通過計算得到多 個與樣本圖像相關的傳遞圖層信息；
[0020] 特征提取模塊，使用傳遞圖層信息對圖像采集模塊采集圖層的特征向量進行提 ?。?br>[0021] 特征分類模塊，用于對圖層的特征向量進行分類存儲；
[0022] 識別模塊，使用待識別圖層特征向量的分類結果與樣本圖層特征向量的分類結果 進行對比，判定待識別圖層是否為二維碼區(qū)域。
[0023 ] -種上述改進的二維碼區(qū)域定位系統(tǒng)的定位方法，包括以下步驟：
[0024] A、使用圖像采集模塊1采集訓練用的樣本圖層信息，形成樣本集；
[0025] B、訓練模塊2計算傳遞圖層第j個節(jié)點為0或1的概率，
[0027] 其中，X為樣本圖層，y為傳遞圖層，k為樣本圖層和傳遞圖層之間的關聯(lián)度；
[0028] C、訓練模塊2根據傳遞圖層的信息計算樣本圖層第j個節(jié)點為0或1的概率，
[0031] D、訓練模塊2計算使L( δ)得值最大的δ，
[0033]由δ計算出傳遞圖層的信息；
[0034] Ε、以已知的傳遞圖層作為傳遞圖層，重復步驟Β~D，得出若干個傳遞圖層信息； [0035] F、特征提取模塊3使用傳遞圖層信息對圖像采集模塊1采集圖層的特征向量進行 提??；
[0036] G、特征分類模塊4對圖層的特征向量進行分類存儲；
[0037] Η、將待識別圖層帶入步驟F和G中，得到待識別圖層特征向量的分類結果，使用樣 本圖層特征向量的分類結果與待識別圖層特征向量的分類結果進行對比，判定待識別圖層 是否為二維碼區(qū)域;若待識別圖層是二維碼區(qū)域則實現(xiàn)二維碼區(qū)域的定位，若待識別圖層 不是二維碼區(qū)域則重復步驟Η，直至檢測到二維碼區(qū)域為止。
[0038] 作為優(yōu)選，步驟Ε中，對傳遞圖層和樣本圖層進行調整。
[0039] 作為優(yōu)選，步驟F中，提取特征向量包括以下步驟，
[0040] F1、分別使用每個傳遞圖層求出傳遞圖層與目標圖層之間的變換矩陣；
[0041] F2、求出每個變換矩陣的特征向量；
[0042] F3、提取其中線性不相關的特征向量作為目標圖層的特征向量。
[0043] 作為優(yōu)選，步驟G中，對于特征向量分類包括以下步驟，
[0044] G1、求出目標圖層灰度的特征矩陣，求出特征矩陣的特征向量；
[0045] G1、使用步驟F中求出的目標圖層的每個特征向量與特征矩陣的特征向量進行對 比，求取其相似度；
[0046] G3、根據相似度的高低將目標圖層的特征向量分成10組~20組。
[0047] 采用上述技術方案所帶來的有益效果在于:本發(fā)明可以通過多層自動地進行特征 提取，整個過程不需要任何先驗知識。特征不僅包括現(xiàn)有方法提取出的顏色、邊緣和紋理等 信息，還包括了現(xiàn)有方法無法提取的高度抽象的二維碼特征。這些特征大大提高了二維碼 區(qū)域定位的效率和精度，對一些現(xiàn)有方法無法定位二維碼的圖像，也能準確進行定位。
【附圖說明】
[0048]圖1是本發(fā)明一個【具體實施方式】的原理圖。
[0049]圖中：i、圖像采集模塊;2、訓練模塊;3、特征提取模塊;4、特征分類模塊;5、識別模 塊。
【具體實施方式】
[0050]參照圖1，本發(fā)明一個【具體實施方式】包括，
[0051 ]圖像采集模塊1，用于采集圖層信息；
[0052]訓練模塊2,使用圖像采集模塊1采集到的樣本圖層作為輸入信息，通過計算得到 多個與樣本圖像相關的傳遞圖層信息；
[0053]特征提取模塊3,使用傳遞圖層信息對圖像采集模塊1采集圖層的特征向量進行提 ??；
[0054]特征分類模塊4,用于對圖層的特征向量進行分類存儲；
[0055] 識別模塊5,使用待識別圖層特征向量的分類結果與樣本圖層特征向量的分類結 果進行對比，判定待識別圖層是否為二維碼區(qū)域。
[0056] -個上述改進的二維碼區(qū)域定位系統(tǒng)的定位方法，包括以下步驟，
[0057] A、使用圖像采集模塊1采集訓練用的樣本圖層信息，形成樣本集；
[0058] B、訓練模塊2計算傳遞圖層第j個節(jié)點為0或1的概率，
[0060] 其中，X為樣本圖層，y為傳遞圖層，k為樣本圖層和傳遞圖層之間的關聯(lián)度；
[0061] C、訓練模塊2根據傳遞圖層的信息計算樣本圖層第j個節(jié)點為0或1的概率，
[0064] D、訓練模塊2計算使L( δ)得值最大的δ，
[0066]由δ計算出傳遞圖層的信息；
[0067] Ε、以已知的傳遞圖層作為傳遞圖層，重復步驟Β~D，得出若干個傳遞圖層信息； [0068] F、特征提取模塊3使用傳遞圖層信息對圖像采集模塊1采集圖層的特征向量進行 提取；
[0069] G、特征分類模塊4對圖層的特征向量進行分類存儲；
[0070] Η、將待識別圖層帶入步驟F和G中，得到待識別圖層特征向量的分類結果，使用樣 本圖層特征向量的分類結果與待識別圖層特征向量的分類結果進行對比，判定待識別圖層 是否為二維碼區(qū)域;若待識別圖層是二維碼區(qū)域則實現(xiàn)二維碼區(qū)域的定位，若待識別圖層 不是二維碼區(qū)域則重復步驟Η，直至檢測到二維碼區(qū)域為止。
[0071] 步驟Ε中，對傳遞圖層和樣本圖層進行調整。調整過程中，使用傳遞圖層和樣本圖 層中紋理圖像相同的特征點作為參考點，對圖層的邊緣進行調整，圖層圖像跟隨圖層邊緣 盡心同步調整，使整個圖層的相似度保持為最大值。這可以有效降低每次傳遞圖層求取時 產生的圖形畸變。
[0072] 另外，樣本圖層和傳遞圖層之間的關聯(lián)度k在每次使用前，均使用前一次計算的節(jié) 點概率和關聯(lián)度k進行修正，
[0073] k7 j = kj+P(kj-i_kj)，
[0074] 這可以有效降低單個樣本的采集誤差對于整個圖層特征向量的影響，提高整個定 位過程的容錯率。
[0075] 本發(fā)明可以實現(xiàn)快速的二維碼區(qū)域定位，方法簡便，識別準確度高。
[0076]上述描述僅作為本發(fā)明可實施的技術方案提出，不作為對其技術方案本身的單一 限制條件。
【主權項】
1. 一種改進的二維碼區(qū)域定位系統(tǒng)，其特征在于:包括， 圖像采集模塊(1 )，用于采集圖層信息； 訓練模塊(2)，使用圖像采集模塊（1)采集到的樣本圖層作為輸入信息，通過計算得到 多個與樣本圖像相關的傳遞圖層信息； 特征提取模塊(3)，使用傳遞圖層信息對圖像采集模塊（1)采集圖層的特征向量進行提 ?。? 特征分類模塊(4)，用于對圖層的特征向量進行分類存儲； 識別模塊(5)，使用待識別圖層特征向量的分類結果與樣本圖層特征向量的分類結果 進行對比，判定待識別圖層是否為二維碼區(qū)域。2. -種使用權利要求1所述的改進的二維碼區(qū)域定位系統(tǒng)的定位方法，其特征在于包 括以下步驟： A、 使用圖像采集模塊(1)采集訓練用的樣本圖層信息，形成樣本集； B、 訓練模塊（2)計笪傳遞圖層笛i個書占為〇或1的概蜜.其中，X為樣本圖層，y為傳遞圖層，k為樣本圖層和傳遞圖層之間的關聯(lián)度； C、 訓練模塊(2)根據傳遞圖層的信息計算樣本圖層第j個節(jié)點為0或1的概率，D、 訓練模塊(2)計算使L (δ)得值最大的δ，由S計算出傳遞圖層的信息； Ε、以已知的傳遞圖層作為傳遞圖層，重復步驟Β~D，得出若干個傳遞圖層信息； F、 特征提取模塊(3)使用傳遞圖層信息對圖像采集模塊（1)采集圖層的特征向量進行 提??； G、 特征分類模塊(4)對圖層的特征向量進行分類存儲； Η、將待識別圖層帶入步驟F和G中，得到待識別圖層特征向量的分類結果，使用樣本圖 層特征向量的分類結果與待識別圖層特征向量的分類結果進行對比，判定待識別圖層是否 為二維碼區(qū)域;若待識別圖層是二維碼區(qū)域則實現(xiàn)二維碼區(qū)域的定位，若待識別圖層不是 二維碼區(qū)域則重復步驟Η，直至檢測到二維碼區(qū)域為止。3. 根據權利要求2所述的定位方法，其特征在于:步驟Ε中，對傳遞圖層和樣本圖層進行 調整。4. 根據權利要求2所述的定位方法，其特征在于：步驟F中，提取特征向量包括以下步 驟， F1、分別使用每個傳遞圖層求出傳遞圖層與目標圖層之間的變換矩陣； F2、求出每個變換矩陣的特征向量； F3、提取其中線性不相關的特征向量作為目標圖層的特征向量。5.根據權利要求2所述的定位方法，其特征在于:步驟G中，對于特征向量分類包括以下 步驟， G1、求出目標圖層灰度的特征矩陣，求出特征矩陣的特征向量； G1、使用步驟F中求出的目標圖層的每個特征向量與特征矩陣的特征向量進行對比，求 取其相似度； G3、根據相似度的高低將目標圖層的特征向量分成10組~20組。
【文檔編號】G06K7/14GK105868676SQ201610409312
【公開日】2016年8月17日
【申請日】2016年6月13日
【發(fā)明人】林正春, 王越, 郝迎喜
【申請人】郝迎喜