毕设项目分享基于深度学习二维码检测识别系统-北京尧图网络

文章目录0 简介1 二维码基础概念1.1 二维码介绍1.2 QRCode1.3 QRCode 特点2 机器视觉二维码识别技术2.1 二维码的识别流程2.2 二维码定位2.3 常用的扫描方法4 深度学习二维码识别4.1 部分关键代码最后0 简介今天学长向大家分享一个毕业设计项目**毕业设计基于深度学习二维码检测识别系统 **项目运行效果毕业设计深度学习二维码检测识别项目分享见主页任意置顶文章1 二维码基础概念1.1 二维码介绍二维条码/二维码2-dimensional barcode是用某种特定的几何图形按一定规律在平面二维方向上分布的、黑白相间的、记录数据符号信息的图形在代码编制上巧妙地利用构成计算机内部逻辑基础的“0”、“1”比特流的概念使用若干个与二进制相对应的几何形体来表示文字数值信息通过图象输入设备或光电扫描设备自动识读以实现信息自动处理它具有条码技术的一些共性每种码制有其特定的字符集每个字符占有一定的宽度具有一定的校验功能等。同时还具有对不同行的信息自动识别功能、及处理图形旋转变化点。1.2 QRCode常见的二维码为QR CodeQR全称Quick Response是一个近几年来移动设备上超流行的一种编码方式它比传统的BarCode条形码能存更多的信息也能表示更多的数据类型。1.3 QRCode 特点1、符号规格从版本121×21模块到版本40177×177 模块每提高一个版本每边增加4个模块。2、数据类型与容量参照最大规格符号版本40-L级数字数据7,089个字符字母数据: 4,296个字符8位字节数据: 2,953个字符汉字数据1,817个字符3、数据表示方法深色模块表示二进制1浅色模块表示二进制0。4、纠错能力L级约可纠错7%的数据码字M级约可纠错15%的数据码字Q级约可纠错25%的数据码字H级约可纠错30%的数据码字5、结构链接可选可用1-16个QR Code码符号表示一组信息。每一符号表示100个字符的信息。2 机器视觉二维码识别技术2.1 二维码的识别流程首先对采集的彩色图像进行灰度化以提高后继的运行速度。其次去除噪声。采用十字形中值滤波去除噪音对二码图像的干扰主要是盐粒噪声。利用灰度直方图工具使用迭代法选取适当的阈值对二维码进行二值化处理灰度化去噪二值化寻找探测图形确定旋转角度定位旋转获得数据使其变为白底黑色条码。最后确定二维码的位置探测图形对条码进行定位旋转至水平后获得条码数据以便下一步进行解码。2.2 二维码定位QR 码有三个形状相同的位置探测图形在没有旋转的情况下这三个位置探测图形分别位于 QR 码符号的左上角、右上角和左下角。三个位置探测图形共同组成图像图形。每个位置探测图形可以看作是由 3 个重叠的同心的正方形组成它们分别为 77 个深色模块、 55 个浅模块和 3*3 个深色模块。位置探测图形的模块宽度比为 1: 1:3: 1: 1。![在这里插入图片描述](https://img-blog.csdnimg.cn/dd71567e55d24dea842dba7c6c344b2c.png?x-oss-processimage/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv,size_8,color_FFFFFF,t_70,g_se,x_16)这种 1: 1: 3: 1: 1 的宽度比例特征在图像的其他位置出现的可能性很小故可以将此作为位置探测图形的扫描特征。基于此特征当一条直线上称为扫描线被黑白相间地截为1: 1: 3:1: 1 时可以认为该直线穿过了位置探测图形。另外该扫描特征不受图像倾斜的影响。对比中的两个 QR 码符号可以发现无论 QR码符号是否倾斜都符合 1: 1: 3:1: 1 的扫描特征。2.3 常用的扫描方法1. 在 X 方向进行依次扫描。(1) 固定 Y 坐标的取值在 X 方向上画一条水平直线称为扫描线进行扫描。当扫描线被黑白相间地截为 1: 1: 3: 1: 1 时可以认为该直线穿过了位置探测图形。在实际判定时比例系数允许 0. 5 的误差即比例系数为1 的允许范围为 0. 5~1. 5 比例系数为 3的允许范围为 2. 5~3. 5。(2) 当寻找到有直线穿过位置探测图形时记录下位置探测图形的外边缘相遇的第一点和最后一点 A 和 B。由 A、 B两点为端点的线段称为扫描线段。将扫描线段保存下来。![在这里插入图片描述](https://img-blog.csdnimg.cn/2ca811301e4b404caeae92e5a32c1bec.png?x-oss-processimage/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv,size_9,color_FFFFFF,t_70,g_se,x_16)用相同的方法完成图像中所有水平方向的扫描。2. 在 Y 方向使用相同的方法进行垂直扫描同样保存扫描得到的扫描线段。扫描线段分类扫描步骤获得的扫描线段是没有经过分类的也就是对于特定的一条扫描线段无法获知其具体对应于三个位置探测图形中的哪一个。在计算位置探测图形中距离邻域法的思想是给定一个距离阈值 dT, 当两条扫描线段的中点的距离小于 d T 时认为两条扫描线段在同一个邻域内将它们分为一类反之则归为不同的类别。距离邻域法的具体步骤如下1 给定一个距离阈值 dT d T要求满足以下条件位于同一个位置探测图形之中的任意两点之间的距离小于 dT 位于不同位置探测图形中的任意两点之间的距离大于 d T2 新建一个类别将第 1 条扫描线段归入其中。3 对于第 i 条扫描线段 l i 2≤i≤n 做以下操作a) 求出 l i 的中点 C i 。b) 分别计算C i与在已存在的每一个类别中的第一条扫描线段的中点的距离d若 dd T 则直接将 l i 加入相应类别中。c) 若无法找到 l i 可以加入的类别则新建一个类别将 l i 加入其中。4 将所有类别按照包含扫描线段的数目进行从大到小排序保存前 3 个类别即包含扫描线段数目最多的 3 个类别其余的视为误判得到的扫描线段在位置探测图形以外的位置得到的符合扫描特征的扫描线段直接舍去。距离邻域法结束后得到的分好 3 个类别的扫描线段就分别对应了 3 个位置探测图形。距离邻域法的关键就是距离阈值的选取。一般对于不同大小的 QR码图像要使用不同的距离阈值。1 在 X 方向的扫描线段中找出最外侧的两条分别取中点记为 A、 B。由 A、 B两点连一条直线。![在这里插入图片描述](https://img-blog.csdnimg.cn/d29d87f65f7548daab27b87f6b055294.png?x-oss-processimage/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv,size_7,color_FFFFFF,t_70,g_se,x_16)2 在 Y 方向的扫描线段中找出最外侧的两条分别取中点记为 C、 D。由 C、 D两点连一条直线。![在这里插入图片描述](https://img-blog.csdnimg.cn/8ecb2bc8a4604940a1e3e02147baed59.png?x-oss-processimage/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv,size_8,color_FFFFFF,t_70,g_se,x_16)3 计算直线 AB 与直线 CD 的交点 O 即为位置探测图形中心点。将 QR 码符号的左上、右上位置探测图形的中心分别记为 A、 B。连接 A、 B。直线 AB 与水平线的夹角α 即为 QR 码符号的旋转角度。对于该旋转角度α 求出其正弦值 sinα 与余弦值 cosα 即可。具体计算公式如下位置探测图形边长的计算是基于无旋转图像的在无旋转图像中水平扫描线段的长度即为位置探测图形的边长。水平扫描线段 AB 的长度即为位置探测图形的边长 X。对于经过旋转的 QR 码图像先通过插值算法生成旋正的 QR 码图像然后按照如上所述的方法进行位置探测图形边长的计算4 深度学习二维码识别基于 CNN 的二维码检测网络结构如下4.1 部分关键代码篇幅有限学长在这只给出部分关键代码首先定义一个 AlgoQrCode.h#pragma once #include #include using namespace cv; using namespace std; class AlgoQRCode { private: Ptrwechat_qrcode::WeChatQRCode detector; public: bool initModel(string modelPath); string detectQRCode(string strPath); bool compression(string inputFileName, string outputFileName, int quality); void release(); };该头文件定义了一些方法包含了加载模型、识别二维码、释放资源等方法以及一个 detector 对象用于识别二维码。然后编写对应的源文件 AlgoQrCode.cppbool AlgoQRCode::initModel(string modelPath) { string detect_prototxt modelPath detect.prototxt; string detect_caffe_model modelPath detect.caffemodel; string sr_prototxt modelPath sr.prototxt; string sr_caffe_model modelPath sr.caffemodel; try { detector makePtrwechat_qrcode::WeChatQRCode(detect_prototxt, detect_caffe_model, sr_prototxt, sr_caffe_model); } catch (const std::exception e) { cout e.what() endl; return false; } return true; } string AlgoQRCode::detectQRCode(string strPath) { if (detector NULL) { return -1; } vectorMat vPoints; vectorcv::String vStrDecoded; Mat imgInput imread(strPath, IMREAD_GRAYSCALE); // vStrDecoded detector-detectAndDecode(imgInput, vPoints); .... } bool AlgoQRCode::compression(string inputFileName, string outputFileName, int quality) { Mat srcImage imread(inputFileName); if (srcImage.data ! NULL) { vectorintcompression_params; compression_params.push_back(IMWRITE_JPEG_QUALITY); compression_params.push_back(quality); //图像压缩参数该参数取值范围为0-100数值越高图像质量越高 bool bRet imwrite(outputFileName, srcImage, compression_params); return bRet; } return false; } void AlgoQRCode::release() { detector NULL; }最后项目运行效果毕业设计深度学习二维码检测识别项目分享见主页任意置顶文章

毕设项目分享基于深度学习二维码检测识别系统

相关推荐

毕设项目分享人脸识别系统

神经网络拟合线性函数的原理与实践

毕设项目分享 LSTM天气预测算法系统

更多资讯

IPC设备P2P技术与NAT穿透原理详解

PHP话费充值系统源码拆解：ThinkPHP5部署与支付回调实战

用 Agent 管理你的关系网络：Digital Brain Network 模块的数据 Schema、工作流与自动化实战

Wasp 后台任务实践：用 PgBoss 执行器实现延迟与周期性 Job

OpenClaw AI助手安全部署与零信任架构实践

SpringBoot构建智慧电桩管理系统的架构设计与实践

今日更新

51单片机开环控制磁阻传感器的硬件匹配与代码实现

AI Agent安全操作数据库：SQL注入防御与参数化查询实战

Android逆向实战：还原激励类App签到接口的签名算法

本周精选

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？