CN111767750A - 图像处理方法和装置 - Google Patents
图像处理方法和装置 Download PDFInfo
- Publication number
- CN111767750A CN111767750A CN201910447841.XA CN201910447841A CN111767750A CN 111767750 A CN111767750 A CN 111767750A CN 201910447841 A CN201910447841 A CN 201910447841A CN 111767750 A CN111767750 A CN 111767750A
- Authority
- CN
- China
- Prior art keywords
- bar code
- barcode
- target image
- angle
- deflection angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims description 62
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1456—Methods for optical code recognition including a method step for retrieval of the optical code determining the orientation of the optical code with respect to the reader and correcting therefore
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了图像处理方法和装置。该方法的一具体实施方式包括：获取呈现有条形码的目标图像；确定目标图像中的条形码区域；将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度，其中，角度预测模型用于识别条形码区域中的条形码的偏转角度，偏转角度为条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角；基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码。该实施方式提高了条形码识别的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及图像处理方法和装置。
背景技术
近年来，随着计算机应用的不断普及，条形码的应用得到了很大的发展。条形码可以标出物品的生产国、制造厂家、商品名称、生产日期、图书分类号、邮件起止地点、类别、日期等信息，因而在商品流通、图书管理、邮电管理、银行***等许多领域都得到了广泛的应用。
发明内容
本申请实施例提出了图像处理方法和装置。
第一方面，本申请实施例提供了一种图像处理方法，包括：获取呈现有条形码的目标图像；确定目标图像中的条形码区域；将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度，其中，角度预测模型用于识别条形码区域中的条形码的偏转角度，偏转角度为条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角；基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码。
在一些实施例中，确定目标图像中的条形码区域，包括：基于预先训练的条形码检测模型，确定目标图像中的条形码区域。
在一些实施例中，条形码检测模型包括轻量级神经网络和单次多边界框检测模型，其中，轻量级神经网络包括至少两个级联的特征提取层，单次多边界框检测模型包括全连接层和预测层；以及基于预先训练的条形码检测模型，确定目标图像中的条形码区域，包括：将目标图像输入到轻量级神经网络中，将轻量级神经网络的后两个特征提取层输出的特征向量进行融合；将融合后的特征向量输入到全连接层中，得到目标图像中的条形码区域在预设第二坐标系下的位置信息；将位置信息输入到预测层，得到目标图像中的条形码区域。
在一些实施例中，基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码，包括：将目标图像中的条形码旋转偏转角度，使得目标图像中的条形码中的条与预设第一坐标系中的纵坐标轴平行，得到角度校正后的条形码。
在一些实施例中，该方法还包括：识别角度校正后的条形码得到识别结果。
在一些实施例中，识别角度校正后的条形码得到识别结果，包括：通过拉普拉斯算子对角度校正后的条形码进行模糊检测，得到角度校正后的条形码的模糊度；响应于确定出模糊度大于预设的模糊度阈值，对角度校正后的条形码进行对比度增强处理；对处理后的条形码进行识别，得到识别结果。
第二方面，本申请实施例提供了一种图像处理装置，包括：获取单元，被配置成获取呈现有条形码的目标图像；确定单元，被配置成确定目标图像中的条形码区域；输入单元，被配置成将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度，其中，角度预测模型用于识别条形码区域中的条形码的偏转角度，偏转角度为条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角；旋转单元，被配置成基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码。
在一些实施例中，确定单元进一步被配置成按照如下方式确定目标图像中的条形码区域：基于预先训练的条形码检测模型，确定目标图像中的条形码区域。
在一些实施例中，条形码检测模型包括轻量级神经网络和单次多边界框检测模型，其中，轻量级神经网络包括至少两个级联的特征提取层，单次多边界框检测模型包括全连接层和预测层；以及确定单元进一步被配置成按照如下方式基于预先训练的条形码检测模型，确定目标图像中的条形码区域：将目标图像输入到轻量级神经网络中，将轻量级神经网络的后两个特征提取层输出的特征向量进行融合；将融合后的特征向量输入到全连接层中，得到目标图像中的条形码区域在预设第二坐标系下的位置信息；将位置信息输入到预测层，得到目标图像中的条形码区域。
在一些实施例中，旋转单元进一步被配置成按照如下方式基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码：将目标图像中的条形码旋转偏转角度，使得目标图像中的条形码中的条与预设第一坐标系中的纵坐标轴平行，得到角度校正后的条形码。
在一些实施例中，该装置还包括：识别单元，被配置成识别角度校正后的条形码得到识别结果。
在一些实施例中，识别单元进一步被配置成按照如下方式识别角度校正后的条形码得到识别结果：通过拉普拉斯算子对角度校正后的条形码进行模糊检测，得到角度校正后的条形码的模糊度；响应于确定出模糊度大于预设的模糊度阈值，对角度校正后的条形码进行对比度增强处理；对处理后的条形码进行识别，得到识别结果。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请的上述实施例提供的图像处理方法和装置，通过获取呈现有条形码的目标图像；之后，确定上述目标图像中的条形码区域；而后，将上述条形码区域输入到预先训练的角度预测模型中，得到上述条形码区域中的条形码的偏转角度；最后，基于所得到的条形码的偏转角度，对上述目标图像中的条形码进行旋转得到角度校正后的条形码。通过这种方式可以对条形码进行角度校正，从而可以提高条形码识别的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的各个实施例可以应用于其中的示例性***架构图；
图2是根据本申请的图像处理方法的一个实施例的流程图；
图3是根据本申请的图像处理方法的一个应用场景的示意图；
图4是根据本申请的图像处理方法的又一个实施例的流程图；
图5是根据本申请的图像处理方法的另一个实施例的流程图；
图6是根据本申请的图像处理装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的图像处理方法或图像处理装置的示例性***架构100。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息(例如，服务器105接收终端设备101、102、103所拍摄到的呈现有条形码的目标图像)等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像获取类应用、支付类应用、人脸识别类应用等。
终端设备101、102、103可以对呈现有条形码的物体进行拍摄从而获取到呈现有条形码的目标图像；之后，可以确定获取到的目标图像中的条形码区域；而后，可以将上述条形码区域输入到预先训练的角度预测模型中，得到上述条形码区域中的条形码的偏转角度；最后，可以基于所得到的条形码的偏转角度，对上述目标图像中的条形码进行旋转得到角度校正后的条形码。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有摄像头并且支持信息交互的各种电子设备，包括但不限于智能冷柜、智能手机、平板电脑、膝上型便携计算机等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器。例如，可以对呈现有条形码的目标图像进行分析，确定条形码区域中的条形码的偏转角度，从而对目标图像中的条形码进行旋转得到角度校正后的条形码。服务器105可以首先获取呈现有条形码的目标图像；之后，可以确定上述目标图像中的条形码区域；而后，可以将上述条形码区域输入到预先训练的角度预测模型中，得到上述条形码区域中的条形码的偏转角度；最后，可以基于所得到的条形码的偏转角度，对上述目标图像中的条形码进行旋转得到角度校正后的条形码。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的图像处理方法可以由终端设备101、102、103执行，也可以由服务器105执行。
还需要说明的是，终端设备101、102、103的本地可以存储有预先训练的角度预测模型，终端设备101、102、103可以确定目标图像中的条形码区域以及对目标图像中的条形码进行旋转得到角度校正后的条形码。此时示例性***架构100可以不存在网络104和服务器105。
还需要说明的是，服务器105的本地也可以存储有呈现有条形码的目标图像，服务器105可以从本地获取呈现有条形码的目标图像。此时示例性***架构100可以不存在终端设备101、102、103和网络104。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的图像处理方法的一个实施例的流程200。该图像处理方法，包括以下步骤：
步骤201，获取呈现有条形码的目标图像。
在本实施例中，图像处理方法的执行主体(例如图1所示的服务器)可以获取呈现有条形码的目标图像。条形码是将宽度不等的多个黑条和空白，按照一定的编码规则排列，用以表达一组信息的图形标识符。常见的条形码是由反射率相差很大的黑条(简称条)和白条(简称空)排成的平行线图案。目标图像可以是待处理的图像。若上述执行主体为服务器，上述执行主体可以从终端设备中获取终端设备所拍摄的包含条形码的目标图像。
作为示例，若终端设备为存储药品(例如，疫苗)的智能冷柜装置时，在从智能冷柜装置中取出药品时，智能冷柜装置的摄像头可以对药品包装上的条形码进行拍摄，之后，可以将拍摄到的包含条形码的图像发送给上述执行主体。
步骤202，确定目标图像中的条形码区域。
在本实施例中，上述执行主体可以确定步骤201中所获取到的目标图像中的条形码区域。上述执行主体可以使用基于形态学的条形码检测方法、基于窗口直方图的条形码检测方法和基于条形码的灰度和条纹特征的条形码检测方法确定上述目标图像中的条形码区域。
步骤203，将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度。
在本实施例中，上述执行主体可以将上述条形码区域输入到预先训练的角度预测模型中，得到上述条形码区域中的条形码的偏转角度。上述角度预测模型可以用于识别条形码区域中的条形码的偏转角度。上述角度预测模型可以是轻量级神经网络(MobileNet)，轻量级神经网络是为移动和嵌入式设备提出的高效模型。轻量级神经网络基于流线型架构(streamlined)，使用深度可分离卷积(Depthwise Separable Convolutions)来构建轻量级深度神经网络。在这里，上述轻量级神经网络可以包含五个级联的卷积层，其中，前四个卷积层为特征提取层，后一个卷积层为预测层。
在本实施例中，上述偏转角度可以为条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角。通常情况下，条形码区域可以是矩形区域。上述预设第一坐标系可以是以条形码区域的相邻两条边分别为横坐标轴与纵坐标轴。在这里，上述预设第一坐标系的纵坐标轴通常为条形码区域的相邻两条边中与条形码中的条之间的夹角较小的边。
步骤204，基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码。
在本实施例中，上述执行主体可以基于所得到的条形码的偏转角度，对上述目标图像中的条形码进行旋转得到角度校正后的条形码。上述执行主体可以确定上述偏转角度的补角作为目标角度，上述执行主体可以将上述目标图像中的条形码旋转之后使得条形码中的条与上述预设第一坐标系的纵坐标轴之间的夹角变大的方向确定为条形码的旋转方向，按照上述确定出的旋转方向将上述目标图像中的条形码旋转上述目标角度，以得到角度校正后的条形码。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下步骤确定上述目标图像中的条形码区域：基于预先训练的条形码检测模型，确定所述目标图像中的条形码区域。具体地，上述条形码检测模型可以包括基于两步检测算法(two-stage detection)的模型。上述基于两步检测算法的模型可以包括R-CNN(Region-Convolutional NeuralNetwork，区域卷积神经网络)、Faster-RCNN(Faster-Region Convolutional NeuralNetwork，快速区域卷积神经网络)和Light Head RCNN(Light Head ConvolutionalNeural Network，轻量头部卷积神经网络)等。这类模型可以通过RPN(Region ProposalNetwork，候选区提取网络)生成候选区域以及对候选区域分类和回归。上述条形码检测模型还可以基于端到端检测算法(one-stage detection)。上述端到端检测算法可以包括基于回归的检测算法YOLO(You Only Look Once)和SSD(Single Shot MultiBox Detector，单次多边界框检测模型)。YOLO将物体检测任务当做回归问题来处理，直接通过整张图片的所有像素得到边界框的坐标、框中包含物体的置信度和类别概率。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式基于所得到的条形码的偏转角度，对上述目标图像中的条形码进行旋转得到角度校正后的条形码：上述执行主体可以将上述目标图像中的条形码旋转上述偏转角度，使得上述目标图像中的条形码中的条与上述预设第一坐标系中的纵坐标轴平行，得到角度校正后的条形码。作为示例，上述执行主体可以将上述目标图像中的条形码旋转之后使得条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角变小的方向确定为条形码的旋转方向，按照上述确定出的旋转方向将上述目标图像中的条形码旋转上述偏转角度，以得到角度校正后的条形码。
在本实施例的一些可选的实现方式中，上述执行主体可以识别上述角度校正后的条形码得到识别结果。作为示例，可以使用开源的ZBar条形码识别库对上述角度校正后的条形码进行识别。ZBar是一个开源库，用于扫描、读取二维码和条形码。
继续参见图3，图3是根据本实施例的图像处理方法的应用场景的一个示意图。在图3的应用场景中，图像处理方法(例如，服务器或者终端设备)的执行主体可以首先获取呈现有条形码的目标图像301。之后，上述执行主体可以确定目标图像301中的条形码区域302。例如，上述执行主体可以基于条形码的灰度和条纹特征的条形码检测方法确定目标图像301中的条形码区域302。而后，上述执行主体可以将条形码区域302输入到预先训练的角度预测模型303中，得到条形码区域302中的条形码的偏转角度304。在这里，条形码的偏转角度304为15度。在这里，条形码的旋转角度15度为条形码中的条与条形码区域中较短的边所形成的夹角。最后，上述执行主体可以基于所得到的条形码的偏转角度304，对目标图像301中的条形码进行旋转得到角度校正后的条形码305。上述执行主体可以确定上述偏转角度15度的补角为165度，将165度作为目标角度，将目标图像301中的条形码旋转之后使得条形码中的条与条形码区域中较短的边之间的夹角变大的方向确定为条形码的旋转方向，按照上述确定出的旋转方向将目标图像301中的条形码旋转165度，以得到角度校正后的条形码305。
本申请的上述实施例提供的方法通过确定呈现有条形码的目标图像中的条形码区域，将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度，以对目标图像中的条形码进行旋转得到角度校正后的条形码。通过这种方式可以对条形码进行角度校正，从而可以提高条形码识别的准确性。
进一步参考图4，其示出了图像处理方法的又一个实施例的流程400。该图像处理方法的流程400，包括以下步骤：
步骤401，获取呈现有条形码的目标图像。
在本实施例中，步骤401可以按照与步骤201类似的方式执行，在此不再赘述。
步骤402，将目标图像输入到轻量级神经网络中，将轻量级神经网络的后两个特征提取层输出的特征向量进行融合。
在本实施例中，上述执行主体可以将上述目标图像输入到轻量级神经网络中，将上述轻量级神经网络的后两个特征提取层输出的特征向量进行融合。轻量级神经网络是为移动和嵌入式设备提出的高效模型。轻量级神经网络基于流线型架构，使用深度可分离卷积(Depthwise Separable Convolutions)来构建轻量级深度神经网络。上述轻量级神经网络可以从目标图像中提取图像特征。上述轻量级神经网络可以包括至少两个级联的特征提取层。将特征向量进行融合也可以理解为对特征向量进行合并。作为示例，若上述轻量级神经网络包括四个级联的特征提取层，将上述目标图像输入到上述轻量级神经网络中，上述轻量级神经网络的第三个特征提取层输出了16个特征向量，上述轻量级神经网络的第四个特征提取层也输出了16个特征向量，对上述第三个特征提取层输出的16个特征向量与上述第四个特征提取层输出的16个特征向量进行融合，可以得到32个特征向量。
步骤403，将融合后的特征向量输入到全连接层中，得到目标图像中的条形码区域在预设第二坐标系下的位置信息。
在本实施例中，上述执行主体可以将融合后的特征向量输入到单次多边界框检测模型的全连接层中，得到上述目标图像中的条形码区域在预设第二坐标系下的位置信息。上述单次多边界框检测模型是一种直接预测目标类别和边界框(bounding boxes)的多目标检测模型。它基于一个前向传播的卷积神经网络(Convolutional Neural Network，CNN)，产生一系列固定大小的边界框以及每一个框中包含物体实例的可能性，之后，进行一个非极大值抑制(Non-Maximum Suppression)，得到最终预测。上述全连接层可以用于对融合后的特征向量进行回归分析。
在本实施例中，上述预设第二坐标系可以是以上述目标图像的相邻两条边分别作为横坐标与纵坐标的坐标系。上述位置信息可以包括坐标信息，例如，条形码区域的左上顶点的坐标(x1，y1)和右下顶点的坐标(x2，y2)，或者条形码区域的左下顶点的坐标(x3，y3)和右上顶点的坐标(x4，y4)。
步骤404，将位置信息输入到预测层，得到目标图像中的条形码区域。
在本实施例中，上述执行主体可以将上述位置信息输入到上述单次多边界框检测模型中的预测层，得到上述目标图像中的条形码区域。上述预测层可以基于位置信息对条形码区域进行预测。
作为示例，上述执行主体可以将上述条形码区域的左上顶点的坐标(x1，y1)和右下顶点的坐标(x2，y2)输入到上述单次多边界框检测模型中的预测层，上述预测层可以输出上述目标图像中的条形码区域。
步骤405，将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度。
步骤406，基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码。
在本实施例中，步骤405-406可以按照与步骤203-204类似的方式执行，在此不再赘述
从图4中可以看出，与图2对应的实施例相比，本实施例中的图像处理方法的流程400体现了将轻量级神经网络的后两个特征提取层输出的特征向量进行融合，利用融合后的特征向量确定目标图像中的条形码区域的步骤。由此，本实施例描述的方案可以增加条形码的特征信息量，较好地解决了小目标物体的检测，从而进一步提高了条形码识别的准确性。
进一步参考图5，其示出了图像处理方法的另一个实施例的流程500。该图像处理方法的流程500，包括以下步骤：
步骤501，获取呈现有条形码的目标图像。
步骤502，确定目标图像中的条形码区域。
步骤503，将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度。
步骤504，基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码。
在本实施例中，步骤501-504可以按照与步骤201-204类似的方式执行，在此不再赘述。
步骤505，通过拉普拉斯算子对角度校正后的条形码进行模糊检测，得到角度校正后的条形码的模糊度。
在本实施例中，上述执行主体可以通过拉普拉斯算子(Laplace Operator)对上述角度校正后的条形码进行模糊检测，得到上述角度校正后的条形码的模糊度。具体地，上述执行主体可以利用拉普拉斯算子与上述角度校正后的条形码的图像进行卷积运算，之后，计算方差得到上述角度校正后的条形码的模糊度。拉普拉斯算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度的散度。
在这里，图像模糊的实质就是图像受到平均运算或积分运算，因此可以对图像进行逆运算，如微分运算能够突出图像细节，使图像变得更为清晰。由于拉普拉斯是一种微分算子，它的应用可增强图像中灰度突变的区域，减弱灰度的缓慢变化区域。
步骤506，确定模糊度是否大于预设的模糊度阈值。
在本实施例中，上述执行主体可以确定步骤505得到的模糊度是否大于预设的模糊度阈值。若上述模糊度大于预设的模糊度阈值，则可以执行步骤507。
步骤507，响应于确定出模糊度大于预设的模糊度阈值，对角度校正后的条形码进行对比度增强处理。
在本实施例中，若步骤507中确定出上述模糊度大于预设的模糊度阈值，则上述执行主体可以对角度校正后的条形码进行对比度增强处理。在这里，可以对上述角度校正后的条形码的图像进行自适应对比度增强(Adaptive Contrast Enhancement，ACE)处理。
在这里，上述执行主体可以通过如下步骤对上述角度校正后的条形码的图像进行自适应对比度增强：将角度校正后的条形码的图像分成两部分：一部分是低频部分，可以通过图像的低通滤波(平滑模糊)获得；另一部分是高频部分，可以由原图减去低通部分得到。自适应对比度增强的目标是增强代表细节的高频部分，即对高频部分乘以某个增益值，然后重组得到增强的图像。所以ACE算法的核心就是高频部分增益系数的计算，一种方案是将增益设为一个固定值，另一种方案是将增益值表示为与方差相关的量。
步骤508，对处理后的条形码进行识别，得到识别结果。
在本实施例中，上述执行主体可以对步骤507中处理后的条形码进行识别，得到识别结果。作为示例，可以使用开源的ZBar条形码识别库对处理后的条形码进行识别。ZBar是一个开源库，用于扫描、读取二维码和条形码。
从图5中可以看出，与图2对应的实施例相比，本实施例中的图像处理方法的流程500体现了对条形码进行模糊检测，若模糊度大于预设模糊度阈值，对条形码进行对比度增强处理，以及对处理后的条形码进行识别的步骤。由此，本实施例描述的方案可以对较模糊的条形码进行处理，降低了条形码的模糊度，从而进一步提高了条形码识别的准确性。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种图像处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的图像处理装置600包括：获取单元601、确定单元602、输入单元603和旋转单元604。其中，获取单元601被配置成获取呈现有条形码的目标图像；确定单元602被配置成确定目标图像中的条形码区域；输入单元603被配置成将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度，其中，角度预测模型用于识别条形码区域中的条形码的偏转角度，偏转角度为条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角；旋转单元604被配置成基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码。
在本实施例中，图像处理装置600的获取单元601、确定单元602、输入单元603和旋转单元604的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选的实现方式中，上述确定单元602可以通过如下步骤确定上述目标图像中的条形码区域：基于预先训练的条形码检测模型，确定所述目标图像中的条形码区域。具体地，上述条形码检测模型可以包括基于两步检测算法的模型。上述基于两步检测算法的模型可以包括R-CNN、Faster-RCNN和Light Head RCNN等。这类模型可以通过RPN生成候选区域以及对候选区域分类和回归。上述条形码检测模型还可以基于端到端检测算法。上述端到端检测算法可以包括基于回归的检测算法YOLO和SSD。YOLO将物体检测任务当做回归问题来处理，直接通过整张图片的所有像素得到边界框的坐标、框中包含物体的置信度和类别概率。
在本实施例的一些可选的实现方式中，上述条形码检测模型可以包括轻量级神经网络和单次多边界框检测模型。轻量级神经网络是为移动和嵌入式设备提出的高效模型。轻量级神经网络基于流线型架构，使用深度可分离卷积来构建轻量级深度神经网络。上述轻量级神经网络可以从目标图像中提取图像特征。上述轻量级神经网络可以包括至少两个级联的特征提取层。上述单次多边界框检测模型是一种直接预测目标类别和边界框的多目标检测模型。它基于一个前向传播的卷积神经网络，产生一系列固定大小的边界框以及每一个框中包含物体实例的可能性，之后，进行一个非极大值抑制，得到最终预测。上述单次多边界框检测模型可以包括全连接层和预测层。上述全连接层可以用于对融合后的特征向量进行回归分析。
在本实施例的一些可选的实现方式中，上述确定单元602可以将上述目标图像输入到轻量级神经网络中，将上述轻量级神经网络的后两个特征提取层输出的特征向量进行融合。将特征向量进行融合也可以理解为对特征向量进行合并。之后，上述确定单元602可以将融合后的特征向量输入到单次多边界框检测模型的全连接层中，得到上述目标图像中的条形码区域在预设第二坐标系下的位置信息。最后，上述确定单元602可以将上述位置信息输入到上述单次多边界框检测模型中的预测层，得到上述目标图像中的条形码区域。上述预测层可以基于位置信息对条形码区域进行预测。
在本实施例的一些可选的实现方式中，上述旋转单元604可以通过如下方式基于所得到的条形码的偏转角度，对上述目标图像中的条形码进行旋转得到角度校正后的条形码：上述旋转单元604可以将上述目标图像中的条形码旋转上述偏转角度，使得上述目标图像中的条形码中的条与上述预设第一坐标系中的纵坐标轴平行，得到角度校正后的条形码。作为示例，上述旋转单元604可以将上述目标图像中的条形码旋转之后使得条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角变小的方向确定为条形码的旋转方向，按照上述确定出的旋转方向将上述目标图像中的条形码旋转上述偏转角度，以得到角度校正后的条形码。
在本实施例的一些可选的实现方式中，上述图像处理装置600还可以包括识别单元(图中未示出)。上述识别单元可以识别上述角度校正后的条形码得到识别结果。作为示例，可以使用开源的ZBar条形码识别库对上述角度校正后的条形码进行识别。ZBar是一个开源库，用于扫描、读取二维码和条形码。
在本实施例的一些可选的实现方式中，上述识别单元可以通过拉普拉斯算子对上述角度校正后的条形码进行模糊检测，得到上述角度校正后的条形码的模糊度。具体地，上述识别单元可以利用拉普拉斯算子与上述角度校正后的条形码的图像进行卷积运算，之后，计算方差得到上述角度校正后的条形码的模糊度。上述识别单元可以确定上述模糊度是否大于预设的模糊度阈值。若上述模糊度大于预设的模糊度阈值，则可以对角度校正后的条形码进行对比度增强处理。在这里，可以对上述角度校正后的条形码的图像进行自适应对比度增强处理。上述识别单元可以对处理后的条形码进行识别，得到识别结果。作为示例，可以使用开源的ZBar条形码识别库对处理后的条形码进行识别。ZBar是一个开源库，用于扫描、读取二维码和条形码。
下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。若本公开的实施例中的电子设备为终端设备时，本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取呈现有条形码的目标图像；确定目标图像中的条形码区域；将条形码区域输入到预先训练的角度预测模型中，得到条形码区域中的条形码的偏转角度，其中，角度预测模型用于识别条形码区域中的条形码的偏转角度，偏转角度为条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角；基于所得到的条形码的偏转角度，对目标图像中的条形码进行旋转得到角度校正后的条形码。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元、输入单元和旋转单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取呈现有条形码的目标图像的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种图像处理方法，包括：
获取呈现有条形码的目标图像；
确定所述目标图像中的条形码区域；
将所述条形码区域输入到预先训练的角度预测模型中，得到所述条形码区域中的条形码的偏转角度，其中，所述角度预测模型用于识别条形码区域中的条形码的偏转角度，所述偏转角度为条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角；
基于所得到的条形码的偏转角度，对所述目标图像中的条形码进行旋转得到角度校正后的条形码。
2.根据权利要求1所述的方法，其中，所述确定所述目标图像中的条形码区域，包括：
基于预先训练的条形码检测模型，确定所述目标图像中的条形码区域。
3.根据权利要求2所述的方法，其中，所述条形码检测模型包括轻量级神经网络和单次多边界框检测模型，其中，所述轻量级神经网络包括至少两个级联的特征提取层，所述单次多边界框检测模型包括全连接层和预测层；以及
所述基于预先训练的条形码检测模型，确定所述目标图像中的条形码区域，包括：
将所述目标图像输入到所述轻量级神经网络中，将所述轻量级神经网络的后两个特征提取层输出的特征向量进行融合；
将融合后的特征向量输入到所述全连接层中，得到所述目标图像中的条形码区域在预设第二坐标系下的位置信息；
将所述位置信息输入到所述预测层，得到所述目标图像中的条形码区域。
4.根据权利要求1所述的方法，其中，所述基于所得到的条形码的偏转角度，对所述目标图像中的条形码进行旋转得到角度校正后的条形码，包括：
将所述目标图像中的条形码旋转所述偏转角度，使得所述目标图像中的条形码中的条与所述预设第一坐标系中的纵坐标轴平行，得到角度校正后的条形码。
5.根据权利要求1-4之一所述的方法，其中，所述方法还包括：
识别所述角度校正后的条形码得到识别结果。
6.根据权利要求5所述的方法，其中，所述识别所述角度校正后的条形码得到识别结果，包括：
通过拉普拉斯算子对所述角度校正后的条形码进行模糊检测，得到所述角度校正后的条形码的模糊度；
响应于确定出所述模糊度大于预设的模糊度阈值，对所述角度校正后的条形码进行对比度增强处理；
对处理后的条形码进行识别，得到识别结果。
7.一种图像处理装置，包括：
获取单元，被配置成获取呈现有条形码的目标图像；
确定单元，被配置成确定所述目标图像中的条形码区域；
输入单元，被配置成将所述条形码区域输入到预先训练的角度预测模型中，得到所述条形码区域中的条形码的偏转角度，其中，所述角度预测模型用于识别条形码区域中的条形码的偏转角度，所述偏转角度为条形码中的条与预设第一坐标系中的纵坐标轴之间的夹角；
旋转单元，被配置成基于所得到的条形码的偏转角度，对所述目标图像中的条形码进行旋转得到角度校正后的条形码。
8.根据权利要求7所述的装置，其中，所述确定单元进一步被配置成按照如下方式确定所述目标图像中的条形码区域：
基于预先训练的条形码检测模型，确定所述目标图像中的条形码区域。
9.根据权利要求8所述的装置，其中，所述条形码检测模型包括轻量级神经网络和单次多边界框检测模型，其中，所述轻量级神经网络包括至少两个级联的特征提取层，所述单次多边界框检测模型包括全连接层和预测层；以及
所述确定单元进一步被配置成按照如下方式基于预先训练的条形码检测模型，确定所述目标图像中的条形码区域：
将所述目标图像输入到所述轻量级神经网络中，将所述轻量级神经网络的后两个特征提取层输出的特征向量进行融合；
将融合后的特征向量输入到所述全连接层中，得到所述目标图像中的条形码区域在预设第二坐标系下的位置信息；
将所述位置信息输入到所述预测层，得到所述目标图像中的条形码区域。
10.根据权利要求7所述的装置，其中，所述旋转单元进一步被配置成按照如下方式基于所得到的条形码的偏转角度，对所述目标图像中的条形码进行旋转得到角度校正后的条形码：
将所述目标图像中的条形码旋转所述偏转角度，使得所述目标图像中的条形码中的条与所述预设第一坐标系中的纵坐标轴平行，得到角度校正后的条形码。
11.根据权利要求7-10之一所述的装置，其中，所述装置还包括：
识别单元，被配置成识别所述角度校正后的条形码得到识别结果。
12.根据权利要求11所述的装置，其中，所述识别单元进一步被配置成按照如下方式识别所述角度校正后的条形码得到识别结果：
通过拉普拉斯算子对所述角度校正后的条形码进行模糊检测，得到所述角度校正后的条形码的模糊度；
响应于确定出所述模糊度大于预设的模糊度阈值，对所述角度校正后的条形码进行对比度增强处理；
对处理后的条形码进行识别，得到识别结果。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910447841.XA CN111767750A (zh) | 2019-05-27 | 2019-05-27 | 图像处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910447841.XA CN111767750A (zh) | 2019-05-27 | 2019-05-27 | 图像处理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111767750A true CN111767750A (zh) | 2020-10-13 |
Family
ID=72718908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910447841.XA Pending CN111767750A (zh) | 2019-05-27 | 2019-05-27 | 图像处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767750A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553876A (zh) * | 2021-09-22 | 2021-10-26 | 长沙海信智能***研究院有限公司 | 条形码识别方法、装置、设备及存储介质 |
| CN113627210A (zh) * | 2021-08-19 | 2021-11-09 | 南京华捷艾米软件科技有限公司 | 条形码图像的生成方法、装置、电子设备及存储介质 |
| CN114004245A (zh) * | 2021-10-25 | 2022-02-01 | 北京小米移动软件有限公司 | 条码信息识别方法、装置、设备及存储介质 |
| WO2023022404A1 (ko) * | 2021-08-18 | 2023-02-23 | 주식회사 에너자이 | 바코드 이미지 식별 방법 및 그 장치 |
| CN116451720A (zh) * | 2023-06-09 | 2023-07-18 | 陕西西煤云商信息科技有限公司 | 一种仓储物资扫描识别方法及其识别*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809094A (zh) * | 2014-12-31 | 2016-07-27 | 研祥智能科技股份有限公司 | 基于机器视觉的条形码识别方法 |
| CN107633192A (zh) * | 2017-08-22 | 2018-01-26 | 电子科技大学 | 一种基于机器视觉的复杂背景下条形码分割与识读方法 |
| CN109165538A (zh) * | 2018-07-18 | 2019-01-08 | 北京飞搜科技有限公司 | 基于深度神经网络的条形码检测方法及装置 |
| CN109543486A (zh) * | 2018-10-29 | 2019-03-29 | 华南理工大学 | 基于神经网络的条形码定位方法及*** |
| CN109711508A (zh) * | 2017-10-25 | 2019-05-03 | 北京京东尚科信息技术有限公司 | 图像处理方法和装置 |
-
2019
- 2019-05-27 CN CN201910447841.XA patent/CN111767750A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809094A (zh) * | 2014-12-31 | 2016-07-27 | 研祥智能科技股份有限公司 | 基于机器视觉的条形码识别方法 |
| CN107633192A (zh) * | 2017-08-22 | 2018-01-26 | 电子科技大学 | 一种基于机器视觉的复杂背景下条形码分割与识读方法 |
| CN109711508A (zh) * | 2017-10-25 | 2019-05-03 | 北京京东尚科信息技术有限公司 | 图像处理方法和装置 |
| CN109165538A (zh) * | 2018-07-18 | 2019-01-08 | 北京飞搜科技有限公司 | 基于深度神经网络的条形码检测方法及装置 |
| CN109543486A (zh) * | 2018-10-29 | 2019-03-29 | 华南理工大学 | 基于神经网络的条形码定位方法及*** |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023022404A1 (ko) * | 2021-08-18 | 2023-02-23 | 주식회사 에너자이 | 바코드 이미지 식별 방법 및 그 장치 |
| CN113627210A (zh) * | 2021-08-19 | 2021-11-09 | 南京华捷艾米软件科技有限公司 | 条形码图像的生成方法、装置、电子设备及存储介质 |
| CN113553876A (zh) * | 2021-09-22 | 2021-10-26 | 长沙海信智能***研究院有限公司 | 条形码识别方法、装置、设备及存储介质 |
| CN114004245A (zh) * | 2021-10-25 | 2022-02-01 | 北京小米移动软件有限公司 | 条码信息识别方法、装置、设备及存储介质 |
| CN116451720A (zh) * | 2023-06-09 | 2023-07-18 | 陕西西煤云商信息科技有限公司 | 一种仓储物资扫描识别方法及其识别*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108710885B (zh) | 目标对象的检测方法和装置 | |
| CN109410218B (zh) | 用于生成车辆损伤信息的方法和装置 | |
| CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
| CN108229419B (zh) | 用于聚类图像的方法和装置 | |
| CN111767750A (zh) | 图像处理方法和装置 | |
| CN108256479B (zh) | 人脸跟踪方法和装置 | |
| CN108427927B (zh) | 目标再识别方法和装置、电子设备、程序和存储介质 | |
| WO2016054779A1 (en) | Spatial pyramid pooling networks for image processing | |
| JP2021508123A (ja) | リモートセンシング画像認識方法、装置、記憶媒体及び電子機器 | |
| CN109711508B (zh) | 图像处理方法和装置 | |
| CN110852349A (zh) | 一种图像处理方法、检测方法、相关设备及存储介质 | |
| CN109377508B (zh) | 图像处理方法和装置 | |
| KR102606734B1 (ko) | 생체 검출 방법 및 장치 | |
| CN109118456B (zh) | 图像处理方法和装置 | |
| CN108241855B (zh) | 图像生成方法和装置 | |
| CN110288625B (zh) | 用于处理图像的方法和装置 | |
| CN111783777B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN108470179B (zh) | 用于检测对象的方法和装置 | |
| CN111209856B (zh) | ***信息的识别方法、装置、电子设备及存储介质 | |
| CN110490058B (zh) | 行人检测模型的训练方法、装置、***和计算机可读介质 | |
| CN115346278A (zh) | 图像检测方法、装置、可读介质及电子设备 | |
| CN110852250A (zh) | 一种基于最大面积法的车辆排重方法、装置及存储介质 | |
| CN116597430A (zh) | 物品识别方法、装置、电子设备和计算机可读介质 | |
| CN111310595A (zh) | 用于生成信息的方法和装置 | |
| CN115393423A (zh) | 目标检测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |