CN117725943A - 基于数图处理的点阵码识别方法及*** - Google Patents

Abstract

本公开提供了一种基于数图处理的点阵码识别方法及***，涉及点阵码识别技术领域，方法包括：基于预定数据点色域约束筛选得到目标预处理图像的目标数据点集合；若目标数据点集合中的数据点数量达到预定数量阈值，激活连通域识别模型对目标预处理图像进行分析，得到目标连通域集合；调用预定特征指标在第一连通域特征中匹配得到第一连通域预定特征；将第一连通域预定特征输入智能分类器，得到第一码字信息；对第一码字信息进行解码得到目标识别结果。能够解决由于无法快速准确的识别连通域特征信息，导致信息解码效率和准确性较低，造成点阵码识别效率较低和识别质量较差的技术问题，可以提高连通域特征信息识别的准确性和效率。

Description

基于数图处理的点阵码识别方法及***

技术领域

本公开涉及点阵码识别技术领域，并且更具体地，涉及一种基于数图处理的点阵码识别方法及***。

背景技术

点阵码识别技术广泛应用于各种领域，例如：物流、零售、医疗等领域，通过使用点阵码识别技术，可以快速准确的进行物品信息录入和管理，提高工作效率。

点阵码识别的过程中，连通域的提取是关键步骤之一，通过提取连通域，可以找到点阵码中的每个字符，并对其进行进一步的识别和处理。由于原始图像中的干扰因素和无效信息较多，传统的连通域识别方法并不能快速准确地找到连通域特征信息并进行识别，造成点阵码识别效率和准确率较低。

现有的点阵码识别方法存在的不足之处在于：由于无法快速准确的识别连通域特征信息，导致信息解码效率和准确性较低，造成点阵码识别效率较低和识别质量较差。

发明内容

因此，为了解决上述技术问题，本公开的实施例采用的技术方案如下：

基于数图处理的点阵码识别方法，包括以下步骤：获取目标预处理图像，所述目标预处理图像为基于预定联合处理方案对目标图像进行预处理得到的图像；基于预定数据点色域约束筛选得到所述目标预处理图像的目标数据点集合；若所述目标数据点集合中的数据点数量达到预定数量阈值，发出特征提取指令；基于所述特征提取指令激活连通域识别模型对所述目标预处理图像进行分析，得到目标连通域集合，所述目标连通域集合包括多个连通域；调用预定特征指标在第一连通域的第一连通域特征中遍历匹配得到第一连通域预定特征，所述第一连通域为所述多个连通域中任意一个；将所述第一连通域预定特征作为智能分类器的输入信息，得到输出信息，所述输出信息包括第一码字信息；调用预定编码规则对所述第一码字信息进行解码得到所述目标图像的目标识别结果。

基于数图处理的点阵码识别***，包括：目标预处理图像获取模块，所述目标预处理图像获取模块用于获取目标预处理图像，所述目标预处理图像为基于预定联合处理方案对目标图像进行预处理得到的图像；目标数据点集合得到模块，所述目标数据点集合得到模块用于基于预定数据点色域约束筛选得到所述目标预处理图像的目标数据点集合；特征提取指令发出模块，所述特征提取指令发出模块用于若所述目标数据点集合中的数据点数量达到预定数量阈值，发出特征提取指令；目标连通域集合得到模块，所述目标连通域集合得到模块用于基于所述特征提取指令激活连通域识别模型对所述目标预处理图像进行分析，得到目标连通域集合，所述目标连通域集合包括多个连通域；第一连通域预定特征得到模块，所述第一连通域预定特征得到模块用于调用预定特征指标在第一连通域的第一连通域特征中遍历匹配得到第一连通域预定特征，所述第一连通域为所述多个连通域中任意一个；第一码字信息得到模块，所述第一码字信息得到模块用于将所述第一连通域预定特征作为智能分类器的输入信息，得到输出信息，所述输出信息包括第一码字信息；目标识别结果得到模块，所述目标识别结果得到模块用于调用预定编码规则对所述第一码字信息进行解码得到所述目标图像的目标识别结果。

由于采用了上述技术方法，本公开相对于现有技术来说，取得的技术进步有如下几点：

可以解决现有的点阵码识别方法由于无法快速准确的识别连通域特征信息，导致信息解码效率和准确性较低，造成点阵码识别效率较低和识别质量较差的技术问题。首先，基于预定联合处理方案对目标图像进行预处理，得到目标预处理图像；然后基于预定数据点色域约束对所述目标预处理图像进行筛选，得到目标数据点集合；若所述目标数据点集合中的数据点数量达到预定数量阈值，发出特征提取指令；基于所述特征提取指令激活连通域识别模型对所述目标预处理图像进行分析，得到目标连通域集合，所述目标连通域集合包括多个连通域；进一步调用预定特征指标在第一连通域的第一连通域特征中遍历匹配得到第一连通域预定特征，所述第一连通域为所述多个连通域中任意一个；并将所述第一连通域预定特征作为智能分类器的输入信息，得到输出信息，所述输出信息包括第一码字信息；最后调用预定编码规则对所述第一码字信息进行解码得到所述目标图像的目标识别结果。通过对连通域特征信息进行去噪和针对性的特征识别，可以提高连通域特征信息识别的准确性和效率，从而提高点阵码识别的效率和识别质量。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。

图1为本申请提供了一种基于数图处理的点阵码识别方法的流程示意图；

图2为本申请提供了一种基于数图处理的点阵码识别方法中获取目标预处理图像的流程示意图；

图3为本申请提供了一种基于数图处理的点阵码识别***的结构示意图。

附图标记说明：目标预处理图像获取模块01、目标数据点集合得到模块02、特征提取指令发出模块03、目标连通域集合得到模块04、第一连通域预定特征得到模块05、第一码字信息得到模块06、目标识别结果得到模块07。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

基于上述描述，如图1所示，本公开提供了一种基于数图处理的点阵码识别方法，包括：

点阵码是一种以矩阵形式表示的条形码，点阵码识别是一种识别点阵码的技术，这种技术主要通过扫描点阵码，获取其内部的编码信息，然后将这些信息转换成可读的数字或字符，其中点阵码识别技术广泛应用于各种领域，例如：物流、零售、医疗等领域，通过使用点阵码识别技术，可以快速准确的进行物品信息录入和管理，提高工作效率。

本申请提供的方法通过结合数图处理技术进行点阵码识别，来达到提高连通域特征信息识别准确性和效率，从而提高点阵码识别的效率和识别质量的技术效果，所述方法具体实施于一种基于数图处理的点阵码识别***。

获取目标预处理图像，所述目标预处理图像为基于预定联合处理方案对目标图像进行预处理得到的图像；

在本申请实施例中，首先，获取目标图像，其中所述目标图像是指任意一张包含点阵码的图像，本领域技术人员可根据实际情况进行设置。然后根据预定联合处理方案对所述目标图像进行预处理，得到目标预处理图像。通过获得目标预处理图像，为下一步进行目标数据点识别提供了支持。

如图2所示，在一个实施例中，所述方法还包括：

所述预定联合处理方案包括预定裁剪方案、预定去噪方案和预定形态学处理方案；

基于所述预定裁剪方案中的预定尺寸对所述目标图像进行裁剪预处理，得到图像裁剪结果；

基于所述预定去噪方案对所述图像裁剪结果进行去噪预处理，得到图像去噪结果；

基于所述预定形态学处理方案对所述图像去噪结果进行形态学处理，得到所述目标预处理图像。

在本申请实施例中，其中基于预定联合处理方案对目标图像进行预处理的方法如下，首先，获取预定联合处理方案，其中所述预定联合处理方案包括预定裁剪方案、预定去噪方案和预定形态学处理方案，然后根据所述预定联合处理方案对所述目标图像进行预处理。

首先，根据所述预定裁剪方案中的预定尺寸对所述目标图像进行裁剪预处理，其中所述预定尺寸本领域技术人员可根据待识别点阵码尺寸参数进行设置，且所述预定尺寸大于等于所述待识别点阵码尺寸，得到图像裁剪结果。然后根据所述预定去噪方案对所述图像裁剪结果进行去噪预处理，其中所述预定去噪方案中包含图像去噪方法，例如：高斯滤波去噪、中值滤波去噪等，得到图像去噪结果。进一步根据所述预定形态学处理方案对所述图像去噪结果进行形态学处理，其中形态学处理的目的是为了消除图像中的孤立点，提高图像质量，其中所述预定形态学处理方案中包含形态学处理步骤，常用的形态学处理步骤包括倾斜字符的转正、图像角度转正、干扰特征剔除、字符组合等，并将形态学处理完成的图像去噪结果作为目标预处理图像。

通过对目标图像进行裁剪、去噪和形态学处理，可以消除目标图像中其他因素的干扰，从而可以提高目标图像中点阵码识别的准确性和效率，可以更加快速、准确地获得点阵码中的信息。

基于预定数据点色域约束筛选得到所述目标预处理图像的目标数据点集合；

在本申请实施例中，设置预定数据点色域约束，并根据所述预定数据点色域约束对所述目标预处理图像中的数据点集合进行筛选，获得目标数据点集合。

在一个实施例中，所述方法还包括：

获取所述目标预处理图像的目标初始数据点集合，所述目标初始数据点集合包括多个初始数据点；

所述预定数据点色域约束包括预定R域、预定G域和预定B域；

依次基于所述预定R域、所述预定G域和所述预定B域对所述多个初始数据点进行筛选，得到所述目标数据点集合。

在本申请实施例中，首先，对所述目标预处理图像进行数据点采集，获取目标初始数据点集合，其中所述目标初始数据点集合包括多个初始数据点，其中所述初始数据点本领域技术人员可根据实际场景进行自定义设置，例如：可将每个像素点作为一个数据点，或者将每四个像素点作为一个数据点等。获取预定数据点色域约束，其中所述预定数据点色域约束包括预定R域、预定G域和预定B域。其中RGB色彩模式是一种常用的颜色模型，它包含表征红色的R域、表征绿色的G域以及表征蓝色的B域；其中所述预定R域中包含红色的亮度值范围，所述亮度值范围可根据实际情况进行设置，例如：设置所述预定R域的亮度值范围为100~200；所述预定G域中包含绿色的亮度值范围；所述B域中有包含蓝色的亮度值范围。

根据所述预定R域、所述预定G域和所述预定B域对所述多个初始数据点进行筛选，将所述多个初始数据点中满足所述预定R域且满足所述预定G域且满足所述预定B域初始数据点进行提取，获得目标数据点集合。

通过设置预定R域、预定G域和预定B域对目标初始数据点进行筛选，可以提前将不符合预设要求的数据点进行删除，从而可以提高目标数据点的识别效率。

在一个实施例中，所述方法还包括：

若所述目标数据点集合中的数据点数量未达到所述预定数量阈值，发出重采指令，并基于所述重采指令重新采集得到第二目标图像。

在本申请实施例中，获取所述目标数据点集合中的数据点数量，并根据预设数量阈值对所述数据点数量进行判断，当数据点数量小于所述预定数量阈值时，表征目标数据点集合不符合预定要求，则发出重采指令，然后根据所述重采指令进行图像重新采集，获得第二目标图像，其中所述第二目标图像与所述目标图像不同，所述预定数量阈值可根据实际情况进行设置，其中所述预定数量阈值大于等于待识别点阵码中的数据点数量。

通过设置预定数量阈值对目标数据点集合中的数据点数量进行判断，可以提前规避无效的图像采集结果，提高点阵码识别的效率。

若所述目标数据点集合中的数据点数量达到预定数量阈值，发出特征提取指令；

在本申请实施例中，当所述目标数据点集合中的数据点数量大于等于所述预定数量阈值时，则发出特征提取指令。

基于所述特征提取指令激活连通域识别模型对所述目标预处理图像进行分析，得到目标连通域集合，所述目标连通域集合包括多个连通域；

在本申请实施例中，根据所述特征提取指令激活连通域识别模型，并通过连通域识别模型对所述目标预处理图像进行分析识别，得到目标连通域集合，其中所述目标连通域集合包括多个连通域。

在一个实施例中，所述方法还包括：

基于所述目标数据点集合对所述目标预处理图像进行二值化处理，得到目标预处理图像二值化结果；

通过所述连通域识别模型随机获取所述目标预处理图像二值化结果中的第一数据点，并获取所述第一数据点的第一邻接数据点集合，所述第一邻接数据点集合包括多个邻接数据点；

若第一邻接数据点满足预定连通约束，结合所述第一数据点组建所述第一连通域，所述第一邻接数据点为所述多个邻接数据点中任意一个；

将所述第一邻接数据点作为所述第一数据点进行迭代分析，并根据迭代分析结果对所述第一连通域进行调整。

在本申请实施例中，根据所述目标数据点集合对所述目标预处理图像进行二值化处理，首先，对所述目标数据点集合进行二值化处理，设置像素分化阈值，所述像素分化阈值可根据实际情况进行设置，然后根据所述像素分化阈值对所述目标数据点集合中目标数据点的像素点进行判断，将像素点大于所述像素分化阈值的目标数据点标记为1，将像素点小于等于所述像素分化阈值的目标数据点标记为0，根据数据标记结果得到目标数据点二值化结果。

然后对所述目标预处理图像中除所述目标数据点集合外的其他目标初始数据点进行二值化处理，得到初始数据点二值化结果，并根据所述目标数据点二值化结果和所述初始数据点二值化结果组建目标预处理图像二值化结果。

在所述目标预处理图像二值化结果中随机选取一数据点作为第一数据点，然后通过所述连通域识别模型对所述第一数据点进行连通域识别，其中连通域是指在二值图像中，具有相同像素值（通常为1或0）且相邻的像素组成的区域，连通域在点阵码识别中扮演着重要的角色，在点阵码中，每个码字都是由一系列的点组成，这些点以特定的排列方式排列成一个个的区域，通过识别这些区域，我们可以确定码字的形状、大小和位置等信息。所述连通域识别模型是图像处理和计算机视觉领域中的一种重要算法，主要用于识别和标记二值图像中的连通区域，常用的连通域识别模型包括种子填充算法、扫描线填充算法、区域增长算法、轮廓跟踪算法等，本领域技术人员可根据实际情况选择适配的连通域识别模型。获取所述第一数据点的第一邻接数据点集合，所述第一邻接数据点集合包括多个邻接数据点，其中邻接数据点是指与所述第一数据点相邻的数据点，其中邻接数据点数量可根据第一数据点的形状进行设置，例如：假设所述第一数据点为正方形，则所述第一数据点最多有4个邻接数据点；假设第一数据点为为六边形，则所述数据点最多有6个邻接数据点。

获取预定连通约束，其中所述预定连通约束是指相邻两个数据点的像素值相同，例如：相邻两个数据点的像素值都为1或者都为0。在所述多个邻接数据点中随机选取一邻接数据点作为第一邻接数据点，其中所述第一邻接数据点为所述多个邻接数据点中任意一个，然后根据所述预定连通约束对所述第一数据点和所述第一邻接数据点的像素值进行判断，当两者相同时，表征所述第一邻接数据点满足所述预定连通约束，当两者不同时，表征所述第一邻接数据点不满足所述预定连通约束。当所述第一邻接数据点满足所述预定连通约束时，则结合所述第一数据点组建第一连通域。

然后将所述第一邻接数据点作为更新后的第一数据点，并基于所述第一数据点进行迭代分析，然后根据所述迭代分析结果对所述第一连通域进行更新调整，当所述第一连通域中边界数据点的邻接数据点均不满足所述预定连通约束时，则停止迭代，得到第一连通域。利用获得所述第一连通域的方法对所述目标预处理图像进行迭代连通，得到多个连通域，并根据所述多个连通域构建目标连通域集合。

调用预定特征指标在第一连通域的第一连通域特征中遍历匹配得到第一连通域预定特征，所述第一连通域为所述多个连通域中任意一个；

在本申请实施例中，获取预定特征指标，所述预定特征指标是指与码字相关的连通域特征，可根据实际情况自行设置，例如：连通域的面积、连通域质心、边界长度等特征。在所述多个连通域中随机选取一连通域作为第一连通域，然后根据所述预定特征指标对所述第一连通域的第一连通域特征进行遍历匹配，得到第一连通域预定特征。

将所述第一连通域预定特征作为智能分类器的输入信息，得到输出信息，所述输出信息包括第一码字信息；

在本申请实施例中，构建智能分类器，并将所述第一连通域预定特征输入所述智能分类器，获得输出信息，其中所述输出信息包括第一码字信息。

在一个实施例中，所述方法还包括：

提取点阵码数据库中的第一点阵码记录，所述第一点阵码记录包括第一点阵码连通域特征和第一点阵码码字信息；

基于所述预定特征指标对所述第一点阵码连通域特征进行筛选，得到第一点阵码连通域预定特征；

在本申请实施例中，首先，在点阵码数据库中随机提取一点阵码记录作为第一点阵码记录，其中点阵码数据库是一个存储点阵码信息的数据库***，其中存储有多个点阵码记录数据，其中所述一点阵码记录包括第一点阵码连通域特征和第一点阵码码字信息，其中点阵码码字信息由一系列的点组成，这些点以特定的排列方式排列成一个个的区域，每个码字代表一个特定的字符、数字或符号，通过特定的编码规则将它们组合成可识别的信息。

根据所述预定特征指标对所述第一点阵码连通域特征进行筛选，并根据筛选结果获得第一点阵码连通域预定特征。

在一个实施例中，所述方法还包括：

对所述第一点阵码连通域特征与所述第一点阵码码字信息进行相关性分析，得到第一相关性分析结果；

筛选所述第一相关性分析结果中相关性显著的特征指标组建所述预定特征指标。

在本申请实施例中，其中获取所述预定特征指标的方法如下，首先，对所述第一点阵码连通域特征与所述第一点阵码码字信息进行相关性分析，其中相关性分析是指获得第一点阵码连通域特征中多个特征与所述第一点阵码码字信息的关联性，获得第一相关性分析结果，所述第一相关性分析结果包括多个连通域特征以及对应的关联系数，其中关联系数用于表征关联程度，其中关联程度越大，则关联系数越大。

设置关联系数阈值，所述关联系数阈值可根据实际情况进行设置，根据所述关联系数阈值对所述第一相关性分析结果中的多个关联系数进行判断，当所述关联系数大于所述关联系数阈值时，则表相关性显著，提取大于所述关联系数阈值的关联系数对应的第一连通域特征组建所述预定特征指标。

对基于所述第一点阵码连通域预定特征和所述第一点阵码码字信息组建的训练数据组进行随机划分，得到第一训练数据组和第二训练数据组；

基于决策树分类原理对所述第一训练数据组进行学习、检验，得到第一分类器；

基于卷积神经网络原理对所述第二训练数据组进行学习、检验，得到第二分类器；

集成融合所述第一分类器和所述第二分类器得到所述智能分类器。

在本申请实施例中，首先，基于所述第一点阵码连通域预定特征和所述第一点阵码码字信息组建训练数据组，并对所述训练数据组进行随机划分，获得第一训练数据组和第二训练数据组。

基于决策树分类原理对所述第一训练数据组进行分学习、检验，首先，将第一点阵码连通域预定特征作为子节点，将第一点阵码码字信息作为所述子节点的叶子节点，将所述第一数据组作为构建数据，构建第一分类器。

基于卷积神经网络原理构建第二分类器，所述第二分类器的输入数据为点阵码连通域预定特征，输出数据为点阵码码字信息，然后将所述第二训练数据组作为所述第二分类器的训练数据，对所述第二分类器进行监督训练，得到所述第二分类器。

其中所述第二分类器的训练过程如下，首先，在所述第二训练数据组中随机选取第一训练数据，其中所述第一训练数据为所述第二训练数据组中的任意一个训练数据；然后通过所述第一训练数据对所述第二分类器进行监督训练，输出第一训练结果；将所述第一训练结果与所述第一训练数据中的点阵码码字信息进行比对，当两者一致时，则随机选取第二训练数据对所述第二分类器进行监督训练；当两者不一致时，则获取两者之间的偏差数据，并根据所述偏差数据对所述第二分类器的权重参数进行校正，然后随机选取第二训练数据对所述第二分类器进行监督训练；利用第二训练数据组对所述第二分类器进行迭代训练，直到所述第二分类器的输出结果准确率大于或等于预设训练指标时，则获得训练完成的第二分类器，所述预设训练指标可根据实际需求进行设置，其中需求精度越高，则预设训练指标越大，例如：可设置预设训练指标为输出结果准确率96%。

首先，获取所述第一分类器的匹配准确率和所述第二分类器的输出结果准确率，并根据所述匹配准确率和所述输出结果准确率进行可信度设置，其中准确率越高，则对应的可信度越高，获得第一可信度和第二可信度，然后将所述第一可信度作为权重系数对所述第一分类器进行标识，将所述第二可信度作为权重系数对所述第二分类器进行标识，最后集成融合标识后的第一分类器和第二分类器，获得智能分类器。

通过基于决策树分类原理和基于卷积神经网络原理构建两种不同的类型的分类器，并基于可信度进行集成融合获得智能分类器，可以提高智能分类器构建的精度，从而提高点阵码码字信息得到的准确性。

最后将所述第一连通域预定特征输入智能分类器，获得输出信息，其中所述输出信息包括第一码字信息。

调用预定编码规则对所述第一码字信息进行解码得到所述目标图像的目标识别结果。

在本申请实施例中，调用预定编码规则对所述第一码字信息进行解码，并根据解码结果得到所述目标图像的目标识别结果，其中所述预定编码规则是指在点阵码中预先设定好的编码规则，通过预定编码规则，可以将数字、字母、字符等不同类型的信息进行统一编码，生成对应的点阵码。

通过上述方法可以解决现有的点阵码识别方法由于无法快速准确的识别连通域特征信息，导致信息解码效率和准确性较低，造成点阵码识别效率较低和识别质量较差的技术问题，通过对连通域特征信息进行去噪和针对性的特征识别，可以提高连通域特征信息识别的准确性和效率，从而提高点阵码识别的效率和识别质量。

在一个实施例中，如图3所示提供了一种基于数图处理的点阵码识别***，包括：目标预处理图像获取模块01、目标数据点集合得到模块02、特征提取指令发出模块03、目标连通域集合得到模块04、第一连通域预定特征得到模块05、第一码字信息得到模块06、目标识别结果得到模块07，其中：

目标预处理图像获取模块01，所述目标预处理图像获取模块01用于获取目标预处理图像，所述目标预处理图像为基于预定联合处理方案对目标图像进行预处理得到的图像；

目标数据点集合得到模块02，所述目标数据点集合得到模块02用于基于预定数据点色域约束筛选得到所述目标预处理图像的目标数据点集合；

特征提取指令发出模块03，所述特征提取指令发出模块03用于若所述目标数据点集合中的数据点数量达到预定数量阈值，发出特征提取指令；

目标连通域集合得到模块04，所述目标连通域集合得到模块04用于基于所述特征提取指令激活连通域识别模型对所述目标预处理图像进行分析，得到目标连通域集合，所述目标连通域集合包括多个连通域；

第一连通域预定特征得到模块05，所述第一连通域预定特征得到模块05用于调用预定特征指标在第一连通域的第一连通域特征中遍历匹配得到第一连通域预定特征，所述第一连通域为所述多个连通域中任意一个；

第一码字信息得到模块06，所述第一码字信息得到模块06用于将所述第一连通域预定特征作为智能分类器的输入信息，得到输出信息，所述输出信息包括第一码字信息；

目标识别结果得到模块07，所述目标识别结果得到模块07用于调用预定编码规则对所述第一码字信息进行解码得到所述目标图像的目标识别结果。

在一个实施例中，所述***还包括：

预定联合处理方案模块，所述预定联合处理方案模块是指所述预定联合处理方案包括预定裁剪方案、预定去噪方案和预定形态学处理方案；

裁剪预处理模块，所述裁剪预处理模块用于基于所述预定裁剪方案中的预定尺寸对所述目标图像进行裁剪预处理，得到图像裁剪结果；

去噪预处理模块，所述去噪预处理模块用于基于所述预定去噪方案对所述图像裁剪结果进行去噪预处理，得到图像去噪结果；

形态学处理模块，所述形态学处理模块用于基于所述预定形态学处理方案对所述图像去噪结果进行形态学处理，得到所述目标预处理图像。

在一个实施例中，所述***还包括：

目标初始数据点集合获取模块，所述目标初始数据点集合获取模块用于获取所述目标预处理图像的目标初始数据点集合，所述目标初始数据点集合包括多个初始数据点；

预定数据点色域约束模块，所述预定数据点色域约束模块是指所述预定数据点色域约束包括预定R域、预定G域和预定B域；

初始数据点筛选模块，所述初始数据点筛选模块用于依次基于所述预定R域、所述预定G域和所述预定B域对所述多个初始数据点进行筛选，得到所述目标数据点集合。

在一个实施例中，所述***还包括：

重新采集模块，所述重新采集模块用于若所述目标数据点集合中的数据点数量未达到所述预定数量阈值，发出重采指令，并基于所述重采指令重新采集得到第二目标图像。

在一个实施例中，所述***还包括：

二值化处理模块，所述二值化处理模块用于基于所述目标数据点集合对所述目标预处理图像进行二值化处理，得到目标预处理图像二值化结果；

第一邻接数据点集合获取模块，所述第一邻接数据点集合获取模块用于通过所述连通域识别模型随机获取所述目标预处理图像二值化结果中的第一数据点，并获取所述第一数据点的第一邻接数据点集合，所述第一邻接数据点集合包括多个邻接数据点；

第一连通域组建模块，所述第一连通域组建模块用于若第一邻接数据点满足预定连通约束，结合所述第一数据点组建所述第一连通域，所述第一邻接数据点为所述多个邻接数据点中任意一个；

第一连通域调整模块，所述第一连通域调整模块用于将所述第一邻接数据点作为所述第一数据点进行迭代分析，并根据迭代分析结果对所述第一连通域进行调整。

在一个实施例中，所述***还包括：

第一点阵码记录提取模块，所述第一点阵码记录提取模块用于提取点阵码数据库中的第一点阵码记录，所述第一点阵码记录包括第一点阵码连通域特征和第一点阵码码字信息；

第一点阵码连通域预定特征得到模块，所述第一点阵码连通域预定特征得到模块用于基于所述预定特征指标对所述第一点阵码连通域特征进行筛选，得到第一点阵码连通域预定特征；

训练数据组划分模块，所述训练数据组划分模块用于对基于所述第一点阵码连通域预定特征和所述第一点阵码码字信息组建的训练数据组进行随机划分，得到第一训练数据组和第二训练数据组；

第一分类器得到模块，所述第一分类器得到模块用于基于决策树分类原理对所述第一训练数据组进行学习、检验，得到第一分类器；

第二分类器得到模块，所述第二分类器得到模块用于基于卷积神经网络原理对所述第二训练数据组进行学习、检验，得到第二分类器；

集成融合模块，所述集成融合模块用于集成融合所述第一分类器和所述第二分类器得到所述智能分类器。

在一个实施例中，所述***还包括：

相关性分析模块，所述相关性分析模块用于对所述第一点阵码连通域特征与所述第一点阵码码字信息进行相关性分析，得到第一相关性分析结果；

预定特征指标组建模块，所述预定特征指标组建模块用于筛选所述第一相关性分析结果中相关性显著的特征指标组建所述预定特征指标。

综上所述，与现有技术相比，本公开的实施例具有以下技术效果：

（1）通过对连通域特征信息进行去噪和针对性的特征识别，可以提高连通域特征信息识别的准确性和效率，从而提高点阵码识别的效率和识别质量。

（2）通过设置预定R域、预定G域和预定B域对目标初始数据点进行筛选，可以提前将不符合预设要求的数据点进行删除，提高目标数据点的识别效率；通过设置预定数量阈值对目标数据点集合中的数据点数量进行判断，可以提前规避无效的图像采集结果，从而提高点阵码识别的效率。

（3）通过基于决策树分类原理和基于卷积神经网络原理构建两种不同的类型的分类器，并基于可信度进行集成融合获得智能分类器，可以提高智能分类器构建的精度，从而提高点阵码码字信息得到的准确性。

以上所述实施例仅表达了本公开的几种实施方式，但并不能因此而理解为对发明专利范围的限制。因此，在不脱离如由所附权利要求限定的本公开构思的范围的情况下，本领域普通技术人员可做出各种类型的替换、修改和变更，并且这些替换、修改和变更都属于本公开的保护范围。

Claims (8)

1.基于数图处理的点阵码识别方法，其特征在于，包括：

获取目标预处理图像，所述目标预处理图像为基于预定联合处理方案对目标图像进行预处理得到的图像；

基于预定数据点色域约束筛选得到所述目标预处理图像的目标数据点集合；

若所述目标数据点集合中的数据点数量达到预定数量阈值，发出特征提取指令；

基于所述特征提取指令激活连通域识别模型对所述目标预处理图像进行分析，得到目标连通域集合，所述目标连通域集合包括多个连通域；

调用预定特征指标在第一连通域的第一连通域特征中遍历匹配得到第一连通域预定特征，所述第一连通域为所述多个连通域中任意一个；

将所述第一连通域预定特征作为智能分类器的输入信息，得到输出信息，所述输出信息包括第一码字信息；

调用预定编码规则对所述第一码字信息进行解码得到所述目标图像的目标识别结果。

2.根据权利要求1所述方法，其特征在于，获取目标预处理图像，所述目标预处理图像为基于预定联合处理方案对目标图像进行预处理得到的图像，包括：

所述预定联合处理方案包括预定裁剪方案、预定去噪方案和预定形态学处理方案；

基于所述预定裁剪方案中的预定尺寸对所述目标图像进行裁剪预处理，得到图像裁剪结果；

基于所述预定去噪方案对所述图像裁剪结果进行去噪预处理，得到图像去噪结果；

基于所述预定形态学处理方案对所述图像去噪结果进行形态学处理，得到所述目标预处理图像。

3.根据权利要求1所述方法，其特征在于，基于预定数据点色域约束筛选得到所述目标预处理图像的目标数据点集合，包括：

获取所述目标预处理图像的目标初始数据点集合，所述目标初始数据点集合包括多个初始数据点；

所述预定数据点色域约束包括预定R域、预定G域和预定B域；

依次基于所述预定R域、所述预定G域和所述预定B域对所述多个初始数据点进行筛选，得到所述目标数据点集合。

4.根据权利要求3所述方法，其特征在于，若所述目标数据点集合中的数据点数量未达到所述预定数量阈值，发出重采指令，并基于所述重采指令重新采集得到第二目标图像。

5.根据权利要求3所述方法，其特征在于，基于所述特征提取指令激活连通域识别模型对所述目标预处理图像进行分析，得到目标连通域集合，所述目标连通域集合包括多个连通域，包括：

基于所述目标数据点集合对所述目标预处理图像进行二值化处理，得到目标预处理图像二值化结果；

通过所述连通域识别模型随机获取所述目标预处理图像二值化结果中的第一数据点，并获取所述第一数据点的第一邻接数据点集合，所述第一邻接数据点集合包括多个邻接数据点；

若第一邻接数据点满足预定连通约束，结合所述第一数据点组建所述第一连通域，所述第一邻接数据点为所述多个邻接数据点中任意一个；

将所述第一邻接数据点作为所述第一数据点进行迭代分析，并根据迭代分析结果对所述第一连通域进行调整。

6.根据权利要求1所述方法，其特征在于，将所述第一连通域预定特征作为智能分类器的输入信息，得到输出信息，所述输出信息包括第一码字信息，之前包括：

提取点阵码数据库中的第一点阵码记录，所述第一点阵码记录包括第一点阵码连通域特征和第一点阵码码字信息；

基于所述预定特征指标对所述第一点阵码连通域特征进行筛选，得到第一点阵码连通域预定特征；

对基于所述第一点阵码连通域预定特征和所述第一点阵码码字信息组建的训练数据组进行随机划分，得到第一训练数据组和第二训练数据组；

基于决策树分类原理对所述第一训练数据组进行学习、检验，得到第一分类器；

基于卷积神经网络原理对所述第二训练数据组进行学习、检验，得到第二分类器；

集成融合所述第一分类器和所述第二分类器得到所述智能分类器。

7.根据权利要求6所述方法，其特征在于，基于所述预定特征指标对所述第一点阵码连通域特征进行筛选，得到第一点阵码连通域预定特征，之前包括：

对所述第一点阵码连通域特征与所述第一点阵码码字信息进行相关性分析，得到第一相关性分析结果；

筛选所述第一相关性分析结果中相关性显著的特征指标组建所述预定特征指标。

8.基于数图处理的点阵码识别***，其特征在于，用于执行权利要求1-7中任意一项所述的基于数图处理的点阵码识别方法，包括：

目标预处理图像获取模块，所述目标预处理图像获取模块用于获取目标预处理图像，所述目标预处理图像为基于预定联合处理方案对目标图像进行预处理得到的图像；

目标数据点集合得到模块，所述目标数据点集合得到模块用于基于预定数据点色域约束筛选得到所述目标预处理图像的目标数据点集合；

特征提取指令发出模块，所述特征提取指令发出模块用于若所述目标数据点集合中的数据点数量达到预定数量阈值，发出特征提取指令；

目标连通域集合得到模块，所述目标连通域集合得到模块用于基于所述特征提取指令激活连通域识别模型对所述目标预处理图像进行分析，得到目标连通域集合，所述目标连通域集合包括多个连通域；

第一连通域预定特征得到模块，所述第一连通域预定特征得到模块用于调用预定特征指标在第一连通域的第一连通域特征中遍历匹配得到第一连通域预定特征，所述第一连通域为所述多个连通域中任意一个；

第一码字信息得到模块，所述第一码字信息得到模块用于将所述第一连通域预定特征作为智能分类器的输入信息，得到输出信息，所述输出信息包括第一码字信息；

目标识别结果得到模块，所述目标识别结果得到模块用于调用预定编码规则对所述第一码字信息进行解码得到所述目标图像的目标识别结果。