基于人工神經網絡的條碼定位與識別方法

陳 璇　雷海軍

摘 要：針對大角度條碼圖像區域自動定位這一關鍵技術的具體應用，筆者提出一種適合大角度條碼圖像區域自動定位的算法。該算法以高斯濾波、邊緣檢測和霍夫變換做預處理，采用已經訓練好的人工神經網絡進行定位，運用全局與局部結合的二值化方法進行二值化、識別。實驗證明，該算法圖像定位準確率高，大角度條碼圖像定位效果較為理想，提升了圖像識別的正確率。

關鍵詞：大角度條碼;自動定位;人工神經網絡;二值化;條碼識別

中圖分類號：TP37 文獻標識碼：A 文章編號：1003-5168（2019）35-0042-06

Artificial Neural Network Based Recognition and Localization for Bar Code

CHEN Xuan1 LEI Haijun2，3

（1.Hunan Polytechnic of Water Resources and Electric Power，Changsha Hunan 410131;2.School of Computer and Software， Shenzhen University，Shenzhen Guangdong 518060;3.Guangdong Provincial Popular High Performance Computer Key Laboratory，Shenzhen Guangdong 518060）

Abstract： Aiming at the specific application of the key technology of automatic location of large angle bar code image area， the author proposed an algorithm suitable for automatic location of large angle bar code image area. In this algorithm， Gaussian filtering， edge detection and Hough transform are used as preprocessing， trained artificial neural network is used for positioning， and global and local binary methods are used for binarization and recognition. The experimental results show that the algorithm has high accuracy for image location， especially for large angle bar code image， which improves the accuracy of image recognition.

Keywords： large anglebarcode;automatic positioning;artificial neural network;binarization;recognition

條碼技術早在1993年就有學者研究[1]，隨著機器學習算法的廣泛運用，有學者利用機器學習算法對條碼圖像進行處理。具體算法有：使用機器學習中的人工神經網絡方法對無對焦手機拍攝的模糊條碼圖像進行清晰度恢復再識別[2，3];采用圖像處理技術對復雜背景條碼進行背景刪減，再進行條碼位置的定位與識別[4];對二維條碼進行角點檢測，再對角點進行半監督聚類，找到聚類中心從而確定條碼位置[5]。

目前，對于條碼圖像的處理，在技術上不僅采用圖像處理技術，也會采用機器學習技術;在實際應用上不僅對標準圖片進行識別，還會針對某種特定環境下的條碼圖像進行處理。

本文采用基于圖像處理的方法對原圖進行高斯濾波、邊緣檢測和霍夫變換預處理，再使用基于機器學習的方法定位出大角度圖像中條碼區域，運用全局與局部二值化法進行二值化，最后識別。圖1為大角度條碼圖像識別的流程。

圖1 大角度條碼圖像識別流程

1 預處理

本文研究對象為大角度條碼圖像，如圖2所示。

圖2 大角度條碼圖像

首先，采用高斯濾波方法對圖像進行處理，增強圖像效果[6]。高斯濾波是對整幅圖像進行加權平均的過程，每一個像素點的值，都由其本身和鄰域內的其他像素值經過加權平均后得到。高斯濾波的對比效果如圖3所示。

（a） 原圖? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （b） 高斯濾波效果圖

圖3 高斯濾波的對比效果圖

其次，對圖像進行Canny邊緣檢測。圖像的邊緣是指圖像局部區域亮度突變的部分，是圖像形狀的幾何表現。經典的邊緣檢測方法有Roberta、Sobel、Kirseh、Canny、Prewitt、Marr-Hildreth等，其中Canny邊緣檢測算法被稱為最優邊緣檢測方法，被廣泛使用。因此，本文采取Canny邊緣檢測算法提取圖像，對條碼圖像做邊緣檢測，得到二值邊緣圖像，如圖4所示。

圖4 Canny邊緣檢測

最后，采用基于Hough變換法進行直線檢測。Hough變換法[6]是利用圖像全局特性直接檢測目標輪廓，將邊緣像素連接起來組成區域封閉邊界的一種常見方法。在預知區域形狀的條件下，利用Hough變換法可以快速得到邊界曲線，將不連續的邊緣像素點連接起來。通常，Hough變換法受噪聲和曲面間斷的影響較小。

2 定位

通過對條碼圖像的預處理，筆者將圖片輸入已經訓練好的人工神經網絡中進行條碼定位。對于如何訓練人工神經網絡，小節5將進行詳細介紹。

在人工神經網絡中，本文采用多層感知器模型。訓練多層感知器模型的過程就是對各個突觸權值不斷進行調整，最終達到預設定的終止條件。對于輸出層的突觸權值，可以直接通過誤差信號進行修正，因為誤差信號直接產生于輸出端，而隱藏層突觸權值，不如輸出層那么直接，隱藏層權值的調整通常使用反向傳播算法。本文使用有監督的學習方法，因而需要為網絡提供一系列正確的輸入、輸出訓練樣本：

[p1，t1，p2，t2，p3，t3，…，pq，tq]? ? ? ? ? ? （1）

式中，[pi]是輸入樣本;[ti]是期望的目標響應。

將期望的目標響應與訓練時產生的目標輸出進行比較，獲得網絡誤差，然后應用學習規則對網絡權值和偏差進行調整，使得網絡響應更接近正確目標響應。

3 二值化

條碼圖像二值化結果的好壞對條碼識別非常重要，二值化的目的是要真實還原出圖像中條碼各個條空的寬度和個數。在二值化算法設計中，選取閾值是最關鍵的一步，是整個二值化算法的核心。本文運用全局閾值法與局部閾值法相結合的二值化算法[7]。該算法利用標準條碼中條空的寬度比例以及條碼圖像的邊緣特性得到一個全局閾值，同時可以得到條空的平均像素寬度，并計算圖像的灰度平均值。為了解決光照不均對二值化的影響，采用分塊處理，根據條空的平均像素寬度對圖像進行分塊，計算每個子圖像塊的灰度均值與圖像灰度均值的差額，并結合全局閾值來確定子圖像塊閾值的范圍。在該范圍內，使用最大類間方差法得到最優的局部閾值，用這個最優的局部閾值對子圖像塊進行二值化。算法流程如圖5所示。

圖5 二值化算法流程

4 識別

圖像經過預處理、人工神經網絡定位和二值化后，采用譯碼方法，識別條碼信息，最后效果圖如圖6所示。

圖6 圖像識別效果圖

5 實驗評估

由于使用有監督學習的人工神經網絡來定位識別條碼，人們需要利用學習樣本訓練神經網絡。第一步整理訓練樣本，第二步訓練模型，第三步測試模型，第四步評估實驗結果。本文的實驗環境是：Visual Studio 2012、OpenCV-2.4.9。

實驗采用三個標準的一維條碼數據集：ArTe-Lab 1D Medium Barcode Dataset[8]包含215張圖片，WWU Muenster Barcode Database包含1 055張圖片，Rotated Barcode Database[9]包含368張圖片。此外，建立了兩個私有數據集，即大角度條碼數據集1包含9 828張圖片，大角度條碼數據集2包含9 828張圖片。此數據集的建立達到擴充數據集的目的，也增強了模型的魯棒性。由于本文方法包含了監督訓練算法，因此，將每個數據集分開處理，對每個數據集分別進行訓練和測試。具體來說，每個數據集隨機選擇70%的數據進行訓練，選擇30%的數據進行測試。為了準確評估，本文采用條碼定位方法，對所有圖片進行條碼部分與背景部分的分割處理。

訓練的目的是使計算機可以通過訓練樣本的學習，當再輸入圖像集合里面的測試樣本時，可以根據之前的學習得到預期的效果。圖7是定位前和定位后的圖片，此部分展示部分實驗效果，一部分為定位效果好的實驗結果，一部分為定位效果差的實驗結果。

從展示部分的實驗效果可以看出，定位準確率達不到100%，存在圖片無法準確定位的情況。原因是光線太弱或者光線太強，有遮擋物，另外，圖片模糊程度高也會直接導致完全無法定位。從實驗效果可以得知，采用人工神經網絡進行定位的模型，對于訓練樣本的選擇十分關鍵，換而言之，網絡模型是針對大角度條碼圖像訓練得到的模型，因此，此模型對大角度條碼圖像進行定位的效果理想，而對于模糊、光照不均勻、有遮擋物等未進行針對訓練的圖像。測試效果不理想，此定位方法區分于傳統方法的一般性、普用性而更具有針對性。

圖7 部分測試效果對比

在訓練網絡的過程中需要設置參數，由以下實驗數據得到設置的參數。實驗過程將采用的640×480像素分辨率圖片分為x塊，每塊高為n，寬為m。設在預處理過程中存儲數據矩陣[AH]由180行和[2·max （h，w）]列組成，其中h和w是原圖片的高和寬。

條碼定位的精確度評估：在一個數據集中，我們定義A為準確定位條碼的百分比。其中，令b為條碼圖像B的實際定位結果，令d為條碼圖像B的正確定位結果。我們認定條碼b定位準確的公式如下：

[實際定位結果∩正確定位結果實際定位結果∪正確定位結果≥0.5]? ? （2）

圖8、圖9、圖10分別是3個數據集對于不同的n和m的取值得到的實驗數據統計，其中縱軸表示高n，橫軸表示寬m，n的范圍是0～6，m的范圍是10～100。表格中的數值表示定位的準確度A，數值越大準確度越高。

綜合三個統計數據，當設n=3，m=60時，數據集1的準確率達到100%，數據集2準確率達到95%，數據集3準確率達到96%，因此設置n=3，m=60。

最好的參數由3個隱藏層與200個節點組成，考慮應用于實際生活需要嵌入機器中，因此設置MLP有2個隱藏層，輸入節點、隱藏層節點和輸出節點為3×60的組合更合適。

圖11 定位效果

至此，實驗參數設置完成。

對于實驗的評估，主要分為三個部分。第一部分：直觀定位效果展示，如圖11所示;第二部分：對五個數據集定位準確率進行統計，如表1所示;第三部分：對比開源識別方法ZXing識別率統計，如表2所示。

表1表示五個數據集條碼定位的測試結果，由此可以驗證本文所采用的定位方法對于五個數據集來說準確率在80%以上。

通過展示效果可以看到，對于標準圖片的定位效果較好，對于有大角度條碼的定位也較準確;當圖像中有光照不均勻的閃光點時，定位的準確性會稍微下降，但仍然

可以基本定位出條碼位置;對于有污染的圖片，若污染面積范圍比較大，則無法完整定位有效信息，以至于對后續的識別有所影響，導致無法識別或者識別錯誤;針對一張圖片中多個條碼圖像進行定位測試時，可以定位出多個目標，但是明顯定位部分缺失，效果不佳，與多條碼圖像定位效果相似;低質量圖像的定位效果也不盡如人意。

表2表示對于五個數據集進行條碼識別的測試結果，由此可以了解本文的識別算法在數據集ArTe-Lab 1D Medium Barcode Dataset和WWU Muenster Barcode Database的測試結果差距不大，而在數據集Rotated Barcode Database、大角度條碼數據集1、大角度條碼數據集2的測試結果差距較明顯。究其原因是由于此三個數據集包含大角度圖片，而正是由于本文采用的定位算法優于ZXing算法的定位方法，定位出大角度圖片中條碼位置的準確性更高，從而使得后續的識別率更高，從側面反映了本文采用的定位算法對于大角度圖片的定位效果較好。

6 結語

本文針對大角度圖片進行定位與識別方法研究，采用人工神經網絡方法進行大角度條碼定位，詳細介紹實驗過程，分別從三個方面對實驗結果進行評估，得到數據說明本文采用的定位與識別方法對于大角度條碼圖像效果更理想（見圖12）。

參考文獻：

[1]沈克峰，胡慶生.CCD攝像機與條碼識別技術[J].光學技術，1993（4）：10-11.

[2]殷羽，鄭宏，王靜，等.一種自適應煙標字符提取方法[J].計算機應用研究，2015（4）：1248-1252.

[3]郭明.殘缺和破損條形碼的圖像識別技術研究[D].哈爾濱：哈爾濱理工大學，2014.

[4]耿慶田，趙宏偉.基于分形維數和隱馬爾科夫特征的車牌識別[J].光學精密工程，2013（12）：3198-3204.

[5] Alessandro Z ， Gallo I ， Albertini S . Robust Angle Invariant ID Barcode Detection[C]// 2nd Asian Conference on Pattern Recognition （ACPR2013）. IEEE Computer Society， 2013.

[6] Tahaa Z ， Mat-Jizatb J A ， Ishakc I .Bar Code Detection Using OmniIdirectional Vision for Automated Guided Vehicle Navigation[C]// Automatic Control and Artificial Intelligence （ACAI 2012）， International Conference on. IET， 2012.

[7] Otsu N . A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems， Man， and Cybernetics， 2007（1）：62-66.

[8] A.Zamberletti， I Gallo， M Carullo，et al. Decoding 1-D Barcode from Degraded Images Using a Neural Network[C]// International Conference on Computer Vision， Imaging and Computer Graphics. 2011.

[9]Alessandro Zamberletti Ignazio Gallo Simone Albertini. Neural 1D barcode detection using the hough transform[J].information and media technologies ，2015（1）：157-165.