基于圖像處理的條形碼定位與識別技術研究

王 顥

（南京郵電大學通達學院，江蘇 揚州225127）

0 引言

目前常用的條形碼識別方法是通過人工的方式將激光掃描裝置對準待識別的條形碼[1]，這種識別方法的準確率較高，但是識別結果會受到條形碼印刷質量的影響，當條形碼數量較多時也只能逐個識別，識別效率較低[2]。基于圖像處理的條形碼識別技術是采用圖像處理算法自動搜索條形碼的位置、定位條形碼的邊界并完成條形碼的識別。如果一張圖片包含多個條形碼，可以同時定位并識別圖片中的所有條形碼，提高了條形碼識別的效率，而且條形碼的定位與識別過程不需要人工干預，真正做到了條形碼的自動定位與識別。

1 條形碼的搜索定位

在復雜場景中，豐富多樣的圖案對條形碼的定位產生了極大的干擾，如何快速、準確地搜索條形碼的位置及邊界是條形碼自動識別技術的關鍵問題[3]。在條形碼的搜索定位過程中，既要排除相似圖案的干擾，又要保證圖像中所有條形碼區域都能被搜索到，因此要提取條形碼的特征，作為與其他圖案相區分的關鍵因素。

1.1 條形碼的圖像特征

EAN-13碼是目前應用范圍最廣的條形碼之一，標準的EAN-13碼圖像是由一系列黑、白相間的豎直條紋構成，因此水平方向存在明顯的灰度變化，但豎直方向的灰度基本保持不變，這一特征就是條形碼區別于其他圖案的關鍵特征[4]。另外，條形碼具有明顯的矩形特征，條形碼的寬度與高度之比約在2∶1到4∶1之間，這個特征可以用于進一步排除相似圖案的干擾。而且條形碼的左右兩側各有一部分空白區域，也可以為條形碼的定位提供參考信息。

1.2 條形碼的特征提取

由于條形碼的水平方向存在黑、白顏色的突變，如果對同一行的相鄰像素進行灰度差分，求得的橫向差分值會很大；而豎直方向的灰度幾乎保持不變，如果對同一列的相鄰像素進行灰度差分，求得的豎向差分值幾乎為零，而橫向差分值與豎向差分值的比值將會更大，因此選擇橫向差分值與豎向差分值的比值作為特征參數，完成待識別圖像的特征提取。

如果單獨對圖像的每個像素進行特征提取，得到的結果容易受到噪聲的影響而產生較大的誤差，因此可以將整幅圖像劃分為若干個子塊，子塊的大小與圖像中條形碼所占的比例有關。

1.3 條形碼區域的定位

對包含條形碼的圖像進行特征提取后，可以得到以子塊為單位的橫縱差分比值，將各像素的特征參數作為該像素的像素值，則可以重構出一幅與原始圖像大小相同的比值圖像。比值圖像中較亮的區域就是橫縱差分比值較大的區域，有可能就是條形碼所在的區域。

為了將條形碼區域準確的分割出來，需要選擇一個合適的閾值對比值圖像進行二值化處理[5]。閾值的選擇是二值化處理的關鍵步驟，直接決定條形碼定位的效果。為了適應不同的圖像類型，本文基于統計學中的“3準則”[6]將二值化的閾值確定為其中和分別為比值圖像中所有像素灰度值的平均值和方差。

對比值圖像進行二值化處理后，再根據條形碼圖像的幾何特征進行二次篩選，排除寬度與高度之比在2∶1到4∶1以外的區域，剩下的區域即為條形碼區域。

2 條形碼的識別

待識別的條形碼圖像一般存在于復雜背景中，每個條形碼所占的比例較小，黑色條紋和白色條紋的邊界并不清晰，而且各個條紋并不是完全豎直的，存在一定角度的傾斜，增加了條形碼識別的難度。

2.1 條形碼的編碼規則

EAN-13碼對應一組13位的數字序列，除了第一個數字外，每個數字都對應兩個白色條紋及兩個黑色條紋，每個條紋的寬度可能是1倍到4倍的基本模塊寬度，四個條紋的總寬度固定為7倍的基本模塊寬度，不同的條紋寬度組合對應不同的數字。

EAN-13碼中有三部分的條紋長度明顯長于其他條紋，從左到右依次為起始符、中間分隔符和終止符，它們的條紋寬度都是1倍的基本模塊寬度。起始符和終止符分別代表條形碼的開始和結束，分別由一個白色條紋和兩個黑色條紋構成。中間分隔符由三個白色條紋和兩個黑色條紋構成，起到分隔左側數據符和右側數據符的作用。左側數據符對應第2個到第7個數字，每個數字都由白色條紋開始，黑色條紋結束，共占42個模塊寬度。右側數據符對應第8個到第12個數字，每個數字都由黑色條紋開始，白色條紋結束，共占35個模塊寬度。最后一個數字是校驗符，起到校驗識別結果的作用，與右側數據符一樣，由黑色條紋開始，白色條紋結束，共占7個模塊寬度。

2.2 條形碼的傾斜矯正

標準的條形碼在豎直方向幾乎沒有灰度變化，然而實際拍攝的圖像中，條形碼會存在一定程度的傾斜，豎直方向會存在較明顯的灰度變化，如果直接對傾斜的條形碼進行識別，很有可能產生識別錯誤。因此，在對條形碼進行識別之前，需要對傾斜的條形碼進行矯正。Hough變換是常用的圖像矯正算法，如果圖像的傾斜角度統一，Hough變換能夠得到較好的矯正效果。然而，實際拍攝的圖像中，即使是同一個條形碼圖像，傾斜角度也并不一致，因此不能用單一的角度對整個條形碼圖像進行方向矯正。本文將條形碼圖像分為寬度相等的三個區域，分別求出三個區域的傾斜角度，并根據各區域的傾斜角度分別進行方向矯正，以降低圖像傾斜對條形碼識別結果的影響。

2.3 條形碼的識別

條形碼識別的關鍵是準確確定條形碼圖像中各個條紋的寬度，因為條形碼的編碼規則是由條紋的寬度決定的。標準的條形碼圖像中，黑色條紋和白色條紋的邊界清晰，易于確定各個條紋的寬度。然而，在包含復雜背景以及多個條形碼的圖像中，條形碼區域所占的比例很小，黑色條紋和白色條紋之間的灰度處于漸變的過程，無法用統一的閾值進行二值化處理。

為了降低噪聲的影響，對條形碼圖像求取豎直方向的灰度平均值，由此獲得一組投影序列，這組序列反映了條形碼圖像在水平方向的灰度變化情況。由于實際拍攝的條形碼圖像中，黑色條紋和白色條紋的差異并不明顯，灰度值相差不大，難以區分它們之間的邊界。本文采用線性拉伸的方法提高白色條紋和黑色條紋的對比度，把白色條紋和黑色條紋中間位置的灰度值分別拉伸為255和0，其他位置的灰度值進行線性拉伸。最后，用統一的閾值對拉伸后的投影序列進行二值化處理，得到黑色條紋和白色條紋的寬度，完成條形碼的識別。

3 結語

基于圖像處理的條形碼定位與識別技術真正實現了條形碼的自動化識別，為條形碼識別技術的發展指引了新的方向。然而，該項技術對圖像質量的要求較高，對一些模糊的條形碼圖像識別率有所降低。隨著圖像采集技術以及圖像處理技術的發展，基于圖像處理的條形碼定位與識別技術將會日益完善，應用范圍將會逐步擴大。