基于卷积神经网络与改进比例关系的QR码定位方法

余先涛，秦 岩

(武汉理工大学 机电工程学院，湖北 武汉 430070)

QR码(quick response code)是一种二维条码，目前广泛应用于身份验证、安全防伪、电子商务等领域。如图1所示，QR码图案由深、浅两色的单位模块排列组成，分为编码区域和功能区域。编码区域用于存储数据信息，包括数据码字与纠错码字。功能区域用于辅助识别，主要包括位置探测图形与校正图形等。QR码识别过程包括图像预处理、定位、校正、解码等流程，其中定位算法的性能对QR码识别率的影响最为显著，是识别过程中至关重要的一步。

图1 QR码结构

广义的QR码定位包括QR码区域分割与QR码坐标计算两个过程。区域分割将QR码图案从背景图案中分离出来，从而缩小后续识别流程的作业区域。坐标计算确定QR码关键点在图像中的坐标，后续识别流程据此坐标对QR码图案进行校正后，确定QR码编码区域内数据的排列，进而按解码规则完成解码。为方便表述，将QR码区域分割记为粗定位，将QR码坐标计算记为精定位。

在粗定位算法中，根据神经网络自动提取特征检测QR码。这种基于深度学习的算法[1-2]，较基于LBP(local binary pattern)、SIFT(scale invariant feature transform)、HOG(histogram of oriented gradient)等人工纹理特征的算法[3-5]在复杂条件下的定位效果更稳定。但现有算法所使用的网络结构一般较为庞大，参数量大，不适用于运算能力有限的计算机系统。对此，笔者基于YOLOv3[6](you only lock once vesion 3)深度学习模型，设计了一种轻巧的QR码检测模型，使算法在复杂条件下取得较好定位效果,同时保持在运算能力有限的计算机上运行的实时性。

常用精定位算法有基于角点检测的算法[7-8]、基于包围关系的算法[9]与基于比例关系的算法[10-11]，其中基于比例关系的算法以其计算简单、实时性好、鲁棒性好的特点应用最为广泛。……