田秋紅，孫政榮

（浙江理工大學(xué) 信息電子學(xué)院，浙江 杭州310018）

0 引 言

條碼技術(shù)是信息數(shù)據(jù)自動識別和輸入的重要方法。在條碼技術(shù)中，條碼識別是條碼技術(shù)應(yīng)用的關(guān)鍵技術(shù)。目前流行的條形碼在外觀上有明顯區(qū)別：一維碼是縱向黑白條紋相間且條紋的粗細(xì)不同，通常條紋下還有英文字母或阿拉伯?dāng)?shù)字。二維碼通常為方形點陣形式，由橫向和縱向的條碼組成，且碼區(qū)內(nèi)還會有多邊形的圖案；應(yīng)用側(cè)重點也不同：一維條碼是對物品類型等基本信息進(jìn)行標(biāo)識，不能提供商品的詳細(xì)信息，要調(diào)用更多的信息，需要配合數(shù)據(jù)庫完成。二維條碼則是對物品進(jìn)行描述，可顯示更詳細(xì)的商品內(nèi)容，識別時不需要配合數(shù)據(jù)庫，操作簡單方便。二維條碼比一維條碼包含的信息容量大，圖像結(jié)構(gòu)復(fù)雜［1－2］，故二維條碼被廣泛應(yīng)用到社會、經(jīng)濟(jì)、軍事和科技等領(lǐng)域。

目前，對于條形碼的識別，學(xué)者們己經(jīng)進(jìn)行了大量的研究。其中邊緣檢測是簡單有效的條形碼識別技術(shù)，王文豪等人根據(jù)QR碼圖形結(jié)構(gòu)的特點提出了一種基于邊緣檢測和QR碼圖形特征的快速檢測算法［2］，該方法綜合運用了圖像灰度化、二值化、去噪、邊緣檢測、圖像旋轉(zhuǎn)等多種圖像處理方法實現(xiàn)條碼圖像的預(yù)處理、條碼定位、條碼分割和數(shù)據(jù)提取。實驗表明：此方法大大提高了識讀的靈活性和可靠性。余芳等人提出了適合手機組成結(jié)構(gòu)的PDF417二維條形碼圖像識別算法，在極為有限的手機處理器資源下，針對手機攝像模組普遍存在的光學(xué)退化特性提出了圖像復(fù)原的方法，針對手機應(yīng)用處理器的特性設(shè)計了計算量小、內(nèi)存開銷少的條形碼圖像識別算法。實測表明，對中小規(guī)模的PDF417條形碼圖像的識別速度和準(zhǔn)確度完全達(dá)到實用的水平。唐琎等人則提出了對PDF417二維碼進(jìn)行解碼時，將二維條碼的單元模塊寬度的求取和二維碼碼字的提取分割開來進(jìn)行，在同等條件下，可以比較精確地提取出圖像碼字，實驗證明此方法具有較高的檢測精度。

隨著智能手機技術(shù)的發(fā)展，利用智能手機作為條形碼的掃描輸入端的應(yīng)用場合越來越多，并利用手機的通信功能，可以使條形碼識別應(yīng)用于地域分散、數(shù)據(jù)集中、移動性強的領(lǐng)域。由于在使用手機CMOS攝像頭獲取條形碼圖像時，很難保證攝像頭位置和被拍圖像位置完全相同，故由手機CMOS攝像頭抓拍的條形碼圖像存在旋轉(zhuǎn)、縮放和平移等幾何失真現(xiàn)象，或條形碼圖像在拍攝獲取前可能存在磨損或噪聲等干擾［3］，這些干擾都會影響條形碼識別的準(zhǔn)確率。

針對以上問題，本文提出了一種基于Hu不變矩和BP神經(jīng)網(wǎng)絡(luò)的條形碼識別方法。該方法具有實現(xiàn)簡單，準(zhǔn)確率高，應(yīng)用范圍廣等優(yōu)點。

1 條形碼圖像識別系統(tǒng)

基于不變矩和BP網(wǎng)絡(luò)條形碼圖像識別系統(tǒng)結(jié)構(gòu)如圖1所示。由具有2×1GHz雙核處理器和500萬像素的攝像頭的Moto ATRIXTMME860手機對不同條形碼拍照，獲得不同真彩色條形碼圖像，由于每次拍攝時，攝像頭位置的遠(yuǎn)近不能保證完全一致，所拍圖像存在大小差異，故先對彩色條形碼圖像進(jìn)行剪裁完成大小歸一化處理，然后對歸一化的真彩色圖像進(jìn)行灰度化得到條形碼的灰度圖像，條形碼灰度圖像的邊緣信息在條形碼圖像定位與提取中是關(guān)鍵因素，故本文選擇了中值濾波［4］對圖像進(jìn)行去噪，去噪處理可以在有效地去除噪聲的同時，比較好的保留圖像邊緣細(xì)節(jié)，而且圖像也不會變模糊，對濾波后條形碼圖像進(jìn)行二值化處理得到訓(xùn)練樣本，計算原始圖像和存在各類幾何失真圖像的Hu不變矩特征值，輸入BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在不斷訓(xùn)練中調(diào)整權(quán)值、學(xué)習(xí)因子等參數(shù)，使BP網(wǎng)絡(luò)趨向穩(wěn)定狀態(tài)，最后利用訓(xùn)練好的BP網(wǎng)絡(luò)對各類條形碼圖像進(jìn)行分類識別。

圖1 條形碼圖像識別系統(tǒng)

2 條形碼圖像識別基本原理

2.1 不變矩特征

Hu矩是1962年Hu最早提出的二維不變矩理論［5］，是提取圖像大小、旋轉(zhuǎn)情況等形態(tài)特征的方法。由于Hu不變矩概念簡單、識別率穩(wěn)定，具有縮放、平移和旋轉(zhuǎn)不變性，故被廣泛的應(yīng)用在圖像識別的特征提取中?；诖吮疚倪x擇Hu不變矩作為BP網(wǎng)絡(luò)的特征輸入向量。設(shè)f（x，y）是圖像點 （x，y）的灰度值，則整幅圖像的 （p＋q）階矩為［6－7］

為了使上述階矩在圖像平移、縮放和旋轉(zhuǎn)時保持不變性，求其中心矩，定義為［6－7］

其中，x0＝m10／m0［60－7］，y0＝m01／m0［60－7］，即整幅圖像的重心坐標(biāo)，（x0，y0）是目標(biāo)圖像區(qū)域的灰度質(zhì)心。顯然，中心矩upq是圖像平移的不變量。

對上述中心矩規(guī)范化，可得到具有圖像平移與縮放不變的矩

應(yīng)用代數(shù)不變矩理論，對f（x，y）的 （p＋q）階中心矩歸一化后，并進(jìn)行線性組合［8－9］如下式

這7個不變矩具有圖像平移、縮放和旋轉(zhuǎn)不變性，但由于這7個不變矩變化范圍很大，可能出現(xiàn)負(fù)值，因此實際采用的 不變矩為［10－11］

在實際應(yīng)用中圖像不僅存在位置和旋轉(zhuǎn)差別，而且還有可能存在尺度、對比度上的差別。對式 （5）中不變矩進(jìn)行組合運算得到式 （6）的各不變矩具有尺度、位置和旋轉(zhuǎn)不變性［10－11］。

本文將式 （6）中的β1，β2，β3，β4，β5，β6作為條形碼圖像的不變性特征，具有平移、縮放和旋轉(zhuǎn)不變形。

2.2 BP網(wǎng)絡(luò)參數(shù)確定

1986年，Kumelhart等人提出的一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò) （back propagation），是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。其模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱層和輸出層，具體結(jié)構(gòu)如圖2［12］所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

BP算法其實質(zhì)上是把一組樣本輸入和輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題，理論證明，具有非線性Sigmoid函數(shù)的三層神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任何連續(xù)函數(shù)。而實踐中由于BP網(wǎng)絡(luò)存在以下一些缺陷：訓(xùn)練學(xué)習(xí)的速度非常慢、BP學(xué)習(xí)算法存在陷入局部極小點的問題等，制約著BP網(wǎng)絡(luò)的訓(xùn)練速度和識別精度。但BP網(wǎng)絡(luò)無論在理論上還是實用上都已經(jīng)相當(dāng)成熟，故被廣泛的應(yīng)用在模式識別領(lǐng)域，本文選擇典型的三層BP網(wǎng)絡(luò)作為工具，對文中的提取的圖像6個不變矩進(jìn)行訓(xùn)練識別。BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置如下：

（1）輸入層與輸出層節(jié)點：BP網(wǎng)絡(luò)的輸入層［12－13］神經(jīng)元的個數(shù)由圖像特征值決定，本文以改進(jìn)的6個不變矩作為圖像特征值，故輸入層節(jié)點數(shù)為6；BP網(wǎng)絡(luò)的輸出層節(jié)點數(shù)的確定是根據(jù)所要分的類別數(shù)來確定。實驗中是針對3類條形碼圖像進(jìn)行識別，所以輸出層［14］的節(jié)點數(shù)為3個；輸出模式即如果輸入為第j類標(biāo)志，則輸出矢量Y＝ ［y0y1…yn－1］中的第j個分量為0.9，其余為0；當(dāng)?shù)趈個分量小于0.5，或?qū)嶋H輸出節(jié)點同時存在多個較大值時，則拒識別。

（2）隱含層節(jié)點：隱含層神經(jīng)元［12］的個數(shù)由式 （7）來確定

式中：n1、m、n——BP神經(jīng)網(wǎng)絡(luò)的隱含層、輸入層、輸出層的節(jié)點數(shù)。α為1～10之間的整數(shù)。

（3）學(xué)習(xí)因子：BP網(wǎng)絡(luò)中影響收斂速度的關(guān)鍵因素之一是學(xué)習(xí)因子α［15］。學(xué)習(xí)因子大容易使網(wǎng)絡(luò)產(chǎn)生振蕩，學(xué)習(xí)因子小收斂速度慢、誤差大。所以可以采用變步長法對α自適應(yīng)調(diào)整

式中：c——學(xué)習(xí)次數(shù)。

3 實驗結(jié)果及分析

3.1 圖像的預(yù)處理

實驗時先由具有2×1GHz雙核處理器和500萬像素的攝像頭的Moto ATRIXTMME860手機獲得3類不同的真彩色條形碼圖像，對其分別進(jìn)行大小歸一化處理、灰度化處理、中值去噪處理和二值化處理，以bmp文件格式存儲，圖像為150×130像素大小，如圖3所示。識別中對其灰度圖像進(jìn)行Hu不變矩特征值提取。

圖3 灰度一維和二維條形碼灰度原始圖像

3.2 實驗結(jié)果

實驗對上述三類圖像進(jìn)行了訓(xùn)練和分類識別。分別對三類條形碼圖像進(jìn)行旋轉(zhuǎn)、縮放和平移共得到45幅圖像，對其提取Hu不便矩特征作為BP網(wǎng)絡(luò)的訓(xùn)練樣本。圖4、圖5和圖6給出條形碼用于網(wǎng)絡(luò)訓(xùn)練的部分圖像。

圖4 訓(xùn)練的一維條形碼旋轉(zhuǎn)部分圖像

實驗中先分別計算了45幅圖像的Hu不變矩特征值，表1和表2分別給出了提取不同失真條件下條形碼圖像的Hu不變矩特征值的部分結(jié)果。從表1中可得，三類條形碼圖像的6個不變矩特征值存在差別，可以作為分類識別的依據(jù)；在表2中，行表示一幅條形碼圖像的6個不變矩特征值，列表示同一幅條形碼圖像在不同失真情況下的同一個不變矩特征，對于同幅圖像的不同失真情況下的同一個不變矩特征值差別很小，如此可得不變矩具有良好的不變性。圖7給出pdf417二維條形碼圖像發(fā)生旋轉(zhuǎn)20度、縮小0.9、放大1.1和下移等幾何失真時與原始圖像的Hu不變矩的對比結(jié)果，從圖7可以看到：產(chǎn)生幾何失真的Pdf417條形碼圖像與原始圖像的Hu不變矩誤差較小，由此可證明Hu不變矩具有很強的抗干擾能力，和平移、縮放和旋轉(zhuǎn)等不變性能好。

表3給出訓(xùn)練次數(shù)相同的情況下，隱含層神經(jīng)元個數(shù)不同對最小均方差的影響，從表中可得隱含層神經(jīng)元節(jié)點個數(shù)的多少對最小均方差的影響，當(dāng)隱含層節(jié)點個數(shù)為13個時，得到的最小均方誤差最??；而表4給出隱含層節(jié)點個數(shù)都為13個時，不同訓(xùn)練次數(shù)得到的對應(yīng)的最小均方差，從表4中可得在隱含層神經(jīng)元個數(shù)相同情況下，學(xué)習(xí)次數(shù)對最小均方誤差的影響趨勢，可得當(dāng)訓(xùn)練次數(shù)為15000時，訓(xùn)練最小均方誤差最小。因此，實驗中構(gòu)建BP時選取隱含層節(jié)點個數(shù)為13個，訓(xùn)練次數(shù)為15000次。BP網(wǎng)絡(luò)訓(xùn)練收斂后，再通過旋轉(zhuǎn)、平移和縮放增加30幅圖像，加上已有的樣本共75個測試樣本，分別用獲得的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行識別。

表1 三類條形碼不變矩特征提取結(jié)果

表2 Pdf417二維條形碼不變矩特征提取結(jié)果

圖7 原始圖與產(chǎn)生幾何失真圖像的Hu不變矩的對比

表3 隱含層神經(jīng)元個數(shù)對BP網(wǎng)絡(luò)收斂的影響

表4 訓(xùn)練次數(shù)對BP網(wǎng)絡(luò)收斂的影響

表5中給出了基于Hu不變矩和BP網(wǎng)絡(luò)的識別算法對三類條形碼圖像的識別精度，從中可以看出在相同的學(xué)習(xí)次數(shù)和訓(xùn)練誤差基礎(chǔ)下，由于一維條形碼圖像結(jié)構(gòu)簡單，信息量少，所以識別效果優(yōu)于結(jié)構(gòu)復(fù)雜、信息量大的二維條形碼；但即使Pdf417和QR Code等二維條形碼結(jié)構(gòu)復(fù)雜、信息量大，應(yīng)用此算法的識別效果良好，準(zhǔn)確率較高。

表5 對三類條形碼的識別精度對比

4 結(jié)束語

本文利用Hu不變矩作為條形碼的特征向量，用神經(jīng)網(wǎng)絡(luò)分類器對提取的特征向量作為輸入節(jié)點，進(jìn)行分類識別。實驗結(jié)果表明，以不變矩代替圖像灰度作為BP網(wǎng)絡(luò)的輸入，大大簡化了BP網(wǎng)絡(luò)的規(guī)模，提高了網(wǎng)絡(luò)的訓(xùn)練速度，具有良好的分類能力，并且對一維條形碼和二維條形碼可進(jìn)行同時識別處理，并且糾正了條形碼圖像的旋轉(zhuǎn)、縮放和平移等幾何失真，識別效果良好，實現(xiàn)簡單；對用智能手機作為條形碼識別的實現(xiàn)提供了有力的支持和實際的指導(dǎo)意義。

［1］YU Fang，LIU Ping，YUAN Haolei.To realize two－dimension barcode in the smart phone ［J］.Microcomputer Information，2010，26 （3－1）：199－201 （in Chinese）. ［余芳，劉萍，袁豪磊.在智能手機上實現(xiàn)二維條形碼識別 ［J］.微計算機信息，2010，26 （3－1）：199－201.］

［2］WANG Wenhao，ZHANG Yahong，ZHU Quanyin，et al.Image recognition in 2－D bar code based on QR－Code ［J］.Computer Technology and Development，2009，19 （10）：123－126（in Chinese）［王文豪，張亞紅，朱全銀，等.QR Code二維條形碼的圖像識別 ［J］.計算機技術(shù)與發(fā)展，2009，19（10）：123－126.］.

［3］TANG Jin，DU Zhijun.Novel algorithm for PDF417 2－D bar code recognition ［J］.Chinese Journal of Liquid Crystals and Displays，2008，23 （5）：625－628 （in Chinese）.［唐琎，杜志俊.一種新的PDF417二維條形碼識別算法 ［J］.液晶與顯示，2008，23 （5）：625－628.］

［4］Taubman D，Ordentlich E.Embedded block coding in JPEG［J］.Signal Processing：Image Communication，2002，17（1）：49－72.

［5］XU Xueqiang，WANG Bo，YU Jiacheng，et al.Application of a new invariant moments on image recognition ［J］.Optical Technique，2007，33 （4）：580－583 （in Chinese）. ［徐學(xué)強，汪渤，于家城，等.一種新型不變矩在圖像識別中的應(yīng)用［J］.光學(xué)技術(shù)，2007，33 （4）：580－583.］

［6］SUN Honghui，WANG Hongxia，TIAN Tao.The recognition method of objects based on moment invariant and BP neural network ［J］.Microelectronics ＆Computer，2011，28 （3）：63－69（in Chinese）.［孫紅輝，王紅霞，田濤.一種基于不變矩和BP網(wǎng)絡(luò)的目標(biāo)識別方法 ［J］.微電子學(xué)與計算機，2011，28 （3）：63－69.］

［7］WANG Kunming，XU Zhongren.Study on method of traffic signs recognition based on neural network and invariant moments［J］.Application Research of Computers，2004，21（3）：254－260 （in Chinese）.［王坤明，許忠仁.基于不變矩和神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別方法研究 ［J］.計算機應(yīng)用研究，2004，21 （3）：254－260.］

［8］LI Guoxiang，ZHANG Xianquan， QIN Fangyuan.Paper cut－out patterns recognition based on moment invariants and BPneural network ［J］.Computer Engineering and Applications，2010，46 （29）：158－169 （in Chinese）.［李國祥，張顯全，秦芳遠(yuǎn).基于不變矩和BP神經(jīng)網(wǎng)絡(luò)的剪紙紋樣識別 ［J］.計算機工程與應(yīng)用，2010，46 （29）：158－169.］

［9］TIAN Hua，SHI Shengyu，ZONG Xiaoping.Pattern recognition based on moment invariant feature and BP neural network for image［J］.Journal of Hebei University （Natural Science Edition），2008，28 （2）：214－217 （in Chinese）. ［田華，石圣羽，宗曉萍.基于不變矩特征及BP神經(jīng)網(wǎng)絡(luò)的圖像模式識別 ［J］.河北大學(xué)學(xué)報（自然科學(xué)版），2008，28 （2）：214－217.］

［10］QIN Zhong.Vehicle classification based on image moment invariant feature and BP neural network ［J］.Journal of South China University of Technology （Natural Science Edition），2009，37 （2）：87－91 （in Chinese）.［秦鐘.基于圖像不變矩特征和BP神經(jīng)網(wǎng)絡(luò)的車型分類 ［J］.華南理工大學(xué)學(xué)報 （自然科學(xué)版），2009，37 （2）：87－91.］

［11］XU Sheng，PENG Qicong.Three dimensional object recognition based combined moment invariants and neural network［J］.Computer Engineering and Applications，2008，44（31）：78－80 （in Chinese）.［徐勝，彭啟琮.基于組合不變矩和神經(jīng)網(wǎng)絡(luò)的三維物體識別 ［J］.計算機工程與應(yīng)用，2008，44 （31）：78－80.］

［12］YANG Fei，WANG Kunming，MA Xin，et al.Application of BP neural net work classifier for road traffic sign recognition［J］.Computer Engineering，2003，29 （10）：120－121 （in Chinese）.［楊斐，王坤明，馬欣，等.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類器識別交通標(biāo)志 ［J］.計算機工程，2003，29 （10）：120－121.］

［13］LI Huimin，ZHANG Renjin.Research of vehicle license plate recognition based on BP neural network ［J］.Computer Engineering and Design，2010，31 （3）：619－621 （in Chinese）.［李會民，張仁津.基于改進(jìn)BP網(wǎng)絡(luò)的車牌字符識別方法研究 ［J］.計算機工程與設(shè)計，2010，31 （3）：619－621.］

［14］YANG Wangli，MA Ruimin，XU Shaohu，et al.Palm print identification method based on Zernike moment and neural network ［J］.Journal of Northeast Forestry University，2009，37 （8）：118－120 （in Chinese）. ［楊王黎，馬瑞民，許少華，等.基于Zernike矩及神經(jīng)網(wǎng)絡(luò)的掌紋識別方法 ［J］.東北林業(yè)大學(xué)學(xué)報，2009，37 （8）：118－120.］

［15］ZHU Shuangdong.Neural network application ［M］.Shenyang：North－eastern University Press，2000 （in Chinese）. ［朱雙東.神經(jīng)網(wǎng)絡(luò)應(yīng)用基礎(chǔ) ［M］.沈陽：東北大學(xué)出版社，2000.］