彭楷烽，朱厚耀，施冬冬，鄧清文，馬亮華

（廣州大學(xué)機(jī)械與電氣工程學(xué)院，廣州 510006）

0 引言

條形碼在生活中隨處可見，其被廣泛應(yīng)用于各行各業(yè)。一維條形碼符號(hào)已成為一種普遍使用的系統(tǒng)，并以其唯一標(biāo)識(shí)產(chǎn)品信息的代碼來(lái)標(biāo)識(shí)包裝的商品[1]。因?yàn)闂l形碼標(biāo)識(shí)的唯一性，其被應(yīng)用在各類分揀工作上。傳統(tǒng)的條碼識(shí)別是依靠激光掃描器，掃描器和條碼的相對(duì)位置是影響識(shí)別的關(guān)鍵原因，因此有很大的局限性[2]。隨著機(jī)器視覺的快速發(fā)展，不同學(xué)者提出了基于圖像的條碼自動(dòng)定位識(shí)別方法。馮國(guó)文[3]利用局部二值模式對(duì)條碼樣本圖像進(jìn)行特征提取并對(duì)SVM分類器進(jìn)行訓(xùn)練，再使用滑動(dòng)窗口對(duì)圖像進(jìn)行掃描并利用SVM分類器進(jìn)行分類，最后聚集屬于條碼的子塊從而實(shí)現(xiàn)條碼的定位。Tropf等[4]利用DCT變換特性來(lái)區(qū)分條形碼與其他的紋理，在利用形態(tài)學(xué)操作平滑檢測(cè)到的條碼區(qū)域，最后提取區(qū)域的特征以檢測(cè)圖像中條碼的位置和方向，但該算法不夠魯棒。Zhang等[5]采用兩步處理，在低分辨率下，先從邊緣方向估計(jì)主方向，再拾取區(qū)域，并分別沿條形軸和編碼軸進(jìn)行精確定位計(jì)算和投影；在高分辨率下，執(zhí)行條形碼姿勢(shì)正則化、有效部分尋找和高光消除的圖像預(yù)處理。其雖能定位出條碼的位置，但對(duì)于分布在同一行的條碼還需進(jìn)一步分割。Tekin等[6]首先通過(guò)掃描4個(gè)不同方向以確定具有交替極性的邊緣點(diǎn)集合，然后在垂直與掃描方向的方向上計(jì)算線分?jǐn)?shù)以得到可能的條碼區(qū)域，最后用方向熵消除錯(cuò)誤的信息。Fang等[7]通過(guò)降采樣，分別對(duì)每個(gè)像素點(diǎn)計(jì)算0h、45h、90h和135h的梯度，并以最大的值及其對(duì)應(yīng)的方向作為該像素的梯度和方向，再轉(zhuǎn)換為二值圖并利用積分圖分析區(qū)域圖像，最后得到候選區(qū)域。

本文提出基于PCA的條形碼定位識(shí)別方法。首先對(duì)圖像進(jìn)行預(yù)處理，通過(guò)自適應(yīng)分塊技術(shù)對(duì)圖像進(jìn)行分塊，接著運(yùn)用主成分分析方法（PCA）對(duì)梯度方向一致的圖像塊進(jìn)行篩選，并利用形態(tài)學(xué)方法對(duì)條形碼進(jìn)行定位識(shí)別。除此之外，還使用了圖像金字塔提高了處理速度。實(shí)驗(yàn)表明，本文提出的算法有很好的定位識(shí)別效果。

1 條形碼的定位

1.1 圖像預(yù)處理

對(duì)于復(fù)雜背景下的圖像，可能會(huì)出現(xiàn)光照不均和噪聲污染等情況，因此進(jìn)行條性碼定位識(shí)別之前需要進(jìn)行適當(dāng)?shù)念A(yù)處理。首先將圖像轉(zhuǎn)換成灰度圖像，再對(duì)圖像進(jìn)行中值濾波。中值濾波是一種非線性的濾波技術(shù)，其基本思想是利用點(diǎn)鄰域灰度值的中值來(lái)代替當(dāng)前像素點(diǎn)的灰度值，該技術(shù)既能去除脈沖噪聲和椒鹽噪聲，又能保留圖像的邊緣信息。經(jīng)過(guò)濾波之后，利用sobel算子分別計(jì)算x方向和y方向的梯度。對(duì)于一個(gè)3 3的sobel邊緣檢測(cè)器，當(dāng)梯度角距離水平或垂直方向越遠(yuǎn)，對(duì)于梯度角的不準(zhǔn)確性就會(huì)越明顯，而scharr算子在保證速度的同時(shí)還提高了準(zhǔn)確度。scharr算子的模板為：

1.2 主成分分析

主成分分析是一種經(jīng)典的統(tǒng)計(jì)技術(shù)，已應(yīng)用于不同的領(lǐng)域，PCA的目標(biāo)是減少數(shù)據(jù)集的維度并確定新的有意義的基礎(chǔ)變量[8]，是一個(gè)分析多維分布并且從中提取出帶有最多信息量的維度子集的方法。經(jīng)過(guò)邊緣檢測(cè)后，對(duì)圖像進(jìn)行分塊，每個(gè)塊W的大小為b×b，利用PCA計(jì)算該窗口內(nèi)主方向。假設(shè)窗口內(nèi)任一點(diǎn)x方向和y方向的梯度為[ ]Gx，Gy，則自協(xié)方差矩陣C為：

利用SVD分解可求得協(xié)方差矩陣C的特征值和特征向量，假設(shè)最大的特征值λ1對(duì)應(yīng)的特征向量u1(tx1，ty1)，最小特征值λ2對(duì)應(yīng)的特征向量為u2(tx2，ty2)，引入方向強(qiáng)度的定義[9]為：

Str的取值在0～1之間，如果梯度方向指向同一方向，則λ2=0，Str=1，；在均勻分布的情況下，λ1=λ2，Str=0。在實(shí)際操作中，一般會(huì)設(shè)置一個(gè)方向一致性閾值T，若大于閾值則認(rèn)為梯度方向大致相同。

1.3 條形碼的定位

經(jīng)過(guò)主成分分析后，可以得到一些候選區(qū)域，將這些區(qū)域繪制到與原圖像尺寸一樣大的二值圖像上，候選區(qū)域灰度為1，其他為0?？紤]到候選區(qū)域存在非條碼區(qū)域，進(jìn)行腐蝕操作可以消除長(zhǎng)條狀的非條碼區(qū)域，腐蝕的公式為：

為了使條碼區(qū)域擴(kuò)大便于定位，進(jìn)行膨脹操作，膨脹的公式為：

需要注意的是，進(jìn)行腐蝕操作時(shí)使用的核元素大小應(yīng)比分塊尺寸大，本文為（b+1，b+1）；進(jìn)行膨脹操作時(shí)使用的核元素大小應(yīng)比分塊尺寸小，本文為（0.75×b，0.75×b）。經(jīng)過(guò)形態(tài)學(xué)操作后，剩下一些候選區(qū)域，對(duì)這些區(qū)域求最小包圍矩形，根據(jù)矩形的長(zhǎng)邊角度可以對(duì)原圖像進(jìn)行矯正，并分割出候選區(qū)域進(jìn)行識(shí)別。

基于PCA的條碼定位識(shí)別方法如圖1所示。

圖1 基于PCA的條碼定位識(shí)別方法

2 自適應(yīng)分塊

基于PCA的條碼定位識(shí)別算法雖能在復(fù)雜環(huán)境下對(duì)條碼進(jìn)行定位識(shí)別，但是存在一個(gè)不足之處，那就是對(duì)圖像進(jìn)行分塊時(shí)，要是分塊的尺寸不合適，就會(huì)直接導(dǎo)致無(wú)法正確定位條碼位置進(jìn)而影響識(shí)別。因此，開發(fā)一種自適應(yīng)分塊算法十分重要。在實(shí)際處理過(guò)程中，由于分塊大小影響定位的情況有兩種，分別是定位到部分條碼和完全定位不到條碼?；谶@兩種情況，提出一種自適應(yīng)分塊算法。先初始化一個(gè)分塊大小并在這種分塊大小下進(jìn)行主成分分析篩選出候選區(qū)域，在進(jìn)行形態(tài)學(xué)處理后，求最小包圍矩形，并將面積最大的矩形對(duì)應(yīng)的區(qū)域進(jìn)行矯正和分割。做一條與矩形長(zhǎng)邊平行的線段，并從左端點(diǎn)開始，從第1次遇到黑色像素開始，之后每次記錄下黑白像素交替的位置點(diǎn)，直到記錄到第7次。若這個(gè)區(qū)域?qū)?yīng)的是條碼部分，則可計(jì)算出條碼的黑白間隔，假設(shè)第1次記錄的點(diǎn)為p1，第7次記錄的點(diǎn)為p2，則分塊的尺寸可由下式確定：

具體的自適應(yīng)分塊算法流程如圖2所示。

圖2 自適應(yīng)分塊算法

3 圖像金字塔

在進(jìn)行條形碼定位識(shí)別時(shí)，若在原圖的基礎(chǔ)上進(jìn)行處理，將會(huì)十分耗費(fèi)時(shí)間，不符合實(shí)時(shí)性的要求。為了獲得圖像數(shù)據(jù)的精簡(jiǎn)表示，減少圖像數(shù)據(jù)量，本文采用圖像金字塔。如圖3所示，圖像金字塔從低到高尺寸逐級(jí)遞減，分辨率也逐級(jí)遞減。金字塔層每增加一層，像素點(diǎn)數(shù)量減少4倍，處理速度也就提高4倍[10]。先在低分辨率的情況下進(jìn)行自適應(yīng)分塊，并在計(jì)算出的分塊尺寸的基礎(chǔ)上進(jìn)行基于PCA的條碼定位，最后在篩選的矩形區(qū)域的坐標(biāo)映射回原分辨下的圖像進(jìn)行識(shí)別。需要注意的是，金字塔的層數(shù)越多，處理速度會(huì)越快，但若是金字塔的層數(shù)過(guò)多，則會(huì)丟失大量信息，導(dǎo)致無(wú)法定位，所以要根據(jù)實(shí)際情況確定金字塔層數(shù)，本文采取的是4層。

圖3 圖像金字塔

圖4 本文算法流程

4 實(shí)驗(yàn)

4.1 流程步驟

本文基于Opencv視覺庫(kù)在Windows平臺(tái)上進(jìn)行算法的開發(fā)，Opencv是一個(gè)開源的計(jì)算機(jī)視覺庫(kù)，其提供易于使用的計(jì)算機(jī)視覺接口，有助于加速開發(fā)。算法實(shí)驗(yàn)的流程如圖4所示。本文采用的初始分塊尺寸為20，方向一致性閾值T=0.85。經(jīng)過(guò)算法識(shí)別定位的圖像如圖5所示。

圖5 定位識(shí)別后的結(jié)果圖

4.2 結(jié)果分析

（1）由圖5（a）、（b）、（f）可知本文提出的算法對(duì)于多條形碼的定位識(shí)別表現(xiàn)出很好的優(yōu)勢(shì)。可以看到圖5（a）和圖5（b）中的條碼距離拍攝平面距離是不相同的，它們之間存在一定程度的變形，但在提出的算法的處理下，依然能夠全部定位識(shí)別，可見提出的算法對(duì)一定程度變形的條碼識(shí)別表現(xiàn)出優(yōu)勢(shì)。

（2）由圖5（c）、（d）、（e）可知本文提出的算法能夠?qū)崿F(xiàn)復(fù)雜背景下的條碼定位識(shí)別。圖5（c）、（d）中的條碼雖然周圍有文字或者其他東西干擾，但由于條碼部分的主方向十分接近，因此算法能夠準(zhǔn)確定位出來(lái)。除此之外，從圖5（e）可以看出，提出的算法也能夠?qū)崿F(xiàn)對(duì)旋轉(zhuǎn)的條碼進(jìn)行定位識(shí)別。

（3）由于算法加入了自適應(yīng)分塊技術(shù)，因此能夠根據(jù)不同分辨率的圖像選擇不同的分塊尺寸，從而達(dá)到對(duì)不同的分辨率的條碼進(jìn)行定位識(shí)別的目的。

5 結(jié)束語(yǔ)

本文提出基于PCA的條形碼定位識(shí)別方法，利用主成分分析方法實(shí)現(xiàn)對(duì)條碼方向的判斷，并采用自適應(yīng)分塊技術(shù)和圖像金字塔，使得算法更加魯棒。實(shí)驗(yàn)表明，本文提出的算法能夠達(dá)到很好的定位識(shí)別效果。