廖文婧，楊秀璋，呂詢，敖進(jìn)，范郁鋒，于小民，趙小明

（1.貴州財(cái)經(jīng)大學(xué)信息學(xué)院，貴陽 550025；2.貴州財(cái)經(jīng)大學(xué)計(jì)劃財(cái)務(wù)處，貴陽 550025；3.貴州財(cái)經(jīng)大學(xué)，貴州省經(jīng)濟(jì)系統(tǒng)仿真重點(diǎn)實(shí)驗(yàn)室，貴陽 550025）

0 引言

隨著計(jì)算機(jī)和圖像處理技術(shù)迅速發(fā)展，圖像定位和圖像識(shí)別方法已廣泛應(yīng)用于各行各業(yè)，如車牌識(shí)別、人臉識(shí)別、手寫文字識(shí)別、身份證識(shí)別等。目前物流業(yè)條形碼掃描主要依靠人工進(jìn)行條形碼定位，掃描技術(shù)單一，工作人員的任務(wù)繁雜，并且掃描技術(shù)不能有效地實(shí)現(xiàn)對(duì)條形碼自動(dòng)化定位和識(shí)別，效率較低，很大程度浪費(fèi)了更多的人力資源。因此，實(shí)現(xiàn)條形碼的自動(dòng)化定位識(shí)別將會(huì)節(jié)約更多的人力和物力，減輕工作人員的任務(wù)，提高復(fù)雜環(huán)境下條形碼識(shí)別的準(zhǔn)確率。本文將結(jié)合圖像增強(qiáng)算法和圖像定位算法，實(shí)現(xiàn)復(fù)雜環(huán)境下的條形碼圖像定位與識(shí)別，改善物流行業(yè)對(duì)條形碼掃描的單一繁雜的工作，提高該行業(yè)效率，推動(dòng)整個(gè)物流行業(yè)的發(fā)展。

常見的傳統(tǒng)條形碼定位算法是基于數(shù)字圖像處理技術(shù)的，涉及區(qū)域?qū)Ρ榷?、邊緣方向及條形碼形狀等特性的研究。它先利用影像設(shè)備捕獲原始圖像，通過圖像預(yù)處理技術(shù)去除原圖像中的雜質(zhì)，再采用形態(tài)學(xué)方法確定條形碼的輪廓，最后利用條形碼特征檢驗(yàn)算法定位出條形碼區(qū)域。當(dāng)前國內(nèi)外針對(duì)條形碼圖像定位和圖像增強(qiáng)的算法研究較多，在方法和實(shí)踐上都有不少的成果。在國外，Tekin 等人[1]采用基于方向直方圖的算法來定位條形碼，通過計(jì)算直方圖的熵，設(shè)置閾值來獲取窗口圖像的主方向，再對(duì)每個(gè)窗口圖像的主方向聚類，從而獲取條形碼的候選區(qū)域。Dubska[2]基于Hough 變換提出了一種快速定位條形碼的算法。Katona等人[3]提出了一種基于低通濾波和距離映射的定位算法。Hsieh 等人[4]利用人工神經(jīng)網(wǎng)絡(luò)搜索定位條形碼，通過BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練條形碼的紋理并提取特征，利用模式識(shí)別的方式實(shí)現(xiàn)條形碼定位。Oktem 等人[5]提出一種基于無傾斜條件下的一維條形碼圖像定位算法。Shellhammer 等人[6]通過選擇性采樣的方法進(jìn)行條形碼邊緣處理，根據(jù)邊緣強(qiáng)度去除由噪聲引起的偽邊界，再增強(qiáng)條形碼邊界并識(shí)別條形碼。在國內(nèi)，呂佩卓等人[7]分析小波多分辨率，在高頻子圖中利用指紋相似性原理和區(qū)域增長法確定條形碼區(qū)域。劉文俊[8]提出對(duì)商品圖像條碼的搜索定位算法改進(jìn)，通過圖像分割后的連通域判別是否符合條形碼的幾何特征，定位條形碼的候選域，該算法通過二次定位搜索降低了誤檢率。王顥[9]提出了基于條形碼圖像分辨率增強(qiáng)和對(duì)條形碼圖像高分辨率重構(gòu)的定位算法，提高了條形碼搜索定位的準(zhǔn)確率。陳俊名[10]提出了基于條碼邊緣統(tǒng)計(jì)的定位算法，該算法先采用圖像灰度化、Gauss 濾波、圖像增強(qiáng)和Sobel 邊緣檢測方法對(duì)條形碼圖像進(jìn)行預(yù)處理，再進(jìn)行連通域的過濾與合并處理，最后進(jìn)行傾斜角校正，該算法在對(duì)條形碼定位的過程中進(jìn)行表格線干擾及其斷裂等困難的優(yōu)化，提高了條形碼識(shí)別的準(zhǔn)確率。王霞玲等人[11]提出了一種非均勻光照環(huán)境下的條碼自動(dòng)定位識(shí)別算法，用于定位和識(shí)別實(shí)際應(yīng)用中的條碼圖像。

國內(nèi)外研究條形碼圖像增強(qiáng)和定位算法在一定程度上能夠解決其問題，但傳統(tǒng)算法的魯棒性較差，當(dāng)定位識(shí)別復(fù)雜環(huán)境下的一維條形碼時(shí)，不能準(zhǔn)確地定位識(shí)別目標(biāo)條形碼。同時(shí)，由于拍攝設(shè)備和拍攝環(huán)境的原因，條形碼圖像容易出現(xiàn)背景或前景偏亮偏暗的現(xiàn)象，導(dǎo)致圖像細(xì)節(jié)不夠明顯，降低條形碼的識(shí)別準(zhǔn)確率。因此本文提出了一種改進(jìn)的復(fù)雜環(huán)境下條形碼圖像增強(qiáng)和定位算法，該算法首先引入了Bidon 等人[12]提出的色彩自動(dòng)均衡化算法，實(shí)現(xiàn)復(fù)雜環(huán)境下一維條形碼的圖像增強(qiáng)，并根據(jù)不同情況的復(fù)雜環(huán)境開展不同程度的圖像增強(qiáng)處理；接著使用Dalal[13]提出的HOG 和SVM 行人檢測算法，對(duì)復(fù)雜環(huán)境下一維條碼進(jìn)行圖像定位，并有效解決了定位像素溢出的問題。該研究具有重要的理論研究意義和良好的實(shí)際應(yīng)用價(jià)值，可以廣泛應(yīng)用于圖像定位、圖像識(shí)別和物流業(yè)條形碼定位領(lǐng)域。

1 傳統(tǒng)的條形碼圖像定位算法

傳統(tǒng)的條形碼圖像定位算法先利用影像設(shè)備捕獲原始圖像，通過預(yù)處理去除噪聲，再采用條形碼特征檢驗(yàn)算法定位條形碼區(qū)域。常用的圖像預(yù)處理技術(shù)包括灰度化處理、濾波處理、邊緣檢測、形態(tài)學(xué)處理等；常用的圖像定位算法包括Hough 變換檢測直線角度、膨脹腐蝕提取邊界線、投射變化校正圖像等；圖像增強(qiáng)算法包括去逆濾波模糊圖像復(fù)原、灰度投影曲線等[14]。圖1展示了傳統(tǒng)的條形碼圖像定位流程。

圖1 傳統(tǒng)的條形碼圖像定位算法流程圖

（1）圖像灰度化。將輸入的一維條形碼圖像進(jìn)行灰度化處理，按照公式（1）將彩色圖像的RGB 三分量進(jìn)行不同權(quán)值的加權(quán)平均處理，從而將彩色圖像轉(zhuǎn)換為灰度圖像。

（2）圖像濾波處理?；叶然幚砗蟮膱D像需要進(jìn)行高斯濾波模糊，去除噪聲并降低復(fù)雜環(huán)境下的干擾。高斯濾波是應(yīng)用鄰域平均思想對(duì)圖像進(jìn)行平滑的一種線性平滑濾波，對(duì)于抑制服從正態(tài)分布的噪聲非常有效，適用于消除高斯噪聲，被廣泛應(yīng)用于圖像處理的減噪過程。一個(gè)二維高斯濾波函數(shù)如公式（2）所示，其中σ為標(biāo)準(zhǔn)差，代表數(shù)據(jù)離散程度，如果σ較小，則高斯分布中心區(qū)域?qū)⒏泳奂?，平滑效果更差；反之，如果σ較大，則高斯分布中心區(qū)域?qū)⒏x散，平滑效果更明顯。

常用的3×3 和5×5 內(nèi)核的高斯濾波模板如下所示。高斯濾波的核心思想是對(duì)高斯函數(shù)進(jìn)行離散化，以離散點(diǎn)上的高斯函數(shù)值為權(quán)值，對(duì)圖像中的每個(gè)像素點(diǎn)做一定范圍鄰域內(nèi)的加權(quán)平均，從而有效地消除高斯噪聲。高斯濾波讓臨近中心的像素點(diǎn)具有更高的重要度，對(duì)周圍像素計(jì)算加權(quán)平均值，3×3 內(nèi)核的高斯濾波模板中心位置權(quán)重最高為0.25。

（3）邊緣檢測。接著通過Sobel 算子對(duì)圖像進(jìn)行邊緣檢測，找出條形碼的邊緣特征并檢測出條形碼的大致邊緣框架。Sobel 算子結(jié)合了高斯平滑和微分求導(dǎo)，利用圖像明暗程度的近似值進(jìn)行圖像銳化，根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測邊緣。常用的Sobel 算子如下公式（5）所示，水平方向上的卷積參數(shù)為Gx，垂直方向上的卷積參數(shù)為 Gy，公式如（6）所示[15]。

（4）閾值分割。復(fù)雜環(huán)境下的一維條形碼圖像包含需要提取的條形碼、背景圖像和圖片噪聲。若要提取目標(biāo)條形碼，則需要利用圖像閾值化處理再次降噪，去除無關(guān)信息。通常會(huì)設(shè)定一個(gè)全局的閾值T，通過T對(duì)處理后的圖像進(jìn)行分類。大于T 和小于T 的像素群分為不同類別。如將大于T 的像素值設(shè)定為白色（用1 表示），小于T 的像素值設(shè)定為黑色（用0 表示）。圖像經(jīng)過閾值化處理后能避免不必要的信息干擾，處理后的圖像更直觀地描述了條形碼的特征及其條形碼所在區(qū)域輪廓。

（5）腐蝕和膨脹處理提取條形碼輪廓。對(duì)閾值化后的圖像進(jìn)行腐蝕和膨脹處理。腐蝕的作用在于對(duì)不重要的信息進(jìn)行篩選過濾，膨脹會(huì)將腐蝕后的主要信息再次擴(kuò)展，達(dá)到原條形碼的區(qū)域框架。

圖2 傳統(tǒng)的條形碼圖像定位

（6）條形碼圖像定位。最后通過OpenCV 中的findContour（）函數(shù)尋找定位出來的條形碼位置，并輸出最終的圖像。圖2 展示了傳統(tǒng)圖像處理的一維條形碼定位過程。圖2（a）為原始圖像，圖2（b）為灰度圖像，圖2（c）是灰度圖進(jìn)行高斯濾波去噪處理，使邊緣檢測的細(xì)節(jié)更加明顯，圖2（d）為Sobel 邊緣檢測圖像，圖2（e）是閾值化處理，圖 2（f）和圖 2（g）是圖像腐蝕和膨脹處理，最終在圖2（h）中有效定位條形碼。

2 改進(jìn)的條形碼圖像增強(qiáng)與定位算法研究

針對(duì)傳統(tǒng)的條形碼圖像會(huì)受復(fù)雜環(huán)境的噪聲影響，圖像間像素的間距會(huì)產(chǎn)生錯(cuò)誤定位和像素溢出，同時(shí)由于圖像的采集設(shè)備和設(shè)備參數(shù)不可控因素，導(dǎo)致在進(jìn)行條形碼圖像預(yù)處理時(shí)不能夠?qū)D像有固定范圍的確定，從而降低定位算法的準(zhǔn)確性。本文提出了一種改進(jìn)的條形碼圖像增強(qiáng)與定位算法，該算法對(duì)復(fù)雜環(huán)境中的條形碼圖像的亮度均值進(jìn)行判斷，采用不同算法進(jìn)行圖像增強(qiáng)處理，使整個(gè)定位算法具有更強(qiáng)的普遍性和魯棒性。同時(shí)，基于HOG 和SVM 的條形碼圖像特征學(xué)習(xí)與定位算法有效避免了復(fù)雜環(huán)境下對(duì)條形碼帶來的一系列噪聲影響。

2.1 算法流程

本文的算法先判斷是否進(jìn)行圖像增強(qiáng)，根據(jù)復(fù)雜環(huán)境下不同情況開展不同程度的圖像增強(qiáng)處理，結(jié)合HOG 和SVM 算法改進(jìn)條形碼圖像定位的準(zhǔn)確性和保真性。同時(shí)，在原有定位算法基礎(chǔ)上增加了定位溢出值的范圍判斷，更加有效地鎖定條形碼的具體像素位置，為進(jìn)一步的條形碼識(shí)別提供更好的環(huán)境，提高識(shí)別條形碼的準(zhǔn)確率。其算法基本流程如圖3 所示。

圖3 改進(jìn)的條形碼圖像增強(qiáng)與定位算法流程圖

（1）圖像輸入由于像素大小會(huì)導(dǎo)致輸出窗口過大而不能有效地顯示，通過基于局部像素的重采樣線性算法縮放圖像，能夠保證原圖像的清晰度，并進(jìn)行圖像的大小縮放。

（2）通過函數(shù)ImageStat（）獲取圖像像素亮度均值，再由亮度均值判斷復(fù)雜環(huán)境下的條形碼是否進(jìn)行圖像增強(qiáng)。

（3）當(dāng)亮度均值大于等于180 時(shí)，圖像處于曝光狀態(tài)，明暗程度不均衡，此種情況采用伽馬變換降低對(duì)比度，均衡提高圖像的明暗程度，實(shí)現(xiàn)圖像增強(qiáng)處理。

（4）當(dāng)亮度均值在100 至180 之間時(shí)，圖像是足夠清晰的，不需要進(jìn)行圖像增強(qiáng)，直接輸入原圖像進(jìn)行后續(xù)的圖像定位。

（5）當(dāng)亮度均值在40 至100 之間時(shí)，圖像明暗程度會(huì)出現(xiàn)暗部區(qū)域較為廣泛的現(xiàn)象，此種情況采用色彩自適應(yīng)均衡算法處理，提高對(duì)比度并增強(qiáng)色彩均衡。

（6）當(dāng)亮度均值小于40 時(shí)，圖像明暗程度趨于暗部，此時(shí)采用彩色直方圖均衡算法進(jìn)行圖像增強(qiáng)，能夠在提高圖像對(duì)比度的同時(shí)，保留原圖像的細(xì)節(jié)。

（7）經(jīng)過復(fù)雜環(huán)境下不同程度的圖像增強(qiáng)處理后，接著采用基于HOG 和SVM 的條形碼圖像特征學(xué)習(xí)與定位算法進(jìn)行條形碼定位。

（8）最后對(duì)成功定位的條形碼進(jìn)行裁剪，并使用pyzbar 函數(shù)進(jìn)行條形碼識(shí)別，輸出包含定位區(qū)域、條形碼類型和條形碼數(shù)據(jù)的結(jié)果。

2.2 直方圖均衡化圖像增強(qiáng)

直方圖是一種將圖像像素的強(qiáng)度分布用圖形表達(dá)的方式。直方圖均衡化是通過某種灰度映射將圖像的像素強(qiáng)度值均勻地分布在每一個(gè)灰度級(jí)上，其結(jié)果將產(chǎn)生一幅灰度級(jí)分布概率均衡的圖像。它能夠提高圖像對(duì)比度，從而實(shí)現(xiàn)圖像增強(qiáng)。

在復(fù)雜環(huán)境下的一維條形碼可通過直方圖均衡化進(jìn)行對(duì)比度的增強(qiáng)，進(jìn)一步提高圖像細(xì)節(jié)的提取，為圖像特征提取提供了有利支撐。本文采用彩色圖像直方圖均衡算法進(jìn)行處理，保證了圖像原有的顏色，符合對(duì)條形碼圖像的細(xì)節(jié)處理。圖4 展示了彩色均衡處理后的效果圖及其直方圖，直方圖統(tǒng)計(jì)得出經(jīng)過彩色直方圖均衡后的圖像其灰度值分布更加均勻，圖像更加明亮清晰。

圖4 彩色均衡處理后的效果圖及其直方圖

2.3 伽馬變換圖像增強(qiáng)

伽瑪變換又稱為指數(shù)變換或冪次變換，主要用于圖像校正，其原理是將灰度過高的圖像進(jìn)行灰度降低，灰度過低的圖像進(jìn)行灰度增強(qiáng)，其本質(zhì)是增強(qiáng)圖像對(duì)比度。伽馬變換是對(duì)原灰度圖像的每一個(gè)灰度像素值做乘積運(yùn)算，如公式（7）所示。

其中，當(dāng)γ＞1 時(shí)，會(huì)壓縮圖像灰度級(jí)系數(shù)低的區(qū)域，拉伸灰度級(jí)系數(shù)高的區(qū)域；當(dāng)γ＜1 時(shí)，會(huì)壓縮圖像灰度級(jí)系數(shù)高的區(qū)域，拉伸灰度級(jí)系數(shù)低的區(qū)域；當(dāng)γ=1 時(shí)，圖像進(jìn)行線性灰度變換。圖5 是光照弱圖像在伽馬變換圖像增強(qiáng)后的效果圖，對(duì)比圖5（a）與圖5（b），經(jīng)過伽馬變換后的圖像亮度更明顯，但圖像會(huì)存在細(xì)微的失真。

圖5 光照弱圖像伽馬變換增強(qiáng)后效果圖

圖6 是圖像對(duì)比度過高在伽馬變換圖像增強(qiáng)后的效果圖，經(jīng)過伽馬變換拉伸后圖像趨于色彩均衡，細(xì)節(jié)更為清，且保真程度極高。

圖6 對(duì)比度過高伽馬變換增強(qiáng)后效果圖

2.4 自動(dòng)色彩均衡圖像增強(qiáng)

Retinex 算法是代表性的圖像增強(qiáng)算法，它根據(jù)人的視網(wǎng)膜和大腦皮層模擬對(duì)物體顏色的波長光線反射能力而形成，對(duì)復(fù)雜環(huán)境下的一維條碼具有一定范圍內(nèi)的動(dòng)態(tài)壓縮，對(duì)圖像邊緣有著一定自適應(yīng)的增強(qiáng)。自動(dòng)色彩均衡（Automatic Color Enhancement，ACE）算法是在Retinex 算法的理論上提出的，它通過計(jì)算圖像目標(biāo)像素點(diǎn)和周圍像素點(diǎn)的明暗程度及其關(guān)系來對(duì)最終的像素值進(jìn)行校正，實(shí)現(xiàn)圖像的對(duì)比度調(diào)整，產(chǎn)生類似人體視網(wǎng)膜的色彩恒常性和亮度恒常性的均衡，具有很好的圖像增強(qiáng)效果。ACE 算法包括兩個(gè)步驟，一是對(duì)圖像進(jìn)行色彩和空域調(diào)整，完成圖像的色差校正，得到空域重構(gòu)圖像；二是對(duì)校正后的圖像進(jìn)行動(dòng)態(tài)擴(kuò)展。ACE 算法計(jì)算公式如下：

其中，W 是權(quán)重參數(shù)，離中心點(diǎn)像素越遠(yuǎn)的W 值越??；g 是相對(duì)對(duì)比度調(diào)節(jié)參數(shù)，其計(jì)算方法如公式（9）所示，a 表示控制參數(shù)，該值越大細(xì)節(jié)增強(qiáng)越明顯。

圖7 ACE圖像增強(qiáng)效果圖

圖7 是條形碼圖像進(jìn)行ACE 圖像增強(qiáng)后的效果圖，通過圖像增強(qiáng)后的圖7（b）對(duì)比度更強(qiáng)，改善了原圖像的明暗程度，增強(qiáng)的同時(shí)保持了圖像的真實(shí)性。

2.5 基于HHOOGG和SSVVMM的條形碼圖像特征學(xué)習(xí)與定位

本文提出了基于HOG 和SVM 的條形碼圖像特征學(xué)習(xí)與定位算法，實(shí)現(xiàn)了復(fù)雜環(huán)境下的一維條碼定位。該算法的基本流程如下：

（1）通過HOG 算法對(duì)條形碼圖像進(jìn)行特征提取。首先對(duì)復(fù)雜環(huán)境下的一維條形碼進(jìn)行預(yù)處理，計(jì)算條形碼圖像各方向及大小的梯度，得到條形碼的輪廓信息。

（2）接著將一維條形碼圖像劃分為8×8 像素的細(xì)胞單位（Cell），計(jì)算統(tǒng)計(jì)每個(gè)單元中的梯度直方圖，通過直方圖構(gòu)造特征描述器，集成細(xì)胞單元組成的塊（Block）并提取特征。

（3）采用支持向量機(jī)（SVM）分類器訓(xùn)練HOG 特征向量，構(gòu)建SVM 條形碼圖像分類器，同時(shí)對(duì)可能溢出的條形碼進(jìn)行校正處理，最后計(jì)算條形碼的區(qū)域坐標(biāo)，繪制最終定位的條形碼。圖8 展示了HOG 算法提取圖像特征及最終定位的條形碼。

該算法避免了傳統(tǒng)圖像處理中參數(shù)的過度調(diào)整，算法魯棒性較強(qiáng)。在定位過程中避免了復(fù)雜環(huán)境下對(duì)條形碼的干擾，有較好的圖像分類效果，很大程度減輕了傳統(tǒng)圖像處理的不可控性和復(fù)雜環(huán)境對(duì)條形碼的干擾。

圖8 HOG算法提取圖像特征及條形碼定位

3 仿真實(shí)驗(yàn)分析

本文通過Python 和OpenCV 編程環(huán)境對(duì)復(fù)雜環(huán)境下的條形碼圖像進(jìn)行詳細(xì)的仿真實(shí)驗(yàn)分析，并對(duì)比了傳統(tǒng)方法和本文提出的改進(jìn)算法的實(shí)驗(yàn)結(jié)果。

HOG 和SVM 實(shí)驗(yàn)共包括正樣本圖片581 張，負(fù)樣本圖片1791 張。測試數(shù)據(jù)為146 張快遞單圖片，其中部分圖片存在污損、損壞、噪聲等現(xiàn)象，部分圖片是在低亮度下拍攝，其余圖片均在光照強(qiáng)度良好環(huán)境下拍攝。拍攝過程模擬物流業(yè)攝像頭對(duì)圖片采集時(shí)所用高度范圍13cm-20cm，具體數(shù)據(jù)如表1 所示。

表1 實(shí)驗(yàn)數(shù)據(jù)表

圖9 對(duì)比了正常環(huán)境下三種條形碼圖像定位算法的效果，圖9（a）是一張存在油污的條形碼原圖；圖9（b）是使用傳統(tǒng)的基于縱橫差分和圖像空間分割的條形碼搜索定位算法的效果圖，其定位范圍近似條形碼真實(shí)區(qū)域，但邊界處存在細(xì)微條形碼未被定位，不能保證條形碼圖像的完整性，從而無法識(shí)別；圖9（c）是使用傳統(tǒng)的邊緣統(tǒng)計(jì)定位算法的效果圖，其定位范圍出現(xiàn)斷裂和像素值范圍溢出情況，無法有效地識(shí)別條形碼；圖9（d）是本文算法實(shí)驗(yàn)的效果圖，它使得條碼區(qū)域的細(xì)節(jié)更為明顯，準(zhǔn)確定位了條形碼的范圍，其效果優(yōu)于傳統(tǒng)的定位算法。

圖10 是高曝光度條形碼圖像的三種定位算法的實(shí)驗(yàn)效果圖，圖10（b）反映出該算法定位的條形碼出現(xiàn)了斷裂，同時(shí)由于光照對(duì)比度過高，對(duì)目標(biāo)區(qū)域的細(xì)節(jié)過度腐蝕會(huì)導(dǎo)致定位失??；圖10（c）有效定位出條形碼所在區(qū)域，但其定位范圍存在像素?fù)u擺現(xiàn)象，使用直方圖均衡化算法對(duì)原圖像進(jìn)行增強(qiáng)時(shí)，會(huì)導(dǎo)致圖像失真和條形碼細(xì)節(jié)不明顯，并不能有效識(shí)別；圖10（d）是本文算法根據(jù)圖像的亮度均值判斷，對(duì)原圖像進(jìn)行伽馬變換處理后，條形碼圖像更清晰，線條更分明，最終定位有效避免了像素?fù)u擺所帶來的干擾，準(zhǔn)確識(shí)別出條形碼區(qū)域及數(shù)字。

圖9 正常圖片的三種定位算法效果圖對(duì)比

圖10 高曝光條形碼的三種定位算法效果圖對(duì)比

圖11低亮度條形碼的三種定位算法效果圖對(duì)比

圖11 是低亮度或環(huán)境偏暗條形碼圖像的三種定位算法的效果圖。圖11（b）沒有將條形碼定位出來，系統(tǒng)會(huì)輸出“不存在連通域”，該算法在對(duì)環(huán)境偏暗的圖像進(jìn)行閾值化處理時(shí)，由于圖像亮度偏低，導(dǎo)致圖像像素值大部分小于所設(shè)定的閾值，過多的黑色像素群會(huì)影響連通域的判別，最終無法定位條形碼；圖11（c）是傳統(tǒng)邊緣統(tǒng)計(jì)定位算法的效果圖，但經(jīng)過直方圖增強(qiáng)處理后的條形碼區(qū)域會(huì)圖像過度定位，無法準(zhǔn)確地識(shí)別條形碼；圖11（d）是本文算法的效果圖，它通過對(duì)圖像亮度的判別，采用不同類型的圖像增強(qiáng)算法，有效保護(hù)條形碼的細(xì)節(jié)，防止圖像失真，并最終成功定位出條形碼圖像。

圖12 是條形碼圖像在污損環(huán)境下三種算法的定位效果圖。圖12（b）顯示了基于空間分割的定位算法對(duì)該條碼區(qū)域有著良好的范圍定位，但像素在各個(gè)方向有輕微的搖擺，在后續(xù)的識(shí)別中會(huì)導(dǎo)致圖像輕微缺失而無法識(shí)別成功；圖12（c）出現(xiàn)了錯(cuò)誤的定位，由于對(duì)條形碼的破壞，圖像增強(qiáng)和閾值化處理后，會(huì)將條形碼區(qū)域大部分歸一為黑色像素群，無法判斷條形碼的連通域?qū)е洛e(cuò)誤識(shí)別；圖12（d）展現(xiàn)了本算法成功定位污損環(huán)境下的條形碼圖像。

條形碼圖像的定位與識(shí)別實(shí)驗(yàn)結(jié)果如表2 所示，測試數(shù)據(jù)146 張條形碼圖像，本文算法成功定位144張，定位成功率為98.6%；成功識(shí)別122 張，識(shí)別成功率達(dá)到83.6%。由表可知，本文提出的算法比傳統(tǒng)基于空間分割的定位算法的定位成功率提升15.7%，識(shí)別成功率提升16.6%；比傳統(tǒng)邊緣統(tǒng)計(jì)定位算法的定位成功率提升28.1%，識(shí)別成功率提升21.3%。

圖12 污損環(huán)境條形碼三種定位算法效果圖對(duì)比

表2 實(shí)驗(yàn)結(jié)果對(duì)比

圖13 和圖14 顯示了本文算法提取條形碼的結(jié)果，包括原始圖像、條形碼定位效果圖和識(shí)別出的條形碼數(shù)字，最后識(shí)別出條形碼的數(shù)字為“3891030459427”和“9894847869874”。

綜上所述，本文提出的一種改進(jìn)的復(fù)雜環(huán)境下條形碼圖像增強(qiáng)和定位算法能有效保證圖像的真實(shí)性，解決圖像定位的像素?fù)u擺問題，避免條形碼定位時(shí)出現(xiàn)斷裂，最終實(shí)現(xiàn)復(fù)雜環(huán)境下條形碼圖像的精準(zhǔn)定位和識(shí)別，提高了定位成功率和識(shí)別成功率，具有較強(qiáng)的魯棒性。

圖13 條形碼定位與識(shí)別結(jié)果

圖14 條形碼定位與識(shí)別結(jié)果

4 結(jié)語

隨著物流業(yè)的快速發(fā)展，條形碼圖像自動(dòng)化定位和識(shí)別變得越來越重要，研究條形碼圖像的增強(qiáng)和定位算法在提高自動(dòng)化識(shí)別效率具有重要作用。針對(duì)傳統(tǒng)的條形碼圖像定位算法識(shí)別不精準(zhǔn)，存在圖像斷裂和像素?fù)u擺等現(xiàn)象，本文提出了一種改進(jìn)的復(fù)雜環(huán)境下條形碼的圖像增強(qiáng)和定位算法，對(duì)復(fù)雜環(huán)境中的條形碼圖像的亮度均值進(jìn)行判斷，采用不同算法進(jìn)行圖像增強(qiáng)處理，再基于HOG 和SVM 的特征學(xué)習(xí)與定位算法識(shí)別條形碼圖像，該算法有效降低圖像的噪聲，使整個(gè)定位和識(shí)別具有更強(qiáng)的普遍性和魯棒性。

本文在Python 和OpenCV 編程環(huán)境下，通過模擬物流行業(yè)對(duì)條形碼圖像采集的環(huán)境，實(shí)現(xiàn)了對(duì)條形碼圖像的自動(dòng)化定位和識(shí)別的仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出的算法能在復(fù)雜環(huán)境中有效定位和識(shí)別出條形碼，包括污損、損壞、噪聲、低亮度、高曝光等條形碼圖像，通過不同情況的圖像增強(qiáng)算法，結(jié)合HOG和SVM 特征學(xué)習(xí)，實(shí)現(xiàn)精準(zhǔn)定位和識(shí)別。同時(shí)該算法能降低圖像噪聲，使條形碼區(qū)域的細(xì)節(jié)更為明顯，從而提高條形碼數(shù)字的識(shí)別精確度。該算法的定位成功率和識(shí)別成功率均優(yōu)于傳統(tǒng)的定位算法，在一定程度上減輕了物流行業(yè)工作者的工作量，可以廣泛應(yīng)用于條形碼定位、區(qū)域識(shí)別、物流行業(yè)和金融行業(yè)等領(lǐng)域，具有一定的應(yīng)用前景和實(shí)用價(jià)值。下一步作者將結(jié)合深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)更廣范圍的條形碼圖像識(shí)別，進(jìn)一步將圖像定位和圖像識(shí)別技術(shù)應(yīng)用于物流行業(yè)和日常生活中。