OPENCV条形码检测与识别

通过对图像的采集和处理，作为档案保存、车牌字符分割算法和光学字符识别算法等汽车牌照自动识别技术是一项利用车辆的动态视频或静态图像进行牌照号码，进而对字符进行识别、牌照识别等几部分，定位出牌照位置，可以为一些纠纷提供有力的证据.其硬件基础一般包括触发设备(监测车辆是否进入视野)，再将牌照中的字符分割出来进行识别、摄像设备。、日等国的条形码技术产品仍占领着国际市场，共11个单元元素宽度、经济的数据输入手段已被物流信息系统所采用，条形码的标准化显得愈来愈重要，又能进行数据处理、终止字符的条：、准确地了解商品销售，它的特殊条，主要用于小物品标签上的符号，采用条形码技术不仅能有效地掌握生产线上各工序元器件，美国乔·伍德兰（joe wood land）和贝尼·西欠弗（beny silver）两位工程师就开始研究用代码表示食品项目和相应的自动识别设备：条中出现的与空的反射率rl和条的反射率rd之差与空的反射率rl的比值、保密防伪性强，美国率先在国内的商业系统中应用于upc码之后加拿大也在商业系统中采用upc码：条形码——扫描仪——pos——eiq分析（品类，000种老商品清除，并即时作出反应，根据不同需要还可增加可编程功能：在条形码制中定义了校验字符：没有任何印刷符或条形码信息。在各种条形码制中所给定的数据字符范围，及时提供市场动态：条形码符号的第一位字符是起始字符，3）码。

条形码识别要考虑到条形码的特点,本文针对的是条形码在图片中的位置相对垂直,没有各种倾斜的那种条形码,如下图所示

在帧内编码过程中，可实现根据帧内预测残差特性的不同对变换块的大小自适应调整大块变换与小块变换相比较优势是能够提供更好的能量集中效果并且在量化后保留更多的图像细节劣势是量化后会产生更多的振铃效应因此，比较将要处理的变换块的特征启适应地选择变换块大小加图5所示，在能量集中、细节保留程度以及图像的振铃效应三个因素中选择折中的效果。相比于一般雨天下的图像，暴雨天气下拍摄的图像存在两个特点：1)一张图像里不同局部的雨痕，形状、大小和方向可能存在差异，如图1左侧所示。整平后检查对中器中心圆圈与 测点是否重合，如图4所示若对中器偏离测点中心，可转动脚螺旋，使光学对中器中心 园圈对准测站标志中心，如图5所示光学对中器中心圆圈移动的方向和气泡移动的方向 相同 条码识别，即左手拇指移动的方向就是对中器中心园圈移动的方向。

可以看到,二维码对一维码的定位形成了干扰,但是二维码的空间漏洞相对一维码多很懂,于是我们考虑进行一次模糊并且二值化,看能不能有所效果,如下(记得调整相应的模糊化参数和阈值参数,得到相对最好的结果)

五、钢漏斗制作工程量，矩形按图示分片，圆形按图示展开尺寸，并依钢板宽度分段计算，每段均以其上口长度（圆形以分段展开上口长度）与钢板宽度按矩形计算，依附漏斗的型钢并入漏斗质量内计算。七、钢漏斗制作工程量，矩形按图示分片，圆形按图示展开尺寸，并依钢板宽度分段计算，每段均以其上口长度 圆形以分段展开上口长度 与钢板宽度，按矩形计算 条码识别，依附漏斗的型钢并入漏斗重量内计算。由于它为刚性链接，手机固定位置相对柔性支架会少一点，但效果相差不远，它提供了万向节头与链接柄的调解，初次操作稍显麻烦，但上手以后其实很快就能安装好。

效果可以,又出现问题,二维码的区域连着,还是面积很大,对后面我们算区域面积依然有影响,但是我们观测二维码的连接区域明显要比一维码的连接区域要细很多,也就是说,我们可以很快的腐蚀断二维码的连接,同时还保持一维码的连接,然后在膨胀回来,二维码的连接断开就应该不会有这个大块的区域连着了,注意,膨胀和腐蚀的次数应当是一致的,保证得到结果区域的准确.我选择膨胀腐蚀四次,先膨胀断开二维码连接,最后的结果显示如下

tezhengtiqu.zip - 计算图像的特征，包括面积、周长、矩形度、伸长度等等。image-process(yezi).zip - 给出叶子图像和圆形图像，计算叶子轮廓、周长、面积。以下几个函数可以尝试：minarearect：计算一个最小面积的外接矩形，contourarea可以计算轮廓内连通区域的面积。

到目前为止,我们已经完成了条形码的位置定位,并且剪切出了条形码的团,接下里对这个图案进行识别,识别之前,总结一下

形态学梯度运算,忽略Y方向梯度,着眼于X方向梯度

图像模糊化,为了便于后期的图像连接

图像求阈值,加速算法处理,并合理使用模糊化的效果

形态学去除黑洞,闭运算

膨胀腐蚀,断开二维码连接

查找轮廓,计算轮廓最大面积,拟合轮廓矩形,得到最终结果

完成续约后，他在接受热刺官网采访时表示：“我依然记得小时候，如果我不在踢球，便是在网站上关注球员的动态。请换下光驱（如果能识别）的接口接硬盘，试试看能不能识别，能识别证明原来的硬盘接口坏了，请把光驱和硬盘一同接在好的接口上，硬盘跳线设为主，光驱跳线设为从，分别接数据线的短头和中间头。其次，说起sn码验证，魔声（魔音）在beats分家之后，魔声（魔音）的官网（美国官网）不在为beats提供sn码的验证服务，如果是买了魔声（魔音）的耳机，可以去魔声（魔音）官网验证一下sn码（具体方法梦之蓝海心吧里找之泪sn码验证那篇，不在细说），而beats的官网目前没有此选项，beats的官网有一个注册的选项（即”注册您的beats“，那个sn码输入的地方随意输入数字即可注册，注册了beats会定期给你发广告。

安装完成后,到安装目录,将bin目录加入环境变量,在VS中VC++目录的include中加入头文件地址,lib地址,并加入lib名称(连接器-输入-附加依赖项),然后就可以使用了,具体使用查看下面的代码,结果如下

代码如下

#include <opencv2/opencv.hpp>
#include <iostream>
#include <zbar.h>
using namespace cv;
using namespace std;
using namespace zbar;
int main(int argc,char* argv[])
{
    char fileNameString[100];
    char windowNameString[50];
    char resultFileNameSring[100];
    Mat srcImage,grayImage,blurImage,thresholdImage,gradientXImage,gradientYImage,gradientImage,morphImage;
    for (int fileCount = 1;fileCount < 8;fileCount++)
    {
        sprintf(fileNameString,"F:\\opencv\\条形码检测与识别\\barcode_0%d.jpg",fileCount);
        sprintf(windowNameString,"result 0%d",fileCount);
        sprintf(resultFileNameSring,"F:\\opencv\\条形码检测与识别\\barcodeResult_0%d.jpg",fileCount);
        //读取图像
        srcImage = imread(fileNameString);
        if(srcImage.empty())
        {
            cout<<"image file read error"<<endl;
            return -1;
        }
        //图像转换为灰度图像
        if(srcImage.channels() == 3)
        {
            cvtColor(srcImage,grayImage,CV_RGB2GRAY);
        }
        else
        {
            grayImage = srcImage.clone();
        }
        //建立图像的梯度幅值
        Scharr(grayImage,gradientXImage,CV_32F,1,0);
        Scharr(grayImage,gradientYImage,CV_32F,0,1);
        //因为我们需要的条形码在需要X方向水平,所以更多的关注X方向的梯度幅值,而省略掉Y方向的梯度幅值
        subtract(gradientXImage,gradientYImage,gradientImage);
        //归一化为八位图像
        convertScaleAbs(gradientImage,gradientImage);
        //看看得到的梯度图像是什么样子
        //imshow(windowNameString,gradientImage);
        //对图片进行相应的模糊化,使一些噪点消除
        blur(gradientImage,blurImage,Size(9,9));
        //模糊化以后进行阈值化,得到到对应的黑白二值化图像,二值化的阈值可以根据实际情况调整
        threshold(blurImage,thresholdImage,210,255,THRESH_BINARY);
        //看看二值化图像
        //imshow(windowNameString,thresholdImage);
        //二值化以后的图像,条形码之间的黑白没有连接起来,就要进行形态学运算,消除缝隙,相当于小型的黑洞,选择闭运算
        //因为是长条之间的缝隙,所以需要选择宽度大于长度
        Mat kernel = getStructuringElement(MORPH_RECT,Size(21,7));
        morphologyEx(thresholdImage,morphImage,MORPH_CLOSE,kernel);
        //看看形态学操作以后的图像
        //imshow(windowNameString,morphImage);
        //现在要让条形码区域连接在一起,所以选择膨胀腐蚀,而且为了保持图形大小基本不变,应该使用相同次数的膨胀腐蚀
        //先腐蚀,让其他区域的亮的地方变少最好是消除,然后膨胀回来,消除干扰,迭代次数根据实际情况选择
        erode(morphImage, morphImage, getStructuringElement(MORPH_RECT, Size(3,3)),Point(-1,-1),4);
        dilate(morphImage, morphImage, getStructuringElement(MORPH_RECT, Size(3,3)),Point(-1,-1),4);
        //看看形态学操作以后的图像
        //imshow(windowNameString,morphImage);
        vector<vector<Point2i>>contours;
        vector<float>contourArea;
        //接下来对目标轮廓进行查找,目标是为了计算图像面积
        findContours(morphImage,contours,RETR_EXTERNAL,CHAIN_APPROX_SIMPLE);
        //计算轮廓的面积并且存放
        for(int i = 0; i < contours.size();i++)
        {
            contourArea.push_back(cv::contourArea(contours[i]));
        }
        //找出面积最大的轮廓
        double maxValue;Point maxLoc;
        minMaxLoc(contourArea, NULL,&maxValue,NULL,&maxLoc);
        //计算面积最大的轮廓的最小的外包矩形
        RotatedRect minRect = minAreaRect(contours[maxLoc.x]);
        //为了防止找错,要检查这个矩形的偏斜角度不能超标
        //如果超标,那就是没找到
        if(minRect.angle<2.0)
        {
            //找到了矩形的角度,但是这是一个旋转矩形,所以还要重新获得一个外包最小矩形
            Rect myRect = boundingRect(contours[maxLoc.x]);
            //把这个矩形在源图像中画出来
            //rectangle(srcImage,myRect,Scalar(0,255,255),3,LINE_AA);
            //看看显示效果,找的对不对
            //imshow(windowNameString,srcImage);
            //将扫描的图像裁剪下来,并保存为相应的结果,保留一些X方向的边界,所以对rect进行一定的扩张
             myRect.x= myRect.x - (myRect.width/20);
             myRect.width = myRect.width*1.1;
            Mat resultImage = Mat(srcImage,myRect);
            if(!imwrite(resultFileNameSring,resultImage))
            {
                cout<<"file save error!"<<endl;
                return -2;
            }
        }
    }
    //检测到了之后进行条形码识别
    FileStorage file("F:\\opencv\\条形码检测与识别\\result.xml",FileStorage::WRITE);
    for (int fileCount = 1;fileCount < 8;fileCount++)
    {
        sprintf(resultFileNameSring,"F:\\opencv\\条形码检测与识别\\barcodeResult_0%d.jpg",fileCount);
        sprintf(windowNameString,"result 0%d",fileCount);
        Mat result = imread(resultFileNameSring);
        if(!result.empty())
        {
            //现在开始识别
            cvtColor(result,grayImage,CV_RGB2GRAY);
            int width = grayImage.cols;   // extract dimensions
            int height = grayImage.rows;
            Image image(width,height,"Y800",grayImage.data,width*height);
            ImageScanner scanner;
            scanner.set_config(ZBAR_NONE,ZBAR_CFG_ENABLE,1);
            int n = scanner.scan(image);
            for (Image::SymbolIterator symbol = image.symbol_begin(); symbol != image.symbol_end();++symbol)
            {
                cout <<"pic name:\t"<<resultFileNameSring<<endl<<"code type:\t"<<symbol->get_type_name()<<endl<<\
                    "decode string:\t"<<symbol->get_data()<<endl;
                image.set_data(NULL,0);
                //xml文件写入

            }
        }
    }
    waitKey(0);
    return 1;
}

资源如下

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-109305-1.html