halcon——条码定位与识别(一维码)

引言

条码识别的应用大多数在物流行业中(需要识别的条码一般在快递包裹中),对于一维码的识别,halcon有自带条码识别算子create_bar_code_model和find_bar_code 。而快递标签处有很多的文字,符号和边框,增大了定位的难度。,因此有时也有检测不到条码的情况。针对这一现象,本篇就来深度分析一下如何更好的去识别一维码。


 一,相关算子分析

  • create_bar_code_model(创建一维码模型)

create_bar_code_model ([], [], BarCodeHandle) 
参数一//输入   需要调整的参数名称(为[]表示暂时不设置)
参数二//需要调整的该参数的值。 
参数三// 返回的条码模板句柄 
  • set_bar_code_param(对模型设置参数)
set_bar_code_param( BarCodeHandle, GenParamNames, GenParamValues )

BarCodeHandle(in)//模型句柄
GenParamNames(in)//参数名称
GenParamValues (in)//参数值

halcon——条码定位与识别(一维码)_第1张图片

  • find_bar_code (识别一维码)

find_bar_code(Image ,SymbolRegions ,BarCodeHandle, CodeType , DecodedDataStrings)

参数列表:
Image //输入图像
SymbolRegions//检测到的条形码区域(输出)
BarCodeHandle//    条形码句柄
CodeType//    条形码类型
DecodedDataStrings//识别结果(输出)

二,提高解码能力的其他措施

(1)图像预处理(增强条码)

  • 对比度太低:scale_image(或使用外部程序scale_image_range),增强图像的对比度。
  • 图像模糊:emphasize锐化图像,使条码看起来更清晰。
  • 深色背景上读取浅色条码:invert_image反转图像。

(2)如果整张图信息太多,则可以先把条码区域挖出来,使用reduce_domain和crop_domain算子,这样不仅可以降低解码难度,还可以减少解码时间。也可使用decode_bar_code_rectangle2在指定的矩形区域内解码。

(3)当条码很密或者很小的时候,可以尝试用zoom_image_factor放大了条码图像。

(4)find_bar_code中将“CodeType”设置为“auto”可以读取多种类型的条码,但是会增加运行时间,且可能会降低解码的可靠性。最好只扫描预知的条形码类型。

三,如何在图像提取条码区域

以快递上的一维码为例,由于快递标签处有很多的文字,符号和边框,增大了定位的难度。(如下图)而且有很多噪声的影响。

halcon——条码定位与识别(一维码)_第2张图片

 halcon实现:


 1,读入图像,提取轮廓


 有两种方法:

  1. 基于边缘提取
  2. blob分析
read_image (Image, 'C:/Users/86175/Desktop/4.png')
get_image_size (Image, Width, Height)
dev_open_window (0, 0, Width/2, Height/2, 'black', WindowHandle)
dev_display (Image)
rgb1_to_gray (Image, GrayImage)

*第一种边缘提取初步提取轮廓
laplace_of_gauss(GrayImage, ImageLaplace, 2)//拉布拉斯算子
threshold(ImageLaplace, Region3, 5, 127)
skeleton(Region3, Skeleton3)
connection (Skeleton3, ConnectedRegions2)
select_shape (ConnectedRegions2, SelectedRegions, ['area','width','height'], 'and', [0,0,0], [220,80,200])

*第二种Blob分析法初步提取条码
threshold (GrayImage, Regions, 7, 107)
connection (Regions, ConnectedRegions)

halcon——条码定位与识别(一维码)_第3张图片halcon——条码定位与识别(一维码)_第4张图片

二者提取效果差不多,但是考虑到Blob分析法可能对相机像素有较大的要求,否则二值化后可能提取不出条码线,个人觉得用边缘提取的方式较稳定。


 2,筛选条码区域


*通过面积和矩形度筛选
select_shape (ConnectedRegions, SelectedRegions1, 'area', 'and', 60, 1500)
select_shape_std (SelectedRegions1, SelectedRegions, 'rectangle2', 60)

*提取轮廓
union1 (SelectedRegions, RegionUnion)
skeleton (RegionUnion, Skeleton4)
gen_contours_skeleton_xld (Skeleton4, Contours1, 1, 'filter')
*通过轮廓长度过滤小噪声
select_contours_xld (Contours1, SelectedContours, 'contour_length', 30, 200, -0.5, 0.5)

halcon——条码定位与识别(一维码)_第5张图片


 3,拟合直线,进一步筛选


*因为条码都是直线,可以通过角度相同的直线分割条码
*拟合直线
fit_line_contour_xld (SelectedContours, 'tukey', -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist1)
*画拟合线
gen_region_line (RegionLines1, RowBegin, ColBegin, RowEnd, ColEnd)
*在0~-180°里每-30°查找一次条码
for i:=-1 to -150 by -30
    
    select_shape (RegionLines1, SelectedRegions3, 'phi', 'and', rad(i-30),  rad(i))
    count_obj (SelectedRegions3, Number)
    if(Number>12)
        union1 (SelectedRegions3, RegionUnion1)
        area_center (RegionUnion1, Area1, Row, Column)
        orientation_region (RegionUnion1, Phi)
        if(Phi>rad(90))
            Phi:=Phi-rad(180)
        endif
        if(Phi<-rad(90))
            Phi:=rad(180)+Phi
        endif
        vector_angle_to_rigid (Row, Column, Phi, Row, Column,rad(0), HomMat2D)
        affine_trans_region (RegionUnion1, RegionAffineTrans1, HomMat2D, 'nearest_neighbor')
        affine_trans_image (GrayImage, ImageAffineTrans, HomMat2D, 'constant', 'false')   
        closing_rectangle1 (RegionAffineTrans1, RegionClosing, 80, 2)
        connection (RegionClosing, ConnectedRegions1)
        select_shape (ConnectedRegions1, SelectedRegions4, 'area', 'and', 2954.26, 50000)
        shape_trans (SelectedRegions4, RegionTrans, 'rectangle2')
        region_features (RegionTrans, 'width', w)
        region_features (RegionTrans, 'height', h)
        if(w/h<2.5 or w/h>10)
            continue
        endif
        reduce_domain (ImageAffineTrans, RegionTrans, ImageReduced1)
        threshold (ImageReduced1, Regions1, 160, 254)
        area_center (Regions1, Area, Row1, Column1)
        threshold (ImageReduced1, Regions2, 0, 120)
        area_center (Regions2, Area2, Row2, Column2)
        if(Area>Area2)
            if(Area/Area2>2)
                continue
            endif
        endif
        if(Area2>Area)
            if(Area2/Area>2)
                continue
            endif
        endif
        dilation_circle (RegionTrans, RegionDilation, 6)
        reduce_domain (ImageAffineTrans, RegionDilation, ImageReduced)
    endif
endfor

halcon——条码定位与识别(一维码)_第6张图片

参考博文:(2条消息) Halcon条码定位算法(一维码)_三元荧的博客-CSDN博客

你可能感兴趣的:(Halcon,计算机视觉,人工智能,python,深度学习,图像处理)