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
-
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实现：
1，读入图像，提取轮廓
有两种方法：
- 基于边缘提取
- 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)
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)
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
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