电子商务网站架构,wordpress英文企业网站模板,条友网,微信插件 wordpress文章目录 0 简介1 二维码检测2 算法实现流程3 特征提取4 特征分类5 后处理6 代码实现5 最后 0 简介
#x1f525; 优质竞赛项目系列#xff0c;今天要分享的是
基于机器学习的二维码识别检测 - opencv 二维码 识别检测 机器视觉
该项目较为新颖#xff0c;适合作为竞赛课… 文章目录 0 简介1 二维码检测2 算法实现流程3 特征提取4 特征分类5 后处理6 代码实现5 最后 0 简介 优质竞赛项目系列今天要分享的是
基于机器学习的二维码识别检测 - opencv 二维码 识别检测 机器视觉
该项目较为新颖适合作为竞赛课题方向学长非常推荐 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
1 二维码检测
物体检测就是对数字图像中一类特定的物体的位置进行自动检测。基本的检测框架有两种
一种是以滑动窗口为单位对图像进行扫描对扫描所得的每个子图像提取特征并用学习到的分类器来分类该特征并且判断该子图像是否为所检测的特定物体。对象检测的一个问题是对象在图片中的位置和尺度是未知的。算法被要求能够检测各种不同位置、不同大小的对象这样的特性被称为位置无关性和尺度无关性。为了达到这样的特性常见的方法是使用多尺度框架即通过缩放原始图像产生一组大小不同的图像序列然后在序列的每幅图像中都使用固定尺寸 W×H 的滑动窗口检测算法将判断每次滑动窗口所截取的图像子窗口是否存在目标对象。滑动窗口解决了位置无关性而图像序列中存在至少一幅图像其包含的目标对象的尺度符合滑动窗口的尺度这样一个图像金字塔序列解决了尺度无关性。
另一种则是在整幅图像上首先提取兴趣点然后仅对提取出来的兴趣点分类。
因此学长把物体检测方法分为基于滑动窗口的物体检测和基于兴趣点的物体检测两类。
无论是哪种做法整个过程都可以分为特征提取和特征分类这两个主要阶段。也就是说物体检测的主要问题是使用什么样的特征和使用什么样的分类器。
物体检测的难点在于如何用有限的训练集来学习到鲁棒的、可以适用到各种情况下的分类器。这里所说的各种情况包括有图像中物体的大小不同光照条件的差异所引起的图像明暗的不同物体在图像中可能存在的旋转和透视情况同类物体间自身存在的差异。
这里学长以定位二维码 / 条形码为例简述基于机器学习实现物体检测的大致算法流程。
2 算法实现流程
算法流程图如下图所示 我们先把输入图像分成 25×25 的图像子块。把图像子块作为特征提取和特征分类这两个模块的基本处理对象即对图像子块进行纹理特征提取特征分类时判定当前处理的图像子块是否属于二维条形码的一部分 在特征提取模块中我们使用纹理特征提取算法从原始输入图像中提取出多分辨率直方
在特征分类时我们希望保留所有属于二维条形码的图像子块同时去除所有属于背景的图像子块。在该模块中我们使用了自适应 Spatialboost 算法。
下图为经过这步处理后的理想输出结果图中被标记的小方块表示他们属于二维条形码的一部分。 3 特征提取
图像的纹理特征可以描述物体特有的属性用以区别其他物体。纹理特征总体可分为空域和频域两大类。在本文算法中我们采用的纹理特征均属于空域的纹理特征也是局部特征它们分别是多分辨率直方图特征、局部二值模式特征和边缘方向直方图特征。
多分辨率直方图特征具备旋转无关的特点。这种纹理特征保留了灰度直方图特征计算简单和保存方便的特点。同时它又可以描述纹理的局部信息弥补了传统的灰度直方图特征的缺点。
局部二值模式特征是一种计算复杂度较低的局部特征它具有明暗无关和旋转无关的特点。 边缘方向直方图特征与全局的光照变化是无关的它可以提取出二维条形码纹理的几何特点。
4 特征分类
学长开发的算法所使用的分类器为自适应 Spatialboost 算法这是对 Spatialboost 算法的一个改进。使用这个分类器是由二维条形码的特点以及我们算法框架的特点所决定的。由于我们把原始输入图像分为若干大小固定的图像子块属于二维条形码的图像子块在空间上有很强的关联性或者说这些属于二维条形码的图像子块都是紧密相邻的。同时由于图像子块的尺寸不大它所包含的信息量相对较少有的时候就很难把属于二维条形码的图像子块和属于背景的图像子块区分开它们在特征空间上可能重叠。如果我们可以利用子块在空间上的联系把空间信息加入到分类器中将有利于提高分类器的准确率。
适应 Spatialboost 算法可以同时利用纹理特征以及子块在空间上的联系在训练过程中将纹理特征和空间信息自适应的结合起来训练分类器。这样当前处理的子块的分类结果不仅依赖于它自己的纹理特征还和它周围子块的分类结果密切相关。当属于背景的图像子块的纹理特征很接近于属于二维条形码的图像子块时我们还是可以依靠和它相邻的背景子块来对它做出正确的分类。
5 后处理
经过特征提取和特征分类两个模块后我们得到了对图像子块的分类结果但最后我们期望得到的是对二维条形码的包围盒。在我们的设置下自适应Spatialboost 分类器对背景子块的分类相当严格此时对属于二维条形码的图像子块会有部分漏检发生 因此在后处理模块中我们先使用一种自适应聚类算法对分类后的结果进一步改进来精确的覆盖整个二维条形码。特征分类后定位到的子块的大小为 25×25我们把这些子块再划分为 10×10 的小方块。接着以得到的 10×10 的子块为种子用子块灰度值的方差为衡量标准往外聚类聚类时的阈值设定为 其中 M 是聚类开始时作为种子的子块的个数k 为调整系数在本文算法中 k设置为 0.5Var 和 Mean 分别表示子块灰度值的均值和方差。由公式(3-1)可知每幅图像的聚类阈值是自适应的计算得来的。聚类开始时首先从种子子块出发计算它们周围的子块的灰度值方差如果大于聚类阈值就把它标识为属于二维条形码重复这个过程直到周围再没有子块符合聚类条件。图 3-5 是聚类算法的部分结果第一行的图像是特征分类后的结果准确的定位到了一部分二维条形码但是没有完全的覆盖整个二维条形码不利于我们输出最后的定位包围盒。第二行为聚类后的结果可以看到小块几乎完全覆盖了整个二维条形码此时再把这些小块合并为一个平行四边形就很方便了。 聚类后定位出来的小块基本上覆盖了整个二维条形码最后我们只需要把定位出的小包围盒合并为大包围盒并输出最后的定位结果。整个后处理流程见图 6 代码实现
这里演示条形码的检测效果
关键部分代码实现:
# import the necessary packages import numpy as np import argparse import cv2
# construct the argument parse and parse the arguments
# ap argparse.ArgumentParser()
# ap.add_argument(-i, --image, required True, help path to the image file)
# args vars(ap.parse_args())# load the image and convert it to grayscale
image cv2.imread(./images/2.png)
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# compute the Scharr gradient magnitude representation of the images
# in both the x and y direction
gradX cv2.Sobel(gray, ddepth cv2.CV_32F, dx 1, dy 0, ksize -1)
gradY cv2.Sobel(gray, ddepth cv2.CV_32F, dx 0, dy 1, ksize -1)# subtract the y-gradient from the x-gradient
gradient cv2.subtract(gradX, gradY)
gradient cv2.convertScaleAbs(gradient)# blur and threshold the image
blurred cv2.blur(gradient, (9, 9))
(_, thresh) cv2.threshold(blurred, 225, 255, cv2.THRESH_BINARY)# construct a closing kernel and apply it to the thresholded image
kernel cv2.getStructuringElement(cv2.MORPH_RECT, (21, 7))
closed cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)# perform a series of erosions and dilations
closed cv2.erode(closed, None, iterations 4)
closed cv2.dilate(closed, None, iterations 4)# find the contours in the thresholded image, then sort the contours
# by their area, keeping only the largest one
(cnts, _) cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
c sorted(cnts, key cv2.contourArea, reverse True)[0]# compute the rotated bounding box of the largest contour
rect cv2.minAreaRect(c)
box np.int0(cv2.boxPoints(rect))
5 最后 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
