[发明专利]一种基于多任务目标检测的条形码倾斜矫正方法

说明书

本发明公开了一种基于多任务目标检测的条形码倾斜矫正方法，包括：构建单阶段目标检测器，所述单阶段目标检测器包括依次连接的特征提取基础网络和检测头部网络；将条形码图像输入所述特征提取基础网络，提取得到特征图；将所述特征图输入检测头部网络，对所述特征图进行分类和位置回归，得到矫正结果。本发明通过先对条形码倾斜程度进行分类，然后进行角度回归，有效降低了条形码矫正难度，并通过与单阶段目标检测器融合构成多任务目标检测模型，并行提高检测和矫正的效率，对提升译码准确率和速度起到较好促进作用。

技术领域

本发明涉及深度学习、图像处理技术领域，具体涉及一种基于多任务目标检测的条形码倾斜矫正方法。

背景技术

当前主流的条形码识别方法主要分为传统的数字图像处理和深度学习两类算法。

传统图像处理方法主要通过手工设计特征和规则，对条形码区域进行标记、旋转角度计算进而获得条形码矫正结果。一般地，传统图像算法对实验和应用环境要求较高。在物流包裹分拣场景下，条形码图片因为光照不均、背景干扰、包裹扭曲形变、模糊、污损等情况造成图片质量下降和特征不明显，进而算法性能大打折扣。

近年来，深度学习技术快速发展，凭借着其强大的拟合和提取特征能力，已经在绝大多数图像领域取得优于传统图像处理方法的效果。现有的一些方法中，一些是基于卷积神经网络的级联条形码检测算法，首先使用Faster-Rcnn目标检测算法获得条形码区域，再借助最大稳定极值区域(Maximally Stable ExtremalRegions，MSERs)算法消除背景噪声并检测条形码方向，最后通过自适应流形(Adaptive Manifold，AM)滤波器处理模糊条形码区域，整个算法流程由于多阶段处理速度较慢。另一些通过YOLO目标检测算法定位条形码区域，之后将条形码区域裁剪放缩至正方形送入一个角度矫正卷积神经网络预测条形码的倾斜角，然而这两部分网络提取特征存在重复冗余，并且直接回归预测倾斜角误差偏大。

发明内容

本发明的目的是通过以下技术方案实现的。

具体的，本发明提供了一种基于多任务目标检测的条形码倾斜矫正方法，包括：

构建单阶段目标检测器，所述单阶段目标检测器包括依次连接的特征提取基础网络和检测头部网络；

将条形码图像输入所述特征提取基础网络，提取得到特征图；

将所述特征图输入检测头部网络，对所述特征图进行分类和位置回归，得到矫正结果。

优选的，所述特征提取基础网络用于特征提取，输出所述条形码图像不同大小、不同抽象层次的语义特征信息表示；所述检测头部网络根据所述语义特征信息表示和监督信息完成待检测目标的分类和定位。

优选的，所述分类的结果是输出类别标签，所述定位的结果是输出检测矩形框的位置信息。

优选的，所述将特征图输入检测头部网络，对所述特征图进行分类和位置回归，得到矫正结果，包括：

将[0,180]角度范围均匀划分成M个象限，M为正整数，对应的在检测头部增加M分类预测条形码倾斜角度落在哪个象限，确定象限之后再对倾斜角进行回归，相应的的角度回归量取值范围变成

所述检测头部网络进一步包括分类网络和倾斜角度回归网络，所述倾斜角度回归网络输出值x通过Sigmoid激活函数归一化到[0,1]范围内，再乘以映射到

计算倾斜条形码角度值θ为：

其中m为分类网络输出的象限值；

通过仿射变换矫正条形码。

优选的，所述射变换包括：逆时针旋转90-θ，其中旋转变换矩阵T为：