[发明专利]一种图片中的二维码识别方法及系统

权利要求书

1.一种图片中的二维码识别方法，其特征在于，所述方法包括：

步骤1：采集具有二维码的图片并存储；基于采集的图片构建训练图片数据集和测试图片数据集；标注训练图片数据集，用矩形框框出每张图片中的二维码，并保存矩形框的顶点坐标；

步骤2：构建Mask R-CNN深度神经网络模型，用于识别图片中二维码所在区域，并将其从原图中进行切割；输入训练图片数据集图片和每张图片标注的矩形框的顶点坐标，训练Mask R-CNN深度神经网络模型；

步骤3：获取二维码待识别图片，将二维码待识别图片输入训练好的Mask R-CNN深度神经网络模型，获得二维码待识别图片中的二维码图片；

步骤4：扫描步骤3中获得的二维码图片，识别二维码图片中的相关文本信息。

2.根据权利要求1所述的一种图片中的二维码识别方法，其特征在于，所述步骤3中在获得二维码待识别图片中的二维码图片后，还包括步骤多次缩放和旋转变换处理二维码图片，然后识别每次变换处理后的二维码图片。

3.根据权利要求2所述的一种图片中的二维码识别方法，其特征在于，变换处理二维码待识别图片中的二维码图片具体包括：N次旋转处理原二维码图片，生成N个旋转后的二维码图片，将原二维码图片和N个旋转后的二维码图片分别进行M次放大，生成M×(N+1)个图片，完成二维码图片的变换处理，其中M和N均为大于等于1的正整数。

4.根据权利要求1所述的一种图片中的二维码识别方法，其特征在于，矩形框的四个顶点坐标对应二维码在图片中的位置信息。

5.根据权利要求1所述的一种图片中的二维码识别方法，其特征在于，每张图片标注的矩形框的顶点坐标以json数据格式保存。

6.根据权利要求1所述的一种图片中的二维码识别方法，其特征在于，标注训练图片数据集，具体为：利用打标工具用矩形框框出每张图片中的二维码。

7.根据权利要求1所述的一种图片中的二维码识别方法，其特征在于，Mask R-CNN深度神经网络模型的训练过程包括：

训练数据预处理；

构建Mask R-CNN网络结构；

RoIAlign采用双线性插值，而不是取整量化，完成像素级对齐；

L为损失函数，L＝L_cls+L_box+L_mask，其中L_cls为分类误差，L_box为检测误差，L_mask为分割误差。

8.一种图片中的二维码识别系统，其特征在于，所述系统包括：

采集和存储单元，用于采集具有二维码的图片并存储；

图片预处理单元，用于基于采集的图片构建训练图片数据集和测试图片数据集；标注训练图片数据集，用矩形框框出每张图片中的二维码，并保存矩形框的顶点坐标；

模型构建和训练单元，用于构建Mask R-CNN深度神经网络模型，输入训练图片数据集图片和每张图片标注的矩形框的顶点坐标，训练Mask R-CNN深度神经网络模型；

二维码提取单元，用于将二维码待识别图片输入训练好的Mask R-CNN深度神经网络模型，获得二维码待识别图片中的二维码图片；

扫描单元，用于扫描二维码提取单元获得的二维码图片，识别二维码图片中的相关文本信息。

9.根据权利要求8所述的一种图片中的二维码识别系统，其特征在于，所述二维码提取单元还用于在获得二维码待识别图片中的二维码图片后，变换处理二维码图片，然后将变换处理后的二维码图片输入扫描单元；变换处理二维码图片，具体包括：N次旋转处理原二维码图片，生成N个旋转后的二维码图片，将原二维码图片和N个旋转后的二维码图片分别进行M次放大，生成M×(N+1)个图片，完成二维码图片的变换处理，其中M和N均为大于等于1的正整数。