实时自动识别全向多重条形码和数字信号处理的实现外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

实时自动识别全向多重条形码和数字信号处理的实现

摘要：条形码已广泛应用于日常生活中，例如商品标签，库存控制，存储/回收系统和检查。基于计算机视觉的条形码识别肯定有助于条形码读取，特别是对于多个条形码和自由空间以及复杂场景。 这项工作，提出了自动条形码检测和识别算法，用于多重和旋转不变条形码解码。提出的系统包括三个阶段。首先，通过四个步骤中的粗到细分割来提取条形码：背景小杂波减少，候选条形码分割，条形码验证和条形码旋转和正则化。为了增强条形码区域，薄和小背景噪声集群消除使用最大值减最小值的差分。该方法组合了几种图像处理方案，即高斯平滑滤波，连通分量分析，方向均匀性，矩分析和迭代阈值。第二阶段通过扫描多个遍历行来解码条形码，从而防止由于小的条形码缺陷导致的解码错误。最后，所提出的系统在DM6437 DSP EVM板上实现和优化。经验结果表明，所提出的方法可以定位多个和全向条形码，即使具有复杂的背景和小的失真。10,395个彩票条码和388个商品条码的识别率分别为99.74和90.7％。 提出的系统是有前景的，并已成功地在彩票阅读和获奖数字验证的商业应用中采用。

关键词 一维条码·条形码提取·条形码识别·DM6437定点DSP·优化

简介

其中包括数字技术广泛应用于许多领域，包括工业产品，日用品标签，自动识别，库存结算窗体底端激光条形码读取器通常在许多点使用的销售。然而，激光条形码读取器仅在传感器和物体靠近在一起并且一次只能识别一个条形码时才起作用。最近发现计算机视觉技术和基于图像的条形码读取解决方案对于移动应用和检测自动化非常有前景。数码相机捕获可以的图像可以存储在任何计算机设备中，诸如智能电话，PDA或笔记本。数字照相机捕获可以存储在任何计算机设备（诸如智能电话，PDA或笔记本）中的图像。 因此，基于视觉的条形码读取系统相对于光学扫描器具有许多优点，特别是用于同时读取多个和全向条形码。 此外，相机不需要放在固定位置。 一些电视购物频道在商业广告中包括条形码（QR码），使得客户可以通过使用移动电话照相机在屏幕上直接阅读条形码来购买商品。然而，基于实时计算机视觉的条形码读取器用于移动系统上的复杂场景是一个挑战，涉及多方面的权衡。特别是，算法的选择是实时系统中的一个关键问题[5]。此外，应该开发可以在同一硬件系统上重新配置不同模块的微处理器。

基于图像的条形码识别系统的主要任务是条形码位置确定，特征提取和条形码解码。下采样和背景杂波抑制是在预处理阶段中定位候选条形码区域的有效和公知的方法[6-8]。 霍夫变换被广泛用于搜索条形码行[2,9]。 许多基于计算机视觉的已经提出了用于条形码识别的方法。 提出了一种两阶段方法，包括连接基于方向的区域的轮廓和定位轮廓连接的基于组件的目标，分割多样化条形码，并通过TI浮点DSP进行模拟[10]。Zhang et al提出了另一种具有两个下采样分辨率的两阶段方法，其中通过基于区域的分析来识别条形码[11] .Chandler和Batterman开发了一种全向条形码读取器，其计算相应第一和第二线的导数的积的总和，以定位 然后计算内插扫描线数据的互相关以获得所定位的条形码的方向[12]。 Ohbuchi et al。 采用角点检测和螺旋扫描来处理EAN码和QRcode [3]。 基于代码类型的几种条形码特征提取方法，如线性代码的投影已经被提出[4,13]。 Arnould et al。 提出了一种基于形态操作的方法[5] .Andoand Hontanie扩展了他们的特征提取方法，使用边缘，脊，角和顶点的分类和投影来提取和读取3D场景中的条形码[14]。

这表示自动条形码识别具有复杂背景的多方向条形码。该系统是一种基于计算机视觉的实时自动条形码提取系统，对噪声和背景杂波具有鲁棒性。本文提出的系统实现了OFDM6437平台。包括指令并行和多指令数据打包在一条指令中的浮点计算 算术优化。

本文的其余部分组织如下：第2节描述了所提出的系统的自动条形码提取过程，以及条形码提取中使用的原理和算法。 第3节阐明了解码方法。 第4节介绍DM6437 DSP实现和优化中涉及的详细问题。 第5节报告实验结果并演示了开发的DSP系统。 最后， 6得出结论并提出未来研究的建议。

2.自动条形码提取

图1显示了提出的条形码扩展系统的流程图。条形码提取过程具有四个步骤：背景小杂波减少，候选条形码分割，条形码验证和条形码旋转和正则化，并且如下详细描述。图2a示出了在我们的讨论中应用的示例图像之一。所有捕获的图像被转换为灰度图像。实现和优化DSP将设计算法设计为具有足够的可用性并且使用DSP指令集和流水线计算来正确地传送算法。

2.1背景小杂波减少具有最大最小差分

条形码识别系统广泛应用于高层，商品发布服务和生产线。输入图像通常包含字符，线条，标志，噪声和背景噪声等各种对象。通过威尔逊稀疏采样和过采样方法[7]，我们提出了一个最大最小差分操作来消除小杂波。 所提出的最大最小差分方法直接在灰度图像和Willsie方法的二进制保持约束的增强回退上操作。此步骤删除扫描图像中的细小和较小的背景杂波通过在条形码黑线之间插入空间来增强条形码区域。通过过采样和欠采样操作产生两个缩小尺寸的图像（1/16），以分别确定原始图像的每个4times;4子图像的像素值的最大值和最小值。然后，差分图像 通过从欠采样图像中减去过采样图像计算得到的下采样图像D（x，y）由下式计算：

D(x, y) = max{ f (4x minus; i,4y minus; j)}minus;min{ f (4x minus; i,4y minus; j)},

其中1le;xle;M/4,1le;xle;N/ 4，M和N分别表示图像高度和宽度。术语“max”表示从4times;4的最大像素值子图像f（4x-i，4y-j），其中0le;i，jle;3。类似地，“min”表示来自原始图像

f（x，y）的4times;4子图像的最小像素值，这种方法保留了条形码和实心打印区域，同时排除了大部分薄的文本和线条，从而有助于分割可能的条形码区域。该方法识别黑白条形码特征的相邻像素之间具有高变化的对象块。 窗口大小基于最薄黑条的宽度，打印密度，相机分辨率和条形码大小来确定。条形码符号可以以各种密度打印以适应各种打印和扫描过程。 每个条的正常宽度（黑条）和空格（光棒）为7密耳（7/1000英寸）至15密耳（15/1000英寸）。 为了考虑在我们的系统中的实际实现，相机和条形码之间的距离范围已经被约束，使得单个暗条元素的宽度在图像中大约四个像素。因此，为最大最小差分操作选择a4times;4窗口。此外，减小尺寸的方法也提高了执行时间。图2b描绘了将所提出的背景杂乱削减算法应用于输入条形码图像的结果图2a。

2.2候选条形码分割

虽然过采样和欠采样图像的差分保留条形码区域，但它不消除噪声或一些条带对象。提取整个条形码区域涉及进一步连接条形码行之间的间隔并去除噪声。高斯平滑滤波器用于填充候选条形码区域的间隙。翻译时出错为了适应DSP实现约束，该研究开发了快速形态方法和有效的连通分量分析算法，以分别去除噪声和提取条形码区域。

2.2.1噪声消除和间隙填充

为了去除条形码图像中的噪声，使用5times;5高斯平滑滤波器，其也适用于使用其卷积指令的DSP实现。该过程通过阈值处理去除显着噪声和小区域，如在等式（2）：

其中w（i，j）表示等权重1/25的滤波器的滤波系数; D（x，y）表示从前一阶段获得的下采样图像，如上所述在章节2.1; 并且T 1表示阈值参数，对于该初始阶段中的所有图像，其经验地设置为33。通过在条形码正则化阶段中的迭代阈值获得适当的阈值，如章节.2.4.2。

如上所述的这种平滑滤波器处理仍然在条形码区域中留下一些间隙或孔。这些间隙需要填充以获得完整的条形码区域。形态操作是这项任务的强大工具。首先，通过使用5times;5的正方形结构元素对平滑图像C（x，y）进行扩展来缩小平滑图像C（x，y）。然后通过5times;5的圆形结构元素扩展所得到的图像。虽然二元扩张和侵蚀是数学形态学中的基本操作，但是这些是非线性算子，其适合于DSP移植。这种实现采用快速阈值线性卷积形态运算[15]，这是基于线性卷积和相关，加上二进制。因此，为了加速计算，由于结构元件的正方形形状，卷积替代了侵蚀的相关性。 图2c显示了结果噪声消除和形态计算。如预期的，所提出的方法成功地提取糖果日期条形码区域。

2.2.2高效连通分量分析。

这个阶段的最后一步是确定剩余物体与连接组分分析的连接面积。代替使用传统的渐进式连通分量分析方法，通过算法，如算法1所示，这比传统算法更具计算效率。通过1记录等效标签并分配临时标签。 通过2用等效表中的等效标签替换每个临时标签。普通分量分析方法的时间复杂度为lambda;（nL），其中n表示图像中的像素总数，L表示分量数。相反，所提出的两次通过算法需要线性时间tau;（2n m），其中n表示像素的数量，m表示处理等效表所花费的时间。这种两次通过方法采用特殊的树结构，而不是链表。由于同一代中的每个子代都通过根连接，所以用“联合”操作更新标签涉及简单地将每个子代的标签设置为其父代的标签。因此，简单的表映射足以处理重新标记。 链表法需要？（L log L）搜索时间复杂度。所提出的算法需要alpha;（L）计算。总时复杂度xi;（2n L），当nne;0时，提出的方法的复杂性与更先进的线性时间分量标记算法兼容[16-18]。

2.3条形码验证

一旦粗略地提取了候选条形码区域，则需要将真实条形码与杂波对象区分开。 图2c示出了形态学过程，提取了几个候选条形码区域，仅其中三是真正的条形码。 有效地识别真实条形码对于避免假阳性是重要的。 本节介绍了一种快速分类条形码和非条形码对象的方法。提出的分类方法测量条形码区域中平行符号线的方向。由于定向均匀性是一维条形码的主要特征，图像梯度可以通过应用前向条形码来获得。高级梯度近似法[19]可以提供更精确的角度估计。然而，它需要许多浮点乘法，因此不适用于DSP实现翻译时出错另外，由于条形码区域中大量直的平行符号线的特性，Prewitt算子足以检测1-D条形码的取向均匀性。为了简单起见，将取向角从像素梯度转换为 四个角，即垂直，水平和两个对角线（0°，45°，90°和135°）。 然后获得像素取向的直方图，计算出现的比率。真实条形码具有特定角度的低方差或高发生率。 为了提高计算速度，通过查找表计算方向，而不是使用标准的反正切C函数，由于使用浮点运算，不适用DSP。

2.4条码旋转和正则化

这个研究的主要目的是从具有各种方向的输入图像解码多个条形码。 所提出的方案需要根据它们的取向规则化不同的条形码，并且执行二进制化以便于随后的解码处理。 上述过程分为三个步骤：（1）使用力矩分析找到倾斜角; （2）将条形码对象旋转到获得水平或垂直取向，以及（3）通过迭代阈值将图像转换为二进制形式。更好的二进制化导致更高的解码精度。 详细说明如下：

2.4.1力矩分析和图像旋转

在识别真正的条形码区域之后，通过应用力矩分析[20,21]计算其倾斜角（theta;），如等式（3）和（4）。

其中（x，y）表示条形码区域中的像素的坐标，（x c，y c）表示条形码区域的中心的坐标。 该方法可以用于找到每个条形码的偏斜角theta;并将放大的条形码图像旋转到水平方向。假设旋转后的新像素坐标为（xrsquo;，yrsquo;），旋转为theta;。 新坐标通过线性变换获得; 因此， xrsquo;=costheta;x-sintheta;, yrsquo; =costheta;x sintheta;y。在这种情况下，图像通过线性插值[22]旋转如下：

其中alpha;表示线性插值参数，alpha;= xrsquo;-[xrsquo;] ,如果theta;le;45°，而alpha;=yrsquo;-[yrsquo;] 如果theta;gt; 45°。通过线性插值法的旋转结果也与双线性插值法的结果进行比较; 两个结果被发现是相似的，但线性内插是计算效率更高。

2.4.2条码符号行提取的迭代阈值

条形码解码取决于黑色和相邻符号的宽度比。然而，原始图像可以具有不同的背景颜色。 获得黑白图像涉及利用阈值处理的二值化。 迭代阈值是自动找到阈值的适当方法[23]。首先计算图像的灰度级直方图，并且将像素分类为背景，如果其灰度级大127，否则像素属于对象（黑色符号线）。接下来，在T（t）= 1/2（mu;B（t） mu;O（t））时，在时间t迭代计算新的阈值T（t）其中mu;B（t）和mu;O（t）分别表示背景和物体的平均灰度级，并且如下式所示确定：

该方法连续地调整值T（t），直到| T（t）-T（t-1）| = 0。所得到的阈值用于最终的二值化操作。

图3显示了条形码旋转和输入图2a图像双边化的结果。虽然在线性插值和二值化之后存在一些几何失真，但它不会严重影响解码过程。

3解码

在提取黑色和白色条形码之后，可以通过绘制沿垂直于条形码条纹的方向的检测线来执行解码。当线条通过与水平或垂直方向一致的像素时，像素值（0或1） 从二值图像中提取，如由图3中的箭头符号表示的检测线所表示的图4a。沿着该线的二进制图像的内容存储在一维比特阵列中。 可以采用在各种条形码符号体系中定义的窄条，宽条，空间和代码结构的宽度编码方案来获得有效条形码编号并通过将位阵列与对应的条形码标准匹配来拒绝无效条形码。 为了减少由于噪声，几何失真或断裂线引起的误差解码，应用多个并行检测线，如图4b所示。理想地，应当通过合并来解码条形码解码结果。 否则，可以应用多数表决策略。 该方法确保解码结果对较小图像缺陷是鲁棒的。

4 DM6437 DSP实现和优化

本研究的目的是在数字信号处理器上实现和优化基于图像的条形码读取器.

TI TMS320C6437由于TI达芬奇TM和C6000系列数字信号处理器成本最低。TIDM6437是高性能定点DSP，具有32K字节的嵌入式RAM用于指令，80K字节的嵌入式RAM用于数据存储器。 它运行在594MHz的时钟速度，并提供每秒高达4800万MAC（乘法累加）操作。此外，128K字节的静态存储器可

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140719]，资料为PDF文档或Word文档，PDF文档可免费转换为Word