基于Gabor濾波和BP神經(jīng)網(wǎng)絡(luò)的二維條碼區(qū)域提取

楊兆選，吳佳鵬，白卓夫，蘇育挺，王曾敏

(天津大學(xué)電子信息工程學(xué)院，天津300072)

近年來(lái)，隨著資料自動(dòng)收集技術(shù)的發(fā)展，用條碼符號(hào)表示更多資訊的要求與日俱增，一維條碼已無(wú)法滿(mǎn)足人們的需求[1]．二維條碼因其具有高密度、大容量、可靠性高、保密性強(qiáng)、防偽性強(qiáng)和抗污損能力強(qiáng)等優(yōu)點(diǎn)，得到了迅速的發(fā)展，應(yīng)用領(lǐng)域不斷拓寬，目前已廣泛應(yīng)用于國(guó)防、海關(guān)、稅務(wù)、公共安全、交通運(yùn)輸、產(chǎn)品制造等信息自動(dòng)攜帶、傳遞、防偽領(lǐng)域．

Data Matrix條碼[2]是一種應(yīng)用廣泛的矩陣式二維條碼，如圖1所示．Data Matrix條碼由規(guī)則排列的方形模塊構(gòu)成，每一個(gè)相同大小的黑色或白色方格稱(chēng)為一個(gè)數(shù)據(jù)單位，分別代表著矩陣中的 1、0信息．條碼邊界是由兩條暗實(shí)線和兩條由黑白交替的小方格組成的鐵路線組成的尋邊區(qū)，只用于限定物理尺寸、定位和定義數(shù)據(jù)單位的大小，無(wú)任何編碼信息．被尋邊區(qū)包圍的數(shù)據(jù)區(qū)包含著編碼信息矩陣，信息密度高，信息量大．由于編碼時(shí)加入了糾錯(cuò)碼，條碼具有較強(qiáng)的糾錯(cuò)能力．

圖1 Data Matrix條碼Fig.1 Data Matrix barcode

要對(duì) Data Matrix條碼進(jìn)行識(shí)別，讀取其中的信息，首先要對(duì)條碼進(jìn)行區(qū)域提取和精確定位，其中條碼區(qū)域提取則是其他處理的前提．文獻(xiàn)[3]提出利用投影的方法進(jìn)行條碼區(qū)域提取．他們首先對(duì)條碼圖像進(jìn)行邊緣檢測(cè)，然后對(duì)得到的邊緣圖分別進(jìn)行水平投影和垂直投影，最后將水平投影和垂直投影中投影值較大的區(qū)域結(jié)合起來(lái)確定條碼的大概位置從而將條碼區(qū)域提取出來(lái)．這種方法基于條碼區(qū)域邊緣比較復(fù)雜和密集而其他區(qū)域灰度比較平坦邊緣點(diǎn)少的假設(shè)，對(duì)于背景比較簡(jiǎn)單、條碼周?chē)容^干凈的圖像有比較好的效果．但當(dāng)背景比較復(fù)雜，條碼周?chē)衅渌哂忻芗吘壍奈矬w甚至條碼被其他物體所包圍時(shí)，此方法的效果會(huì)有很大程度的下降．文獻(xiàn)[4]中則采用將圖像分塊，在每塊中計(jì)算各點(diǎn)梯度得到每塊中的邊緣點(diǎn)，根據(jù)各塊中邊緣點(diǎn)的數(shù)量和方向等性質(zhì)判斷各塊是否屬于潛在的條碼區(qū)域，然后對(duì)可能屬于條碼區(qū)域的塊進(jìn)行連通合并等后處理提取出條碼區(qū)域．這種方法可利用條碼本身的紋理特征排除許多偽區(qū)域，但對(duì)塊大小的設(shè)定至關(guān)重要，塊設(shè)定得太大無(wú)法很好地進(jìn)行潛在塊選擇，得到的區(qū)域過(guò)大會(huì)包含一部分條碼周?chē)钠渌矬w；塊設(shè)定太小則無(wú)法體現(xiàn)條碼紋理的統(tǒng)計(jì)特性．文獻(xiàn)[5]提出利用數(shù)學(xué)形態(tài)學(xué)對(duì)圖像進(jìn)行版面分析，通過(guò)腐蝕(白色背景下)或膨脹(黑色背景下)使條碼區(qū)域連成一個(gè)連通域，然后通過(guò)后處理在一定程度上保證條碼區(qū)域完整性并去除一部分偽區(qū)域進(jìn)而提取出可能的條碼區(qū)域．這種方法因計(jì)算簡(jiǎn)單而被廣泛應(yīng)用，但很難選出在不同的條件下都適用的結(jié)構(gòu)體．而且當(dāng)背景比較復(fù)雜時(shí)，這種方法會(huì)將圖像中灰度與條碼區(qū)域相似的區(qū)域一同提取出來(lái)，形成大量偽區(qū)域，產(chǎn)生較高的虛警率．為解決這一問(wèn)題，提出一種基于Gabor濾波和BP神經(jīng)網(wǎng)絡(luò)的 Data Matrix條碼區(qū)域提取方法(GF-BPNN)，利用BP神經(jīng)網(wǎng)絡(luò)按照經(jīng)Gabor濾波得到的圖像紋理特征對(duì)像素進(jìn)行分類(lèi)，從而提取出條碼區(qū)域．

1 GF-BPNN方法流程

GF-BPNN方法的流程，如圖2所示．首先，將待處理圖像通過(guò)不同尺度不同方向的多個(gè) Gabor濾波器濾波，得到不同尺度不同方向的紋理特征；然后，對(duì)這些特征進(jìn)行變換，使得到的特征向量具有尺度不變性和旋轉(zhuǎn)不變性；再將得到的特征向量通過(guò) BP神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)像素進(jìn)行分類(lèi)，此處用來(lái)訓(xùn)練 BP網(wǎng)絡(luò)的參考向量是由參考圖像經(jīng)上述步驟得到的；最后，利用數(shù)學(xué)形態(tài)學(xué)對(duì)得到的分類(lèi)圖進(jìn)行后處理，提取出完整的條碼區(qū)域．

圖2 GF-BPNN方法流程Fig.2 Block diagram of GF-BPNN

2 Gabor濾波器提取紋理特征

在紋理分析方面，共生矩陣[6]、馬爾科夫隨機(jī)場(chǎng)[7]和 Gabor濾波[8]等都是常用的紋理分析工具．Gabor濾波器則因在時(shí)域和頻域中都具有良好的局部特性[9]，且只需改變參數(shù)就可對(duì)圖像進(jìn)行不同尺度不同方向的濾波而被廣泛應(yīng)用．本文中提出的 GF-BPNN方法就用 Gabor濾波進(jìn)行圖像紋理特征的提?。瓽abor濾波器的表達(dá)式為

3 特征變換

經(jīng) Gabor濾波器濾波得到的特征向量F不具有尺度不變性和旋轉(zhuǎn)不變性，且維數(shù)太高，無(wú)法直接用于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)．所以要對(duì)F進(jìn)行降維和變換，使其具有尺度不變性和旋轉(zhuǎn)不變性．

首先，消除F對(duì)尺度的敏感性，生成具有尺度不變性的特征向量，同時(shí)實(shí)現(xiàn)降維．要實(shí)現(xiàn)這一目標(biāo)，可對(duì)具有相同方向不同尺度的特征相加并求均值，從而消除尺度對(duì)特征的影響，得到對(duì)尺度不變的含8個(gè)元素的特征向量 F =[F0, F1,F2, F3, F4, F5,F6, F7]，式中定義

對(duì)F進(jìn)行變換使其具有旋轉(zhuǎn)不變性．由圖 1可知，Data Matrix條碼區(qū)域內(nèi)有很多相互垂直的邊緣，因此條碼區(qū)域內(nèi)的像素經(jīng)過(guò) Gabor濾波后會(huì)在兩個(gè)相互垂直的方向上響應(yīng)比較大而其他方向的響應(yīng)會(huì)相應(yīng)地小一些，從而在兩個(gè)相互垂直的方向上形成兩個(gè)峰值．這種分布是區(qū)分該像素是否屬于條碼區(qū)域的重要特征．而由于旋轉(zhuǎn)和各種失真的存在，使得屬于不同條碼區(qū)域或同一條碼區(qū)域不同位置的像素的特征分布中峰值出現(xiàn)的角度不同，但只要屬于條碼區(qū)域，其雙峰特性是不變的．因此只需要在由式(3)所得的特征向量進(jìn)行循環(huán)移位，使其中的響應(yīng)最大值固定在特征向量的第一個(gè)元素位置 F0處，即可得到具有 旋 轉(zhuǎn) 不 變 性 的 新 特 征 向 量 F = [ F0′ ,F1′,F2′ ,F3′ ,F4′,F5′ ,F6′ ,F7′]，設(shè) 式(3)所得向 量 中 的響應(yīng)最 大 值為Fimax，則

至此，圖像每個(gè)像素處的紋理特征已具有尺度不變性和旋轉(zhuǎn)不變性，并已降至8維．

4 BP神經(jīng)網(wǎng)絡(luò)對(duì)像素分類(lèi)

BP神經(jīng)網(wǎng)絡(luò)是一種被廣泛應(yīng)用的分類(lèi)器，可實(shí)現(xiàn)從輸入空間到輸出空間的非線性映射[10]．它采用最小均方(least mean square，LMS)學(xué)習(xí)算法，經(jīng)過(guò)迭代運(yùn)算求解權(quán)值，將所需要的輸出與實(shí)際輸出間的誤差逐步最小化．此輸出誤差還會(huì)向輸入方向“反向傳播”回去，以調(diào)整權(quán)值使誤差減?。?/p>

本文中提出的 GF-BPNN方法采用經(jīng)過(guò)特征變換的圖像 Gabor紋理特征作為網(wǎng)絡(luò)輸入．輸入之前要先將特征線性映射至[0，1]之間，以便于后續(xù)權(quán)值的調(diào)整和運(yùn)算，并提高網(wǎng)絡(luò)泛化能力．

式中 Fmin和 Fmax分別表示向量中的最小值和最大值．

網(wǎng)絡(luò)訓(xùn)練由一幅背景比較復(fù)雜的參考圖像經(jīng)過(guò)前述特征提取所得到的特征向量作為輸入，期望的輸出為

對(duì)輸入圖像隨機(jī)取 11,000個(gè)點(diǎn)，其中條碼區(qū)域像素 1,000個(gè)，非條碼區(qū)域像素 10,000個(gè)，訓(xùn)練 100次．然后用訓(xùn)練好的網(wǎng)絡(luò)對(duì)待處理圖像進(jìn)行分類(lèi)，網(wǎng)絡(luò)輸出以 0.5為閾值，輸出大于 0.5的像素為條碼區(qū)域像素，否則為背景像素．

圖 3給出了圖像經(jīng)過(guò) Gabor濾波、特征變換和BP網(wǎng)絡(luò)分類(lèi)后的結(jié)果．

圖3 BP神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果Fig.3 Classification result by BP neural network

5 區(qū)域提取

因神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果不可能達(dá)到 100%正確，所以經(jīng) BP神經(jīng)網(wǎng)絡(luò)分類(lèi)之后的結(jié)果圖像還無(wú)法成為最終結(jié)果，還需要進(jìn)行后處理以提取條碼區(qū)域．

進(jìn)行處理時(shí)，首先利用形態(tài)學(xué)的開(kāi)、閉運(yùn)算去除圖像中孤立的小面積目標(biāo)或背景，使條碼區(qū)域形成一片完整的連通域，再對(duì)各區(qū)域做凸殼運(yùn)算，確保目標(biāo)區(qū)域的完整性，以利于區(qū)域標(biāo)記．然后對(duì)區(qū)域進(jìn)行標(biāo)記，并利用各區(qū)域面積、長(zhǎng)短軸之比等幾何特性，消除偽區(qū)域，得到最終提取結(jié)果，主要流程如圖4所示．

圖4 區(qū)域提取流程Fig.4 Procedure of region extraction

6 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中利用GF-BPNN方法對(duì)3幅包含Data Matrix條碼的圖像進(jìn)行了條碼區(qū)域提取，并與文獻(xiàn)[5]提出的利用數(shù)學(xué)形態(tài)學(xué)對(duì)圖像進(jìn)行版面分析提取條碼區(qū)域的方法進(jìn)行了對(duì)比，結(jié)果如下．本文采用像素錯(cuò)分率r來(lái)定量描述條碼區(qū)域提取效果，即以分類(lèi)錯(cuò)誤像素?cái)?shù) nincorrect除以總像素?cái)?shù) ntotal得到的百分?jǐn)?shù)表示，即

圖 5(a)為一幅背景復(fù)雜但條碼沒(méi)有旋轉(zhuǎn)的圖像．圖 5(b)為用 GF-BPNN方法提取的條碼區(qū)域；圖5(c)為用文獻(xiàn)[5]的方法提取的條碼區(qū)域．從中可以清楚地看出，GF-BPNN方法提取的條碼區(qū)域完整且沒(méi)有偽區(qū)域，像素錯(cuò)分率為 0.05%，而文獻(xiàn)[5]的方法則出現(xiàn)偽區(qū)域，像素錯(cuò)分率為3.33%．

圖5 復(fù)雜背景下的無(wú)旋轉(zhuǎn)條碼區(qū)域提取Fig.5 Non-rotating barcode region extraction in complex background

圖 6(a)是含有旋轉(zhuǎn)后條碼的圖像．圖 6(b)為用GF-BPNN方法提取的條碼區(qū)域；圖6(c)為用文獻(xiàn)[5]的方法提取的條碼區(qū)域(結(jié)構(gòu)體與前一實(shí)驗(yàn)中所用一致)．可看出GF-BPNN方法對(duì)旋轉(zhuǎn)不敏感，可提取出完整的條碼區(qū)域，像素錯(cuò)分率為 0.1%；而文獻(xiàn)[5]的方法則因?yàn)榻Y(jié)構(gòu)體選擇不合適而無(wú)法準(zhǔn)確提取出完整的條碼區(qū)域，且出現(xiàn)偽區(qū)域，像素錯(cuò)分率為4.95%．

圖6 旋轉(zhuǎn)條碼區(qū)域提取Fig.6 Rotating barcode region extraction

圖 7(a)是一幅含有較大條碼的圖像．圖 7(b)為用GF-BPNN方法提取的條碼區(qū)域；圖7(c)為用文獻(xiàn)[5]的方法提取的條碼區(qū)域(結(jié)構(gòu)體與前一實(shí)驗(yàn)中所用一致)．可以看出GF-BPNN方法對(duì)尺度不敏感，可提取出完整的條碼區(qū)域，像素錯(cuò)分率為 0.08%；而文獻(xiàn)[5]提出的方法則同樣因?yàn)榻Y(jié)構(gòu)體選擇不合適而無(wú)法準(zhǔn)確提取出完整的條碼區(qū)域，像素錯(cuò)分率為1.84%．

圖7 大條碼區(qū)域提取Fig.7 Big barcode region extraction

在計(jì)算量方面，本文所提出的辦法與文獻(xiàn)[5]提出的方法相比，大概增加1倍．但這個(gè)數(shù)據(jù)是在不考慮文獻(xiàn)[5]提方法中不可避免的結(jié)構(gòu)體選擇問(wèn)題的情況下得出的．文獻(xiàn)[5]提出的方法要取得較好的效果必須自適應(yīng)地選取結(jié)構(gòu)體，這需要花費(fèi)大量計(jì)算量，而本文提出的方法由于采用 BP神經(jīng)網(wǎng)絡(luò)對(duì)像素分類(lèi)消除了很多偽區(qū)域，只需再以一個(gè)相對(duì)固定的結(jié)構(gòu)體進(jìn)行形態(tài)學(xué)后處理即可得到較好的結(jié)果，省略了自適應(yīng)選取結(jié)構(gòu)體的過(guò)程．所以，本文提出的方法增加的計(jì)算量是完全可以接受的．

7 結(jié) 語(yǔ)

本文中提出的 GF-BPNN方法，可以很好地提取出復(fù)雜背景下的 Data Matrix條碼區(qū)域，且具有旋轉(zhuǎn)不變性和尺度不變性．此方法很好地克服了文獻(xiàn)[5]提出的基于形態(tài)學(xué)分析進(jìn)行條碼區(qū)域提取的方法存在的結(jié)構(gòu)體難以選擇和虛警率較高的缺點(diǎn)．與文獻(xiàn)[5]提出的方法相比，本文提出的GF-BPNN方法具有更高的準(zhǔn)確性和魯棒性，更能適應(yīng)不同應(yīng)用環(huán)境的需要，是一個(gè)非常有效的方法，已在自行研制的用于工業(yè)生產(chǎn)線的嵌入式二維條碼識(shí)別裝置中得到應(yīng)用．

［1］陳丹暉，劉 紅. 條碼技術(shù)與應(yīng)用[M]. 北京：化學(xué)工業(yè)出版社，2006.

Chen Danhui，Liu Hong.Barcode Technology and Application[M]. Beijing：Chemical Industry Press，2006 (in Chinese).

［2］International Organization for Standardization. ISO/IEC 16022-2006 Information Technology-Automatic Identification and Data Capture Techniques-Data Matrix Bar Code Symbology Specification[S]. Geneva：International Organization for Standardization，2006.

［3］陳媛媛，施鵬飛. 二維條形碼的識(shí)別與應(yīng)用[J]. 測(cè)控技術(shù)，2006，25(12)：17-19.

Chen Yuanyuan，Shi Pengfei. Image recognition in 2D bar code [J].Measurement and Control Technology，2006，25(12)：17-19(in Chinese).

［4］Ouaviani E，Pavan A，Bottazzi M. A common image processing framework for 2D barcode reading[C]//Proceedings of Seventh International Conference on Image Processing and Its Applications.Manchester：IEEE，1999：652-655.

［5］周 健. 自然環(huán)境下的二維條碼自動(dòng)識(shí)讀技術(shù)的研究[D]. 西安：西安理工大學(xué)，2003.

Zhou Jian. Study on Two Dimensional Barcode Recognition in Inartificial Conditions [D]. Xi’an：Xi’an University of Technology，2003(in Chinese).

［6］Arivazhagan S，Ganesan L，Kumar T G S. Texture classification using curvelet statistical and co-occurrence features[C]//Proceedings of 18th International Conference on Pattern Recognition.Hong Kong，2006：938-941.

［7］Manjunath B S，Chellappa R. Unsupervised texture segmentation using Markov random field models [J].IEEE Transactions on Pattern Analysis and Machine Learning，1991，13(5)：478-482.

［8］Sandler R，Lindenbaum M. Gabor filter analysis for texture segmentation [C]// 2006Conference on Computer Vision and Pattern Recognition Workshop.New York，2006：178-186.

［9］Jain A K，Chen Y. Bar code localization using texture analysis[C]//Proceedings of the Second International Conference on Document Analysis and Recognition.Tsukuba，Japan，1993：41-44.

［10］范立南，韓曉微，張廣淵. 圖像處理與模式識(shí)別[M].北京：科學(xué)出版社，2007.

Fan Linan，Han Xiaowei，Zhang Guangyuan.Image Processing and Pattern Recognition[M]. Beijing：Science Press，2007(in Chinese).