使用OpenCV與微信二維碼引擎實(shí)現(xiàn)二維碼識(shí)別

背景

今年自疫情以來，我都沒有寫過文章。一方面是疫情導(dǎo)致居家辦公比較煩躁，另一方面最近有點(diǎn)懶了。但是工作還是要繼續(xù)，趁這幾天優(yōu)化了一下最近的項(xiàng)目，我整理了一下如何使用 OpenCV 和微信二維碼引擎來實(shí)現(xiàn)二維碼的識(shí)別。

微信開源了其二維碼的解碼功能，并貢獻(xiàn)給 OpenCV 社區(qū)。其開源的 wechat_qrcode 項(xiàng)目被收錄到 OpenCV contrib 項(xiàng)目中。從 OpenCV 4.5.2 版本開始，就可以直接使用。
該項(xiàng)目 github 地址：

https://github.com/opencv/opencv_contrib/tree/master/modules/wechat_qrcode

模型文件的地址：

https://github.com/WeChatCV/opencv_3rdparty

微信的掃碼引擎，很早就支持了遠(yuǎn)距離二維碼檢測(cè)、自動(dòng)調(diào)焦定位、多碼檢測(cè)識(shí)別等功能，它是基于 CNN 的二維碼檢測(cè)。

基于CNN的二維碼檢測(cè)器

二維碼識(shí)別的封裝

首先，定義一個(gè) AlgoQrCode.h

#pragmaonce
#include
#include
usingnamespacecv;
usingnamespacestd;

classAlgoQRCode
{
private:
Ptrdetector;

public:
boolinitModel(stringmodelPath);

stringdetectQRCode(stringstrPath);

boolcompression(stringinputFileName,stringoutputFileName,intquality);

voidrelease();
};

該頭文件定義了一些方法，包含了加載模型、識(shí)別二維碼、釋放資源等方法，以及一個(gè) detector 對(duì)象用于識(shí)別二維碼。
然后編寫對(duì)應(yīng)的源文件 AlgoQrCode.cpp

boolAlgoQRCode::initModel(stringmodelPath){
stringdetect_prototxt=modelPath+"detect.prototxt";
stringdetect_caffe_model=modelPath+"detect.caffemodel";
stringsr_prototxt=modelPath+"sr.prototxt";
stringsr_caffe_model=modelPath+"sr.caffemodel";
try
{
detector=makePtr(detect_prototxt,detect_caffe_model,sr_prototxt,sr_caffe_model);
}
catch(conststd::exception&e)
{
cout<endl;
returnfalse;
}

returntrue;
}

stringAlgoQRCode::detectQRCode(stringstrPath)
{
if(detector==NULL){
return"-1";
}

vectorvPoints;
vectorvStrDecoded;
MatimgInput=imread(strPath,IMREAD_GRAYSCALE);
//vStrDecoded=detector->detectAndDecode(imgInput,vPoints);
....
}

boolAlgoQRCode::compression(stringinputFileName,stringoutputFileName,intquality){
MatsrcImage=imread(inputFileName);

if(srcImage.data!=NULL)
{
vector<int>compression_params;
compression_params.push_back(IMWRITE_JPEG_QUALITY);
compression_params.push_back(quality);//圖像壓縮參數(shù)，該參數(shù)取值范圍為0-100，數(shù)值越高，圖像質(zhì)量越高

boolbRet=imwrite(outputFileName,srcImage,compression_params);

returnbRet;
}

returnfalse;
}

voidAlgoQRCode::release(){
detector=NULL;
}

其中：initModel() 方法用于加載算法模型文件，必須先調(diào)用，并且只需要調(diào)用一次即可。模型文件

detectQRCode() 方法需要根據(jù)業(yè)務(wù)場(chǎng)景，先對(duì)圖像做很多預(yù)處理的工作，然后再進(jìn)行二維碼的識(shí)別。這些預(yù)處理的過程，不再本文的討論范圍之列，以后有機(jī)會(huì)單獨(dú)寫一篇文章。

compression() 方法用于壓縮圖像，因?yàn)槲覀兪褂?a target="_blank">工業(yè)相機(jī)拍攝，圖片會(huì)很大大概30M+，所以在使用之前會(huì)先壓縮一下。

release() 方法可以在程序結(jié)束時(shí)，釋放 detector 對(duì)象。

識(shí)別二維碼，其實(shí)就是調(diào)用 detector 對(duì)象的 detectAndDecode() 方法。

最后，寫一個(gè) main() 函數(shù)測(cè)試一下，是否可用：

intmain()
{
AlgoQRCodealgoQrCode=AlgoQRCode();
algoQrCode.initModel("/Users/tony/IdeaProjects/creative-mirror-watcher/mirror/src/main/resources/");
stringvalue=algoQrCode.detectQRCode("/Users/tony/20220216851652_compress.jpeg");
cout<<"value="<endl;
}

執(zhí)行結(jié)果，識(shí)別二維碼的內(nèi)容：

value={
"osVersion":"iOS13.3",
"model":"蘋果iPhoneX",
"ip":"10.184.17.170",
"port":10123
}

寫到這里，基本上完成了二維碼識(shí)別的封裝，可以給上層平臺(tái)編譯對(duì)應(yīng)的算法包了。
我們最終是需要使用 Java/Kotlin 在 Windows 平臺(tái)上調(diào)用該 cv 程序。因?yàn)樵擁?xiàng)目是一款智能設(shè)備的上位機(jī)程序。所以還需要編寫一個(gè) jni 程序供 Java/Kotlin 調(diào)用，這個(gè)過程就不再闡述了。最后，將 cv 程序和 jni 相關(guān)的代碼最終編譯成一個(gè) dll 文件，供上位機(jī)程序調(diào)用，實(shí)現(xiàn)最終的需求。

總結(jié)

其實(shí)，上述代碼可以供各種平臺(tái)使用，無論是移動(dòng)端、桌面端、服務(wù)端。微信開源了一款非?？焖俚亩S碼引擎，節(jié)省了我們?cè)却罅康墓ぷ鳌?/p>

審核編輯 ：李倩