当前位置：网站首页>Android NDK 开发实战 - 微信公众号二维码检测

Android NDK 开发实战 - 微信公众号二维码检测

2020-11-09 12:12:00 【osc_tei3s15d】

想让APP和微信一样，可以流畅运行小程序？ | 体验即送大疆、华为、樱桃键盘！>>>

关于二维码识别，我们一般都是用的 Zxing 或者 Zbar ，但它们的识别率其实不是很高，有些情况下是失灵的，比如下面这两张图：

使用开源库 Zxing 扫描以上两张二维码，有一张死活不识别。使用微信是可以的，大家可以用支付宝试试（不行），那碰到这种情况到底该怎么办呢？哈哈，这次终于有用武之地了，我们琢磨着来优化一把。

我们在微信公众号都用过这么一个功能，长按一张图片，如果该图片包含有二维码，会弹出识别图中二维码，如果该图片不含有二维码，则不会弹出识别二维码这个选项。说到这里我们大概应该知晓了，识别二维码其实分为两步，第一步是发现截取二维码区域，第二步是识别截取到的二维码区域。那么 zxing 和支付宝到底是哪一步出了问题呢？首先我们来看一下第一步发现截取二维码区域。

二维码事例

上图是一张常用的二维码事例图，有三个比较重要的区域，分别是左上，右上和左下，我们只要能找到这三个特定的区域，就能判定图片中包含有二维码。接下来我们来分析一下思路：

1. 对其进行轮廓查找
2. 对查找的到的轮廓进行初步过滤
3. 判断是否符合二维码的特征规则
4. 截取二维码区域
5. 识别二维码

//  判断 X 方向上是否符合规则
bool isXVerify(const Mat& qrROI){
    ... 代码省略
    // 判断 x 方向从左到右的像素比例
    // 黑：白：黑：白：黑 = 1:1:3:1:1
}

//  判断 Y 方向上是否符合规则
bool isYVerify(const Mat& qrROI){
    ... 代码省略
    // y 方向上也可以按照 isXVerify 方法判断
    // 但我们也可以适当的写简单一些
    // 白色像素 * 2 < 黑色像素 && 黑色像 < 4 * 白色像素 
}

int main(){
    Mat src = imread("C:/Users/hcDarren/Desktop/android/code1.png");

    if (!src.data){
        printf("imread error!");
        return -1;
    }
    imshow("src", src);

    // 对图像进行灰度转换
    Mat gary;
    cvtColor(src, gary, COLOR_BGR2GRAY);
    // 二值化
    threshold(gary, gary, 0, 255, THRESH_BINARY | THRESH_OTSU);
    imshow("threshold", gary);
    // 1. 对其进行轮廓查找
    vector<vector<Point> > contours;
    findContours(gary, contours, RETR_LIST, CHAIN_APPROX_SIMPLE);

    for (int i = 0; i < contours.size(); i++)
    {
        // 2. 对查找的到的轮廓进行初步过滤
        double area = contourArea(contours[i]);
        // 2.1 初步过滤面积 7*7 = 49
        if (area < 49){
            continue;
        }
        
        RotatedRect rRect = minAreaRect(contours[i]);
        float w = rRect.size.width;
        float h = rRect.size.height;
        float ratio = min(w, h) / max(w, h);
        // 2.2 初步过滤宽高比大小
        if (ratio > 0.9 && w< gary.cols/2 && h< gary.rows/2){
            Mat qrROI = warpTransfrom(gary, rRect);
            // 3. 判断是否符合二维码的特征规则
            if (isYVerify(qrROI) && isXVerify(qrROI)) {
                drawContours(src, contours, i, Scalar(0, 0, 255), 4);
            }
        }
    }

    imshow("src", src);
    imwrite("C:/Users/hcDarren/Desktop/android/code_result.jpg", src);

    waitKey(0);
    return 0;
}

处理结果

代码是非常简单的，关键是我们要善于学会去分析，多多培养解决问题的能力，只要知道实现思路，其他一切都不是问题了。那么有意思的就来了，当扫描第二张图的时候，我们发现死活都识别不了。那么细心的同学可能明白了，我们上面的代码是按照正方形的特征来识别的，而第二张图是圆形的特征，因此 Zxing 无法识别也是正常的，因为咱们在写代码的时候根本没考虑这么个情况。那么我们怎么才能做到识别圆形的特征呢？考验我们的时候到了，我们能想到三种解决方案：

1. 再写一套识别圆形特征的代码
2. 借鉴人脸识别的方案，采用训练样本的方式识别
3. 换一种检查方案，只写一套代码

人脸识别在下期文章中会写到，训练样本的方式比较麻烦，如果之前没接触过，那么需要一定的时间成本，但这种方案应该是最好的。再写一套圆形识别的代码，感觉维护困难，作为一个有灵魂的工程师总觉得别扭。那这里我们就采用第三种方案了，其实知识点也就那么多，还是那句话多培养我们分析解决问题的能力。

我们仔细观察，他们其实还是有很多共同点，我们对其进行轮廓筛选的时候会发现，都是一个大轮廓里面套两个小轮廓。具体流程如下：

1. 对其进行轮廓查找
2. 对查找的到的轮廓进行初步过滤
3. 判断是否是一个大轮廓套两个小轮廓且符合特征规则(面积比例判断)
4. 截取二维码区域
5. 识别二维码

extern "C"
JNIEXPORT jobject JNICALL
Java_com_darren_ndk_day76_MainActivity_clipQrBitmap(JNIEnv *env, jobject instance, jobject bitmap) {
    Mat src;
    cv_helper::bitmap2mat(env, bitmap, src);

    // 对图像进行灰度转换
    Mat gary;
    cvtColor(src, gary, COLOR_BGR2GRAY);

    // 二值化
    threshold(gary, gary, 0, 255, THRESH_BINARY | THRESH_OTSU);

    // 1. 对其进行轮廓查找
    vector<Vec4i> hierarchy;
    vector<vector<Point> > contours;
    vector<vector<Point> > contoursRes;
    /*
     参数说明：https://blog.csdn.net/guduruyu/article/details/69220296
        输入图像image必须为一个2值单通道图像
        contours参数为检测的轮廓数组，每一个轮廓用一个point类型的vector表示
        hiararchy参数和轮廓个数相同，每个轮廓contours[ i ]对应4个hierarchy元素hierarchy[ i ][ 0 ] ~hierarchy[ i ][ 3 ]，
            分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，该值设置为负数。
        mode表示轮廓的检索模式
            CV_RETR_EXTERNAL 表示只检测外轮廓
            CV_RETR_LIST 检测的轮廓不建立等级关系
            CV_RETR_CCOMP 建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
            CV_RETR_TREE 建立一个等级树结构的轮廓。具体参考contours.c这个demo
        method为轮廓的近似办法
            CV_CHAIN_APPROX_NONE 存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
            CV_CHAIN_APPROX_SIMPLE 压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
            CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似算法
        offset表示代表轮廓点的偏移量，可以设置为任意值。对ROI图像中找出的轮廓，并要在整个图像中进行分析时，这个参数还是很有用的。
     */
    findContours(gary, contours, hierarchy, CV_RETR_TREE, CHAIN_APPROX_NONE, Point(0, 0));
    int tCC = 0; // 临时用来累加的子轮廓计数器
    int pId = -1;// 父轮廓的 index
    for (int i = 0; i < contours.size(); i++) {
        if (hierarchy[i][2] != -1 && tCC == 0) {
            pId = i;
            tCC++;
        } else if (hierarchy[i][2] != -1) {// 有父轮廓
            tCC++;
        } else if (hierarchy[i][2] == -1) {// 没有父轮廓
            tCC = 0;
            pId = -1;
        }
        // 找到了两个子轮廓
        if (tCC >= 2) {
            contoursRes.push_back(contours[pId]);
            tCC = 0;
            pId = -1;
        }
    }
    // 找到过多的符合特征轮廓，对其进行筛选
    if (contoursRes.size() > FEATURE_NUMBER) {
        contoursRes = filterContours(gary, contoursRes);
    }

    // 没有找到符合的条件
    if (contoursRes.size() < FEATURE_NUMBER) {
        return NULL;
    }
    
    for (int i = 0; i < contoursRes.size(); ++i) {
        drawContours(src, contoursRes, i, Scalar(255, 0, 0), 2);
    }

    // 裁剪二维码，交给 zxing 或者 zbar 处理即可
    
    cv_helper::mat2bitmap(env, src, bitmap);

    return bitmap;
}