侯玉坤，李功燕

(1.中国科学院微电子研究所，北京 100029；2.中国科学院大学电子电气与通信工程学院，北京 100049)

1 引言

当前环境下，QR码技术的普及，使其在日常生活中得到大范围应用，使用场景不在仅仅局限于网站信息标识、移动支付等，同样物流快递面单也多已采用这种技术。因为QR码具有信息储存量大、多角度识别、应用成本低等特点，非常适合在物流分拣系统中存储包裹信息，同时随着国内外电商规模的不断扩大，快递投送量也成倍的增长，市场对于快递包裹的分拣速度和准确率提出了更高的要求。

通常，物流分拣系统复杂环境下QR码的识别需要经过相机捕获包裹全局图片、QR码目标检测即位置的精确定位、QR码信息读取等步骤。无论是传统的特征点检测定位方法还是基于深度学习的目标检测算法，都是在得到位置后将QR码分割出来提供给后续信息识别部分。所以QR码目标的精确定位极大地影响着分拣系统整体的性能。

文献[4]利用图像处理提取QR码三个特征点同时结合扫描算法检测位置。文献[4]考虑QR码中黑白模块数相近，然后计算输入的LBP特征获得目标区域。文献[4]采用级联的AdaBoost分类器训练检测QR码。文献[4]提出一种基于背景灰度估计的校正算法，优化QR码区域检测。一般地，这些算法仅在特定物理环境下具有较好的检测效果。然而，现实中，在物流包裹自动分拣场景下，由于光照条件、现场环境等影响，采集到的图片质量参差不齐，比如光照变化剧烈、背景干扰复杂、QR码扭曲形变、QR码目标占比较小等容易造成误检和漏检，导致QR码检测难度提升。……