更新：这篇文章的介绍看起来有点“离题”，某些方面是因为在写文章之前，我刚看完《南方公园黑色星期五》，所以我肯定在僵尸购物者、黑色星期五的混乱和《权利的游戏》中得到一些灵感。

黑色星期五要来了。

疯狂的消费者成群结队，中西部的中年女性蜂拥而出，露出没有牙齿的嗜血牙龈，直奔当地沃尔玛75%折扣的最新一季的《权利的游戏》。

感恩节之夜，他们将在沃尔玛门外排起长队，团结在一起，用他们的双手和头部，击打紧锁的大门，直到身体鲜血淋淋，就像《惊变28天》中的僵尸一样，只不过不是为了肉身，他们渴望小小的消费寄托，他们的战争呐喊着折扣，销售额将会上升到极点，他们雷鸣般的脚步造成整个大平原的地震。

当然，媒体也无济于事，他们将危言耸听每一个小场景。从冻伤的家庭在寒风中露营整晚，到瞒姗老太在大门打开后被蜂拥而入的低价抢购人群踩踏，就像侏罗纪公园中似鸡龙的蹂躏。这所有的一切只是因为她想为9岁的孙女蒂米买到最新的光晕游戏，而蒂米的父母，在去年的这个时候离世了，就在沃尔玛，在这黑色星期五。

我不得不问，所有的这些混乱值得么？

见鬼，当然不。

我在这个黑色星期五时的购物都是在网上完成的，就像用一杯咖啡和少量泰诺(Tylenol)护理宿醉一样。

但是如果你决定外出到现实世界勇敢地低价抢购，你会想先下载本文附带的源码。

想象一下你会觉得多么愚蠢，排队，等待结账，只是为了扫描一下最新一季的《权利的游戏》上的条形码，然后查明它便宜了 5 美元。

接下来，我将展示给你怎样仅仅通过Python和Opencv，来检测图片中的条形码。

用 Python 和 OpenCV 检测图片上的的条形码

这篇博文的目的是应用计算机视觉和图像处理技术，展示一个条形码检测的基本实现。我所实现的算法本质上基于StackOverflow 上的这个问题，浏览代码之后，我提供了一些对原始算法的更新和改进。

首先需要留意的是，这个算法并不是对所有条形码有效，但会给你基本的关于应用什么类型的技术的直觉。

假设我们要检测下图中的条形码：

图1：包含条形码的示例图片

现在让我们开始写点代码，新建一个文件，命名为detect_barcode.py，打开并编码：

1# import the necessary packages

2importnumpyasnp

3importargparse

4importcv2

5

6# construct the argument parse and parse the arguments

7ap=argparse.ArgumentParser()

8ap.add_argument('-i','--image',required=True,help='path to the image file')

9args=vars(ap.parse_args())

我们首先做的是导入所需的软件包，我们将使用NumPy做数值计算，argparse用来解析命令行参数，cv2是OpenCV的绑定。

然后我们设置命令行参数，我们这里需要一个简单的选择，–image是指包含条形码的待检测图像文件的路径。

现在开始真正的图像处理：11# load the image and convert it to grayscale

12image=cv2.imread(args['image'])

13gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

14

15# compute the Scharr gradient magnitude representation of the images

16# in both the x and y direction

17gradX=cv2.Sobel(gray,ddepth=cv2.cv.CV_32F,dx=1,dy=0,ksize= -1)

18gradY=cv2.Sobel(gray,ddepth=cv2.cv.CV_32F,dx=0,dy=1,ksize= -1)

19

20# subtract the y-gradient from the x-gradient

21gradient=cv2.subtract(gradX,gradY)

22gradient=cv2.convertScaleAbs(gradient)

12~13行：从磁盘载入图像并转换为灰度图。

17~18行：使用Scharr操作(指定使用ksize = -1)构造灰度图在水平和竖直方向上的梯度幅值表示。

21~22行：Scharr操作之后，我们从x-gradient中减去y-gradient，通过这一步减法操作，最终得到包含高水平梯度和低竖直梯度的图像区域。

上面的gradient表示的原始图像看起来是这样的：

图:2：条形码图像的梯度表示

注意条形码区域是怎样通过梯度操作检测出来的。下一步将通过去噪仅关注条形码区域。24# blur and threshold the image

25blurred=cv2.blur(gradient,(9,9))

26(_,thresh)=cv2.threshold(blurred,225,255,cv2.THRESH_BINARY)

25行：我们要做的第一件事是使用9*9的内核对梯度图进行平均模糊，这将有助于平滑梯度表征的图形中的高频噪声。

26行：然后我们将模糊化后的图形进行二值化，梯度图中任何小于等于255的像素设为0(黑色)，其余设为255(白色)。

模糊并二值化后的输出看起来是这个样子：

图3：二值化梯度图以此获得长方形条形码区域的粗略近似

然而，如你所见，在上面的二值化图像中，条形码的竖杠之间存在缝隙，为了消除这些缝隙，并使我们的算法更容易检测到条形码中的“斑点”状区域，我们需要进行一些基本的形态学操作：28# construct a closing kernel and apply it to the thresholded image

29kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(21,7))

30closed=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,kernel)

29行：我们首先使用cv2.getStructuringElement构造一个长方形内核。这个内核的宽度大于长度，因此我们可以消除条形码中垂直条之间的缝隙。

30行：这里进行形态学操作，将上一步得到的内核应用到我们的二值图中，以此来消除竖杠间的缝隙。

现在，你可以看到这些缝隙相比上面的二值化图像基本已经消除：

图4：使用形态学中的闭运算消除条形码竖条之间的缝隙

当然，现在图像中还有一些小斑点，不属于真正条形码的一部分，但是可能影响我们的轮廓检测。

让我们来消除这些小斑点：32# perform a series of erosions and dilations

33closed=cv2.erode(closed,None,iterations=4)

34closed=cv2.dilate(closed,None,iterations=4)

我们这里所做的是首先进行4次腐蚀(erosion)，然后进行4次膨胀(dilation)。腐蚀操作将会腐蚀图像中白色像素，以此来消除小斑点，而膨胀操作将使剩余的白色像素扩张并重新增长回去。

如果小斑点在腐蚀操作中被移除，那么在膨胀操作中就不会再出现。

经过我们这一系列的腐蚀和膨胀操作，可以看到我们已经成功地移除小斑点并得到条形码区域。

图5：应用一系列的腐蚀和膨胀来移除不相关的小斑点

最后，让我们找到图像中条形码的轮廓：36# find the contours in the thresholded image, then sort the contours

37# by their area, keeping only the largest one

38(cnts,_)=cv2.findContours(closed.copy(),cv2.RETR_EXTERNAL,

39cv2.CHAIN_APPROX_SIMPLE)

40c=sorted(cnts,key=cv2.contourArea,reverse=True)[0]

41

42# compute the rotated bounding box of the largest contour

43rect=cv2.minAreaRect(c)

44box=np.int0(cv2.cv.BoxPoints(rect))

45

46# draw a bounding box arounded the detected barcode and display the

47# image

48cv2.drawContours(image,[box],-1,(0,255,0),3)

49cv2.imshow('Image',image)

50cv2.waitKey(0)

38~40行：幸运的是这一部分比较容易，我们简单地找到图像中的最大轮廓，如果我们正确完成了图像处理步骤，这里应该对应于条形码区域。

43~44行：然后我们为最大轮廓确定最小边框

48~50行：最后显示检测到的条形码

正如你在下面的图片中所见，我们已经成功检测到了条形码：

图6：成功检测到示例图像中的条形码

下一部分，我们将尝试更多图像。

成功的条形码检测

要跟随这些结果，请使用文章下面的表单去下载本文的源码以及随带的图片。

一旦有了代码和图像，打开一个终端来执行下面的命令：$pythondetect_barcode.py--imageimages/barcode_02.jpg

图7：使用OpenCV检测图像中的一个条形码

检测椰油瓶子上的条形码没有问题。

让我们试下另外一张图片：$ python detect_barcode.py --image images/barcode_03.jpg

图8：使用计算机视觉检测图像中的一个条形码

我们同样能够在上面的图片中找到条形码。

关于食品的条形码检测已经足够了，书本上的条形码怎么样呢：$pythondetect_barcode.py--imageimages/barcode_04.jpg

图9：使用Python和OpenCV检测书本上的条形码

没问题，再次通过。

那包裹上的跟踪码呢？$pythondetect_barcode.py--imageimages/barcode_05.jpg

图10：使用计算机视觉和图像处理检测包裹上的条形码

我们的算法再次成功检测到条形码。

最后，我们再尝试一张图片，这个是我最爱的意大利面酱—饶氏自制伏特加酱(Rao’s Homemade Vodka Sauce):$pythondetect_barcode.py--imageimages/barcode_06.jpg

图11：使用Python和Opencv很容易检测条形码

我们的算法又一次检测到条形码！

总结

这篇博文中，我们回顾了使用计算机视觉技术检测图像中条形码的必要步骤，使用Python编程语言和OpenCV库实现了我们的算法。

算法概要如下：计算x方向和y方向上的Scharr梯度幅值表示

将x-gradient减去y-gradient来显示条形码区域

模糊并二值化图像

对二值化图像应用闭运算内核

进行系列的腐蚀、膨胀

找到图像中的最大轮廓，大概便是条形码

需要注意的是，该方法做了关于图像梯度表示的假设，因此只对水平条形码有效。

如果你想实现一个更加鲁棒的条形码检测算法，你需要考虑图像的方向，或者更好的，应用机器学习技术如Haar级联或者HOG + Linear SVM去扫描图像条形码区域。