Hopfield神经网络在二维码污损复原中的应用*

袁红春， 侍倩倩

(上海海洋大学 信息学院，上海 201306)



Hopfield神经网络在二维码污损复原中的应用*

袁红春， 侍倩倩

(上海海洋大学 信息学院，上海 201306)

针对传统Hopfield神经网络记忆功能的局限性,以Hopfield神经网络的理论知识为依据，提出了一种改进的Hopfield神经网络。在学习阶段，通过对连接关系矩阵的修正来提高网络的记忆能力。运用Matlab为工具，设计了一个可以对信息进行联想记忆的网络，实现了不同污损程度二维码的复原。对改进前后网络的复原结果进行了比较分析，结果表明：改进后的Hopfield神经网络对污损二维码的复原较好。

离散； Hopfield神经网络； 联想记忆； 快速反应二维码； Matlab

0　引　言

在信息迅速发展的今天，二维码凭其自身的高容量、高密度、高纠错能力等优点，广泛应用于各行各业。二维码很大程度上改善了人们的生活方式，推动了社会现代化发展。然而在运输，印刷过程中，二维码容易出现污渍或损坏的情况，影响后期二维码的识别。因此,如何对污损二维码进行准确识别很有研究价值。

国外的研究学者对二维码的研究主要偏向于二维码抗破坏的研究，在文献[1]中，提出一种被称为HoloBarcode的二维码，当这种二维码图像表面产生破损的情况下，依然能够正确地识别二维码中所存储的信息。文献[2]不仅实现了二维码的预处理，还完成了对二维码冗余长度的仿真。

本文利用离散型Hopfield神经网络的联想记忆功能对目前应用较为广泛的QR二维码污损图像做了进一步研究，并讨论了复原后QR二维码的识别率。实验结果表明，改进的Hopfield神经网络对污损在一定范围内的QR二维码的复原效果较好。

1　基本理论

1.1QR二维码

在1994年9月，日本Denso公司研制了一种新的矩阵式二维码符号，即QR二维码[3]。一般情况下，一个完整的QR二维码组成结构如图1所示。

图1　QR二维码结构Fig 1　QR 2D code structure

QR二维码由特定几何图形根据一定的规律组合而成。文字数值等信息由这些特定的图形表示。QR二维码利用纠错算法生成纠错码字，这些纠错码字添加在数据码字之后，达到了纠错功能。当二维码破损在纠错能力范围以内时，仍能正确的识别。

二维码的识别过程较为复杂，首先对图像进行预处理，读取格式信息、版本信息，消除掩膜[4]。然后纠错码字进行错误检验，纠正错误码字后进行数据码字译码，最终输出二维码所存储的信息。识别流程如图2所示。

图2　QR二维码识别过程Fig 2　Recognition process of QR 2D code

1.2离散Hopfield神经网络

在1982年，Hopfield神经网络被提出。它是一种单层的反馈网络[5]。网络中信号的传递方向不仅向前，同时信号在神经元之间也有传递。

Hopfield J J最早提出的网络是二值神经网络，神经元的输出只取1和0，所以,也称离散Hopfield神经网络(discrete hopfield neural network，DHNN)[6]。

1.2.1网络拓扑结构

DHNN结构如图3所示。从DHNN的结构可以看出：任意神经元i与j间的突触权值为Wij，神经元之间的联接是对称的，即Wij=Wji，神经元自身没有联接，即Wii=0。因此，DHNN采用的是对称连接，自身没有反馈。

图3　离散Hopfield网络拓扑结构Fig 3　Topology structure of discrete Hopfield network

当网络中神经元个数为n时，网络的学习方式如下

(1)

式中bi为阈值或偏差；yi为输出；ui为输入。对应神经元i的输出状态为

yi(t+1)=f(ui(t))

(2)

式中二值函数f可以取阶跃函数u(t)或符号函数Sgn(t)。如果取Sgn(t)函数，则t+1时刻，网络的输出yi(t+1)取离散值1或0，即

(3)

1.2.2Hopfield网络稳定性判断

稳定性是网络性能的一个重要指标。离散Hopfield神经网络工作过程中，能量值越来越小，直至达到最小值[7]。这时网络达到稳定状态，输出结果。

“能量函数”定义为

(4)

2　Hopfield神经网络算法改进

传统的Hopfield神经网络存在的缺点在于神经元的值经常在振荡，一个神经元的值减小到最小需要很多次状态变化[8]。对于多个非正交的学习模式，无法正确的回忆。

wi,j(t+1)=wij(t)+Δwij(t)

(5)

3　实验设计

3.1改进Hopfield神经网络的二维码污损复原

当Hopfield网络进行联想记忆时，需要先训练网络，确定网络稳定时的权重，将所要学习记忆的信息保存在网络中[9]。当网络权值确定以后，向网络中输入不完整或者部分错误数据时，网络可以根据记忆，输出完整的信息。

改进Hopfield神经网络设计步骤如下：

2)设计网络的权值。按照改进Hopfield神经网络算法的学习规则，计算网络权值矩阵w。当yk(t)≠Uk时，按照公式(9)修正，直到Δwij(t)=0。

3.2思路分析

QR二维码的版本、种类较多。由于数据量过大，不便于神经网络实现。为了方便实验的进行，选取版本号为1纠错等级为L的QR二维码作为训练样本(纠错等级L水平，7 %的字码可被修正)。测试样均本来自训练样本，用画图工具对其进行不同程度的污损。采用Matlab来模拟离散Hopfield神经网络对污损QR二维码图像进行复原。首先对样本图像进行灰度处理，得到灰度矩阵，通过替换灰度矩阵中的值得到标准的二值矩阵。由所得的标准矩阵按照改进后的学习规则创建神经网络。在网络达到平稳状态时，假设取10个训练样本，每个QR二维码由80×80的黑白图像表示，每张图像6400个像素点，用1表示白，0表示黑。由于标准矩阵较大，在训练时对样本逐列进行训练，根据样本数量共建立80个网络。仿真实验中网络的一个神经元代表样本一列80个像素点，一个网络包含10个神经元(即10个稳态)，网络对这10个稳态具有联想记忆的功能。对污损的测试样本进行预处理，得到标准的二值矩阵。将测试样本的二值矩阵输入网络，网络根据稳态得到的权重输出联想记忆向量，从而实现对污损二维码图像的复原。

3.4实验结果与分析

经过改进的网络训练后，无法识别的二维码图像能正确的识别出来，识别效果较为理想。当位置探测图形和校正图形污损时，通过网络训练后能很好的复原，达到正确识别的目的，如图4所示。由于训练样本的版本和纠错等级确定后，位置探测图形和校正图形的位置、数量也随之确定下来，网络训练后不存在偏差，因此本实验主要针对数据区。当数据区域污损面积达12 %时，改进前和改进后网络的训练结果如图5、图6所示。

图4　定位图像污损仿真结果Fig 4　Simulation results of positioning image stained

图5　改进前数据区污损12 %仿真结果Fig 5　Simulation results of data area stained by 12 % before the algorithm improved

图6　改进后数据区污损12 %仿真结果Fig 6　Simulation results of data area stained by 12 % after the algorithm improved

表1给出了数据区不同污染率的识别情况。

表1　不同污染率识别情况

4　结束语

本文提出了一种改进Hopfield神经网络对污损QR二维码图像进行复原，并进行了仿真。在学习阶段，通过对连接关系矩阵进行修正，弥补了传统Hopfield网络学习规则对非正交学习模式无法正确回忆，提高了网络运行效率。改进前和改进后的结果对比表明：算法改进后，污损图像的识别效率有很大的改善。算法改进前当数据区污损面积大于15 %的时候，开始出现无法识别的情况。算法改进后，当数据区污损面积小于21 %的情况下均能正确的识别，且在污损面积小于23 %的情况下，仍有90 %的几率正确的识别。直到污损面积大于23 %，恢复后的QR二维码图像识别性能较差。实验中，仍存在一些缺点和不足，如训练样本和测试样本有限制(为了实验方便选取了版本1纠错等级为L的QR二维码)，且实验中神经网络结构设计上还有待进一步改进。因此，有待提出新的设计方法，进一步提高污损二维的识别率。

[1]Spagnolo G S,Cozzella L,Santis M D.New 2D barcode solution based on computer generated holograms:Holographic barcode[C]∥2012 the 5th International Symposium on Communications Control and Signal Processing(ISCCSP),IEEE,2012:1-5.

[2]Wakahara T,Yamamoto N.Image processing of 2-dimensional barcode[C]∥International Conference on Network-based Information Systems,IEEE Computer Society,2011:484-490.

[3]黄吉兰．二维条码QR Code编码原理及实现[J]．电脑知识与技术，2013，9(12)：2904-2908．

[4]邓潇潇．二维条形码QR Code的图像识别[J]．消费电子，2014 (2)：225-225．

[5]朱凯，王正林．精通Matlab神经网络[M]．北京：电子工业出版社,2010．

[6]金灿．基于离散Hopfield神经网络的数字识别实现[J]．计算机时代，2012 (3)：1-3.

[7]尹敏，蔡吴琼．Hopfield神经网络在字符识别中的应用[J]．电脑知识与技术，2013,9(21):4925-4928．

[8]闫玉莲.一种改进的Hopfield神经网络对TSP问题的求解方法[J].闽南师范大学学报:自然科学版,2014,27(3):37-43.

[9]贾花萍．Hopfield神经网络在车牌照字符识别中的应用[J]．计算机与数字工程，2012，40(4)：85-86．

侍倩倩，通讯作者，E—mail:395933116@qq.com。

Application of Hopfield neural network in recovery of stained two-dimensional code*

YUAN Hong-chun, SHI Qian-qian

(College of Information Technology,Shanghai Ocean University,Shanghai 201306，China)

Aiming at limitations of memory function of traditional Hopfield neural network,an improved Hopfield neural network is presented based on theoretical knowledge of Hopfield neural network.Through modifying connection relations matrix in learning phase increase memory ability of network.Design a neural network with associative memory function using Matlab as tool,implement recovery of different degree of stained two-dimensional code.Recovery results of network before and after improvement are compared and analyzed,and results show that the improved Hopfield neural network is better for the recovery of stained two-dimensional code.

discrete; Hopfield neural network; associative memory; QR 2D code; Matlab

2015—10—16

上海市科委支撑计划资助项目(14391901400)

TP 391.41

A

1000—9787(2016)08—0151—04

袁红春(1971-),男,上海人,教授,博士,主要研究方向为神经网络、专家系统、智能信息处理。

DOI:10.13873/J.1000—9787(2016)08—0151—04