图码技术是计算机与信息技术相结合的一门新兴技术,其把编码、印刷、识别、数据采集和处理集成于一体。从20世纪70年代开始,已广泛应用在各个领域。随着现代信息技术发展,一维图码容量不足的问题限制了其应用发展,为了在图码中存储更多的信息,二维图码被研制出来,例如鼎九码、Data Matrix、QR Code、PDF417等,其存储密度是一维图码的几十到几百倍,他们共同特点是信息在水平和垂直方向上扩展,存储在矩形平面内。本文把分布在矩形平面内,具有明确信息的图形称为矩阵图码。与一维图码相比,矩阵图码信息密度较高,识读困难,尤其在光照、噪声、模糊、畸变等复杂场景下,识读更加复杂。为了提高矩阵图码识读的准确率和速度,识读之前需要对图码做增强处理,包括边缘检测、图像增强与二值化等技术。矩阵图码识读增强技术也可以应用在文字、以及由文字组成的文档图像上。本文认为文字和文档图像也是一种特殊的矩阵图码。本文主要研究复杂场景下矩阵图码的识读增强技术,研究内容和创新点如下:1.二维码是比较简单的矩阵图码,在其识读过程中,受到外部光源以及传感器影响,采集的图像出现光线不均匀、噪点多等现象,二维码识读需要根据像素的黑白阈值确认信息,如果图像的噪点很多,影响图码识读的准确性。本文提出基于方差图两次二值化算法,对噪点有很强的抑制能力,以鼎九码为例进行实验验证,很好解决了复杂场景下图码的识读问题。2.在复杂场景下,由于畸变以及噪声干扰,手机拍照文档图像中的文档区域边界可能是不连续的曲线,常规的边缘检测或霍夫变换算法不能很好解决文档图像的边缘检测问题。本文提出动态规划边缘检测算法以及边界组合算法,有效解决了复杂场景下文档图像的边界检测问题。3.手机拍照文档图像,由于畸变、模糊等因素,大小相同字体在不同文档图像中出现不同形状,传统模板匹配和基于人工特征的文字识别方法识别准确率较低,本文提出一种新的基于卷积神经网络文字识别模型,很好的解决了手机拍照文档的文字识别问题。对于场景文字识别,提出了新的场景文本识别模型TRDD,该模型由纯卷积网络组成,与传统的序列文本识别模型相比,网络的训练和预测速度上有很大的提高。4.图像的目标检测中,如果目标太小或者存在多目标的情况,基于HOG,DPM传统目标检测方法,准确率较低。本文提出了基于深度学习的目标检测算法,提高了小目标和多目标的矩阵图码位置检测精度。提出新的场景文本检测模型,提高了场景文本检测速度和准确率。针对复杂场景下图码识读增强问题,本文对二维码的二值化,文档图像的边界检测和增强,手机拍照文档图像以及场景文本检测、识别,提出了相关的图像识读增强算法以及深度学习网络模型,并通过实验证明了算法和模型的有效性,其中有些算法已经应用于实际工程项目和相关产品中。