一种基于机器视觉的二维码生成方法、装置及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及的是一种基于机器视觉的二维码生成方法、装置及存储介质。


背景技术：

2.以往人群的健康状态只能通过去医院进行检测来确定，而随着科技的发展，许多便民的疾病自测盒已经面世，这类疾病自测盒可以实现用户自行在家进行疾病检测，再根据疾病自测盒的结果确定是否有必要去医院进行检测，节约了用户大量的时间成本。不久前，国内推出的健康码，可以初步筛选出健康人群，方便通行，减轻防疫压力。然而目前健康码的状态只能与医院的检测结果同步更新，无法与疾病自测盒的检测结果同步更新，导致用户只能去医院进行检测，否则无法更新健康码。
3.因此，现有技术还有待改进和发展。


技术实现要素：

4.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于机器视觉的二维码生成方法、装置及存储介质，旨在解决现有技术中健康码的状态只能与医院的检测结果同步更新，无法与疾病自测盒的检测结果同步更新的问题。
5.本发明解决问题所采用的技术方案如下：
6.第一方面，本发明实施例提供一种基于机器视觉的二维码生成方法，其中，所述方法包括：
7.获取用户的身份信息和检测视频，其中，所述检测视频用于反映检测装置的检测结果，所述检测装置仅由所述用户使用过；
8.根据所述检测视频，确定所述用户对应的检测信息；
9.根据所述身份信息和所述检测信息，生成所述用户对应的二维码。
10.在一种实施方式中，所述根据所述检测视频，确定所述用户对应的检测信息，包括：
11.根据所述检测视频，得到局部图像；
12.对所述局部图像进行旋转得到旋转图像，对所述旋转图像进行竖向剪裁，得到校正图像；
13.从所述校正图像中截取出目标图像；
14.对所述目标图像进行图像识别，确定所述检测信息。
15.在一种实施方式中，所述根据所述检测视频，得到局部图像，包括：
16.根据所述检测视频，生成视频帧图像；
17.将所述视频帧图像输入预先经过训练的图像检测模型中，得到所述检测装置对应的位置信息；
18.根据所述位置信息对所述视频帧图像进行剪裁，得到局部图像。
19.在一种实施方式中，所述对所述局部图像进行旋转得到旋转图像，对所述旋转图像进行竖向剪裁，得到校正图像，包括：
20.根据所述局部图像，确定第一直线和第二直线，其中，所述第一直线用于反映所述检测装置的左边界，所述第二直线用于反映所述检测装置的右边界；
21.根据所述第一直线和所述第二直线确定旋转角度，根据所述旋转角度对所述局部图像进行旋转，得到所述旋转图像；
22.获取所述旋转图像中与所述第一直线对应的第一垂线和与所述第二直线对应的第二垂线；
23.根据所述第一垂线和所述第二垂线对所述旋转图像进行竖向剪裁，得到所述校正图像。
24.在一种实施方式中，所述根据所述局部图像，确定第一直线和第二直线，包括：
25.通过边缘检测算子对所述局部图像进行边缘检测，得到所述局部图像中的若干边缘点；
26.从若干所述边缘点中确定若干目标边缘点，根据若干所述目标边缘点确定第一直线和所述第二直线。
27.在一种实施方式中，所述从若干所述边缘点中确定若干目标边缘点，根据若干所述目标边缘点确定第一直线和所述第二直线，包括：
28.对若干所述边缘点进行霍夫变换，得到与若干所述边缘点一一对应的若干变换点；
29.获取若干所述变换点分别对应的统计值，根据所述统计值对若干所述变换点进行非极大值抑制，得到若干所述目标边缘点。
30.在一种实施方式中，所述从所述校正图像中截取出目标图像，包括：
31.获取所述检测装置的参数信息，根据所述参数信息确定所述校正图像对应的缩放图像；
32.获取标准检测装置图像，将所述标准检测装置图像与所述缩放图像进行模板匹配，得到所述缩放图像中的目标区域；
33.从所述缩放图像中截取出所述目标区域，得到所述目标图像。
34.在一种实施方式中，所述根据所述身份信息和所述检测信息，生成所述用户对应的二维码，包括：
35.将所述身份信息和所述检测信息发送至后台区块链进行存储；
36.获取所述后台区块链基于所述身份信息和所述检测信息生成的哈希值值；
37.根据所述哈希值查询目标区块，根据所述目标区块获取所述检测信息；
38.根据所述检测信息生成所述二维码。
39.第二方面，本发明实施例还提供一种基于机器视觉的二维码生成装置，其中，所述装置包括：
40.获取模块，用于获取用户的身份信息和检测视频，其中，所述检测视频用于反映检测装置的检测结果，所述检测装置仅由所述用户使用过；
41.确定模块，用于根据所述检测视频，确定所述用户对应的检测信息；
42.生成模块，用于根据所述身份信息和所述检测信息，生成所述用户对应的二维码。
43.第三方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的基于机器视觉的二维码生成方法的步骤。
44.本发明的有益效果：本发明实施例通过获取用户的身份信息和检测视频，其中，所述检测视频用于反映检测装置的检测结果，所述检测装置仅由所述用户使用过；根据所述检测视频，确定所述用户对应的检测信息；根据所述身份信息和所述检测信息，生成所述用户对应的二维码。解决了现有技术中健康码的状态只能与医院的检测结果同步更新，无法与疾病自测盒的检测结果同步更新的问题。
附图说明
45.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1是本发明实施例提供的基于机器视觉的二维码生成方法的流程示意图。
47.图2是本发明实施例提供的2分类训练样本的示意图。
48.图3是本发明实施例提供的检测视频的示意图。
49.图4是本发明实施例提供的获取目标图像的流程示意图。
50.图5是本发明实施例提供的神经网络模型的工作原理图。
51.图6是本发明实施例提供的区块链的工作原理图。
52.图7是本发明实施例提供的基于机器视觉的二维码生成装置的内部模块连接图。
53.图8是本发明实施例提供的终端的原理框图。
具体实施方式
54.为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
55.需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
56.以往人群的健康状态只能通过去医院进行检测来确定，而随着科技的发展，许多便民的疾病自测盒已经面世，这类疾病自测盒可以实现用户自行在家进行疾病检测，再根据疾病自测盒的结果确定是否有必要去医院进行检测，节约了用户大量的时间成本。不久前，国内推出的健康码，可以初步筛选出健康人群，方便通行，减轻防疫压力。然而目前健康码的状态只能与医院的检测结果同步更新，无法与疾病自测盒的检测结果同步更新，导致用户只能去医院进行检测，否则无法更新健康码。
57.针对现有技术的上述缺陷，本发明提供了一种基于机器视觉的二维码生成方法，通过获取用户的身份信息和检测视频，其中，所述检测视频用于反映检测装置的检测结果，所述检测装置仅由所述用户使用过；根据所述检测视频，确定所述用户对应的检测信息；根
据所述身份信息和所述检测信息，生成所述用户对应的二维码。解决了现有技术中健康码的状态只能与医院的检测结果同步更新，无法与疾病自测盒的检测结果同步更新的问题。
58.如图1所示，所述方法包括如下步骤：
59.步骤s100、获取用户的身份信息和检测视频，其中，所述检测视频用于反映检测装置的检测结果，所述检测装置仅由所述用户使用过。
60.具体地，由于健康码是经过实名认证的一种二维码，因此为了实现用户可以基于疾病自测盒的检测结果更新自身的健康码，本实施例需要获取该用户的身份信息和检测视频，该检测视频包含有用户使用检测装置检测后，对检测装置生成的检测结果进行拍摄的内容，因此该检测视频可以反映用户最新的检测结果。
61.在一种实现方式中，本实施例可以提供一款应用程序，用于上传用户的身份信息和检测视频。在实际应用中，用户通过扫描疾病自测盒上的二维码上传身份信息，并打开该应用程序的拍摄功能，通过该拍摄功能全程记录使用疾病自测和进行检测的过程，保证没有第三人协助伪造自测结果，拍摄完毕后自动上传检测视频。
62.如图1所示，所述方法还包括如下步骤：
63.步骤s200、根据所述检测视频，确定所述用户对应的检测信息。
64.具体地，由于该检测视频中拍摄到了检测装置被用户使用后生成的检测结果，因此通过对该检测视频进行识别、分析后，就可以得到该用户对应的检测信息，该检测信息可以作为该用户是否患病的一种参考信息。
65.在一种实现方式中，所述步骤s200具体包括如下步骤：
66.步骤s201、根据所述检测视频，得到局部图像；
67.步骤s202、对所述局部图像进行旋转得到旋转图像，对所述旋转图像进行竖向剪裁，得到校正图像；
68.步骤s203、从所述校正图像中截取出目标图像；
69.步骤s204、对所述目标图像进行图像识别，确定所述检测信息。
70.由于检测视频中包含有检测装置的图像，因此本实施例首先要从检测视频中截取出与检测装置相关的局部图像，由于局部图像中不仅包含有检测装置，还同时包含有许多冗余图像，例如拍摄到的场景相关的图像等等，这些冗余图像对识别出用户的检测信息没有任何作用，因此本实施例需要将局部图像中这些冗余的背景图像删除。具体地，本实施例先对该局部图像进行旋转，以使得局部图像中的检测装置位于垂直方向上，得到旋转图像。然后再对旋转图像进行竖向剪裁，将旋转图像中位于检测装置左、右两侧的冗余背景剪裁掉(如图4所示)，得到校正图像。由于检测装置中通常只有一部分区域用于显示检测结果，因此从所述校正图像中截取出目标图像(如图4所示)，然后对该目标图像进行图像识别，得到该用户的检测信息。
71.在一种实现方式中，所述步骤s201，具体包括如下步骤：
72.步骤s2011、根据所述检测视频，生成视频帧图像；
73.步骤s2012、将所述视频帧图像输入预先经过训练的图像检测模型中，得到所述检测装置对应的位置信息；
74.步骤s2013、根据所述位置信息对所述视频帧图像进行剪裁，得到局部图像。
75.具体地，本实施例预先训练了一个图像检测模型，将基于检测视频生成的视频帧
图像输入该图像检测模型中，可以得到检测装置的位置信息。根据该位置信息，就可以对该视频帧图像进行剪裁，以删减掉视频帧图像中的冗余信息，得到局部图像，该局部图像中即包含有检测装置。
76.为了保证没有第三方人协助伪造自测结果，本实施例还可以预先训练一个人脸检测模型，并要求用户拍摄的检测视频中必须同时拍摄到用户自身的人脸(如图3所示)。当获取到检测视频后，将基于检测视频生成的视频帧图像输入该人脸检测模型中，即得到该视频帧图像中的人脸特征，并根据该人脸特征确定检测人信息，将该检测人信息与用户的身份信息进行匹配，当匹配成功后即表示该用户就是真正的检测人。
77.在一种实现方式中，所述步骤s202，具体包括如下步骤：
78.步骤s2021、根据所述局部图像，确定第一直线和第二直线，其中，所述第一直线用于反映所述检测装置的左边界，所述第二直线用于反映所述检测装置的右边界；
79.步骤s2022、根据所述第一直线和所述第二直线确定旋转角度，根据所述旋转角度对所述局部图像进行旋转，得到所述旋转图像；
80.步骤s2023、获取所述旋转图像中与所述第一直线对应的第一垂线和与所述第二直线对应的第二垂线；
81.步骤s2024、根据所述第一垂线和所述第二垂线对所述旋转图像进行竖向剪裁，得到所述校正图像。
82.具体地，本实施例首先在局部图像中确定反映检测装置左右边界的两条直线，即第一直线和第二直线。然后计算出第一直线和第二直线相对于y轴的夹角，该夹角即为旋转角度，根据该旋转角度，以局部图像的中点为旋转中心进行旋转，得到旋转图像。由于第一直线和第二直线也会随着局部图像进行旋转，因此在旋转图像中第一直线即为第一垂线，第二直线即为第二垂线。由于第一垂线和第二垂线分别可以反映检测装置的左边界和右边界，因此根据第一垂线就可以将旋转图像中位于检测装置左边的冗余背景删除，根据第二垂线就可以将旋转图像中位于检测装置右边的冗余背景删除，从而得到校正图像。
83.举例说明，假设第一直线的方程为：x＝0.001346*y 112,第二直线的方程为：x＝0.001265*y 401，由于左右边界是一对平行边，因此k1≈k2。第一直线和第二直线相对于y轴的夹角为θ，其中θ的计算公式如下：θ＝arctan((k1 k2)/2)＝arctan(0.0013055)＝0.0747996
°
。以局部图像的中点为旋转中心，将局部图像逆时针旋转θ＝0.0747996
°
，得到旋转图像，旋转图像中第一直线和第二直线分别变成第一垂线和第二垂线，即x＝111，x＝400。旋转图像的高度为1715，则从旋转图像中剪裁(111，0)(400，1715)区域，该区域中检测装置的左、右边界恰好包含在内。
84.在一种实现方式中，所述根据所述局部图像，确定第一直线和第二直线，具体包括如下步骤：
85.通过边缘检测算子对所述局部图像进行边缘检测，得到所述局部图像中的若干边缘点；
86.从若干所述边缘点中确定若干目标边缘点，根据若干所述目标边缘点确定第一直线和所述第二直线。
87.具体地，本实施例中采用的边缘检测算子为canny算子，canny算子是一个具有滤波、增强、检测的多阶段的优化算子。本实施例通过canny算子来平滑得到的局部图像，并去
除局部图像的噪声，得到若干边缘点，最后再从这些边缘点中筛选出目标边缘点，将这些目标边缘点代入预设的第一直线方程和第二直线方程中，即得到第一直线和第二直线。
88.在一种实现方式中，所述从若干所述边缘点中确定若干目标边缘点，根据若干所述目标边缘点确定第一直线和所述第二直线，包括：
89.对若干所述边缘点进行霍夫变换，得到与若干所述边缘点一一对应的若干变换点；
90.获取若干所述变换点分别对应的统计值，根据所述统计值对若干所述变换点进行非极大值抑制，得到若干所述目标边缘点。
91.具体地，通过cannny算子对局部图像进行边缘检测后的得到若干边缘点，再采用霍夫变换(hough变化)将这些边缘点转换到kb参数空间，得到这些边缘点在kb参数空间中的若干变换点，其中，这些变换点与这些边缘点为一一对应的关系。然后根据kb参数空间每个变换点的统计值的大小，做非极大值抑制，得到若干目标边缘点。
92.其中，霍夫变换的原理为：一条直线可以表示为y＝kx b的形式，kb是这条直线的参数。设定一条直线的角度的最小单位为1
°
，则穿过1个点的直线可以有180条。一条长度为100的直线y＝x 3，角度是45
°
。对这条直线的100个点，每个点从0
°
～179
°
进行统计，共有100*180次统计，统计结果存在一个二维矩阵中，最终发现有100次统计结果都落在二维矩阵的(k＝tan45
°
,b＝3)这个点上，而在其他点上，其统计值远小于100甚至为0。这样一个用于记录统计的矩阵，称为kb参数空间。矩阵中每个点(k,b)的值v，表示在原图存在一条长度为v的直线y＝kx b。如果需要在图像中找出所有长度50以上的直线，则在kb参数空间中搜索出所有v>50的点，每个点对应的坐标就是每条直线的参数。
93.霍夫变换的详细步骤如下：
94.(1)建一个二维矩阵作为kb参数空间，所有元素初始化为0；
95.(2)在边缘检测图像中，搜索黑色点(边缘点)得到坐标(x,y)；
96.(3)令θ从0
°
～179
°
遍历，将(x,y)代入到y＝tanθx b，得到b＝int(y
‑
tanθ*x)，int表示取整。能够得到180组(θ,b)；
97.(4)在kb参数空间中，找到这180组(θ,b)对应的坐标，在每个坐标上的值 1；
98.(5)搜索完所有黑色点，完成初步统计后，做非极大值抑制：遍历kb参数空间中的每个点，取每个点的8邻域的值进行比较，如果当前点的值不是8邻域中的最大值，则把当前点的值置0；若为最大值，则保留；
99.(6)此时再进一步搜索目标边缘点。
100.在一种实现方式中，若干所述目标边缘点由一对所述变换点组成，其中一对所述变换点满足以下条件：
101.1)该对变换点对应的k值在
‑
pi/4～pi/4之间；
102.2)该对变换点对应的b值之差的绝对值大于所述局部图像的宽度的1/3；
103.3)该对变换点对应的b值之差的绝对值，小于参数空间内所有其他变换点对所对应的b值之差的绝对值。
104.在一种实现方式中，所述步骤s203，具体包括如下步骤：
105.步骤s2031、获取所述检测装置的参数信息，根据所述参数信息确定所述校正图像对应的缩放图像；
106.步骤s2032、获取标准检测装置图像，将所述标准检测装置图像与所述缩放图像进行模板匹配，得到所述缩放图像中的目标区域；
107.步骤s2033、从所述缩放图像中截取出所述目标区域，得到所述目标图像。
108.具体地，模板匹配是一种图像处理中常用的匹配方法，用于研究某一特定对象物的图案位于整体图案的什么地方，进而识别对象物。为了实现对校正图像进行模板匹配，本实施例需要首先对校正图像进行缩放处理，由于检测装置的参数信息可以反映检测装置的标准尺寸，因此本实施例采用该参数信息来确定缩放处理中使用的缩放系数，从而得到校正图像对应的缩放图像。然后再通过预先存储的标准检测装置图像对缩放图像进行模板匹配，得到目标区域，该目标区域为检测装置用于显示检测结果的区域，因此根据在缩放图像中将该目标区域截取出来，即可得到目标图像(如图4所示)。
109.在一种实现方式中，可以采用相关度匹配运算确定目标区域。具体地，用标准检测装置图像与缩放图像中各区域做相关度匹配运算，当某一区域的相关度取得最大值时，则该区域即为目标区域。其中，相关度匹配公式如下：
[0110][0111]
其中，t为标准检测装置图像，i为缩放图像。
[0112]
举例说明，计算出校正图像的宽度为(400
‑
111)＝289，标准检测装置图像的标准宽度为534，以校正图像的宽度289与标准宽度534做比例换算后，得到缩放图像534*3169。然后使用该缩放图像与标准检测装置图像进行模板匹配，得到该缩放图像中检测装置的垂直起点坐标为(0,129)。已知在标准检测装置图像中用于显示检测结果的区域为(152，1000)(398，1706)，则该缩放图像中的目标区域就是(152，1129)(398，1835)，将该目标区域截取出来，即得到目标图像。
[0113]
在一种实现方式中，所述步骤s204，具体包括如下步骤：
[0114]
步骤s2041、将所述目标图像输入预先经过训练的神经网络模型中，得到所述目标图像对应的分类结果；
[0115]
步骤s2042、根据所述分类结果，确定所述检测信息。
[0116]
具体地，本实施例预先训练了一个神经网络模型，该神经网络模型的训练过程如下：预先准备了若干检测装置，若干所述检测装置分别显示不同的检测结果，在多种环境下对若干所述检测装置进行拍照，取得若干训练图像，其中，若干所述训练图像为2分类样本，如图2所示，左边的为阴性的训练样本，右边的为阳性的训练样本。通过若干所述训练图像对初始的神经网络模型进行训练分类，得到训练完毕的神经网络模型。如图5所示，将目标图像输入该训练完毕的神经网络模型后，该神经网络模型即可对目标图像进行推理，得到该目标图像对应的分类结果，例如阴性分类或者阳性分类，然后再根据该分类结果生成用户的检测信息。
[0117]
如图1所示，所述方法还包括如下步骤：
[0118]
步骤s300、根据所述身份信息和所述检测信息，生成所述用户对应的二维码。
[0119]
具体地，本实施例将用户身份信息与其对应的检测信息相关联以后，即可生成该用户专属的二维码，由于该二维码可以反映该用户的检测信息，因此根据该二维码可以确定该用户对应的人群分类，进而确定该用户对应的放行规则。例如，红色的二维码表示该用
户为高位人群，需要隔离；绿色的二维码表示该用户为健康人群，可以直接放行。
[0120]
在一种实现方式中，所述步骤s300具体包括如下步骤：
[0121]
步骤s301、将所述身份信息和所述检测信息发送至后台区块链进行存储；
[0122]
步骤s302、获取所述后台区块链基于所述身份信息和所述检测信息生成的哈希值值；
[0123]
步骤s303、根据所述哈希值查询目标区块，根据所述目标区块获取所述检测信息；
[0124]
步骤s304、根据所述检测信息生成所述二维码。
[0125]
为了保证该二维码的通用性，本实施例采用区块链技术来公布与保存用户的检测信息。具体地，当用户将身份信息和检测信息发送至后台区块链以后，后台区块链会根据该身份信息在用户的自测记录中产生一个新的区块，即目标区块。并通过哈希运算生成该目标区块对应的哈希值，该哈希值即为该目标区块对应的索引值，用于后续查找该目标区块。然后将检测信息存储至该目标区块中。当存储完毕后，用户终端的相关app即可接收到该目标区块的哈希值，app后台根据该哈希值即可查询到该目标区块，并获取该目标区块中存储的检测信息，根据该检测信息生成该用户对应的二维码。
[0126]
在一种实现方式中，如图6所示，后台区块链生成新的区块的方法如下：
[0127]
后台服务器启动时开启端口为http服务，并创建2个初始空列表，一个用于存储区块链，另一个则用于存储用户自测记录。每个区块包含一个index,timestamp,records,certificate，和hashcode。该hashcode用于标识前一个块。
[0128]
当用户上传身份信息和检测信息时，向该用户对应的自测记录中添加一个新的记录，并返回下一个记录的索引。每个记录代表一个区块。在每次生成新的区块，为该区块创建一个pow工作量证明，即该区块的哈希值。
[0129]
具体地，系统将在当前区块下，尝试寻找一个数字，该数字与前一个区块中已经被解析得到的数字进行hash运算，产生一个新的hashcode，且要求前n位的code符合特定序列，满足该条件的该数字即为pow工作量证明。在一种实现方式中，设定新的hashcode须满足前4位code符合序列为rtus。
[0130]
在一种实现方式中，本实施例将使用flask搭建后台服务器，在blockchain网络中作为独立节点，使用http请求在web上与后台区块链进行交互。并设置独立节点的地址，作为区块的接收者。由此完成区块链web项目的搭建。在一种实现方式中节点地址是由第三方软件做内网穿透，将内网地址映射为公网地址后，再设定在应用程序中。
[0131]
基于上述实施例，本发明还提供了一种基于机器视觉的二维码生成装置，如图7所示，所述装置包括：
[0132]
获取模块01，用于获取用户的身份信息和检测视频，其中，所述检测视频用于反映检测装置的检测结果，所述检测装置仅由所述用户使用过；
[0133]
确定模块02，用于根据所述检测视频，确定所述用户对应的检测信息；
[0134]
生成模块03，用于根据所述身份信息和所述检测信息，生成所述用户对应的二维码。
[0135]
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图8所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介
质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于机器视觉的二维码生成方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
[0136]
本领域技术人员可以理解，图8中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0137]
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行基于机器视觉的二维码生成方法的指令。
[0138]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0139]
综上所述，本发明公开了一种基于机器视觉的二维码生成方法、装置及存储介质，所述方法通过获取用户的身份信息和检测视频，其中，所述检测视频用于反映检测装置的检测结果，所述检测装置仅由所述用户使用过；根据所述检测视频，确定所述用户对应的检测信息；根据所述身份信息和所述检测信息，生成所述用户对应的二维码。解决了现有技术中健康码的状态只能与医院的检测结果同步更新，无法与疾病自测盒的检测结果同步更新的问题。
[0140]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。