简单二维码扫描实现

最早熟识二维码还是因为微信扫一扫功能。其实二维码最早的设计初衷是用于追踪工业生产中的产品并替换信息存储能力有限的条形码。不过这些年智能手机的快速普及让二维码的应用场景得到了极大的拓展,所以作为一名开发者或迟或早都将要面对二维码识别问题。在很久以前的iOS开发中这个功能不得不依靠第三方库来实现,后来Apple在AVFoundation中极大的丰富了这类条码的识别能力。下面我将用很少的代码实现该功能,并且介绍AVFoundation中媒体捕捉的基本概念。

创建Demo

Demo的功能和UI都非常简单:我们通过摄像头对二维码进行扫描然后对获得信息进行解码并跳转到对应的URL网页,在扫描的过程中我们还会对其中的二维码外框进行高亮标记。其实二维码识别功能的实现非常的简单和直接,所有这些条码识别包括二维码其实都是基于AVFoundation框架的媒体捕捉。媒体捕捉的简单结构图如下,具体概念会在后面提到,当然还有一部分与输出信息处理的代理没有在图中列出来可以自己查看官方文档。

导入AVFoundation框架

首先我们新建一个视图控制器QRScannerController.swift,然后在文件的头部导入框架:

import AVFoundation

然后我们在QRScannerController.swift文件头部新建如下的变量:

var captureSession: AVCaptureSession?
var videoPreviewLayer: AVCaptureVideoPreviewLayer?
var qrCodeFrameView: UIView?

并对QRScannerController进行拓展实现AVCaptureMetadataOutputObjectsDelegate代理(用于二维码解码,详情看后面):

extension QRScannerController:AVCaptureMetadataOutputObjectsDelegate {
      
}

初始化媒体捕捉环境

正如前面提到的二维码的识别都是基于AVFoundation框架中的媒体捕捉功能,所以最重要当然是上面结构图中核心:AVCaptureSession所代表的捕捉环境的设置了。从结构图中我们能清晰的看见,AVCaptureSession首先需要就是输入设备,也就是一个AVCaptureDeviceInput的实例(可能为摄像头、麦克风),所以我们在viewDidLoad中加入以下代码:

let captureDevice = AVCaptureDevice.defaultDevice(withMediaType: AVMediaTypeVideo)
    
do {     
    //初始化媒体捕捉的输入流
    let input = try AVCaptureDeviceInput(device: captureDevice)
        
    //初始化captureSession
    captureSession = AVCaptureSession()
        
    //设置输入到Session
    captureSession?.addInput(input)
        
}  catch  {
    // 捕获到移除就退出
    print(error)
    return
}

因为我们的目标是实现二维码识别,所以这里调用了defaultDevice(withMediaType:)方法,并使用AVMediaTypeVideo为参数创建了视频设备的实例(在iOS中返回的是默认的后摄像头,而macOS中返回的是内置的FaceTime摄像头)。

为了实现实时捕捉,我们将上面设置好的输入设备实例添加到了AVCaptureSession实例中。AVCaptureSession作为AVFoundation捕捉功能的核心类,其实它的功能类似于一个虚拟的“插线板”,用来连接各种输入、输出的资源。AVCaptureSession会从物理设备中获得数据流并将这些数据输出到多个目的地,而开发人员可以按照要需求对这些线路进行动态配置。

接下来就需要设置输出对象了,在框架中二维码对应的数据输出类型为AVCaptureMetaDataOutput。该类对数据的处理都是通过代理AVCaptureMetadataOutputObjectsDelegate来实现的,这也是为什么上面我会对QRScannerController控制器进行拓展的原因。我们在viewDidLoaddo代码块中加入如下代码:

//设置输入流
let captureMetadataOutput = AVCaptureMetadataOutput()
captureSession?.addOutput(captureMetadataOutput)

//设置代理并指定输出为二维码
captureMetadataOutput.setMetadataObjectsDelegate(self,queue: DispatchQueue.main)
captureMetadataOutput.metadataObjectTypes = [AVMetadataObjectTypeQRCode]

上面的代码中我们将委托设置到默认的串行队列(Apple文档中要求为串行队列),等待委托对获取的元数据进行下一步处理。同时我们将metadataObjectTypes属性设为了AVMetadataObjectTypeQRCode也就是二维码,其他的类型有:

  • UPC-E (AVMetadataObjectTypeUPCECode)

  • 2Code 39 (AVMetadataObjectTypeCode39Code)

  • Code 39 mod 43 (AVMetadataObjectTypeCode39Mod43Code)

  • Code 93 (AVMetadataObjectTypeCode93Code)

  • Code 128 (AVMetadataObjectTypeCode128Code)

  • EAN-8 (AVMetadataObjectTypeEAN8Code)

  • EAN-13 (AVMetadataObjectTypeEAN13Code)

  • Aztec (AVMetadataObjectTypeAztecCode)

  • PDF417 (AVMetadataObjectTypePDF417Code)

设置好输入、输出后,我们还缺了个非常重要的功能,那就是实时预览抓捕的场景。幸运的是,框架中已经自带了AVCaptureVideoPreviewLayer类来满足该需求,该类是Core Animation中CALayer的一个SubClass。设置的代码如下:

//捕捉的实时预览图
videoPreviewLayer = AVCaptureVideoPreviewLayer(session: captureSession)
videoPreviewLayer?.videoGravity = AVLayerVideoGravityResizeAspectFill
videoPreviewLayer?.frame = view.layer.bounds
view.layer.addSublayer(videoPreviewLayer!)

万事具备后,我们开始捕捉:

// 开始捕获
captureSession?.startRunning()

如果你现在就在设备上运行Demo的话,对不起Apple会让你Crash

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


软件简介:蓝湖辅助工具,减少移动端开发中控件属性的复制和粘贴.待开发的功能:1.支持自动生成约束2.开发设置页面3.做一个浏览器插件,支持不需要下载整个工程,可即时操作当前蓝湖浏览页面4.支持Flutter语言模板生成5.支持更多平台,如Sketch等6.支持用户自定义语言模板
现实生活中,我们听到的声音都是时间连续的,我们称为这种信号叫模拟信号。模拟信号需要进行数字化以后才能在计算机中使用。目前我们在计算机上进行音频播放都需要依赖于音频文件。那么音频文件如何生成的呢?音频文件的生成过程是将声音信息采样、量化和编码产生的数字信号的过程,我们人耳所能听到的声音频率范围为(20Hz~20KHz),因此音频文件格式的最大带宽是20KHZ。根据奈奎斯特的理论,音频文件的采样率一般在40~50KHZ之间。奈奎斯特采样定律,又称香农采样定律。...............
前言最近在B站上看到一个漂亮的仙女姐姐跳舞视频,循环看了亿遍又亿遍,久久不能离开!看着小仙紫姐姐的蹦迪视频,除了一键三连还能做什么?突发奇想,能不能把舞蹈视频转成代码舞呢?说干就干,今天就手把手教大家如何把跳舞视频转成代码舞,跟着仙女姐姐一起蹦起来~视频来源:【紫颜】见过仙女蹦迪吗 【千盏】一、核心功能设计总体来说,我们需要分为以下几步完成:从B站上把小姐姐的视频下载下来对视频进行截取GIF,把截取的GIF通过ASCII Animator进行ASCII字符转换把转换的字符gif根据每
【Android App】实战项目之仿抖音的短视频分享App(附源码和演示视频 超详细必看)
前言这一篇博客应该是我花时间最多的一次了,从2022年1月底至2022年4月底。我已经将这篇博客的内容写为论文,上传至arxiv:https://arxiv.org/pdf/2204.10160.pdf欢迎大家指出我论文中的问题,特别是语法与用词问题在github上,我也上传了完整的项目:https://github.com/Whiffe/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset关于自定义ava数据集,也是后台
因为我既对接过session、cookie,也对接过JWT,今年因为工作需要也对接了gtoken的2个版本,对这方面的理解还算深入。尤其是看到官方文档评论区又小伙伴表示看不懂,所以做了这期视频内容出来:视频在这里:本期内容对应B站的开源视频因为涉及的知识点比较多,视频内容比较长。如果你觉得看视频浪费时间,可以直接阅读源码:goframe v2版本集成gtokengoframe v1版本集成gtokengoframe v2版本集成jwtgoframe v2版本session登录官方调用示例文档jwt和sess
【Android App】实战项目之仿微信的私信和群聊App(附源码和演示视频 超详细必看)
用Android Studio的VideoView组件实现简单的本地视频播放器。本文将讲解如何使用Android视频播放器VideoView组件来播放本地视频和网络视频,实现起来还是比较简单的。VideoView组件的作用与ImageView类似,只是ImageView用于显示图片,VideoView用于播放视频。...
采用MATLAB对正弦信号,语音信号进行生成、采样和内插恢复,利用MATLAB工具箱对混杂噪声的音频信号进行滤波
随着移动互联网、云端存储等技术的快速发展,包含丰富信息的音频数据呈现几何级速率增长。这些海量数据在为人工分析带来困难的同时,也为音频认知、创新学习研究提供了数据基础。在本节中,我们通过构建生成模型来生成音频序列文件,从而进一步加深对序列数据处理问题的了解。
基于yolov5+deepsort+slowfast算法的视频实时行为检测。1. yolov5实现目标检测,确定目标坐标 2. deepsort实现目标跟踪,持续标注目标坐标 3. slowfast实现动作识别,并给出置信率 4. 用框持续框住目标,并将动作类别以及置信度显示在框上
数字电子钟设计本文主要完成数字电子钟的以下功能1、计时功能(24小时)2、秒表功能(一个按键实现开始暂停,另一个按键实现清零功能)3、闹钟功能(设置闹钟以及到时响10秒)4、校时功能5、其他功能(清零、加速、星期、八位数码管显示等)前排提示:前面几篇文章介绍过的内容就不详细介绍了,可以看我专栏的前几篇文章。PS.工程文件放在最后面总体设计本次设计主要是在前一篇文章 数字电子钟基本功能的实现 的基础上改编而成的,主要结构不变,分频器将50MHz分为较低的频率备用;dig_select
1.进入官网下载OBS stdioOpen Broadcaster Software | OBS (obsproject.com)2.下载一个插件,拓展OBS的虚拟摄像头功能链接:OBS 虚拟摄像头插件.zip_免费高速下载|百度网盘-分享无限制 (baidu.com)提取码:6656--来自百度网盘超级会员V1的分享**注意**该插件必须下载但OBS的根目录(应该是自动匹配了的)3.打开OBS,选中虚拟摄像头选择启用在底部添加一段视频录制选择下面,进行录制.
Meta公司在9月29日首次推出一款人工智能系统模型:Make-A-Video,可以从给定的文字提示生成短视频。基于**文本到图像生成技术的最新进展**,该技术旨在实现文本到视频的生成,可以仅用几个单词或几行文本生成异想天开、独一无二的视频,将无限的想象力带入生活
音频信号叠加噪声及滤波一、前言二、信号分析及加噪三、滤波去噪四、总结一、前言之前一直对硬件上的内容比较关注,但是可能是因为硬件方面的东西可能真的是比较杂,而且需要渗透的东西太多了,所以学习进展比较缓慢。因为也很少有单纯的硬件学习研究,总是会伴随着各种理论需要硬件做支撑,所以还是想要慢慢接触理论学习。但是之前总找不到切入点,不知道从哪里开始,就一直拖着。最近稍微接触了一点信号处理,就用这个当作切入点,开始接触理论学习。二、信号分析及加噪信号处理选用了matlab做工具,选了一个最简单的语音信号处理方
腾讯云 TRTC 实时音视频服务体验,从认识 TRTC 到 TRTC 的开发实践,Demo 演示& IM 服务搭建。
音乐音频分类技术能够基于音乐内容为音乐添加类别标签,在音乐资源的高效组织、检索和推荐等相关方面的研究和应用具有重要意义。传统的音乐分类方法大量使用了人工设计的声学特征,特征的设计需要音乐领域的知识,不同分类任务的特征往往并不通用。深度学习的出现给更好地解决音乐分类问题提供了新的思路,本文对基于深度学习的音乐音频分类方法进行了研究。首先将音乐的音频信号转换成声谱作为统一表示,避免了手工选取特征存在的问题,然后基于一维卷积构建了一种音乐分类模型。
C++知识精讲16 | 井字棋游戏(配资源+视频)【赋源码,双人对战】
本文主要讲解如何在Java中,使用FFmpeg进行视频的帧读取,并最终合并成Gif动态图。
在本篇博文中,我们谈及了 Swift 中 some、any 关键字以及主关联类型(primary associated types)的前世今生,并由浅及深用简明的示例向大家讲解了它们之间的奥秘玄机。