zxing的使用及优化

时间 2019-11-18

标签 zxing 使用优化繁體版

原文原文链接

二维码介绍

zxing项目是谷歌推出的用来识别多种格式条形码的开源项目，项目地址为https://github.com/zxing/zxing，zxing有多我的在维护，覆盖主流编程语言，也是目前还在维护的较受欢迎的二维码扫描开源项目之一。html

zxing的项目很庞大，主要的核心代码在core文件夹里面，也能够单独下载由这个文件夹打包而成的jar包，具体地址在http://mvnrepository.com/artifact/com.google.zxing/core，直接下载jar包也省去了经过maven编译的麻烦，若是喜欢折腾的，能够从https://github.com/zxing/zxing/wiki/Getting-Started-Developing获取帮助文档。
java

zxing基本使用

官方提供了zxing在Android机子上的使用例子，https://github.com/zxing/zxing/tree/master/android，做为官方的例子，zxing-android考虑了各类各样的状况，包括多种解析格式、解析获得的结果分类、长时间无活动自动销毁机制等。有时候咱们须要根据本身的状况定制使用需求，所以会精简官方给的例子。在项目中，咱们仅仅用来实现扫描二维码和识别图片二维码两个功能。为了实现高精度的二维码识别，在zxing原有项目的基础上，本文作了大量改进，使得二维码识别的效率有所提高。先来看看工程的项目结构。android

.
├── QrCodeActivity.java
├── camera
│   ├── AutoFocusCallback.java
│   ├── CameraConfigurationManager.java
│   ├── CameraManager.java
│   └── PreviewCallback.java
├── decode
│   ├── CaptureActivityHandler.java
│   ├── DecodeHandler.java
│   ├── DecodeImageCallback.java
│   ├── DecodeImageThread.java
│   ├── DecodeManager.java
│   ├── DecodeThread.java
│   ├── FinishListener.java
│   └── InactivityTimer.java
├── utils
│   ├── QrUtils.java
│   └── ScreenUtils.java
└── view
    └── QrCodeFinderView.java

源码比较简单，这里不作过多地讲解，大部分方法都有注释。主要分为几大块，git

camera

主要实现相机的配置和管理，相机自动聚焦功能，以及相机成像回调（经过byte[]数组返回实际的数据）。github

decode

图片解析相关类。经过相机扫描二维码和解析图片使用两套逻辑。前者对实时性要求比较高，后者对解析结果要求较高，所以采用不一样的配置。相机扫描主要在DecodeHandler里经过串行的方式解析，图片识别主要经过线程DecodeImageThread异步调用返回回调的结果。FinishListener和InactivityTimer用来控制长时间无活动时自动销毁建立的Activity，避免耗电。算法

扫描精度问题

使用过zxing自带的二维码扫描程序来识别二维码的童鞋应该知道，zxing二维码的扫描程序很慢，并且有可能扫不出来。zxing在配置相机参数和二维码扫描程序参数的时候，配置都比较保守，兼顾了低端手机，而且兼顾了多种条形码的识别。若是说仅仅是拿zxing项目来扫描和识别二维码的话，彻底能够对项目中的一些配置作精简，并针对二维码的识别作优化。express

PlanarYUVLuminanceSource

官方的解码程序主要是下边这段代码：编程

private void decode(byte[] data, int width, int height) {
    long start = System.currentTimeMillis();
    Result rawResult = null;
    // 构造基于平面的YUV亮度源，即包含二维码区域的数据源
    PlanarYUVLuminanceSource source = activity.getCameraManager().buildLuminanceSource(data, width, height);
    if (source != null) {
        // 构造二值图像比特流，使用HybridBinarizer算法解析数据源
        BinaryBitmap bitmap = new BinaryBitmap(new HybridBinarizer(source));
        try {
            // 采用MultiFormatReader解析图像，能够解析多种数据格式
            rawResult = multiFormatReader.decodeWithState(bitmap);
        } catch (ReaderException re) {
            // continue
        } finally {
            multiFormatReader.reset();
        }
    }
 ···
 // Hanlder处理解析失败或成功的结果
 ···
}

再来看看YUV亮度源是怎么构造的，在CameraManager里，首先获取预览图像的聚焦框矩形getFramingRect()，这个聚焦框的矩形大小是根据屏幕的宽高值来作计算的，官方定义了最小和最大的聚焦框大小，分别是240*240和1200*675，即最多的聚焦框大小为屏幕宽高的5/8。获取屏幕的聚焦框大小后，还须要作从屏幕分辨率到相机分辨率的转换才能获得预览聚焦框的大小，这个转换在getFramingRectInPreview()里完成。这样便完成了亮度源的构造。canvas

private static final int MIN_FRAME_WIDTH = 240;
private static final int MIN_FRAME_HEIGHT = 240;
private static final int MAX_FRAME_WIDTH = 1200; // = 5/8 * 1920
private static final int MAX_FRAME_HEIGHT = 675; // = 5/8 * 1080

/**
 * A factory method to build the appropriate LuminanceSource object based on the format of the preview buffers, as
 * described by Camera.Parameters.
 *
 * @param data A preview frame.
 * @param width The width of the image.
 * @param height The height of the image.
 * @return A PlanarYUVLuminanceSource instance.
 */
public PlanarYUVLuminanceSource buildLuminanceSource(byte[] data, int width, int height) {
    // 取得预览框内的矩形
    Rect rect = getFramingRectInPreview();
    if (rect == null) {
        return null;
    }
    // Go ahead and assume it's YUV rather than die.
    return new PlanarYUVLuminanceSource(data, width, height, rect.left, rect.top, rect.width(), rect.height(),
        false);
}

/**
 * Like {@link #getFramingRect} but coordinates are in terms of the preview frame, not UI / screen.
 *
 * @return {@link Rect} expressing barcode scan area in terms of the preview size
 */
public synchronized Rect getFramingRectInPreview() {
    if (framingRectInPreview == null) {
        Rect framingRect = getFramingRect();
        if (framingRect == null) {
            return null;
        }
        // 获取相机分辨率和屏幕分辨率
        Rect rect = new Rect(framingRect);
        Point cameraResolution = configManager.getCameraResolution();
        Point screenResolution = configManager.getScreenResolution();
        if (cameraResolution == null || screenResolution == null) {
            // Called early, before init even finished
            return null;
        }
        // 根据相机分辨率和屏幕分辨率的比例对屏幕中央聚焦框进行调整
        rect.left = rect.left * cameraResolution.x / screenResolution.x;
        rect.right = rect.right * cameraResolution.x / screenResolution.x;
        rect.top = rect.top * cameraResolution.y / screenResolution.y;
        rect.bottom = rect.bottom * cameraResolution.y / screenResolution.y;
        framingRectInPreview = rect;
    }
    return framingRectInPreview;
}

/**
 * Calculates the framing rect which the UI should draw to show the user where to place the barcode. This target
 * helps with alignment as well as forces the user to hold the device far enough away to ensure the image will be in
 * focus.
 *
 * @return The rectangle to draw on screen in window coordinates.
 */
public synchronized Rect getFramingRect() {
    if (framingRect == null) {
        if (camera == null) {
            return null;
        }
        // 获取屏幕的尺寸像素
        Point screenResolution = configManager.getScreenResolution();
        if (screenResolution == null) {
            // Called early, before init even finished
            return null;
        }
        // 根据屏幕的宽高找到最合适的矩形框宽高值
        int width = findDesiredDimensionInRange(screenResolution.x, MIN_FRAME_WIDTH, MAX_FRAME_WIDTH);
        int height = findDesiredDimensionInRange(screenResolution.y, MIN_FRAME_HEIGHT, MAX_FRAME_HEIGHT);

        // 取屏幕中间的，宽为width，高为height的矩形框
        int leftOffset = (screenResolution.x - width) / 2;
        int topOffset = (screenResolution.y - height) / 2;
        framingRect = new Rect(leftOffset, topOffset, leftOffset + width, topOffset + height);
        Log.d(TAG, "Calculated framing rect: " + framingRect);
    }
    return framingRect;
}

private static int findDesiredDimensionInRange(int resolution, int hardMin, int hardMax) {
    int dim = 5 * resolution / 8; // Target 5/8 of each dimension
    if (dim < hardMin) {
        return hardMin;
    }
    if (dim > hardMax) {
        return hardMax;
    }
    return dim;
}

这段代码并无什么问题，也彻底符合逻辑。但为何在扫描的时候这么难扫到二维码呢，缘由在于官方为了减小解码的数据，提升解码效率和速度，采用了裁剪无用区域的方式。这样会带来必定的问题，整个二维码数据须要彻底放到聚焦框里才有可能被识别，而且在buildLuminanceSource(byte[],int,int)这个方法签名中，传入的byte数组即是图像的数据，并无由于裁剪而使数据量减少，而是采用了取这个数组中的部分数据来达到裁剪的目的。对于目前CPU性能过剩的大多数智能手机来讲，这种裁剪显得没有必要。若是把解码数据换成采用全幅图像数据，这样在识别的过程当中便再也不拘束于聚焦框，也使得二维码数据能够铺满整个屏幕。这样用户在使用程序来扫描二维码时，尽管不彻底对准聚焦框，也能够识别出来。这属于一种策略上的让步，给用户形成了错觉，但提升了识别的精度。数组

解决办法很简单，就是不只仅使用聚焦框里的图像数据，而是采用全幅图像的数据。

public PlanarYUVLuminanceSource buildLuminanceSource(byte[] data, int width, int height) {
    // 直接返回整幅图像的数据，而不计算聚焦框大小。
    return new PlanarYUVLuminanceSource(data, width, height, 0, 0, width, height, false);
}

DecodeHintType

在使用zxing解析二维码时，容许事先进行相关配置，这个文件经过Map<DecodeHintType, ?>键值对来保存，而后使用方法public void setHints(Map<DecodeHintType,?> hints)来设置到相应的解码器中。DecodeHintType是一个枚举类，其中有几个重要的枚举值，

POSSIBLE_FORMATS(List.class)

用于列举支持的解析格式，一共有17种，在com.google.zxing.BarcodeFormat里定义。官方默认支持全部的格式。

TRY_HARDER(Void.class)

是否使用HARDER模式来解析数据，若是启用，则会花费更多的时间去解析二维码，对精度有优化，对速度则没有。

CHARACTER_SET(String.class)

解析的字符集。这个对解析也比较关键，最好定义须要解析数据对应的字符集。

若是项目仅仅用来解析二维码，彻底不必支持全部的格式，也没有必要使用MultiFormatReader来解析。因此在配置的过程当中，我移除了全部与二维码不相关的代码。直接使用QRCodeReader类来解析，字符集采用utf-8，使用Harder模式，而且把可能的解析格式只定义为BarcodeFormat.QR_CODE，这对于直接二维码扫描解析无疑是帮助最大的。

private final Map<DecodeHintType, Object> mHints;
DecodeHandler(QrCodeActivity activity) {
    this.mActivity = activity;
    mQrCodeReader = new QRCodeReader();
    mHints = new Hashtable<>();
    mHints.put(DecodeHintType.CHARACTER_SET, "utf-8");
    mHints.put(DecodeHintType.TRY_HARDER, Boolean.TRUE);
    mHints.put(DecodeHintType.POSSIBLE_FORMATS, BarcodeFormat.QR_CODE);
}

二维码图像识别精度探究

图像/像素编码格式

Android相机预览的时候支持几种不一样的格式，从图像的角度（ImageFormat）来讲有NV1六、NV2一、YUY二、YV十二、RGB_565和JPEG，从像素的角度（PixelFormat）来讲，有YUV422SP、YUV420SP、YUV422I、YUV420P、RGB565和JPEG，它们之间的对应关系能够从Camera.Parameters.cameraFormatForPixelFormat(int)方法中获得。

private String cameraFormatForPixelFormat(int pixel_format) {
    switch(pixel_format) {
    case ImageFormat.NV16:      return PIXEL_FORMAT_YUV422SP;
    case ImageFormat.NV21:      return PIXEL_FORMAT_YUV420SP;
    case ImageFormat.YUY2:      return PIXEL_FORMAT_YUV422I;
    case ImageFormat.YV12:      return PIXEL_FORMAT_YUV420P;
    case ImageFormat.RGB_565:   return PIXEL_FORMAT_RGB565;
    case ImageFormat.JPEG:      return PIXEL_FORMAT_JPEG;
 default:                    return null;
    }
}

目前大部分Android手机摄像头设置的默认格式是yuv420sp，其原理可参考文章《图文详解YUV420数据格式》。编码成YUV的全部像素格式里，yuv420sp占用的空间是最小的。既然如此，zxing固然会考虑到这种状况。所以针对YUV编码的数据，有PlanarYUVLuminanceSource这个类去处理，而针对RGB编码的数据，则使用RGBLuminanceSource去处理。在下节介绍的图像识别算法中咱们能够知道，大部分二维码的识别都是基于二值化的方法，在色域的处理上，YUV的二值化效果要优于RGB，而且RGB图像在处理中不支持旋转。所以，一种优化的思路是讲全部ARGB编码的图像转换成YUV编码，再使用PlanarYUVLuminanceSource去处理生成的结果。

/**
 * RGB转YUV420sp
 *
 * @param yuv420sp inputWidth * inputHeight * 3 / 2
 * @param argb inputWidth * inputHeight
 * @param width image width
 * @param height image height
 */
private static void encodeYUV420SP(byte[] yuv420sp, int[] argb, int width, int height) {
    // 帧图片的像素大小
    final int frameSize = width * height;
    // ---YUV数据---
    int Y, U, V;
    // Y的index从0开始
    int yIndex = 0;
    // UV的index从frameSize开始
    int uvIndex = frameSize;

    // ---颜色数据---
    int R, G, B;
    int rgbIndex = 0;

    // ---循环全部像素点，RGB转YUV---
    for (int j = 0; j < height; j++) {
        for (int i = 0; i < width; i++) {

            R = (argb[rgbIndex] & 0xff0000) >> 16;
            G = (argb[rgbIndex] & 0xff00) >> 8;
            B = (argb[rgbIndex] & 0xff);
            //
            rgbIndex++;

            // well known RGB to YUV algorithm
            Y = ((66 * R + 129 * G + 25 * B + 128) >> 8) + 16;
            U = ((-38 * R - 74 * G + 112 * B + 128) >> 8) + 128;
            V = ((112 * R - 94 * G - 18 * B + 128) >> 8) + 128;

            Y = Math.max(0, Math.min(Y, 255));
            U = Math.max(0, Math.min(U, 255));
            V = Math.max(0, Math.min(V, 255));

            // NV21 has a plane of Y and interleaved planes of VU each sampled by a factor of 2
            // meaning for every 4 Y pixels there are 1 V and 1 U. Note the sampling is every other
            // pixel AND every other scan line.
            // ---Y---
            yuv420sp[yIndex++] = (byte) Y;
            // ---UV---
            if ((j % 2 == 0) && (i % 2 == 0)) {
                //
                yuv420sp[uvIndex++] = (byte) V;
                //
                yuv420sp[uvIndex++] = (byte) U;
            }
        }
    }
}

Android中读取一张图片通常是经过BitmapFactory.decodeFile(imgPath, options)这个方法去获得这张图片的Bitmap数据，Bitmap是由ARGB值编码获得的，所以若是须要转换成YUV，还须要作一点小小的变换。

private static byte[] yuvs;
/**
 * 根据Bitmap的ARGB值生成YUV420SP数据。
 *
 * @param inputWidth image width
 * @param inputHeight image height
 * @param scaled bmp
 * @return YUV420SP数组
 */
public static byte[] getYUV420sp(int inputWidth, int inputHeight, Bitmap scaled) {
    int[] argb = new int[inputWidth * inputHeight];

    scaled.getPixels(argb, 0, inputWidth, 0, 0, inputWidth, inputHeight);

    /**
 * 须要转换成偶数的像素点，不然编码YUV420的时候有可能致使分配的空间大小不够而溢出。
 */
    int requiredWidth = inputWidth % 2 == 0 ? inputWidth : inputWidth + 1;
    int requiredHeight = inputHeight % 2 == 0 ? inputHeight : inputHeight + 1;

    int byteLength = requiredWidth * requiredHeight * 3 / 2;
    if (yuvs == null || yuvs.length < byteLength) {
        yuvs = new byte[byteLength];
    } else {
        Arrays.fill(yuvs, (byte) 0);
    }

    encodeYUV420SP(yuvs, argb, inputWidth, inputHeight);

    scaled.recycle();

    return yuvs;
}

这里面有几个坑，在方法里已经列出来了。首先，若是每次都生成新的YUV数组，不知道在扫一扫解码时要进行GC多少次。。。因此就采用了静态的数组变量来存储数据，只有当当前的长宽乘积超过数组大小时，才从新生成新的yuvs。其次，若是鉴于YUV的特性，长宽只能是偶数个像素点，不然可能会形成数组溢出(不信能够尝试)。最后，使用完了Bitmap要记得回收，那玩意吃内存不是随便说说的。

二维码图像识别算法选择

二维码扫描精度和许多因素有关，最关键的因素是扫描算法。目前在图形识别领域中，较经常使用的二维码识别算法主要有两种，分别是HybridBinarizer和GlobalHistogramBinarizer，这两种算法都是基于二值化，即将图片的色域变为黑白两个颜色，而后提取图形中的二维码矩阵。实际上，zxing中的HybridBinarizer继承自GlobalHistogramBinarizer，并在此基础上作了功能性的改进。援引官方介绍：

This Binarizer(GlobalHistogramBinarizer) implementation uses the old ZXing global histogram approach. It is suitable for low-end mobile devices which don’t have enough CPU or memory to use a local thresholding algorithm. However, because it picks a global black point, it cannot handle difficult shadows and gradients. Faster mobile devices and all desktop applications should probably use HybridBinarizer instead.

This class(HybridBinarizer) implements a local thresholding algorithm, which while slower than the GlobalHistogramBinarizer, is fairly efficient for what it does. It is designed for high frequency images of barcodes with black data on white backgrounds. For this application, it does a much better job than a global blackpoint with severe shadows and gradients. However it tends to produce artifacts on lower frequency images and is therefore not a good general purpose binarizer for uses outside ZXing. This class extends GlobalHistogramBinarizer, using the older histogram approach for 1D readers, and the newer local approach for 2D readers. 1D decoding using a per-row histogram is already inherently local, and only fails for horizontal gradients. We can revisit that problem later, but for now it was not a win to use local blocks for 1D. ···

GlobalHistogramBinarizer算法适合于低端的设备，对手机的CPU和内存要求不高。但它选择了所有的黑点来计算，所以没法处理阴影和渐变这两种状况。HybridBinarizer算法在执行效率上要慢于GlobalHistogramBinarizer算法，但识别相对更有效。它专门为以白色为背景的连续黑色块二维码图像解析而设计，也更适合用来解析具备严重阴影和渐变的二维码图像。

网上对这两种算法的解析并很少，目前仅找到一篇文章详解了GlobalHistogramBinarizer算法，详见[http://kuangjianwei.blog.163.com/blog/static/190088953201361015055110/]()。有时间再看一下相关源码。

zxing项目官方默认使用的是HybridBinarizer二值化方法。在实际的测试中，和官方的介绍大体同样。然而目前的大部分二维码都是黑色二维码，白色背景的。无论是二维码扫描仍是二维码图像识别，使用GlobalHistogramBinarizer算法的效果要稍微比HybridBinarizer好一些，识别的速度更快，对低分辨的图像识别精度更高。

除了这两种算法，我相信在图像识别领域确定还有更好的算法存在，目前受限于知识水平，对二值化算法这一块还比较陌生，期待之后可以深刻理解并改进目前的开源算法(*^__^*)……

图像大小对识别精度的影响

这点是测试中无心发现的。如今的手机摄像头拍照出现的照片像素都很高，动不动就1200W像素，1600W像素，甚至是2000W都不稀奇，但照片的成像质量不必定高。将一张高分辨率的图片按原分辨率导入Android手机，很容易产生OOM。咱们来计算一下，导入一张1200W像素的图片须要的内存，假设图片是4000px*3000px，若是导入的图片采用ARGB_8888编码形式，则每一个像素须要占用4个Bytes(分别存储ARGB值)来存储，则须要4000*3000*4bytes=45.776MB的内存，这在有限的移动资源里，显然是不能忍受的。

经过上一节对图像算法的简单研究，在GlobalHistogramBinarizer中，是从图像中均匀取5行（覆盖整个图像高度），每行取中间五分之四做为样本；以灰度值为X轴，每一个灰度值的像素个数为Y轴创建一个直方图，从直方图中取点数最多的一个灰度值，而后再去给其余的灰度值进行分数计算，按照点数乘以与最多点数灰度值的距离的平方来进行打分，选分数最高的一个灰度值。接下来在这两个灰度值中间选取一个区分界限，取的原则是尽可能靠近中间而且要点数越少越好。界限有了之后就容易了，与整幅图像的每一个点进行比较，若是灰度值比界限小的就是黑，在新的矩阵中将该点置1，其他的就是白，为0。（摘自zxing源码分析——QR码部分）

根据算法的实现，能够知道图像的分辨率对二维码的取值是有影响的。并非图像的分辨率越高就越容易取到二维码。高分辨率的图像对Android的内存资源占用也很可怕。因此在测试的过程当中，我尝试将图片压缩成不一样大小分辨率，而后再进行图片的二维码识别。

/**
 * 根据给定的宽度和高度动态计算图片压缩比率
 * 
 * @param options Bitmap配置文件
 * @param reqWidth 须要压缩到的宽度
 * @param reqHeight 须要压缩到的高度
 * @return 压缩比
 */
public static int calculateInSampleSize(BitmapFactory.Options options, int reqWidth, int reqHeight) {
    // Raw height and width of image
    final int height = options.outHeight;
    final int width = options.outWidth;
    int inSampleSize = 1;

    if (height > reqHeight || width > reqWidth) {

        final int halfHeight = height / 2;
        final int halfWidth = width / 2;

        // Calculate the largest inSampleSize value that is a power of 2 and keeps both
        // height and width larger than the requested height and width.
        while ((halfHeight / inSampleSize) > reqHeight && (halfWidth / inSampleSize) > reqWidth) {
            inSampleSize *= 2;
        }
    }

    return inSampleSize;
}

/**
 * 将图片根据压缩比压缩成固定宽高的Bitmap，实际解析的图片大小可能和#reqWidth、#reqHeight不同。
 * 
 * @param imgPath 图片地址
 * @param reqWidth 须要压缩到的宽度
 * @param reqHeight 须要压缩到的高度
 * @return Bitmap
 */
public static Bitmap decodeSampledBitmapFromFile(String imgPath, int reqWidth, int reqHeight) {

    // First decode with inJustDecodeBounds=true to check dimensions
    final BitmapFactory.Options options = new BitmapFactory.Options();
    options.inJustDecodeBounds = true;
    BitmapFactory.decodeFile(imgPath, options);

    // Calculate inSampleSize
    options.inSampleSize = calculateInSampleSize(options, reqWidth, reqHeight);

    // Decode bitmap with inSampleSize set
    options.inJustDecodeBounds = false;
    return BitmapFactory.decodeFile(imgPath, options);
}

Android图片优化须要经过在解析图片的时候，设置BitmapFactory.Options.inSampleSize的值，根据比例压缩图片大小。在进行图片二维码解析的线程中，经过设置不一样的图片大小，来测试二维码的识别率。这个测试过程我忘记保存了，只记得测试了压缩成最大宽高值为204八、102四、5十二、256和128像素的包含二维码的图片，但实际的测试结果是，当MAX_PICTURE_PIXEL=256的时候识别率最高。

此结论不具有理论支持，有兴趣的童鞋能够本身动手尝试。^_^

相机预览倍数设置及聚焦时间调整

若是使用zxing默认的相机配置，会发现须要离二维码很近才可以识别出来，但这样会带来一个问题——聚焦困难。解决办法就是调整相机预览倍数以及减少相机聚焦的时间。

经过测试能够发现，每一个手机的最大放大倍数几乎是不同的，这可能和摄像头的型号有关。若是设置成一个固定的值，那可能会产生在某些手机上过分放大，某些手机上放大的倍数不够。索性相机的参数设定里给咱们提供了最大的放大倍数值，经过取放大倍数值的N分之一做为当前的放大倍数，就完美地解决了手机的适配问题。

// 须要判断摄像头是否支持缩放
Parameters parameters = camera.getParameters();
if (parameters.isZoomSupported()) {
 // 设置成最大倍数的1/10，基本符合远近需求
 parameters.setZoom(parameters.getMaxZoom() / 10);
}

zxing默认的相机聚焦时间是2s，能够根据扫描的视觉适当调整。聚焦时间的调整也很简单，在AutoFocusCallback这个类里，调整AUTO_FOCUS_INTERVAL_MS这个值就能够了。

二维码扫描视觉调整

二维码扫描视觉的绘制在ViewfinderView.java完成，官方是继承了View而后在onDraw()方法中实现了视图的绘制。

@Override
public void onDraw(Canvas canvas) {
    if (cameraManager == null) {
        return; // not ready yet, early draw before done configuring
    }
    Rect frame = cameraManager.getFramingRect();
    Rect previewFrame = cameraManager.getFramingRectInPreview();
    if (frame == null || previewFrame == null) {
        return;
    }
    int width = canvas.getWidth();
    int height = canvas.getHeight();

    // 绘制聚焦框外的暗色透明层
    paint.setColor(resultBitmap != null ? resultColor : maskColor);
    canvas.drawRect(0, 0, width, frame.top, paint);
    canvas.drawRect(0, frame.top, frame.left, frame.bottom + 1, paint);
    canvas.drawRect(frame.right + 1, frame.top, width, frame.bottom + 1, paint);
    canvas.drawRect(0, frame.bottom + 1, width, height, paint);

    if (resultBitmap != null) {
        // 若是扫描结果不为空，则把扫描的结果填充到聚焦框中
        paint.setAlpha(CURRENT_POINT_OPACITY);
        canvas.drawBitmap(resultBitmap, null, frame, paint);
    } else {

        // 画一根红色的激光线表示二维码解码正在进行
        paint.setColor(laserColor);
        paint.setAlpha(SCANNER_ALPHA[scannerAlpha]);
        scannerAlpha = (scannerAlpha + 1) % SCANNER_ALPHA.length;
        int middle = frame.height() / 2 + frame.top;
        canvas.drawRect(frame.left + 2, middle - 1, frame.right - 1, middle + 2, paint);

        float scaleX = frame.width() / (float) previewFrame.width();
        float scaleY = frame.height() / (float) previewFrame.height();

        List<ResultPoint> currentPossible = possibleResultPoints;
        List<ResultPoint> currentLast = lastPossibleResultPoints;
        int frameLeft = frame.left;
        int frameTop = frame.top;

        // 绘制解析过程当中可能扫描到的关键点，使用黄色小圆点表示
        if (currentPossible.isEmpty()) {
            lastPossibleResultPoints = null;
        } else {
            possibleResultPoints = new ArrayList<>(5);
            lastPossibleResultPoints = currentPossible;
            paint.setAlpha(CURRENT_POINT_OPACITY);
            paint.setColor(resultPointColor);
            synchronized (currentPossible) {
                for (ResultPoint point : currentPossible) {
                    canvas.drawCircle(frameLeft + (int) (point.getX() * scaleX),
                        frameTop + (int) (point.getY() * scaleY), POINT_SIZE, paint);
                }
            }
        }
        if (currentLast != null) {
            paint.setAlpha(CURRENT_POINT_OPACITY / 2);
            paint.setColor(resultPointColor);
            synchronized (currentLast) {
                float radius = POINT_SIZE / 2.0f;
                for (ResultPoint point : currentLast) {
                    canvas.drawCircle(frameLeft + (int) (point.getX() * scaleX),
                        frameTop + (int) (point.getY() * scaleY), radius, paint);
                }
            }
        }
        // 重绘聚焦框里的内容，不须要重绘整个界面。
        postInvalidateDelayed(ANIMATION_DELAY, frame.left - POINT_SIZE, frame.top - POINT_SIZE,
            frame.right + POINT_SIZE, frame.bottom + POINT_SIZE);
    }
}

我给它作了一点小改变，效果差很少，代码更简洁一些。因为代码中我不是根据屏幕的宽高动态计算聚焦框的大小，所以这里省去了从CameraManager获取FramingRect和FramingRectInPreview这两个矩形的过程。我在聚焦框外加了四个角，目前大部分二维码产品基本都是这么设计的吧，固然也可使用图片来代替。总之视觉定制是因人而异，这里不作过多介绍。

@Override
public void onDraw(Canvas canvas) {
    if (isInEditMode()) {
        return;
    }
    Rect frame = mFrameRect;
    if (frame == null) {
        return;
    }
    int width = canvas.getWidth();
    int height = canvas.getHeight();

    // 绘制焦点框外边的暗色背景
    mPaint.setColor(mMaskColor);
    canvas.drawRect(0, 0, width, frame.top, mPaint);
    canvas.drawRect(0, frame.top, frame.left, frame.bottom + 1, mPaint);
    canvas.drawRect(frame.right + 1, frame.top, width, frame.bottom + 1, mPaint);
    canvas.drawRect(0, frame.bottom + 1, width, height, mPaint);

    drawFocusRect(canvas, frame);
    drawAngle(canvas, frame);
    drawText(canvas, frame);
    drawLaser(canvas, frame);

    // Request another update at the animation interval, but only repaint the laser line,
    // not the entire viewfinder mask.
    postInvalidateDelayed(ANIMATION_DELAY, frame.left, frame.top, frame.right, frame.bottom);
}

/**
 * 画聚焦框，白色的
 * 
 * @param canvas
 * @param rect
 */
private void drawFocusRect(Canvas canvas, Rect rect) {
    // 绘制焦点框（黑色）
    mPaint.setColor(mFrameColor);
    // 上
    canvas.drawRect(rect.left + mAngleLength, rect.top, rect.right - mAngleLength, rect.top + mFocusThick, mPaint);
    // 左
    canvas.drawRect(rect.left, rect.top + mAngleLength, rect.left + mFocusThick, rect.bottom - mAngleLength,
        mPaint);
    // 右
    canvas.drawRect(rect.right - mFocusThick, rect.top + mAngleLength, rect.right, rect.bottom - mAngleLength,
        mPaint);
    // 下
    canvas.drawRect(rect.left + mAngleLength, rect.bottom - mFocusThick, rect.right - mAngleLength, rect.bottom,
        mPaint);
}

/**
 * 画粉色的四个角
 * 
 * @param canvas
 * @param rect
 */
private void drawAngle(Canvas canvas, Rect rect) {
    mPaint.setColor(mLaserColor);
    mPaint.setAlpha(OPAQUE);
    mPaint.setStyle(Paint.Style.FILL);
    mPaint.setStrokeWidth(mAngleThick);
    int left = rect.left;
    int top = rect.top;
    int right = rect.right;
    int bottom = rect.bottom;
    // 左上角
    canvas.drawRect(left, top, left + mAngleLength, top + mAngleThick, mPaint);
    canvas.drawRect(left, top, left + mAngleThick, top + mAngleLength, mPaint);
    // 右上角
    canvas.drawRect(right - mAngleLength, top, right, top + mAngleThick, mPaint);
    canvas.drawRect(right - mAngleThick, top, right, top + mAngleLength, mPaint);
    // 左下角
    canvas.drawRect(left, bottom - mAngleLength, left + mAngleThick, bottom, mPaint);
    canvas.drawRect(left, bottom - mAngleThick, left + mAngleLength, bottom, mPaint);
    // 右下角
    canvas.drawRect(right - mAngleLength, bottom - mAngleThick, right, bottom, mPaint);
    canvas.drawRect(right - mAngleThick, bottom - mAngleLength, right, bottom, mPaint);
}

private void drawText(Canvas canvas, Rect rect) {
    int margin = 40;
    mPaint.setColor(mTextColor);
    mPaint.setTextSize(getResources().getDimension(R.dimen.text_size_13sp));
    String text = getResources().getString(R.string.qr_code_auto_scan_notification);
    Paint.FontMetrics fontMetrics = mPaint.getFontMetrics();
    float fontTotalHeight = fontMetrics.bottom - fontMetrics.top;
    float offY = fontTotalHeight / 2 - fontMetrics.bottom;
    float newY = rect.bottom + margin + offY;
    float left = (ScreenUtils.getScreenWidth(mContext) - mPaint.getTextSize() * text.length()) / 2;
    canvas.drawText(text, left, newY, mPaint);
}

private void drawLaser(Canvas canvas, Rect rect) {
    // 绘制焦点框内固定的一条扫描线（红色）
    mPaint.setColor(mLaserColor);
    mPaint.setAlpha(SCANNER_ALPHA[mScannerAlpha]);
    mScannerAlpha = (mScannerAlpha + 1) % SCANNER_ALPHA.length;
    int middle = rect.height() / 2 + rect.top;
    canvas.drawRect(rect.left + 2, middle - 1, rect.right - 1, middle + 2, mPaint);

}

总结

使用zxing进行二维码的编解码是很是方便的，zxing的API覆盖了多种主流编程语言，具备良好的扩展性和可定制性。文中进行了二维码基本功能介绍，zxing项目基本使用方法，zxing项目中目前存在的缺点及改进方案，以及本身在进行zxing项目二次开发的摸索过程当中总结出的提升二维码扫描的方法。文中还有许多不足的地方，对源码的理解还不够深，特别是二维码解析关键算法（GlobalHistogramBinarizer和HybridBinarizer）。这些算法须要投入额外的时间去理解，对于目前以业务为导向的App开发来讲，还存在优化的空间，期待未来有一天能像微信的二维码扫描同样快速，精确。

转自：http://iluhcm.com/2016/01/08/scan-qr-code-and-recognize-it-from-picture-fastly-using-zxing/