首先說明我的測試場景是“識別列印在紙上的二維碼”，在掃描結果中尋找二維碼並進行識別，而不是直接讓攝像頭對著二維碼掃描。

zbar和zxing用的都是自己從github上clone的c++原始碼/介面編譯出來的dll，都是預設引數

再說結論：測了大概幾千張圖片，兩個庫的準確率差不多（由於圖片場景的多樣性，確切的準確率數字也沒有什麼意義），但是zbar的速度要快很多，大概是zxing的4-5倍。其實兩個庫的準確率都不太如人意，稍微模糊一點就無法識別，甚至有一些不模糊的影象也識別不出。相比之下，微信的識別效果就逆天了，怎麼折騰都能識別出來，讓我很好奇。

後來自己嘗試改進識別效果，先看了一下二維碼的識別原理，太複雜了，無從下手。於是嘗試對影象進行預處理改進，結果只是用了一個二值化加開運算就讓識別效果得到了大幅提升，讓我很奇怪這麼簡單的預處理為什麼開發人員沒有去做呢？然後又繼續優化了一下，發現二值化的閾值對二維碼的識別非常關鍵，badcase通常是因為閾值不合適導致的，於是犧牲了一下效能，在識別程式中多次嘗試不同閾值，最終識別效果達到了比較令人滿意的結果，準確率從90%左右上升到99.8%左右，絕大部分列印不清晰導致的badcase都得到了解決，程式碼如下：

#include <iostream>
#include <include\zbar.h>
#include "opencv/cv.h"
#include "opencv/highgui.h"

using namespace std;
using namespace cv;
using namespace zbar;

//zbar介面
string ZbarDecoder(Mat img)
{
    string result;
    ImageScanner scanner;
    const void *raw = (&img)->data;
    
 
// configure the reader
    scanner.set_config(ZBAR_QRCODE, ZBAR_CFG_ENABLE, 1);
    // wrap image data
    Image image(img.cols, img.rows, "Y800", raw, img.cols * img.rows);
    // scan the image for barcodes
    int n = scanner.scan(image);
    // extract results
    result = image.symbol_begin()->get_data();
    image.set_data(NULL, 
 
0);
    return result;
}

//對二值影象進行識別，如果失敗則開運算進行二次識別
string GetQRInBinImg(Mat binImg)
{
    string result = ZbarDecoder(binImg);
    if(result.empty())
    {
        Mat openImg;
        Mat element = getStructuringElement(MORPH_RECT, Size(3, 3));
        morphologyEx(binImg, openImg, MORPH_OPEN, element);
        result = ZbarDecoder(openImg);
    }
    return result;
}

//main function
string GetQR(Mat img)
{
    Mat binImg;
    //在otsu二值結果的基礎上，不斷增加閾值，用於識別模糊影象
    int thre = threshold(img, binImg, 0, 255, cv::THRESH_OTSU);
    string result;
    while(result.empty() && thre<255)
    {
        threshold(img, binImg, thre, 255, cv::THRESH_BINARY);
        result = GetQRInBinImg(binImg);
        thre += 20;//閾值步長設為20，步長越大，識別率越低，速度越快
    }
    return result;
}