CN102081742B - 一种书写能力的自动评价方法 - Google Patents

一种书写能力的自动评价方法 Download PDF

Info

Publication number
CN102081742B
CN102081742B CN 201110009107 CN201110009107A CN102081742B CN 102081742 B CN102081742 B CN 102081742B CN 201110009107 CN201110009107 CN 201110009107 CN 201110009107 A CN201110009107 A CN 201110009107A CN 102081742 B CN102081742 B CN 102081742B
Authority
CN
China
Prior art keywords
character
image
individual character
valid pixel
individual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN 201110009107
Other languages
English (en)
Other versions
CN102081742A (zh
Inventor
马磊
刘江
张华英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANDONG SHANDA OUMA SOFTWARE CO., LTD.
Original Assignee
SHANDONG SHANDA OUMA SOFTWARE CO Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHANDONG SHANDA OUMA SOFTWARE CO Ltd filed Critical SHANDONG SHANDA OUMA SOFTWARE CO Ltd
Priority to CN 201110009107 priority Critical patent/CN102081742B/zh
Publication of CN102081742A publication Critical patent/CN102081742A/zh
Application granted granted Critical
Publication of CN102081742B publication Critical patent/CN102081742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Character Input (AREA)

Abstract

本发明公开了一种书写能力的自动评价方法，包括如下步骤：（1）设计书写能力测试评价卡；（2）对测试评价卡进行图像采集和预处理；（3）对图像标记点进行识别，如果识别标记点与设置值相同，进行倾斜角度的估计；（4）如果倾斜角度大于设定值，进行图像纠偏处理，并重新进行图像增强、标记点识别及倾斜角度的估计，如果倾斜角度小于设定值，执行下一步操作；（5）进行图像分割定位字符操作；（6）进行字符特征计算操作；（7）进行指标拟合计算，输出计算结果。本发明的评价指标与主观评价结果相一致，可有效降低劳动强度，扫描的同时完成评价指标计算，保证评价标准的统一性，解决了长期以来书写能力难以大规模评测的现状。

Description

一种书写能力的自动评价方法
技术领域
本发明涉及一种书写能力自动评价方法。
背景技术
     早在1990年国家教委办公厅《关于加强义务教育阶段中小学生写字教学的通知》中明确要求“中小学开设写字课程，必须保证每周写字训练的时间不能少于一个课时。2002年国家教育部《关于在中小学加强写字教学的若干意见》中进一步强调“写字教学应该加强，不应削弱”。从有关文件中可以看出，对汉字书的要求与重视程度越来越高。于是，关于“汉字书写速成”的研究已在国内蓬勃兴起，如“汉字百日速成法”的研究，“汉字书写99小时速成”的研究，“汉字书写快乐速成”的研究，这些研究对推动汉字书写水平的提高产生了重要作用。2008年国家语言文字工作委员会颁布了《汉字书写等级考核标准》，为 “汉字书写能力等级测试的研究”提供了依据。目前，对书写能力的评价相对滞后，大部分应用仍然基于相关领域的专家进行主观评价，造成在大规模应用方面效率低下，并且容易引起主观评价标准的不一致性，是大力发展、加强汉字书写能力的主要阻力。
发明内容
本发明要解决的技术问题是提供一种书写能力自动评价方法，本方法具有极高的数据处理能力，在扫描的同时给出书写能力的客观指标，为书写能力测评的大规模应用提供基础技术条件。
本发明采用如下技术手段实现发明目的：
一种书写能力的自动评价方法，包括如下步骤：
（1）设计书写能力测试评价卡；
（2）对测试评价卡进行图像采集和预处理；
（3）对图像标记点进行识别，如果识别标记点与设置值相同，进行倾斜角度的估计；
（4）如果倾斜角度大于设定值，进行图像纠偏处理，并重新进行图像增强、标记点识别及倾斜角度的估计，如果倾斜角度小于设定值，执行下一步操作；
（5）进行图像分割定位字符操作；
（6）进行字符特征计算操作；
（7）进行指标拟合计算，输出计算结果。
作为对本技术方案的进一步限定，所述测试评价卡包括标题、待测人员基本信息区域、条码识别区域、注意事项区域、模板文字区域、书写文字区域和OMR识别标记点区域。
作为对本技术方案的进一步限定，所述步骤（2）的预处理包括图像扭曲检测、拉伸检测、图像纠偏处理、图像增强处理。
作为对本技术方案的进一步限定，所述步骤（6）包括如下步骤：
（6.1）进行字符全局分布特征计算；
（6.2）进行字符区域分布特征计算；
（6.3）进行字符距离分布特征计算；
作为对本技术方案的进一步限定，所述步骤（6.1）计算公式为：
         （5）
其中：高宽比                                                
Figure 875120DEST_PATH_IMAGE001
、左右所含有效像素比
Figure 2011100091079100002DEST_PATH_IMAGE002
、上下所含有效像素比
Figure 97154DEST_PATH_IMAGE003
，有效像素定义为黑色字符比划像素，取像素的灰度值低于128的那些像素，字符宽度
Figure 2011100091079100002DEST_PATH_IMAGE004
，字符高度
Figure 368736DEST_PATH_IMAGE005
，上半部分有效像素数
Figure 2011100091079100002DEST_PATH_IMAGE006
，下半部分像素数，左半部分有效像素数，右半部分有效像素数
Figure 198556DEST_PATH_IMAGE009
。
作为对本技术方案的进一步限定，所述步骤(6.2)包括如下步骤：
(6.2.1)将每个字符分成16个子区域，并按照从左到右，从上到下的顺序排列；
(6.2.2) 统计每个字符子区域内的有效像素数
Figure 2011100091079100002DEST_PATH_IMAGE010
，并排列为一个特征向量，作为该字符的区域分布特征。
      （6）
作为对本技术方案的进一步限定，所述步骤(6.3)包括如下步骤：
(6.3.1)记中心位置为
Figure 366681DEST_PATH_IMAGE013
，按顺序第
Figure 2011100091079100002DEST_PATH_IMAGE014
个有效点的坐标为，该点的距离表示为
Figure 2011100091079100002DEST_PATH_IMAGE016
，总共有个有效点，通常情况下
Figure 2011100091079100002DEST_PATH_IMAGE018
，因此特征向量
Figure 283449DEST_PATH_IMAGE019
表示为：
Figure 2011100091079100002DEST_PATH_IMAGE020
       （7）
（6.3.2）上述特征向量经过规范化后，得到标准的距离特征向量，标准特征向量（长度为100）的第
Figure 2011100091079100002DEST_PATH_IMAGE022
个值
Figure 899424DEST_PATH_IMAGE023
表示为：
Figure 2011100091079100002DEST_PATH_IMAGE024
   （8）
其中表示小于位置
Figure 2011100091079100002DEST_PATH_IMAGE028
的最大整数，
Figure 2011100091079100002DEST_PATH_IMAGE030
表示大于位置
Figure 868648DEST_PATH_IMAGE028
的最小整数，
Figure 2011100091079100002DEST_PATH_IMAGE032
表示
Figure 603386DEST_PATH_IMAGE026
位置的距离值，
Figure 2011100091079100002DEST_PATH_IMAGE034
表示
Figure 894778DEST_PATH_IMAGE030
位置的距离值。
作为对本技术方案的进一步限定，所述步骤(7)的步骤为：
（7.1）进行标准数据的初始化工作，存储标准模板的字符特征信息;
(7.2) 分别计算出标准数据中每个字符的全局特征α、β、γ，区域分布特征Z、距离分布特征D；
(7.3) 分别计算出被测数据中每个字符的全局特征α’、β’、γ’，区域分布特征Z’、距离分布特征D’；
(7.4) 设书写卡评价的字符数为
Figure 802691DEST_PATH_IMAGE017
，第个字符得分记为
Figure 719012DEST_PATH_IMAGE035
，则该书写卡客观评价指标
Figure 2011100091079100002DEST_PATH_IMAGE036
计算为：
Figure 2095DEST_PATH_IMAGE037
其中
Figure 651382DEST_PATH_IMAGE039
表示标准图像第个字符区域特征向量，
Figure DEST_PATH_IMAGE043
表示标准图像第
Figure 609422DEST_PATH_IMAGE041
个字符区域分布特征向量的平均值，
Figure DEST_PATH_IMAGE045
表示被测试图像第
Figure 864954DEST_PATH_IMAGE041
个字符区域特征向量，
Figure DEST_PATH_IMAGE047
表示被测试图像第
Figure 567199DEST_PATH_IMAGE041
个字符区域分布特征向量的平均值，
Figure DEST_PATH_IMAGE049
表示标准图像第个字符归一化距离特征向量，表示被测试图像第
Figure 488330DEST_PATH_IMAGE041
个字符归一化距离特征向量，表示标准图像第
Figure 231158DEST_PATH_IMAGE041
个字符归一化距离特征向量的平均值，
Figure DEST_PATH_IMAGE055
表示被测试图像第
Figure 471515DEST_PATH_IMAGE041
个字符归一化距离特征向量的平均值，表示标准图像第
Figure 311295DEST_PATH_IMAGE041
个字符区域特征向量和被测试图像第
Figure 729638DEST_PATH_IMAGE041
个字符区域特征向量之间的相关性，
Figure DEST_PATH_IMAGE059
表示标准图像第
Figure 976074DEST_PATH_IMAGE041
个字符归一化距离特征向量和被测试图像第个字符归一化距离特征向量之间的相关性，分别表示标准图像第
Figure 465141DEST_PATH_IMAGE041
个字符的高宽比、左右所含有效像素比、上下所含有效像素比，
Figure DEST_PATH_IMAGE063
分别表示被测试图像第
Figure 241336DEST_PATH_IMAGE041
个字符的高宽比、左右所含有效像素比、上下所含有效像素比。
与现有技术相比，本发明的优点和积极效果是：本发明首先对图像进行扭曲检测、拉伸检测、图像纠偏处理、图像增强预处理，图像的预处理是该评价方法的重要组成部分，通过图像预处理，使得该评价系统更为健壮，具有更好的可靠性、可信性。 本发明的评价指标与主观评价结果相一致，可有效降低劳动强度，扫描的同时完成评价指标计算，保证评价标准的统一性，解决了长期以来书写能力难以大规模评测的现状，具有非常重要的应用价值。 
附图说明
图1为本发明优选实施例标准测试卡结构示意图。
图2为本发明优选实施例标准书写卡结构示意图。
图3为本发明优选实施例书写区域的四个顶点位置示意图。
图4为本发明优选实施例标记点之间的宽度表示示意图。
图5为本发明优选实施例图像倾斜角度估计示意图。
图6为本发明优选实施例邻域像素取法示意图。
图7为本发明优选实施例的流程图。
图8为本发明优选实施例字符全局特征获取示意图。
图9为本发明优选实施例字符子区域划分结构示意图。
图10为本发明优选实施例距离特征向量表示结构示意图。
图11为本发明优选实施例字符的标准距离特征向量结构示意图。
具体实施方式
下面结合附图和优选实施例对本发明作更进一步的详细描述。
参见图1，测试评价卡设计：测试评价卡使用红色、黑色两色印刷，包含标题、待测人员基本信息、条码识别区域、注意事项、模板文字、书写文字区域、OMR识别标记点共7个组成部分，标准测试卡作为评测满分，待测者的书写卡与标准测试卡的拟合程度作为书写能力的客观指标，最低分为0分，最高分为100分。
参见图2，汉字楷体书写规范测评卡的书写卡，每个汉字的书写区域使用红色虚线方格界定，书写者根据该书写区域上方的汉字模板书写，保证评价标准的统一性。
图像采集和处理：使用扫描设备采集图像（滤红），分辨率至少为200dpi，图像采集完成后，需要对图像的采集质量进行客观评价，以充分体现该方法评价标准的一致性和可靠性，主要包括：扭曲检测、拉伸检测、图像纠偏处理、图像增强处理。
参见图3，扭曲检测：该方法使用连通性标记算法定位OMR标记点在图像中的位置，记整个书写区域的四个顶点位置为
Figure DEST_PATH_IMAGE064
，则扭曲程度表示为
Figure DEST_PATH_IMAGE065
。
Figure DEST_PATH_IMAGE066
         （1）
当扭曲程度
Figure 641313DEST_PATH_IMAGE065
达到了一定的值（例如4个像素或者更小），即可认为图像扫描发生异常，需要扫描操作人员进行故障排除。
参见图4，拉伸检测：拉伸检测考虑扫描过程中由于物理器件磨损产生的图像失真，理想情况下，检测标记点相对宽度（图4所示）方差为0，即：
Figure DEST_PATH_IMAGE067
，该检测使用方差表示拉伸失真的程度
Figure DEST_PATH_IMAGE068
。
Figure DEST_PATH_IMAGE069
                 （2）
    参见图5，图像纠偏处理：由于扫描设备的物理特性，测试卡经过图像采集后图像可能出现倾斜，倾斜产生的严重后果是评价标准的不一致，导致不能客观反映测试者的书写水平，因此需要使用一定的校正纠偏技术。针对图像的倾斜问题，首先完成倾斜角度的快速、准确估计，该方法使用OMR标记点进行倾斜叫估计，避免使用hough变换检测直线的方法提高图像处理的速度，实际应用证明，该方法具有很高的可靠性和准确性。
Figure DEST_PATH_IMAGE070
             （3）
使用最左边的标记点和最右边的标记点表示直线的倾斜角度，一旦检测到图像倾斜（通常大于0.2角度）即进行图像的纠偏处理，为了尽可能保证纠偏的效果，使用了三次样条插值函数完成图像纠偏。
参见图6，图像的增强：图像增强处理是文档图像预处理的重要组成部分，增强文字边缘信息和图像的清晰度，图像增强采用了自适应局部增强方法。图像增强有利于后期图像分割和识别，同时对噪声进行消除。
图像增强时，区分中心像素与周围像素的差别，对需要边缘强调的像素重新计算其灰度值。
如图6所示，邻域像素取法，中心像素周围取8个像素，计算该邻域内像素的方差（不包含中心像素），如果该方差大于某个设定的值，则表明该邻域是一个有效的增强区域（或者说是文本区、边缘丰富的区域），进而计算图像增强幅度
Figure 663944DEST_PATH_IMAGE001
，更新中心像素灰度值
Figure DEST_PATH_IMAGE071
为。
Figure DEST_PATH_IMAGE073
         （4）
参见图7，本发明优选实施例的流程图，图像采集完成后，先执行图像的增强操作，进而对标记点进行识别（8连同性标记算法），如果识别标记点与设置值相同，进行倾斜角度的估计，决定是否进行纠偏处理，如果图像进行纠偏，三次样条插值可能引起字符边界不清晰，需重新进行图像增强、标记点识别及倾斜角度的估计，此时，倾斜角度小于设定值0.2角度，算法执行分割定位字符、特征计算，最后输出计算结果。
参见图8，字符全局特征：包括三个重要特征：高宽比
Figure 611040DEST_PATH_IMAGE001
、左右所含有效像素比
Figure 878073DEST_PATH_IMAGE002
、上下所含有效像素比
Figure 14657DEST_PATH_IMAGE003
，有效像素定义为黑色字符比划像素，通常取像素的灰度值低于128的那些像素。如图8所示，字符宽度
Figure 683535DEST_PATH_IMAGE004
，字符高度
Figure 676899DEST_PATH_IMAGE005
，上半部分有效像素数
Figure 119644DEST_PATH_IMAGE006
，下半部分像素数
Figure 122235DEST_PATH_IMAGE007
，左半部分有效像素数
Figure 583303DEST_PATH_IMAGE008
，右半部分有效像素数
Figure 747568DEST_PATH_IMAGE009
，全局特征表达如下：
Figure DEST_PATH_IMAGE074
         （5）
参见图9，字符区域分布特征：区域分布特征考虑字符在网格区域内的像素分布：比划用量的多少，是进行相关性检测的一个特征向量,经过大量的实验测试，将字符分成16个子区域，并按照从左到右，从下到上的顺序排列。如图9所示，我们统计每个字符子区域内的有效像素数
Figure 176145DEST_PATH_IMAGE010
，并排列为一个特征向量，作为该字符的区域分布特征。
Figure 32422DEST_PATH_IMAGE012
      （6）
     参见图10、图11，字符距离分布特征：字符距离分布特征的计算使用图像细化处理的结果，并计算每个有效点到字符中心点的距离，点的计算顺序按照从左到右，从下到上的顺序，由于不同字符，甚至是相同字符不同人写的字符经过细化算法后，有效点的数量是不同的，因此还重新采用，进行数据的插值计算，使得距离特征向量的维数相同，便于比较和计算，该评价算法使用100维向量长度。
如图10所示，距离特征向量，红色点表示中心位置，每个黑色点代表一个有效的像素位置，记中心位置为
Figure 321583DEST_PATH_IMAGE013
，按顺序第
Figure 784926DEST_PATH_IMAGE014
个有效点的坐标为，该点的距离表示为
Figure 299401DEST_PATH_IMAGE016
，总共有
Figure 71048DEST_PATH_IMAGE017
个有效点，通常情况下，因此特征向量
Figure 91142DEST_PATH_IMAGE019
表示为：
Figure 381309DEST_PATH_IMAGE020
       （7）
   上述特征向量经过规范化后，得到标准的距离特征向量，标准特征向量（长度为100）的第
Figure 467786DEST_PATH_IMAGE022
个值
Figure 153982DEST_PATH_IMAGE023
表示为：
Figure 298655DEST_PATH_IMAGE024
   （8）
指标拟合计算：
   该自动评价方法工作时，先进行标准数据的初始化工作，存储标准模板的字符特征信息，如计算图1的标准测试卡，分别计算出每个字符的全局特征
Figure DEST_PATH_IMAGE075
、区域分布特征、距离分布特征，待评价字符的特征由式（5）（6）（7）（8）表示，假设书写卡评价的字符数为，第
Figure 686277DEST_PATH_IMAGE014
个字符得分记为
Figure 13354DEST_PATH_IMAGE035
，则该书写卡客观评价指标
Figure 720541DEST_PATH_IMAGE036
计算为：
该评价指标的数值范围为[-100,100]，实际使用时，如果该分数值小于0，则该分数值即为0，因此客观评价指标为[0,100]。

Claims (8)

1.一种书写能力的自动评价方法，包括如下步骤：
（1）设计书写能力测试评价卡；
（2）对测试评价卡进行图像采集和预处理；
（3）对图像标记点进行识别，如果识别标记点与设置值相同，进行倾斜角度的估计；
（4）如果倾斜角度大于设定值，进行图像纠偏处理，并重新进行图像增强、标记点识别及倾斜角度的估计，如果倾斜角度小于设定值，执行下一步操作；
（5）进行图像分割定位字符操作；
（6）进行字符特征计算操作；
（7）进行指标拟合计算，输出计算结果。
2.根据权利要求1所述书写能力的自动评价方法，其特征是：所述测试评价卡包括标题、待测人员基本信息区域、条码识别区域、注意事项区域、模板文字区域、书写文字区域和OMR识别标记点区域。
3.根据权利要求1所述书写能力的自动评价方法，其特征是：所述步骤（2）的预处理包括图像扭曲检测、拉伸检测、图像纠偏处理、图像增强处理。
4.根据权利要求1所述书写能力的自动评价方法，其特征是：所述步骤（6）包括如下步骤：
（6.1）进行字符全局分布特征计算；
（6.2）进行字符区域分布特征计算；
（6.3）进行字符距离分布特征计算。
5.根据权利要求4所述书写能力的自动评价方法，其特征是：所述步骤（6.1）计算公式为：                                                
Figure 599990DEST_PATH_IMAGE001
         （5）
其中：高宽比
Figure 2011100091079100001DEST_PATH_IMAGE002
、左右所含有效像素比、上下所含有效像素比
Figure 2011100091079100001DEST_PATH_IMAGE004
，有效像素定义为黑色字符比划像素，取像素的灰度值低于128的那些像素，字符宽度
Figure 666615DEST_PATH_IMAGE005
，字符高度，上半部分有效像素数
Figure 402358DEST_PATH_IMAGE007
，下半部分像素数
Figure 2011100091079100001DEST_PATH_IMAGE008
，左半部分有效像素数
Figure 428083DEST_PATH_IMAGE009
，右半部分有效像素数
Figure 2011100091079100001DEST_PATH_IMAGE010
。
6.根据权利要求4所述书写能力的自动评价方法，其特征是：所述步骤(6.2)包括如下步骤：
(6.2.1)将每个字符分成16个子区域，并按照从左到右，从上到下的顺序排列；
(6.2.2) 统计每个字符子区域内的有效像素数
Figure 377673DEST_PATH_IMAGE011
，并排列为一个特征向量，作为该字符的区域分布特征
Figure 2011100091079100001DEST_PATH_IMAGE012
：
Figure 248677DEST_PATH_IMAGE013
      （6）。
7.根据权利要求4所述书写能力的自动评价方法，其特征是：所述步骤(6.3)包括如下步骤：
(6.3.1)记中心位置为
Figure 2011100091079100001DEST_PATH_IMAGE014
，按顺序第
Figure DEST_PATH_IMAGE015
个有效点的坐标为
Figure 2011100091079100001DEST_PATH_IMAGE016
，该点的距离表示为
Figure 42189DEST_PATH_IMAGE017
，总共有个有效点，通常情况下
Figure 989548DEST_PATH_IMAGE019
，因此特征向量
Figure 2011100091079100001DEST_PATH_IMAGE020
表示为：
Figure 415981DEST_PATH_IMAGE021
       （7）
（6.3.2）上述特征向量经过规范化后，得到标准的距离特征向量，标准特征向量（长度为100）的第
Figure 605523DEST_PATH_IMAGE023
个值
Figure DEST_PATH_IMAGE024
表示为：
Figure 66591DEST_PATH_IMAGE025
   （8）
其中
Figure DEST_PATH_IMAGE026
表示小于位置
Figure 919272DEST_PATH_IMAGE023
的最大整数，
Figure DEST_PATH_IMAGE027
表示大于位置
Figure 98580DEST_PATH_IMAGE023
的最小整数，表示位置的距离值，
Figure DEST_PATH_IMAGE029
表示
Figure 141809DEST_PATH_IMAGE027
位置的距离值。
8.根据权利要求1所述书写能力的自动评价方法，其特征是：所述步骤(7)的步骤为：
（7.1）进行标准数据的初始化工作，存储标准模板的字符特征信息;
(7.2) 分别计算出标准数据中每个字符的全局特征α、β、γ，区域分布特征Z、距离分布特征D；
(7.3) 分别计算出被测数据中每个字符的全局特征α’、β’、γ’，区域分布特征Z’、距离分布特征D’；
(7.4) 设书写卡评价的字符数为，第
Figure 894312DEST_PATH_IMAGE015
个字符得分记为，则该书写卡客观评价指标
Figure DEST_PATH_IMAGE031
计算为：
Figure DEST_PATH_IMAGE032
其中
Figure DEST_PATH_IMAGE034
表示标准图像第
Figure DEST_PATH_IMAGE036
个字符区域特征向量，表示标准图像第个字符区域分布特征向量的平均值，表示被测试图像第
Figure 504994DEST_PATH_IMAGE036
个字符区域特征向量，
Figure DEST_PATH_IMAGE042
表示被测试图像第
Figure 948745DEST_PATH_IMAGE036
个字符区域分布特征向量的平均值，
Figure DEST_PATH_IMAGE044
表示标准图像第
Figure 351913DEST_PATH_IMAGE036
个字符归一化距离特征向量，表示被测试图像第
Figure 172101DEST_PATH_IMAGE036
个字符归一化距离特征向量，
Figure DEST_PATH_IMAGE048
表示标准图像第
Figure 213001DEST_PATH_IMAGE036
个字符归一化距离特征向量的平均值，
Figure DEST_PATH_IMAGE050
表示被测试图像第
Figure 827653DEST_PATH_IMAGE036
个字符归一化距离特征向量的平均值，
Figure DEST_PATH_IMAGE052
表示标准图像第
Figure 452538DEST_PATH_IMAGE036
个字符区域特征向量和被测试图像第
Figure 76418DEST_PATH_IMAGE036
个字符区域特征向量之间的相关性，
Figure DEST_PATH_IMAGE054
表示标准图像第
Figure 283408DEST_PATH_IMAGE036
个字符归一化距离特征向量和被测试图像第
Figure 85273DEST_PATH_IMAGE036
个字符归一化距离特征向量之间的相关性，
Figure DEST_PATH_IMAGE056
分别表示标准图像第
Figure 948187DEST_PATH_IMAGE036
个字符的高宽比、左右所含有效像素比、上下所含有效像素比，
Figure DEST_PATH_IMAGE058
分别表示被测试图像第
Figure 359446DEST_PATH_IMAGE036
个字符的高宽比、左右所含有效像素比、上下所含有效像素比。
CN 201110009107 2011-01-17 2011-01-17 一种书写能力的自动评价方法 Active CN102081742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110009107 CN102081742B (zh) 2011-01-17 2011-01-17 一种书写能力的自动评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110009107 CN102081742B (zh) 2011-01-17 2011-01-17 一种书写能力的自动评价方法

Publications (2)

Publication Number Publication Date
CN102081742A CN102081742A (zh) 2011-06-01
CN102081742B true CN102081742B (zh) 2013-11-06

Family

ID=44087697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110009107 Active CN102081742B (zh) 2011-01-17 2011-01-17 一种书写能力的自动评价方法

Country Status (1)

Country Link
CN (1) CN102081742B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573747B (zh) * 2013-10-17 2019-03-08 北大方正集团有限公司 文字评价方法及装置
CN107507161B (zh) * 2016-06-14 2020-06-16 科大讯飞股份有限公司 一种书写整洁度的评价方法及系统
CN107609575B (zh) * 2017-08-21 2020-09-01 北京华文众合科技有限公司 书法评价方法、书法评价装置和电子设备
CN107609489B (zh) * 2017-08-21 2020-09-01 北京华文众合科技有限公司 书法书写路径评价装置、方法及电子设备
CN109214471A (zh) * 2018-10-10 2019-01-15 北京米蓝科技有限公司 评价练字字帖中的书写字的方法及系统
CN109920301A (zh) * 2019-03-25 2019-06-21 成都奇伟适度教育咨询有限公司 一种零基础学习绘画的装置
CN112883942B (zh) * 2021-04-28 2021-08-13 北京世纪好未来教育科技有限公司 手写字符的评价方法、装置、电子设备和计算机存储介质
CN116012860B (zh) * 2022-12-29 2024-01-16 华南师范大学 一种基于图像识别的教师板书设计水平诊断方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1482571A (zh) * 2003-04-11 2004-03-17 清华大学 基于单个字符的统计笔迹鉴别和验证方法
CN1540571A (zh) * 2003-10-29 2004-10-27 中国科学院计算技术研究所 基于局部特征分析的计算机笔迹鉴别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1482571A (zh) * 2003-04-11 2004-03-17 清华大学 基于单个字符的统计笔迹鉴别和验证方法
CN1540571A (zh) * 2003-10-29 2004-10-27 中国科学院计算技术研究所 基于局部特征分析的计算机笔迹鉴别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
戴斯荻等.基于遗传算法的离线签名鉴定.《计算机工程与应用》.2008,(第35期), *
李莹等.汉字笔迹鉴别中预处理算法实现.《山东大学学报(工学版)》.2007,(第02期), *
王凤岭等.基于纹理分析笔迹鉴别系统的设计与实现.《广西民族大学学报(自然科学版)》.2007,(第03期), *
袁林等.计算机离线签名鉴定系统研究.《现代电子技术》.2007,(第09期), *

Also Published As

Publication number Publication date
CN102081742A (zh) 2011-06-01

Similar Documents

Publication Publication Date Title
CN102081742B (zh) 一种书写能力的自动评价方法
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN104239850B (zh) 基于图像综合特征的答题卡填涂信息自动识别方法
CN112115895B (zh) 指针型仪表读数识别方法、装置、计算机设备及存储介质
CN103559490B (zh) 基于二值图像连通域统计的答题卡自动评分方法
CN106599887B (zh) 试卷答题区域识别及试题评阅方法、系统
CN109918523B (zh) 一种基于yolo9000算法的电路板元器件检测方法
CN102282571B (zh) 用于提供与定向无关的脸部检测器的方法、装置和计算机程序产品
CN109919037B (zh) 一种文本定位方法及装置、文本识别方法及装置
CN106033544A (zh) 基于模板匹配的试卷内容区域提取方法
CN102867195B (zh) 一种遥感图像多类目标检测和识别方法
CN108876756A (zh) 图像相似性的度量方法和装置
CN110084098A (zh) 一种试卷批改方法和系统
CN106709952B (zh) 一种显示屏幕的自动标定方法
CN106485710A (zh) 一种元件错件检测方法和装置
CN108416304B (zh) 一种利用上下文信息的三分类人脸检测方法
CN111008594B (zh) 改错题评阅方法、相关设备及可读存储介质
US11906441B2 (en) Inspection apparatus, control method, and program
CN111783541A (zh) 一种文本识别方法和装置
CN114463770A (zh) 一种用于普遍试卷题目的智能切题方法
CN106600615A (zh) 一种图像边缘检测算法评价系统及方法
CN104077562B (zh) 一种答卷的扫描方向判断方法
CN109978859B (zh) 一种基于可见失真池化的图像显示适应质量评估方法
CN111008635A (zh) 一种基于ocr的多票据自动识别方法及识别系统
CN110298236A (zh) 一种基于深度学习的盲文图像自动识别方法和系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C56 Change in the name or address of the patentee
CP03 Change of name, title or address

Address after: 250101, Bole Road, hi tech Zone, Shandong, Ji'nan, 128

Patentee after: SHANDONG SHANDA OUMA SOFTWARE CO., LTD.

Address before: High tech Zone Tianchen road Ji'nan City, Shandong province 250100 No. 1318

Patentee before: Shandong Shanda Ouma Software Co., Ltd.