CN103559490A - 基于二值图像连通域统计的答题卡自动评分方法 - Google Patents

基于二值图像连通域统计的答题卡自动评分方法 Download PDF

Info

Publication number
CN103559490A
CN103559490A CN201310473334.6A CN201310473334A CN103559490A CN 103559490 A CN103559490 A CN 103559490A CN 201310473334 A CN201310473334 A CN 201310473334A CN 103559490 A CN103559490 A CN 103559490A
Authority
CN
China
Prior art keywords
answer sheet
image
connected domain
calibration point
filling
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.)
Granted
Application number
CN201310473334.6A
Other languages
English (en)
Other versions
CN103559490B (zh
Inventor
黄翰
梁椅辉
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201310473334.6A priority Critical patent/CN103559490B/zh
Publication of CN103559490A publication Critical patent/CN103559490A/zh
Application granted granted Critical
Publication of CN103559490B publication Critical patent/CN103559490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供基于二值图像连通域统计的答题卡自动评分方法，用户扫描一个答题卡，检测出定位点后，对作答区域进行二值化，然后采用基于二值图像连通域统计的答题卡自动评分方法对图像中各选择题的答案进行识别并评分，然后输出各题目的答案以及成绩。本发明以填涂点相对于标记点的位置来定位填涂点，对于答题卡扫描时的倾斜、移位、轻微褶皱不敏感；采用自适应阈值的方法判断填涂与否，对于不同填涂的深浅均可有效检测，兼容单选、多选题，能有效区分擦除不净及多选的情况。用户不必再因为扫描时的轻微异常而重新扫描答题卡，大大减少了重复劳动。

Description

基于二值图像连通域统计的答题卡自动评分方法
技术领域
本发明一般涉及计算机模式识别与图像处理领域，具体涉及基于二值图像连通域统计的答题卡自动评分方法。
背景技术
随着信息技术的发展，计算机处理的数据量越来越大,在很多领域里,亟需解决海量数据的采集、识别和录入的问题。目前，在高考、成人高考、全国大学英语等级考试等大型考试已经使用OMR（光学标记阅读机）解决该问题。虽然OMR技术解决了一些答题卡数据录入的问题,但是由于其自身技术是基于光电识别技术的，存在许多目前难以解决的问题：（1）设备专用：光电识别机只能在审阅客观题中使用，主观题仍需使用扫描仪扫描，价格昂贵；（2）答题卡格式固定：受限于光电头安装位置和排列密度相对固定，对于不同格式的答题卡调整难度很大，甚至无法满足要求；（3）答题卡制造成本高：OMR答题卡必须为含铅铜版纸进行彩色印刷且对答题卡裁切精度有严格要求，经济成本、环境成本高，对于大多数中小学无力承担该费用；（4）纠错流程复杂：OMR技术中，若在识别的过程中发生异常，必须停机，人工分拣出出错答题卡，逐张人工重新填涂，才能重新开机识别，大大影响阅卷效率。（5）图像不能保存待查：不能保存识别过的答题卡图像，判题透明性差，若要查对必须人工从纸质答题卡中重新分拣出来。
利用图像处理技术对经过扫描的答题卡的数据进行识别和录入是一项新技术。它除了可以克服上述OMR技术存在的缺陷外,还具有设备、纸张成本低，识别率及速度可随计算机软、硬件发展不断优化、提升，改卷结果可直接显示在扫描图像上，判卷透明性高，校对方便等特点。该技术将在计算机阅卷、电子政务、社会调查数据采集、生产和流通领域的过程管理及其它领域中显示出其良好的应用前景。
发明内容
本发明针对答题卡识别技术的不足，提供了基于二值图像连通域统计的答题卡自动评分方法。本发明的目的在于使用计算机图像处理技术解决高准确率的答题卡自动识别问题，克服现有的OMR技术的缺陷，提供一个成本低、使用简单的、可靠的答题卡识别方案，具体技术方案如下。
基于二值图像连通域统计的答题卡自动评分方法，包括以下步骤：
(a)从本地磁盘读入一个扫描得到的答题卡图像文件；
(b)对答题卡图像进行倾斜检测及校正；
(c)对步骤(b)中校正后的图像进行校准点检测及定位；
(d)根据步骤(c)中得到的校准点位置以及答题卡描述文件，计算每一个填涂点在本张图像中的绝对位置；
(e)根据步骤(d)得到的每个填涂点进行识别，判断其是否填涂。
上述基于二值图像连通域统计的答题卡自动评分方法中，步骤(b)包括以下步骤：
(b-1)将扫描得到的图像转化为灰度图像；
(b-2)读取答题卡描述文件中校准点的类型以及扫描图像的分辨率，生成矩形的结构元素并使用它对扫描图像进行灰度级形态学闭操作；
(b-3)对步骤(b-2)得到的图像进行二值化，二值化阈值为100，即灰度值大于100的像素点设为1，否则设为0；
(b-4)计算二值图像中各个连通域的位置并判断数量是否与答题卡描述文件中的校准点数量一致，如不一致则利用该类型校准点的宽高比以及面积去除干扰块；
(b-5)分别计算图像上方、下方校准点构成直线的斜率，若上下斜率差值过大，则认为发生褶皱并提示，否则取两者均值作为倾斜度数，对图像进行倾斜校正。
上述基于二值图像连通域统计的答题卡自动评分方法中，步骤(c)包括以下步骤：
(c-1)读取答题卡描述文件中关于水平方向校准点与竖直方向校准点的区域描述，并根据相对于校准点的位置裁剪出整个水平方向以及竖直方向区域；
(c-2)分别读取答题卡描述文件中水平方向、竖直方向校准点的类型以及扫描图像的分辨率，生成相对应的矩形结构元素并分别对水平校准点区域、竖直校准点区域进行灰度级形态学闭操作；
(c-3)对图像进行二值化操作，判断二值图像中连通域数量是否与答题卡描述文件中的校准点数量一致，如不一致则利用该类型校准点的宽高比以及面积去除干扰连通域。
上述基于二值图像连通域统计的答题卡自动评分方法中，步骤(d)使用步骤(c)得到的各个连通域的最小外接矩形，计算校准点边界，并根据答题卡描述文件，计算出各题中各个选项的在本图像中的绝对位置。
上述基于二值图像连通域统计的答题卡自动评分方法中，计算边界时加入了边界缓冲区，其上、下、左、右边界计算方法为：top=y-h×edge_rate，buttom=y+h×(1+edge_rate)，left=x-w×edge_rate，right=x+w×(1+edge_rate)，其中x、y、w、h、edge_rate分别表示连通域最小外接矩形的左上角横、纵坐标，矩形的宽、高以及边缘缓冲率，边缘缓冲率设为0.3。
上述基于二值图像连通域统计的答题卡自动评分方法中，步骤(d)包括以下步骤：
(e-1)根据步骤(d)得到的填涂点位置，将同一题的所有填涂点区域提取出来。
(e-2)对每一题区域计算自适应阈值并进行二值化
(e-3)根据步骤(c)中得到的校准点的大小计算填涂面积阈值：
threshold=s×0.15。
(e-4)对每个填涂点区域，若二值图像值为1的区域大于填涂面积阈值，则认为填涂，否则认为没有填涂。
上述基于二值图像连通域统计的答题卡自动评分方法中，步骤(e-2)中使用最大类间方差法计算自适应二值化阈值，类间方差法计算方法如下：g=ω0ω1(μ0-μ1)2，其中g为类间方差，ω0、ω1分别为灰度值小于、大于阈值T的像素点占整幅图像的比例，μ0、μ1分别为灰度值小于、大于阈值T的像素点的平均灰度；最大类间方差法阈值计算方法为分别计算T从0到255对应的类间方差法g的大小，取g最大的时候对应的T即为所求。
上述基于二值图像连通域统计的答题卡自动评分方法中，步骤(e-2)中，把自适应阈值计算结果用于区分未作答与扫描仪噪声，对于自适应二值化阈值大于230的情况，认为该题未作答。
本发明采用常用的扫描仪作为输入设备；识别答题卡中的校准点是识别答题卡的关键操作，本发明通过灰度级形态学闭操作的方式去除非校准点外的其他因素的影响；通过答题卡中的校准点的位置，对扫描图像进行精确的倾斜校正，并计算出各题选项在这张答题卡中的绝对位置；通过一定的数据格式将答题卡各题的选项的上、下、左、右边界记录下来，达到快速提取各题选项区域的目的；将同一道题的区域提取出来，计算出自适应二值化阈值并对该区域二值化，然后根据连通域面积对该题每个选项逐一识别是否填涂，最后输出结果。
与现有技术相比，本发明具有如下优点和技术效果：
相对于OMR（光学标记阅读机）技术本发明克服了设备专用、答题卡格式固定、答题卡制造成本高、纠错流程复杂、图像不能保存待查等缺点，并具有识别率及速度可随计算机软、硬件发展不断优化、提升，改卷结果可直接显示在扫描图像上，判卷透明性高，校对方便等特点。相对于其他基于图像处理的技术，本发明具有对答题卡扫描时的倾斜、移位、轻微褶皱不敏感的优点，用户不必再因为扫描时的轻微异常而重新扫描答题卡，大大减少了重复劳动。本发明采用自适应阈值的方法判断填涂与否，对于不同的填涂深浅均可有效检测，兼容单选、多选题，并能有效区分擦除不净、未作答及多选的情况；对扫描设备的宽容度高，能适应不同分辨率的扫描以及不同扫描仪带来的噪声。用户不用再担心因为扫描仪更换、扫描分辨率改变而更换新的识别技术。
附图说明
图1为实施方式中基于二值图像连通域统计的答题卡自动评分方法的流程图。
具体实施方式
以下结合附图对本发明的实施方式作进一步说明，但本发明的实施不限于此。
如图1，基于二值图像连通域统计的答题卡自动评分方法的主要流程包括以下步骤：
(a)从本地磁盘读入一个扫描得到的答题卡图像文件；
(b)对答题卡图像进行倾斜检测及精确校正。
(c)对步骤(b)中校正后的图像进行校准点检测及定位；
(d)根据步骤(c)中得到的校准点位置以及答题卡描述文件，计算每一个填涂点在本张图像中的绝对位置；
(e)根据步骤(d)得到的每个填涂点进行识别，判断其是否填涂。
步骤(a)允许用户通过文件选择窗口从本地硬盘选择多个图像文件或一个文件夹作为答题卡图像数据源，图像文件要求是jpg格式文件。
步骤(b)灰度级形态学闭操作去除与校准点无关的因素的影响，灰度级形态学闭操作是图像处理的常用操作，其主要原理是：将图像先进行灰度级腐蚀操作再进行灰度级膨胀操作。灰度级腐蚀操作将结构元素中心对应的图像像素点的灰度值设为结构元素覆盖的图像区域中所有像素中最小的灰度值，而灰度级膨胀操作将结构元素中心对应的图像像素点的灰度值设为结构元素覆盖的图像区域中所有像素中最大的灰度值。
步骤(b)包括以下步骤：
(b-1)将扫描得到的图像转化为灰度图像；
(b-2)读取答题卡描述文件中校准点的类型以及扫描图像的分辨率，生成矩形的结构元素并使用它对扫描图像进行灰度级形态学闭操作；
(b-3)对步骤(b-2)得到的图像进行二值化；
(b-4)计算二值图像中各个连通域的位置并判断数量是否与答题卡描述文件中的校准点数量一致，如不一致则利用该类型校准点的宽高比以及面积去除干扰块；
(b-5)分别计算图像上方、下方校准点构成直线的斜率，若上下斜率差值过大，则认为发生褶皱并提示，否则取两者均值作为倾斜度数，对图像进行倾斜校正；
步骤(c)灰度级形态学闭操作去除与校准点无关的因素的影响，其原理与步骤(b)中的一致。
步骤(c)包括以下步骤：
(c-1)读取答题卡描述文件中关于水平方向校准点与竖直方向校准点的区域描述，并根据相对于校准点的位置裁剪出整个水平方向以及竖直方向区域；
(c-2)分别读取答题卡描述文件中水平方向、竖直方向校准点的类型以及扫描图像的分辨率，生成相对应的矩形结构元素并分别对水平校准点区域、竖直校准点区域进行灰度级形态学闭操作；
(c-3)对图像进行二值化操作，判断二值图像中连通域数量是否与答题卡描述文件中的校准点数量一致，如不一致则利用该类型校准点的宽高比以及面积去除干扰连通域；
步骤(d)将步骤(c)所识别到的校准点用特定数据格式将校准点的边界存储下来。特定数据格式具体如表1所示。这里是通过记录校准点在答题卡图像数据中的位置，用以快速定位答题卡中各道题目的选项对应的位置。
表1保存校准点边界的数据格式
属性名 属性的意义 属性类型
type 用于区分水平、竖直方向的校准点 short
id 第几个校准点 unsigned int
left 校准点左边界 unsigned int
right 校准点右边界 unsigned int
top 校准点上边界 unsigned int
buttom 校准点下边界 unsigned int
步骤(e)采用最大类间方差法对每道题对应区域图像计算自适应二值化阈值，并二值化。最大类间方差法是一种自适应的阈值确定的方法，它是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。类间方差法计算方法如下：g=ω0ω1(μ0-μ1)2，其中g为类间方差，ω0、ω1分别为灰度值小于、大于阈值T的像素点占整幅图像的比例，μ0、μ1分别为灰度值小于、大于阈值T的像素点的平均灰度；最大类间方差法阈值计算方法为分别计算T从0到255对应的类间方差法g的大小，取g最大的时候对应的T即为所求。
步骤(e)包括以下步骤：
(e-1)根据步骤(d)得到的填涂点位置，将同一题的所有填涂点区域提取出来。
(e-2)对每一题区域计算自适应阈值并进行二值化
(e-3)根据步骤(c)中得到的校准点的大小计算填涂面积阈值：
threshold=s×0.15。
(e-4)对每个填涂点区域，若二值图像值为1的区域大于填涂面积阈值，则认为填涂，否则认为没有填涂。
步骤(e-4)中，对于自适应二值化阈值大于230的情况，认为该题未作答，以区分未作答与扫描仪噪声。其原理是：考生为作答时，理想图像中应该是纯白的，所有像素灰度值均为255，全为背景，没有前景，但实际扫描图像存在噪声，存在噪声不为255的点，使得最大类间方差法错误把噪声以为是前景。

Claims (8)

1.基于二值图像连通域统计的答题卡自动评分方法，其特征在于，包括以下步骤：
(a)从本地磁盘读入一个扫描得到的答题卡图像文件；
(b)对答题卡图像进行倾斜检测及校正；
(c)对步骤(b)中校正后的图像中的校准点进行检测及定位；
(d)根据步骤(c)中得到的校准点位置以及答题卡描述文件，计算每一个填涂点在本张图像中的绝对位置；
(e)根据步骤(d)得到的每个填涂点进行识别，判断其是否填涂。
2.根据权利要求1所述基于二值图像连通域统计的答题卡自动评分方法，其特征在于，步骤(b)包括以下步骤：
(b-1)将扫描得到的图像转化为灰度图像；
(b-2)读取答题卡描述文件中校准点的类型以及扫描图像的分辨率，生成矩形的结构元素并使用该结构元素对扫描图像进行灰度级形态学闭操作；
(b-3)对步骤(b-2)最后得到的图像进行二值化，二值化阈值为100，即灰度值大于100的像素点设为1，否则设为0；
(b-4)计算二值图像中各个连通域的位置并判断数量是否与答题卡描述文件中的校准点数量一致，如不一致则利用该类型校准点的宽高比以及面积去除干扰块；
(b-5)分别计算图像上方、下方校准点构成直线的斜率，若该两个斜率的差值大于0.2，则认为发生褶皱并提示，否则取两者均值作为倾斜度数，对图像进行倾斜校正。
3.根据权利要求1所述基于二值图像连通域统计的答题卡自动评分方法，其特征在于步骤（c）中，包括以下步骤：
(c-1)读取答题卡描述文件中关于水平方向校准点与竖直方向校准点的区域描述，并根据相对于校准点的位置裁剪出整个水平方向以及竖直方向的校准点组区域；
(c-2)分别读取答题卡描述文件中水平方向、竖直方向校准点的类型以及扫描图像的分辨率，生成相对应的矩形结构元素并分别对水平校准点区域、竖直校准点区域进行灰度级形态学闭操作；
(c-3)对图像进行二值化操作，其中，二值化阈值为100，并判断二值图像中连通域数量是否与答题卡描述文件中的校准点数量一致，如不一致则利用该类型校准点的宽高比以及面积去除干扰连通域。
4.根据权利要求3所述基于二值图像连通域统计的答题卡自动评分方法，其特征在于：步骤(d)中，使用步骤(c)最后得到的各个连通域的最小外接矩形，计算校准点边界，并根据答题卡描述文件，计算出各题中各个选项的在本图像中的绝对位置。
5.根据权利要求4所述基于二值图像连通域统计的答题卡自动评分方法，其特征在于：计算校准点边界时考虑到填涂偏差，加入了边界缓冲区，其上top、下buttom、左left、右right边界计算方法为：top=y-h×edge_rate，buttom=y+h×(1+edge_rate)，left=x-w×edge_rate，right=x+w×(1+edge_rate)，其中x、y、w、h、edge_rate分别表示连通域最小外接矩形的左上角横、纵坐标，矩形的宽、高以及边缘缓冲率，边缘缓冲率设为0.3。
6.根据权利要求1所述基于二值图像连通域统计的答题卡自动评分方法，其特征在于步骤(e)中包括以下步骤：
(e-1)根据步骤(d)得到的填涂点位置，将同一题的所有填涂点区域提取出来；
(e-2)对每一题区域计算自适应阈值并进行二值化；
(e-3)根据步骤(c)中得到的校准点的大小s计算填涂面积阈值threshold：threshold=s×0.15；
(e-4)对每个填涂点区域，若二值图像值为1的区域大于填涂面积阈值，则认为填涂，否则认为没有填涂。
7.根据权利要求6所述基于二值图像连通域统计的答题卡自动评分方法，其特征在于：使用最大类间方差法计算自适应二值化阈值，类间方差法计算方法如下：g=ω0ω1(μ0-μ1)2，其中g为类间方差，ω0、ω1分别为灰度值小于、大于阈值T的像素点占整幅图像的比例，μ0、μ1分别为灰度值小于、大于阈值T的像素点的平均灰度；最大类间方差法阈值计算方法为分别计算T从0到255对应的类间方差法g的大小，取g最大的时候对应的T即为所求。
8.根据权利要求7所述基于二值图像连通域统计的答题卡自动评分方法，其特征在于：考虑到扫描仪产生的噪声，对于自适应二值化阈值大于230的情况，认为该题未作答，有效区分未作答与扫描仪噪声。
CN201310473334.6A 2013-10-11 2013-10-11 基于二值图像连通域统计的答题卡自动评分方法 Active CN103559490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310473334.6A CN103559490B (zh) 2013-10-11 2013-10-11 基于二值图像连通域统计的答题卡自动评分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310473334.6A CN103559490B (zh) 2013-10-11 2013-10-11 基于二值图像连通域统计的答题卡自动评分方法

Publications (2)

Publication Number Publication Date
CN103559490A true CN103559490A (zh) 2014-02-05
CN103559490B CN103559490B (zh) 2017-01-04

Family

ID=50013731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310473334.6A Active CN103559490B (zh) 2013-10-11 2013-10-11 基于二值图像连通域统计的答题卡自动评分方法

Country Status (1)

Country Link
CN (1) CN103559490B (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134072A (zh) * 2014-07-04 2014-11-05 北京学信速达科技有限公司 一种答题卡识别方法
CN104268603A (zh) * 2014-09-16 2015-01-07 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
CN104331709A (zh) * 2014-11-11 2015-02-04 程涛 一种答题卡识别装置及其识别方法
CN104866847A (zh) * 2015-05-20 2015-08-26 李宇 一种快速的鲁棒答题卡识别方法
CN104881663A (zh) * 2015-05-13 2015-09-02 京北方信息技术股份有限公司 辨别复选框的选定结果的方法及装置
CN105005969A (zh) * 2015-06-18 2015-10-28 辰通智能设备(深圳)有限公司 一种票据图像涂改检测方法及系统
CN105989347A (zh) * 2015-02-28 2016-10-05 科大讯飞股份有限公司 客观题智能阅卷方法及系统
CN106023698A (zh) * 2016-07-29 2016-10-12 李铧 一种作业及练习册自动批阅方法
CN106529541A (zh) * 2016-09-08 2017-03-22 广东德诚网络科技有限公司 答题卡识别的方法及装置
CN106778750A (zh) * 2017-01-17 2017-05-31 深圳市海云天科技股份有限公司 一种答题卡识别点精确定位方法及系统
CN107169502A (zh) * 2017-03-22 2017-09-15 广东工业大学 一种基于决策树的选项识别方法
CN107679479A (zh) * 2017-09-27 2018-02-09 武汉颂大教育科技股份有限公司 一种基于图像形态学处理的客观填涂识别方法
CN108133167A (zh) * 2016-12-01 2018-06-08 北京新唐思创教育科技有限公司 一种选择与判断题目答案的自动判定方法及其装置
CN108537218A (zh) * 2018-04-12 2018-09-14 湖南诚壹文化产业有限公司 一种答题卡的识别处理方法及装置
CN109816847A (zh) * 2018-12-20 2019-05-28 深圳怡化电脑股份有限公司 一种判断手写字迹涂改的方法、装置及终端设备
CN109993126A (zh) * 2019-04-03 2019-07-09 腾讯科技（深圳）有限公司 文件信息确定方法、装置、设备及可读存储介质
CN110633767A (zh) * 2019-08-06 2019-12-31 安徽学云教育科技有限公司 一种网上阅卷异常筛查方法及系统
CN110889406A (zh) * 2019-12-10 2020-03-17 艾小本科技(武汉)有限公司 一种习题数据卡的信息采集方法、系统及终端
CN112528930A (zh) * 2020-12-22 2021-03-19 山东山大鸥玛软件股份有限公司 一种光学标记异常填涂识别方法、系统、终端及存储介质
CN112700413A (zh) * 2020-12-30 2021-04-23 广东德诚大数据科技有限公司 答题卡异常检测方法、装置、电子设备及存储介质
CN112700414A (zh) * 2020-12-30 2021-04-23 广东德诚大数据科技有限公司 一种用于考试阅卷的空白作答检测方法及系统
CN114565924A (zh) * 2022-02-09 2022-05-31 南京红松信息技术有限公司 一种基于像素提取的矩形标志位的检测方法
CN114565924B (zh) * 2022-02-09 2024-06-07 南京红松信息技术有限公司 一种基于像素提取的矩形标志位的检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100034484A1 (en) * 2008-08-09 2010-02-11 Keyence Corporation Pattern Model Positioning Method In Image Processing, Image Processing Apparatus, Image Processing Program, and Computer Readable Recording Medium
CN101901338A (zh) * 2010-07-09 2010-12-01 北京商纳科技有限公司 一种试卷分数统计方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100034484A1 (en) * 2008-08-09 2010-02-11 Keyence Corporation Pattern Model Positioning Method In Image Processing, Image Processing Apparatus, Image Processing Program, and Computer Readable Recording Medium
CN101901338A (zh) * 2010-07-09 2010-12-01 北京商纳科技有限公司 一种试卷分数统计方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周海涛等: "《基于数字图像处理的答题卡识别方法研究》", 《电脑知识与技术》, no. 20081, 31 October 2008 (2008-10-31), pages 197 - 199 *
阮少林: "《网上阅卷中信息提取与识别技术研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 201104, 15 April 2011 (2011-04-15) *

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134072A (zh) * 2014-07-04 2014-11-05 北京学信速达科技有限公司 一种答题卡识别方法
CN104268603B (zh) * 2014-09-16 2017-04-12 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
CN104268603A (zh) * 2014-09-16 2015-01-07 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
US10339428B2 (en) 2014-09-16 2019-07-02 Iflytek Co., Ltd. Intelligent scoring method and system for text objective question
KR101877693B1 (ko) * 2014-09-16 2018-07-12 아이플라이텍 캄파니 리미티드 문자성 객관식 문제에 이용되는 지능적 채점 방법 및 시스템
CN104331709A (zh) * 2014-11-11 2015-02-04 程涛 一种答题卡识别装置及其识别方法
CN105989347B (zh) * 2015-02-28 2019-11-15 科大讯飞股份有限公司 客观题智能阅卷方法及系统
CN105989347A (zh) * 2015-02-28 2016-10-05 科大讯飞股份有限公司 客观题智能阅卷方法及系统
CN104881663B (zh) * 2015-05-13 2018-10-26 京北方信息技术股份有限公司 辨别复选框的选定结果的方法及装置
CN104881663A (zh) * 2015-05-13 2015-09-02 京北方信息技术股份有限公司 辨别复选框的选定结果的方法及装置
CN104866847B (zh) * 2015-05-20 2018-03-16 李宇 一种快速的鲁棒答题卡识别方法
CN104866847A (zh) * 2015-05-20 2015-08-26 李宇 一种快速的鲁棒答题卡识别方法
CN105005969A (zh) * 2015-06-18 2015-10-28 辰通智能设备(深圳)有限公司 一种票据图像涂改检测方法及系统
CN105005969B (zh) * 2015-06-18 2018-04-17 深圳辰通智能股份有限公司 一种票据图像涂改检测方法及系统
CN106023698A (zh) * 2016-07-29 2016-10-12 李铧 一种作业及练习册自动批阅方法
CN106529541A (zh) * 2016-09-08 2017-03-22 广东德诚网络科技有限公司 答题卡识别的方法及装置
CN108133167A (zh) * 2016-12-01 2018-06-08 北京新唐思创教育科技有限公司 一种选择与判断题目答案的自动判定方法及其装置
CN108133167B (zh) * 2016-12-01 2021-02-05 北京新唐思创教育科技有限公司 一种选择与填空题目答案的自动判定方法及其装置
CN106778750B (zh) * 2017-01-17 2020-02-04 深圳市海云天科技股份有限公司 一种答题卡识别点精确定位方法及系统
CN106778750A (zh) * 2017-01-17 2017-05-31 深圳市海云天科技股份有限公司 一种答题卡识别点精确定位方法及系统
CN107169502A (zh) * 2017-03-22 2017-09-15 广东工业大学 一种基于决策树的选项识别方法
CN107679479A (zh) * 2017-09-27 2018-02-09 武汉颂大教育科技股份有限公司 一种基于图像形态学处理的客观填涂识别方法
CN108537218A (zh) * 2018-04-12 2018-09-14 湖南诚壹文化产业有限公司 一种答题卡的识别处理方法及装置
CN108537218B (zh) * 2018-04-12 2022-04-05 湖南诚壹文化产业有限公司 一种答题卡的识别处理方法及装置
CN109816847A (zh) * 2018-12-20 2019-05-28 深圳怡化电脑股份有限公司 一种判断手写字迹涂改的方法、装置及终端设备
CN109816847B (zh) * 2018-12-20 2021-01-01 深圳怡化电脑股份有限公司 一种判断手写字迹涂改的方法、装置及终端设备
CN109993126A (zh) * 2019-04-03 2019-07-09 腾讯科技（深圳）有限公司 文件信息确定方法、装置、设备及可读存储介质
CN109993126B (zh) * 2019-04-03 2023-10-24 腾讯科技（深圳）有限公司 文件信息确定方法、装置、设备及可读存储介质
CN110633767A (zh) * 2019-08-06 2019-12-31 安徽学云教育科技有限公司 一种网上阅卷异常筛查方法及系统
CN110889406B (zh) * 2019-12-10 2023-09-26 艾小本科技(武汉)有限公司 一种习题数据卡的信息采集方法、系统及终端
CN110889406A (zh) * 2019-12-10 2020-03-17 艾小本科技(武汉)有限公司 一种习题数据卡的信息采集方法、系统及终端
CN112528930A (zh) * 2020-12-22 2021-03-19 山东山大鸥玛软件股份有限公司 一种光学标记异常填涂识别方法、系统、终端及存储介质
CN112528930B (zh) * 2020-12-22 2022-10-14 山东山大鸥玛软件股份有限公司 一种光学标记异常填涂识别方法、系统、终端及存储介质
CN112700413A (zh) * 2020-12-30 2021-04-23 广东德诚大数据科技有限公司 答题卡异常检测方法、装置、电子设备及存储介质
CN112700414A (zh) * 2020-12-30 2021-04-23 广东德诚大数据科技有限公司 一种用于考试阅卷的空白作答检测方法及系统
CN112700413B (zh) * 2020-12-30 2022-12-09 广东德诚大数据科技有限公司 答题卡异常检测方法、装置、电子设备及存储介质
CN114565924A (zh) * 2022-02-09 2022-05-31 南京红松信息技术有限公司 一种基于像素提取的矩形标志位的检测方法
CN114565924B (zh) * 2022-02-09 2024-06-07 南京红松信息技术有限公司 一种基于像素提取的矩形标志位的检测方法

Also Published As

Publication number Publication date
CN103559490B (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
CN103559490B (zh) 基于二值图像连通域统计的答题卡自动评分方法
CN104239850B (zh) 基于图像综合特征的答题卡填涂信息自动识别方法
CN103310211B (zh) 一种基于图像处理的填注标记识别方法
CN104143094A (zh) 一种无需答题卡的试卷自动阅卷处理方法及系统
JP4771804B2 (ja) レイアウト解析プログラム、レイアウト解析装置、レイアウト解析方法
CN105654072A (zh) 一种低分辨率医疗票据图像的文字自动提取和识别系统与方法
CN106033535B (zh) 电子阅卷方法
CN103034848B (zh) 一种表单类型的识别方法
CN202939608U (zh) 阅卷系统
CN109460762B (zh) 一种基于图像识别的答题卡评分方法
CN102081742B (zh) 一种书写能力的自动评价方法
CN109784342A (zh) 一种基于深度学习模型的ocr识别方法及终端
CN110135225B (zh) 样本标注方法及计算机存储介质
CN106778717A (zh) 一种基于图像识别和k近邻的测评表识别方法
CN110458014A (zh) 答题卡识读方法、装置和计算机可读存储介质
CN106033534B (zh) 基于直线检测的电子阅卷方法
CN108491787A (zh) 一种用于财务报表的日期检测与识别方法及装置
CN107798301A (zh) 一种用于车辆年检的签名检测系统及方法
CN106203397A (zh) 基于图像中表格分析技术的表格鉴别和定位方法
CN104992173A (zh) 用于医学报告单的符号识别方法及系统
CN104077562B (zh) 一种答卷的扫描方向判断方法
Karunanayake OMR sheet evaluation by web camera using template matching approach
CN104408403A (zh) 一种二次录入不一致的仲裁方法及装置
CN113569677A (zh) 一种基于扫描件的纸质试验报告生成方法
Sattayakawee Test scoring for non-optical grid answer sheet based on projection profile method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: DENG ZHENYU

Free format text: FORMER OWNER: SOUTH CHINA UNIVERSITY OF TECHNOLOGY

Effective date: 20150114

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 511458 GUANGZHOU, GUANGDONG PROVINCE TO: 130000 CHANGCHUN, JILIN PROVINCE

TA01 Transfer of patent application right

Effective date of registration: 20150114

Address after: 130000 Xi'an Road, Changchun, Jilin, No. 1819, No.

Applicant after: Deng Zhenyu

Address before: 511458 Guangdong city of Guangzhou province Nansha District City Ring South Road No. 25 Hua University Guangzhou Research Institute

Applicant before: South China University of Technology

C14 Grant of patent or utility model
GR01 Patent grant