CN103745104A - 一种基于增强现实技术的评卷方法 - Google Patents

Abstract

本发明公开了一种基于增强现实技术的评卷方法，该方法的步骤流程包括前期准备工作，核心图像处理工作，分数统计阶段，分数增强显示阶段等，前期准备工作包括答题卡的设计，试卷标准答案录入，答题卡信息获取等，核心图像处理工作包括图像几何校正，答题卡有效区域定位，答题卡有效区域特征元素的检测和提取以及将结果写入xml文件，分数统计阶段主要是统计答题卡所获分数，分数显示阶段主要结合增强现实技术将分数显示出来，供使用者记录等。本发明方法不仅使用装置简便，容易操作，而且能识别出正确选择、错误选择、多选及漏选等多种情况,准确率较高,检测识别速度较快，极大方便了用户，具有很好的研究价值和实用价值。

Description

一种基于增强现实技术的评卷方法

技术领域

本发明涉及评卷阅卷技术领域，具体涉及一种基于增强现实技术的评卷方法。

背景技术

随着Google发布Android操作系统以来，Android呈现出突飞猛进的发展势头。如今，来自互联网数据中心(IDC)的最新统计数据显示，2013年第一季度，Android操作系统全球市场占有率位居第一，占有率达到75%以上，安装Android系统的新智能手机数量跃升至1.621亿部。而且据有关人士分析，Android的这种发展状态将机会继续保持下去。现在Android系统的移动终端如雨后春笋般涌现，包括手机、平板等。这些移动终端的特点是携带方便，硬件支持强大，加上现在丰富的软件系统，将会为人们的工作和生活提供很大的便利和乐趣。

机器视觉就是用机器代替人眼来做测量和判断。如今，中国正成为世界机器视觉发展最活跃的地区之一，应用范围涵盖了工业、农业、医药、军事、航天、气象、天文、公安、交通、安全、科研等国民经济的各个行业。其重要原因是中国已经成为全球制造业的加工中心，高要求的零部件加工及其相应的先进生产线，使许多具有国际先进水平的机器视觉系统和应用经验也进入了中国。经历过长期的蛰伏，2010年我国机器视觉市场迎来了爆发式增长。据《2013-2017年中国机器视觉产业发展前景与投资预测分析报告》[1]数据显示当年，我国机器视觉市场规模达到8.3亿元，同比增长48.2%，其中智能相机、软件、光源和板卡的增长幅度都达到了50%，工业相机和镜头也保持了40%以上的增幅，皆为2007年以来的最高水平。因此机器视觉的应用也相当成熟了。

增强现实技术（Augmented Reality Technique，简称AR），是在虚拟现实基础上发展起来的新技术，是通过计算机系统提供的信息增加用户对现实世界感知的技术，并将计算机生成的虚拟物体、场景或系统提示信息叠加到真实场景中，从而实现对现实的“增强”。传统的增强现实技术越来越越不能够满足人们的需求。随着移动终端的大力发展，移动增强现实的应用也在不断的发展，也产出大量的产品，如商业应用,游戏等等，尤其是基于Android和IOS操作系统的增强现实技术的应用。

机读卡是一种简单的光学字符识别（OCR）技术，也是一种很好的机器视觉的应用实例，它常用于标准化考试、选举和调查，这种技术由于速度快而且准确，因此现在得到了普遍的应用，但是其对于个人使用不切实际，所以本发明的设计旨在方便老师个人评阅试卷。

发明内容

本发明针对现有技术的不足，提供一种在Android移动终端上使用增强现实技术来实现评阅试卷的一种方法，该方法将评阅试卷的理念移植到移动终端，并且将增强现实技术与试卷评阅相结合，为老师个人评阅试卷带来了极大地方便。

本发明的技术方案为：一种基于增强现实技术的评卷方法，该方法包括以下步骤：    

S1：设计答题卡；

S2：录入标准答案，并将答案按指定规则写入xml文件中，再将该标准答案xml文件存入移动终端上指定位置；

S3：获取答题卡信息，拍摄包含全部答题卡区域的图像，即通过移动终端上的摄像头进行图像的获取；

S4：对拍摄图像进行处理，获取答案信息； 

S5：将S4中获取的答案按指定规则写入xml文件中，保存在移动终端存储卡中指定位置；

S6：寻找匹配特征元素，特征元素就是标准答案和学生的试卷答案，读取S2中录入的标准答案xml文件与S5中获取的xml文件并进行匹配，从而计算出成绩；

S7：处理异常情况；

S8：利用增强现实技术，将上述步骤计算得出的分数显示在移动终端屏幕中，或者写入txt文件存储在指定位置，方便使用者统计；

 S9：统计和分析试验结果。

进一步地，S1中设计的答题卡包括以下几个部分：学生信息部分，包括学生姓名，学号，分数，这一部分内容是不需要被识别的，供使用者统计成绩所用；有效作答区域，包括题目选项区域，特征元素提取对这个区域进行处理；图像识别区域，包括题目选项区域，特征元素提取对这个区域进行处理。

进一步地，S4中对拍摄图像进行处理的流程包括以下几个步骤：

S41：几何校正，几何校正包括提取轮廓，解析轮廓，畸变校正；

S42：切边，提取答题卡的有效区域；

S43：图像增强；

S44：特征元素的检测和提取，采用遍历算法统计每题答案。

本发明的有益效果在于：本发明首次将评阅试卷的理念移植到移动终端，并且首次将增强现实技术与试卷评阅相结合，本发明为老师个人评阅试卷带来了极大地方便，老师只需要在手机上安装一个APP，就能高效快捷准确地评阅试卷。

附图说明

附图1为设计的答题卡。

附图2为未经过几何校正的图像。

附图3为图像处理相关流程图。

附图4为Radon变换定义示意图。

附图5为提取有效区域之后的图像。

附图6为计算每题答案选项的流程图。

具体实施方式

下面结合附图对本发明做进一步的描述，但本发明的实施方式并不限于此。

传统的答题卡为机读卡，不适用于手持设备应用的情况。本实施例为了达到快速高效以及精确的识别和计算性能，专门设计了一种答题卡，如图1所示，本实施例所设计的答题卡，该答题卡主要包含三个部分：

第一，学生信息部分，包含学生姓名，学号，分数等，这一部分内容是不需要被识别的，主要供使用者统计成绩所用；

第二，有效作答区域，这部分主要包含了题目选项区域，特征元素提取主要对这个区域进行相关处理；

第三，图像识别区域，这部分主要是一个黑色的边框，为了快速准确地定位到有效作答区域；

只有使用指定的答题卡，再结合本实施例中的算法，才能快速高效精确地完成需要的功能。

      对于有效答题区域和图像识别区域称为有效区域，这个区域也分为三个部分，边框，题号和选择项。设定边框厚度为10像素，题号和选择项的宽度为25像素，选项之间的间隔为5像素，每行之间的间隔以及第一行与内边框的间距相同，均为12像素。

录入标准答案，主要是通过前期手动录入。在使用基于本实施例开发的移动app之前，会提醒使用者录入标准答案，确认之后会自动生成一个xml文件，保存在手机存储卡中指定位置。对于不同的试卷，只需要录入答案就可以再次使用，同时可以删除指定的xml文件，节省资源空间。另外，为了方便统计答案结果，本实施例使用的xml为自定义的。

答题卡信息的获取，首先寻找适当位置，通过移动终端摄像头拍摄场景，确保答题卡的有效区域全部包含在所拍摄的图像中，否则后续的处理将得不到正确的结果，拍摄结果如图2所示。

对图像进行相关处理。操作步骤如图3所示，其中最关键的步骤包括图像几何校正，图像有效区域提取以及答案选项的统计计算。

图像几何校正，在S3拍摄图像时，由于成像系统本身的非线性特征以及拍摄角度的问题，会使获得的图像产生几何失真，即原本矩形的答题卡在图像中却是不规则图形，如图2所示，这样将不能获取正确的答案统计结果，因此首先对图像进行几何校正，主要包含以下三个步骤。

第一，提取有效区域轮廓，拍摄的时候，将答题卡放到成像区域中央或者中央附近，采用Otsu算法将答题卡和背景分离开，Otsu算法又称为最大类间方差法，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。

利用Otsu算法可以将答题卡与背景分离开来，分割之后的结果是一幅二值图。对分割结果使用形态学填充操作，可以得到新的二值图。在新的二值图，答题卡的图像变成黑色边框的任意四边形，而背景则变成白色，被分离开来。对于这样的二值图，本文考虑用形态学边界提取的方法，提取黑色边框四边形的边界直线。边界提取的算法公式如下：

其中，

是二值图的边界二值图，

是腐蚀算子，

是一个适当的结构元素。

处理过程：建立一个3×3、像素值全为1的结构元素

。用结构原色

对上面获得的二值图进行腐蚀，得到一幅新的二值图。假定原来的二值图为

，新的二值图为

。两幅图相减，

，就可以得到原图的边界轮廓二值图。

第二， 解析轮廓，提取轮廓之后的二值图上，四边形的4条边界直线是黑色的，边界之外的区域是白色的，即不需要的背景区域，利用Radon变换检测直线的特点，可以将4条边界直线的方程解析出来。

Radon变换可在任意维空间定义，下面给出在二维空间的定义式：

式中，

为整个图像

平面；

为在图像点

的灰度．

为坐标原点到直线的距离，

为距离与

轴的夹角，

为Dirac delta函数，它使

沿直线

进行积分，如图4所示。

Radon变换可以理解为图像在

空间的投影，

空间的每一点对应图像空间一条直线，而Radon变换是图像像素点在每条直线上的积分，也可理解为图像顺时针旋转

角度后在水平轴上的投影，因此图像中每条直线会在

空间形成一个亮点，直线的检测转化为在

变换域对亮点的检测。

因此边缘轮廓图中的4条直线分别对应变换域Radon变换图中4个亮点，坐标

可从图中读出，每个亮点表示一条直线，由已知

，根据公式（3）

可以将4条直线的数学方程解析出来，利用每两条直线方程联立获得的方程组，将4个顶点的坐标求出来，这4个顶点被称为输人点。

第三，畸变校正，本实施例采用畸变校正矩阵对几何畸变图像进行校正。求解畸变校正矩阵之前，首先要求出校正之后4个顶点的坐标，答题卡校正之后变成矩形，为了尽可能还原答题卡，因此校正之后的矩形的纵横比已知，设为

，根据矩形4个顶点之间的几何关系和纵横比，以及校正之前4个顶点的坐标，很容易就可以将校正之后4个顶点的坐标求出来。假设校正之前4个顶点的坐标为，

，

，

，校正之后4个顶点坐标为

，

，

，

，其中，校正之前4个顶点我们称之为输入点，校正之后4个顶点我们称之为基准点，令畸变校正矩阵为

，如下式（4）所示

引入中间参数

，

，

利用投影关系和坐标转换公式，可以得到下面的方程：

只要带入输入点和基准点的坐标，通过上面的公式可以求出

，也就得出畸变校正矩阵

。利用畸变校正矩阵

就可以对原图像进行校正了，校正之后的图像中，答题卡区域变为矩形，并且保持原来的纵横比。

答题卡有效区域的提取，几何校正之后，图像中除了答题卡之外，还包含一些不需要的背景信息，见附图6。而这些信息会对我们处理的效率和结果产生影响，所以需要将这些不需要的背景信息去除。主要采用的措施是进行切边，提取答题卡的有效区域。由于前面已经确定了校正之后四个顶点的坐标，而且这四个点的区域为一个矩形，因此由这四个顶点可以确定有效区域，最后的效果图如图5示。

图像增强，提取答题卡有效区域之后，对图像进行图像增强，目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要，本实施例中采用直方图均衡化进行图像增强，主要包含三个步骤：对校正之后的图像统计其直方图；对统计出的直方图采用累积分布函数做变换，求出变换之后的新灰度值；用新灰度值代替旧灰度值。

经过处理之后，原来比较少像素的灰度被分配到别的灰度去，像素相对集中，灰度范围变大，对比度变大，清晰度变大，有效地增强了图像。

特征元素的检测和提取，图像增强之后，进行特征元素的检测和提取。将图像灰度化之后，图像灰度值保存在二维数组

中，

表示像素坐标值。     由于S1中已经设计了答题卡，因此对与答题卡区域的数据都比较清楚。各模块之间的间距是已知的，且长宽相等，所以很容易就能定位到任何一题的选项。采用遍历算法，例如外边框左上角坐标为（0,0），内边框左上角像素坐标为（10,10），每题计算选项包含25*10像素点。第一题的A选项左上角位置为（40,22），右下角位置坐标为（65,32），同一题中四个选项间距相等，为5像素，以此类推，可得出其他三个选项位置。计算每个选项的的平均灰度值， 

，通过公式（5）计算得出该选项块的平均灰度值。

式中

为选项区域内每个像素点的灰度值，是这个区域内总像素值。为了提高方法的效率，将

转化为整型。经过试验得出一组数据可知，完全填涂区域的平均灰度值即

的区间范围大概是0到33，而未填涂区域的范围大概是246到255。因此根据计算的

就能判断该选项是否被填涂。按照同样的原理，可以得出其他各题的选择答案。总体计算流程如图6所示。

获取的答案按指定规则写入xml文件中，此规则如同S2中。

异常情况的处理，本实施例中考虑到的异常情况有两种：一是四个选项都没有填涂；二是填涂了多个选项，本实施例试验的情况是针对单选进行的。这两种情况的结果显示是错误的，所以遇到这种情况，在写入xml文件时，将该题的答案的对应值设为0。

标准答案的匹配，由于前面的步骤已经获取了相关的xml文件，这一步其实就分别读取xml文件并对对应项目的值进行比对，同时要考虑异常情况下的值，因为正常情况下，一定会有一个标准答案，所以标准答案xml文件标签的值是没有0的，所以只需判断两个文件对应位置的值是否相同就可以。如果相同，表示这题回答正确，则链表A对应项设为1，否则记为0。统计数组中A的个数就能计算出最后答对的题数n。关于分数的统计方法，如果每题的分数都是一样的，记为p，则最终分数为np。但是如果不一样呢？比如前10题是4分，后面20题是5分，则计算链表A中前10项中1的个数n1，这样就能计算总成绩为4*n1+5*(n-n1)。

结合增强现实技术显示计算得出的试卷分数，增强现实技术，它将计算机生成的虚拟物体或关于真实物体的非几何信息叠加到真实世界的场景之上，实现了对真实世界的增强。本实施例中，就是将计算得出的分数作为真实物体（答题卡）的非几何信息叠加到拍摄的场景中，让使用者很容易知道，并统计到txt文件中，使用者同样可以将分数信息填写到当前答题卡学生信息区域的成绩一栏中，这样就完成这个试卷的评阅工作了，对于老师个人来说，是非常高效和精确的一个体验。

实验结果的统计和评估，最后使用对本应用进行多次试验，发现本实施例中的方法能够准确的识别计算出答题卡的分数，正确率达到95%以上。

以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (3)

1.一种基于增强现实技术的评卷方法，其特征在于该方法包括以下步骤： 

S1：设计答题卡；

S2：录入标准答案，并将答案写入xml文件中，再将该标准答案xml文件存入移动终端上指定位置；

S3：获取答题卡信息，拍摄包含全部答题卡区域的图像，即通过移动终端上的摄像头进行图像的获取；

S4：对拍摄图像进行处理，获取答案信息； 

S5：将S4中获取的答案写入xml文件中，保存在移动终端存储卡中指定位置；

S6：寻找匹配特征元素，特征元素是标准答案和学生的试卷答案，读取S2中录入的标准答案xml文件与S5中获取的xml文件并进行匹配，从而计算出成绩；

S7：处理异常情况；

S8：利用增强现实技术，将上述步骤计算得出的分数作两种处理方式：显示在移动终端屏幕中；写入txt文件存储在指定位置，方便使用者统计；

S9：统计和分析试验结果。

2.如权利要求1所述的方法，其特征在于：S1中设计的答题卡包括以下几个部分：学生信息部分，包括学生姓名，学号，分数，这一部分内容是不需要被识别的，供使用者统计成绩所用；有效作答区域，包括题目选项区域，特征元素提取对这个区域进行处理；图像识别区域，包括题目选项区域，特征元素提取对这个区域进行处理。

3.如权利要求1所述的方法，其特征在于：S4中对拍摄图像进行处理的流程包括以下几个步骤：

S41：几何校正，几何校正包括提取轮廓，解析轮廓，畸变校正；

 S42：切边，提取答题卡的有效区域；

S43：图像增强；

S44：特征元素的检测和提取，采用遍历算法统计每题答案。

Images