CN104239850A - 基于图像综合特征的答题卡填涂信息自动识别方法 - Google Patents

基于图像综合特征的答题卡填涂信息自动识别方法 Download PDF

Info

Publication number
CN104239850A
CN104239850A CN201410338618.9A CN201410338618A CN104239850A CN 104239850 A CN104239850 A CN 104239850A CN 201410338618 A CN201410338618 A CN 201410338618A CN 104239850 A CN104239850 A CN 104239850A
Authority
CN
China
Prior art keywords
image
filling
full
threshold
option
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
CN201410338618.9A
Other languages
English (en)
Other versions
CN104239850B (zh
Inventor
黄翰
刘志方
郝志峰
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.)
South China University of Technology SCUT
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 CN201410338618.9A priority Critical patent/CN104239850B/zh
Publication of CN104239850A publication Critical patent/CN104239850A/zh
Application granted granted Critical
Publication of CN104239850B publication Critical patent/CN104239850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供基于图像综合特征的答题卡填涂信息自动识别方法。首先获取一道选择题区域图像数据，对其进行形态学处理，然后再进行自适应阈值的二值化，接再对二值化图像进行轮廓检测与异常轮廓判断，接着利用原始图像、形态学处理后图像与二值图像计算相关评价指标，然后利用所计算出来的评价指标和全局一致性阈值进行填涂结果判断，最后返回识别结果并更新全局一致性阈值。本发明能兼容不同纸张的答题卡，也能兼容滤红卡、选项区域有半框、全框或者字母等类型的答题卡，且具有很快的识别速度和较高的鲁棒性。

Description

基于图像综合特征的答题卡填涂信息自动识别方法
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，具体涉及答题卡填涂信息自动识别方法。
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
本发明针对目前答题卡识别技术的不足，提供了基于图像综合特征的答题卡填涂信息自动识别方法。本发明的目的在于克服现有现有识别算法兼容性较差和识别效率较低的问题，提供一种能兼容不同纸张的答题卡，也能兼容滤红卡、选项区域有半框、全框或者字母等类型的答题卡，且具有很快的识别速度和较高的鲁棒性的方法，具体技术方案如下。
基于图像综合特征的答题卡填涂信息自动识别方法，包括以下步骤：
(a)从答题卡图像中依次获取一道选择题区域灰度图像；
(b)对步骤(a)获取的灰度图像进行形态学闭操作；
(c)对步骤(b)处理后所得的灰度图像进行自适应阈值二值化操作，并得到二值化阈值thresh；
(d)对步骤(c)得到的二值化图像进行轮廓检测，并判断是否存在异常轮廓；
(e)将步骤(a)所得灰度图像反相得到图像A，将步骤(c)得到的二值化图像反相得图像B，将步骤(b)得到的灰度图像反相并与图像B相与得图像C，将图像A与图像B相与得到图像D，然后利用图像A、B、C和D计算相应的评价指标；
(f)利用步骤(e)计算出的评价指标得出填涂结果；
(g)输出填涂结果，更新全局一致性填涂阈值(globalGrayThresh)；
(h)获取下一道选择题的图像，重复步骤(b)-(g)，直到完成所有选择题的识别。
上述基于图像综合特征的答题卡填涂信息自动识别方法中，步骤(d)中判断异常轮廓的方法为：依次对查找到的轮廓取外接矩形，判断是否存在外接矩形的宽度大于步骤(a)所得图像宽度的二分之一，同时外接矩形的高度小于步骤(a)所得图像高度的四分之一，若存在则为异常轮廓，将该轮廓删除，即将该轮廓内像素全部置255。
上述基于图像综合特征的答题卡填涂信息自动识别方法中，步骤(e)中所需计算的评价指标包括方差(imgDev)、选项灰度和(qsGraySum)、选项填涂块面积(qsArea)和选项平均灰度(qsAvgGray)，其计算过程包括以下步骤：
(e-1)将步骤(a)所得灰度图像反相得到图像A，将步骤(c)得到的二值化图像反相得图像B，将步骤(b)得到的灰度图像反相并与图像B相与得图像C，将图像A与图像B相与得到图像D；
(e-2)若题目选项数量为N，依次获取步骤(e-1)中得到的图像B、C和D对应每个选项的图像Bi、Ci和Di，i＝1,2…N；
(e-3)利用A、Bi、Ci和Di依次计算每个选项的各个评价指标imgDev、qsGraySum、qsArea和qsAvgGray，其计算方法如下：perQstArea＝ＡW*AH/N，imgDev＝∑i，j(A(i，j)-∑k，lA(k，l)/(AW*AH))2/(AW*AH)，其中AW为图像A的宽度，AH为图像A的高度；选项灰度 其中Ci(j,k)为图像Ci对应像素点的像素值；选项填涂块面积其中Bi(j,k)为图像Bi对应像素点的像素值；选项平均灰度 qsAvgG ray i = Σ j , k D i ( j , k ) / qs Area i , 其中Di(j,k)为图像Di对应像素点的像素值。
上述基于图像综合特征的答题卡填涂信息自动识别方法中，步骤(f)中，包括以下步骤：
(f-1)若步骤(c)所得二值化阈值thresh大于bwThresh则转到步骤(f-2)，否则转到步骤(f-3),其中bwThresh为可调阈值；
(f-2)利用步骤(e)所计算的评价指标判断该选择题是否为空白填涂，即考生没有进行填涂，其判断方法如下：若满足以下两个条件的任意一个则为空白填涂：
(1)imgDev<devThresh；
(2)imgDev<2*devThresh且MAX(qsArea)>perQstArea*0.7；
其中MAX(qsArea)为qsArea中的最大值，devThresh为可调阈值。
(f-3)计算判断填涂结果所需的阈值threshold_filled和threshold_gray，其计算方法如下：
threshold_filled＝MAX{perQstArea*fillThresh,MAX(qsGraySum)*sensibilityThresh},其中MAX(qsGraySum)为qsGraySum中的最大值，MAX{，}为取两个值中的最大值，fillThresh和sensibilityThresh为可调阈值；threshold_gray＝MAX{globalGrayThresh,MAX(qsAvgGray)*grayThresh},其中MAX(qsAvgGray)为qsAvgGray中的最大值，MAX{，}为取两个值中的最大值，grayThresh为可调阈值。
(f-4)利用步骤(e)所计算的评价指标与步骤(f-3)计算的阈值进行填涂结果判断，其判断方法为：依次遍历每个选项，若满足qsGraySumi>threshold_filled且qsAvgGrayi>threshold_gray则该选项考生有填涂。
(f-5)返回识别结果。
上述基于图像综合特征的答题卡填涂信息自动识别方法中，步骤(g)中更新全局一致性填涂阈值globalGrayThresh的方法为若在步骤(f)中该选项识别为填涂，则新的全局一致性填涂阈值为该选项平均灰度值与原先全局一致性填涂阈值的平均值，即globalGrayThreshnew＝(globalGrayThreshold+qsAvgGrayi)/2，其中globalGrayThreshold为更新前的全局一致性阈值，globalGrayThreshnew为新的全局一致性阈值，qsAvgGrayi为该选项的平均灰度，如果有多个选项有填涂，则只需计算一次即可。
本发明首先获取一道选择题区域图像数据，对其进行形态学处理，然后再进行自适应阈值的二值化，接再对二值化图像进行轮廓检测与异常轮廓判断，接着利用原始图像、形态学处理后图像与二值图像计算相关评价指标，然后利用所计算出来的评价指标和全局一致性阈值进行填涂结果判断，最后返回识别结果并更新全局一致性阈值。
与现有技术相比，本发明具有如下优点和技术效果：
本发明能兼容不同纸张的答题卡，也能兼容滤红卡、选项区域有半框、全框或者字母等类型的答题卡，且具有很快的识别速度和较高的鲁棒性。
附图说明
图1为实施方式中基于图像综合特征的答题卡填涂信息自动识别方法的流程图。
图2为实施方式中利用评价指标进行填涂结果判断的流程图。
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，基于图像综合特征的答题卡填涂信息自动识别方法的主要流程包括以下步骤：
(a)从答题卡图像中依次获取一道选择题区域灰度图像；
(b)对步骤(a)获取的灰度图像进行形态学闭操作；
(c)对步骤(b)处理后所得的灰度图像进行自适应阈值二值化操作，并得到二值化阈值thresh；
(d)对步骤(c)得到的二值化图像进行轮廓检测，并判断是否存在异常轮廓；
(e)将步骤(a)所得灰度图像反相得到图像A，将步骤(c)得到的二值化图像反相得图像B，将步骤(b)得到的灰度图像反相并与图像B相与得图像C，将图像A与图像B相与得到图像D，然后利用图像A、B、C和D计算相应的评价指标；
(f)利用步骤(e)计算出的评价指标得出填涂结果；
(g)输出填涂结果，更新全局一致性填涂阈值(globalGrayThresh)；
(h)获取下一道选择题的图像，重复步骤(b)-(g)，直到完成所有选择题的识别。
步骤(b)中进行形态学操作的模板的大小可根据选项区域进行适当调整，如果选项区域内为封闭矩形框或者区域内含有字母，则可适当调大形态学模板。
步骤(d)中判断异常轮廓的方法为：依次对查找到的轮廓取外接矩形，判断是否存在外接矩形的宽度大于步骤(a)所得图像宽度的二分之一，同时外接矩形的高度小于步骤(a)所得图像高度的四分之一，若存在则为异常轮廓，将该轮廓删除，即将该轮廓内像素全部置255。
步骤(e)中所需计算的评价指标包括方差(imgDev)、选项灰度和(qsGraySum)、选项填涂块面积(qsArea)和选项平均灰度(qsAvgGray)，其计算过程包括以下步骤：
(e-1)将步骤(a)所得灰度图像反相得到图像A，将步骤(c)得到的二值化图像反相得图像B，将步骤(b)得到的灰度图像反相并与图像B相与得图像C，将图像A与图像B相与得到图像D；
(e-2)若题目选项数量为N，依次获取步骤(e-1)中得到的图像B、C和D对应每个选项的图像Bi、Ci和Di，i＝1,2…N；
(e-3)利用A、Bi、Ci和Di依次计算每个选项的各个评价指标imgDev、qsGraySum、qsArea和qsAvgGray，其计算方法如下：perQstArea＝AW*AH/N，imgDev＝∑i，j(A(i，j)-∑k，lA(k，l)/(AW*AH))2/(AW*AH)，其中AW为图像A的宽度，AH为图像A的高度；选项灰度 其中Ci(j,k)为图像Ci对应像素点的像素值；选项填涂块面积其中Bi(j,k)为图像Bi对应像素点的像素值；选项平均灰度 qsAvgG ray i = &Sigma; j , k D i ( j , k ) / qs Area i , 其中Di(j,k)为图像Di对应像素点的像素值。
步骤(f)包括以下步骤：
(f-1)若步骤(c)所得二值化阈值thresh大于bwThresh则转到步骤(f-2)，否则转到步骤(f-3),其中bwThresh为可调阈值，一般设为235即可；
(f-2)利用步骤(e)所计算的评价指标判断该选择题是否为空白填涂，即考生没有进行填涂，其判断方法如下：若满足以下两个条件的任意一个则为空白填涂：
(1)imgDev<devThresh；
(2)imgDev<2*devThresh且MAX(qsArea)>perQstArea*0.7；
其中MAX(qsArea)为qsArea中的最大值，devThresh为可调阈值，一般设为12即可。
(f-3)计算判断填涂结果所需的阈值threshold_filled和threshold_gray，其计算方法如下：
threshold_filled＝MAX{perQstArea*fillThresh,MAX(qsGraySum)*sensibilityThresh},其中MAX(qsGraySum)为qsGraySum中的最大值，MAX{，}为取两个值中的最大值，fillThresh和sensibilityThresh为可调阈值；一般fillThresh设为10即可，fillThresh针对不同的纸张可做适当调整，一般背景较深时可适当调大该阈值，sensibilityThresh一般应针对单项选择题与多项选择题区别对待，对单选题设为0.9即可，多项选择题设为0.6即可；
threshold_gray＝MAX{globalGrayThresh,MAX(qsAvgGray)*grayThresh},其中MAX(qsAvgGray)为qsAvgGray中的最大值，MAX{，}为取两个值中的最大值，grayThresh为可调阈值一般设为0.8即可。
(f-4)利用步骤(e)所计算的评价指标与步骤(f-3)计算的阈值进行填涂结果判断，其判断方法为：依次遍历每个选项，若满足qsGraySumi>threshold_filled且qsAvgGrayi>threshold_gray则该选项考生有填涂。
(f-5)返回识别结果。
步骤(g)中更新全局一致性填涂阈值globalGrayThresh的方法为若在步骤(f)中该选项识别为填涂，则新的全局一致性填涂阈值为该选项平均灰度值与原先全局一致性填涂阈值的平均值，即globalGrayThreshnew＝(globalGrayThreshold+qsAvgGrayi)/2，其中globalGrayThreshold为更新前的全局一致性阈值，globalGrayThreshnew为新的全局一致性阈值，qsAvgGrayi为该选项的平均灰度，如果有多个选项有填涂，则只需计算一次即可。

Claims (5)

1.基于图像综合特征的答题卡填涂信息自动识别方法，其特征在于，包括以下步骤：
(a)从答题卡图像中依次获取一道选择题区域灰度图像；
(b)对步骤(a)获取的图像进行形态学闭操作；
(c)对步骤(b)处理后所得的灰度图像进行自适应阈值二值化操作，并得到二值化阈值thresh；
(d)对步骤(c)得到的二值化图像进行轮廓检测，并判断是否存在异常轮廓；
(e)将步骤(a)所得灰度图像反相得到图像A，将步骤(c)得到的二值化图像反相得图像B，将步骤(b)得到的灰度图像反相并与图像B相与得图像C，将图像A与图像B相与得到图像D，然后利用图像A、B、C和D计算相应的评价指标；
(f)利用步骤(e)计算出的评价指标得出填涂结果；
(g)输出填涂结果，更新全局一致性填涂阈值globalGrayThresh；
(h)获取下一道选择题的图像，重复步骤(b)-(g)，直到完成所有选择题的识别。
2.根据权利要求1所述基于图像综合特征的答题卡填涂信息自动识别方法，其特征在于，步骤(d)中判断异常轮廓的方法为：依次对查找到的轮廓取外接矩形，判断是否存在外接矩形的宽度大于步骤(a)所得图像宽度的二分之一，同时外接矩形的高度小于步骤(a)所得图像高度的四分之一，若存在则为异常轮廓，将该轮廓删除，即将该轮廓内像素全部置255。
3.根据权利要求1所述基于图像综合特征的答题卡填涂信息自动识别方法，其特征在于：步骤(e)中所需计算的评价指标包括方差imgDev、选项灰度qsGraySum、选项填涂块面积qsArea和选项平均灰度qsAvgGray，其计算过程包括以下步骤：
(e-1)将步骤(a)所得灰度图像反相得到图像A，将步骤(c)得到的二值化图像反相得图像B，将步骤(b)得到的灰度图像反相并与图像B相与得图像C，将图像A与图像B相与得到图像D；
(e-2)若题目的选项数量为N，依次获取步骤(e-1)中得到的图像B、C和D对应每个选项的图像Bi、Ci和Di，i＝1,2…N；
(e-3)利用A、Bi、Ci和Di依次计算每个选项的各个评价指标imgDev、qsGraySum、qsArea和qsAvgGray，其计算方法如下：perQstArea＝AW*AH/N，imgDev＝∑i，j(A(i，j)-∑k，lA(k，l)/(AW*AH))2/(AW*AH)，其中AW为图像A的宽度，AH为图像A的高度；选项灰度 其中Ci(j,k)为图像Ci对应像素点的像素值；选项填涂块面积其中Bi(j,k)为图像Bi对应像素点的像素值；选项平均灰度 qsAvgG ray i = &Sigma; j , k D i ( j , k ) / qs Area i , 其中Di(j,k)为图像Di对应像素点的像素值。
4.根据权利要求1所述基于图像综合特征的答题卡填涂信息自动识别方法，其特征在于：步骤(f)包括以下步骤：
(f-1)若步骤(c)所得二值化阈值thresh大于bwThresh则转到步骤(f-2)，否则转到步骤(f-3),其中bwThresh为可调阈值；
(f-2)利用步骤(e)所计算的评价指标判断该选择题是否为空白填涂，即考生没有进行填涂，其判断方法如下：若满足以下两个条件的任意一个则为空白填涂：
(1)imgDev<devThresh；
(2)imgDev<2*devThresh且MAX(qsArea)>perQstArea*0.7；
其中MAX(qsArea)为qsArea中的最大值，devThresh为可调阈值；
(f-3)计算判断填涂结果所需的阈值threshold_filled和threshold_gray，其计算方法如下：
threshold_filled＝MAX{perQstArea*fillThresh,MAX(qsGraySum)*sensibilityThresh},其中MAX表示取最大值，fillThresh和sensibilityThresh为可调阈值；
threshold_gray＝MAX{globalGrayThresh,MAX(qsAvgGray)*grayThresh},其中MAX(qsAvgGray)为qsAvgGray中的最大值，MAX{，}为取两个值中的最大值，grayThresh为可调阈值；
(f-4)利用步骤(e)所计算的评价指标与步骤(f-3)计算的阈值进行填涂结果判断，其判断方法为：依次遍历每个选项，若满足qsGraySumi>threshold_filled且qsAvgGrayi>threshold_gray则该选项考生有填涂；
(f-5)返回识别结果。
5.根据权利要求1所述基于图像综合特征的答题卡填涂信息自动识别方法，其特征在于步骤(g)中更新全局一致性填涂阈值globalGrayThresh的方法为：若在步骤(f)中该选项识别为填涂，则新的全局一致性填涂阈值为该选项平均灰度值与原先全局一致性填涂阈值的平均值，即globalGrayThreshnew＝(globalGrayThreshold+qsAvgGrayi)/2，其中globalGrayThreshold为更新前的全局一致性阈值，globalGrayThreshnew为新的全局一致性阈值，qsAvgGrayi为该选项的平均灰度，如果有多个选项有填涂，则只需计算一次即可。
CN201410338618.9A 2014-07-16 2014-07-16 基于图像综合特征的答题卡填涂信息自动识别方法 Active CN104239850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410338618.9A CN104239850B (zh) 2014-07-16 2014-07-16 基于图像综合特征的答题卡填涂信息自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410338618.9A CN104239850B (zh) 2014-07-16 2014-07-16 基于图像综合特征的答题卡填涂信息自动识别方法

Publications (2)

Publication Number Publication Date
CN104239850A true CN104239850A (zh) 2014-12-24
CN104239850B CN104239850B (zh) 2017-12-01

Family

ID=52227876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410338618.9A Active CN104239850B (zh) 2014-07-16 2014-07-16 基于图像综合特征的答题卡填涂信息自动识别方法

Country Status (1)

Country Link
CN (1) CN104239850B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105426844A (zh) * 2015-11-20 2016-03-23 广州未名中智教育科技有限公司 一种答题卡识别方法
CN105760869A (zh) * 2016-02-29 2016-07-13 武汉颂大教育科技股份有限公司 一种基于图像灰度识别及处理的阅卷方法
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
CN106599887A (zh) * 2016-11-16 2017-04-26 东莞优闪电子科技有限公司 试卷答题区域识别及试题评阅方法、系统
CN107633201A (zh) * 2017-08-07 2018-01-26 湖南诚壹文化产业有限公司 一种答题卡智能识别方法和系统
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
CN106529518B (zh) * 2016-09-08 2018-12-14 广东德诚科教有限公司 一种答题卡识别的方法及装置
CN109711284A (zh) * 2018-12-11 2019-05-03 江苏博墨教育科技有限公司 一种考试答题卡系统智能识别分析方法
CN110555375A (zh) * 2019-07-24 2019-12-10 武汉天喻教育科技有限公司 答题卡填涂信息的识别方法
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
CN112818765A (zh) * 2021-01-18 2021-05-18 中科院成都信息技术股份有限公司 一种图像填涂识别方法、装置、系统、以及存储介质
WO2023173557A1 (zh) * 2022-03-15 2023-09-21 平安科技（深圳）有限公司 图像处理方法、装置、电子设备及存储介质
CN116958510A (zh) * 2022-04-19 2023-10-27 广州镭晨智能装备科技有限公司 一种目标检测框获取方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005032003A (ja) * 2003-07-14 2005-02-03 Hitachi Information Systems Ltd マークシート認識結果の確認修正システムならびに確認修正方法
JP2007316560A (ja) * 2006-05-29 2007-12-06 Nts:Kk 教育用個人特定媒体
CN102663379A (zh) * 2012-03-22 2012-09-12 留越 一种基于图像识别的阅卷方法及系统
CN103246873A (zh) * 2013-04-28 2013-08-14 北京贞观雨科技有限公司 一种采集答题卡的答题信息的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005032003A (ja) * 2003-07-14 2005-02-03 Hitachi Information Systems Ltd マークシート認識結果の確認修正システムならびに確認修正方法
JP2007316560A (ja) * 2006-05-29 2007-12-06 Nts:Kk 教育用個人特定媒体
CN102663379A (zh) * 2012-03-22 2012-09-12 留越 一种基于图像识别的阅卷方法及系统
CN103246873A (zh) * 2013-04-28 2013-08-14 北京贞观雨科技有限公司 一种采集答题卡的答题信息的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张香让等: "击中/击不中变换在标准答题卡分割中的应用", 《计算机应用》 *
杨青燕等: "基于灰度图像的答题卡识别技术", 《山东科技大学学报》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
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
CN105426844A (zh) * 2015-11-20 2016-03-23 广州未名中智教育科技有限公司 一种答题卡识别方法
CN105426844B (zh) * 2015-11-20 2018-09-18 广州未名中智教育科技有限公司 一种答题卡识别方法
CN105760869A (zh) * 2016-02-29 2016-07-13 武汉颂大教育科技股份有限公司 一种基于图像灰度识别及处理的阅卷方法
CN105760869B (zh) * 2016-02-29 2019-12-31 武汉颂大教育科技股份有限公司 一种基于图像灰度识别及处理的阅卷方法
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
CN106529518B (zh) * 2016-09-08 2018-12-14 广东德诚科教有限公司 一种答题卡识别的方法及装置
CN106599887A (zh) * 2016-11-16 2017-04-26 东莞优闪电子科技有限公司 试卷答题区域识别及试题评阅方法、系统
CN106599887B (zh) * 2016-11-16 2019-10-18 广东墨痕教育科技有限公司 试卷答题区域识别及试题评阅方法、系统
CN107633201A (zh) * 2017-08-07 2018-01-26 湖南诚壹文化产业有限公司 一种答题卡智能识别方法和系统
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
CN109711284A (zh) * 2018-12-11 2019-05-03 江苏博墨教育科技有限公司 一种考试答题卡系统智能识别分析方法
CN110555375A (zh) * 2019-07-24 2019-12-10 武汉天喻教育科技有限公司 答题卡填涂信息的识别方法
CN110555375B (zh) * 2019-07-24 2022-09-23 武汉天喻教育科技有限公司 答题卡填涂信息的识别方法
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
CN112818765A (zh) * 2021-01-18 2021-05-18 中科院成都信息技术股份有限公司 一种图像填涂识别方法、装置、系统、以及存储介质
CN112818765B (zh) * 2021-01-18 2023-09-19 中科院成都信息技术股份有限公司 一种图像填涂识别方法、装置、系统、以及存储介质
WO2023173557A1 (zh) * 2022-03-15 2023-09-21 平安科技（深圳）有限公司 图像处理方法、装置、电子设备及存储介质
CN116958510A (zh) * 2022-04-19 2023-10-27 广州镭晨智能装备科技有限公司 一种目标检测框获取方法、装置、设备及存储介质
CN116958510B (zh) * 2022-04-19 2024-05-28 广州镭晨智能装备科技有限公司 一种目标检测框获取方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN104239850B (zh) 2017-12-01

Similar Documents

Publication Publication Date Title
CN104239850B (zh) 基于图像综合特征的答题卡填涂信息自动识别方法
CN108764074B (zh) 基于深度学习的主观题智能阅卷方法、系统及存储介质
CN111079747B (zh) 铁路货车转向架侧架断裂故障图像识别方法
CN103559490A (zh) 基于二值图像连通域统计的答题卡自动评分方法
US10438096B2 (en) Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring
CN103310211B (zh) 一种基于图像处理的填注标记识别方法
CN106033535B (zh) 电子阅卷方法
CN103034848B (zh) 一种表单类型的识别方法
CN111597908A (zh) 试卷批改方法和试卷批改装置
CN104143094A (zh) 一种无需答题卡的试卷自动阅卷处理方法及系统
CN104392432A (zh) 基于方向梯度直方图的显示面板缺陷检测方法
CN106529532A (zh) 一种基于积分特征通道与灰度投影的车牌识别系统
CN107886047A (zh) 一种车辆年检检验报告的检测系统及方法
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN110689013A (zh) 一种基于特征识别的自动阅卷方法及系统
CN106446882A (zh) 一种基于8字码的智能留痕阅卷方法
CN109784342A (zh) 一种基于深度学习模型的ocr识别方法及终端
CN102081742B (zh) 一种书写能力的自动评价方法
CN106778703A (zh) 电子阅卷的方法和装置
CN104268134A (zh) 一种主客观分类器构建方法和系统
CN106033534B (zh) 基于直线检测的电子阅卷方法
CN107798301A (zh) 一种用于车辆年检的签名检测系统及方法
CN113159014A (zh) 基于手写题号的客观题批阅方法、装置、设备及存储介质
CN103426004A (zh) 基于纠错输出编码的车型识别方法
CN115082776A (zh) 一种基于图像识别的电能表自动检测系统及方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant