CN105488512A - 基于Sift特征匹配和形状上下文的试卷阅卷方法 - Google Patents

Abstract

本发明提供一种基于Sift特征匹配和形状上下文的试卷阅卷方法，包括：输入两张图片，包括未作答试卷和已作答试卷；分别对图片进行Sift特征匹配；计算旋转角平均差值，对已作答试卷的图片依照旋转角平均差值旋转；对旋转后的已作答试卷的图片，与未旋转的已作答试卷的图片惊醒Sift特征匹配，获取两幅图像的特征点；对获得的特征点，获取特征点在x轴方向的差值和y轴方向的差值，根据产值对旋转后的已作答试卷图片进行平移；平移后的图片和未作答试卷图片相减获取两张图片的不同区域；在上述不同区域中获得答案区域；计算形状上下文特征；对形状上下文特征，根据手写字母训练集，分别提取像素特征，根据邻近算法得到识别出来的类别。

Description

基于Sift特征匹配和形状上下文的试卷阅卷方法

技术领域

本发明涉及图像识别及图像处理技术，特别是一种基于Sift特征匹配和形状上下文的试卷阅卷方法。

背景技术

随着手机，数码摄像机等数字成像设备普及和大储存设备价格的下降。大量的图片信息来到我们的身边。人眼看到的信息都可以通过这些设备记录。图像处理和识别的技术就应用而生。本发明就是图像处理和图像识别在日常生活中提出来的，为了减轻老师的阅卷负担，根据相关技术，发明一种基于Sift特征匹配和形状上下文的试卷阅卷系统。相关技术包括了图像的二值化、膨胀与腐蚀和轮廓追踪和图像sift特征匹配和形状上下文特征匹配等方法。

发明内容

本发明的目的在于提供一种基于Sift特征匹配和形状上下文的试卷阅卷方法。该方法包括：

步骤1，输入两张图片，包括未作答试卷和已作答试卷；

步骤2，分别对图片进行Sift特征匹配，其中，统计匹配的特征点集合为M{m₁,m₂,...m_i,...}，两幅图像的特征点分别为K₁{k₁₁,k₁₂,...}，K₂{k₂₁,k₂₂,...}；

步骤3，选取两个不同的匹配特征点，计算旋转角平均差值，对已作答试卷的图片依照旋转角平均差值旋转；

步骤4，对旋转后的已作答试卷的图片，与未旋转的已作答试卷的图片惊醒Sift特征匹配，获取两幅图像的特征点；

步骤5，对步骤4获得的特征点，获取特征点在x轴方向的差值和y轴方向的差值，根据产值对旋转后的已作答试卷图片进行平移；

步骤6，平移后的图片和未作答试卷图片相减获取两张图片的不同区域；

步骤7，在上述不同区域中获得答案区域；

步骤8，计算形状上下文特征；

步骤9，对形状上下文特征，根据手写字母训练集，分别提取像素特征，根据邻近算法得到识别出来的类别。

本发明与现有技术相比，具有以下优点：本系统就是根据上述相关的技术再结合日常需求，设计了自动阅卷系统。目的是减少老师的工作量，使图像识别和图像处理技术应用到实际之中。

下面结合说明书附图对本发明做进一步描述。

附图说明

图1是本发明基于sift特征匹配和形状上下文的试卷阅卷系统流程图。

图2是基于sift特征匹配和形状上下文的试卷阅卷系统中计算旋转角度示意图。

图3是说明sift特征匹配具有很好的可行性。图中的圆圈表示sift特征值，直线表示特征点匹配的结果。

图4是基于sift特征匹配和形状上下文的试卷阅卷系统的效果实例图。其中图4(a)、(d)表示输入的未作答的试卷，图4(b)、(e)表示画出答案区域的效果图。图4(c)、(f)表示最后检测出的结果。

具体实施方式

一种基于Sift特征匹配和形状上下文的试卷阅卷方法，包括以下步骤：

步骤1，输入两张图片。这两张图片包括未作答试卷和已作答的试卷，其中已经作答的试卷不能乱涂乱画，要在相应区域作答。

步骤2，特征匹配。为了减少计算量，将两张图片调整为450*800,然后对两张图片进行sift特征匹配。统计匹配的特征点集合为M{m₁,m₂,...m_i,...}，两幅图像的特征点分别为K₁{k₁₁,k₁₂,...}，K₂{k₂₁,k₂₂,...}。

步骤3，计算旋转角。从集合M中选取m_i、m_j，i≠j。分别计算角

α_i＝arctan(K¹[mⁱ(y)]-K¹[m^j(y)]/K₁[m_i(x)]-K₁[m_j(x)])

α_j＝arctan(K²[mⁱ(y)]-K²[m^j(y)]/K₂[m_i(x)]-K₂[m_j(x)])

其中K₁[m_i(x)]、K₁[m_i(y)]、K₁[m_j(x)]、K₁[m_j(y)]、K₂[m_i(x)]、K₂[m_i(y)]、K₂[m_j(x)]、K₂[m_j(y)]分别为两幅图片匹配的特征点的纵横坐标，p为集合M中选取不同两个匹配特征点索引值。α_i、α_j分别为两张图片的匹配特征点的梯度方向，取遍集合M的所以组合(α_i，α_j)最后计算旋转角平均差值所述K为集合M的所有两个元素组合数，k为集合M的所有两个元素组合的索引值。

步骤4，得到两张图的不同区域。

4.1)根据β值，对作答图片进行旋转，旋转之后再与原图进行进行Sift特征匹配，重复步骤三得到两张图片的匹配点。

4.2)分别计算匹配点x轴方向的差值，和y轴方向的差值，根据差值进行平移。最后将旋转和平移好的图与未作答的图进行相减，得到两张图的不同区域。

步骤5，获得答案区域。把相减得到图片，进行二值化和腐蚀与膨胀，最后根据轮廓追踪得到相应的答案区域。

步骤6，计算形状上下文特征。假设两张图片为SrcI和DstP，SrcI为未作答图片，DstP为已作答图片，通过边缘检测和轮廓追踪算法分别得到两张图片的特征点集合P{p₁,p₂,...,p_n}，Q{q₁,q₂,...,q_n}。对于集合P中的每个特征点p_i，需要在集合Q中找到与其匹配的代价最小的特征点q_j，假设j＝r(i)。那么计算两个图像形状之间的相似问题可以转化成，求解其中i、j＝r(i)，r(i)表示p_i特征点在集合Q中找到与其匹配的代价最小的特征点q_j的映射关系。其中两个特征点的代价通过汉明距离表示。为了方便计算，计算特征点的形状直方图。

6.1)将整个平面空间从方向上平均划出12个方向，同时在半径上均匀的划分3份，整个平面被划分为36个区域，然后统计其他特征点落在每个区域的个数。

6.2)两点的匹配代价cost值可以记作C_ij＝C(p_i,q_j)，则 $C_{ij}=\frac{1}{2}\underset{k=1}{\overset{n}{\Σ}}\frac{{\[h_i\left(k\right)-h_j\left(k\right)\]}^2}{h_i\left(k\right)+h_j\left(k\right)}.$ 则整个形状代价为 $H\left(\mathrm{\π}\right)=\underset{i}{\Σ}C(p_i,q_{\mathrm{\π}\left(i\right)}),$ 其中q_π(i)表示p_i在Q集合中找到的最小代价特征点，n表示Q集合的元素个数。找到一个对应关系，需要进一步用一个变换T来衡量形状之间的转变，所以，最后的形状距离可以用估计的变换来表示：

$D_{sc}(P,Q)\frac{1}{n}\underset{p\∈P}{\Σ}\underset{p\∈P}{\arg \min }\underset{q\∈Q}{C}(p,T(q\left)\right)+\frac{1}{m}\underset{q\∈Q}{\Σ}\underset{q\∈Q}{\arg \min }\underset{p\∈P}{C}(p,T(q\left)\right).$ 其中D_sc(P,Q)表示两个形状之间的代价，T(.)表示TPS形状变换，m、n表示P、Q集合元素个数，p、q表示P、Q集合的元素，最后根据最优匹配算法得到最优解，例如匈牙利算法。

步骤7，根据形状上下文特征，通过网上的手写字母训练集，分别提取它们的像素特征，然后通过距离计算得到knn，通过knn来得到识别出来的类别。

Claims (4)

1.一种基于Sift特征匹配和形状上下文的试卷阅卷方法，其特征在于，包括：

步骤1，输入两张图片，包括未作答试卷和已作答试卷；

步骤2，分别对图片进行Sift特征匹配，其中，统计匹配的特征点集合为M{m₁,m₂,...m_i,...}，两幅图像的特征点分别为K₁{k₁₁,k₁₂,...}，K₂{k₂₁,k₂₂,...}；

步骤3，选取两个不同的匹配特征点，计算旋转角平均差值，对已作答试卷的图片依照旋转角平均差值旋转；

步骤4，对旋转后的已作答试卷的图片，与未旋转的已作答试卷的图片惊醒Sift特征匹配，获取两幅图像的特征点；

步骤5，对步骤4获得的特征点，获取特征点在x轴方向的差值和y轴方向的差值，根据产值对旋转后的已作答试卷图片进行平移；

步骤6，平移后的图片和未作答试卷图片相减获取两张图片的不同区域；

步骤7，在上述不同区域中获得答案区域；

步骤8，计算形状上下文特征；

步骤9，对形状上下文特征，根据手写字母训练集，分别提取像素特征，根据邻近算法得到识别出来的类别。

2.根据权利要求1所述的方法，其特征在于，步骤3包括：

步骤3.1，遍历集合M，选取不同任意选取集合M中的元素m_i、m_j，i≠j；

步骤3.2，分别计算两张图片上的匹配特征点的梯度方向α_i、α_j，其中

α_i＝arctan(K₁[m_i(y)]-K₁[m_j(y)]/K₁[m_i(x)]-K₁[m_j(x)])

α_j＝arctan(K₂[m_i(y)]-K₂[m_j(y)]/K₂[m_i(x)]-K₂[m_j(x)])

其中，K₁[m_i(x)]、K₁[m_i(y)]、K₁[m_j(x)]、K₁[m_j(y)]、K₂[m_i(x)]、K₂[m_i(y)]、K₂[m_j(x)]、K₂[m_j(y)]分别为两幅图片匹配的特征点的纵横坐标，p为集合M中选取不同两个匹配特征点索引值；

步骤3.3，重复执行步骤3.1和3.2，获取集合M的所有两个元素组合的梯度方向；

步骤3.4，计算旋转角平均差值所述K为集合M的所有两个元素组合数，k为集合M的所有两个元素组合的索引值。

3.根据权利要求1所述的方法，其特征在于，步骤8包括：

步骤8.1，通过边缘检测和轮廓追踪算法分别得到步骤7得到的未作答和已作答的两张图片的特征点集合P{p₁,p₂,...,p_n}，Q{q₁,q₂,...,q_n}；

步骤8.2，对于集合P中的每个特征点p_ii∈[1,n]，在集合Q中找到与其匹配的代价最小的特征点q_jj∈[1,n]；

步骤8.3，将整个平面空间从方向上平均划出12个方向，同时在半径上均匀的划分3份，整个平面被划分为36个区域，统计特征点落在每个区域的个数；

步骤8.4，计算特征点p_i与匹配的代价最小的特征点q_j两点的匹配代价cost值其中h_i(.)为未作答图片中特征点p_i的形状直方图，h_j(.)为已作答图片中特征点q_j的形状直方图；

步骤8.5，采用TPS形状变换获取形状距离

$D_{sc}\left(P,Q\right)\frac{1}{n}\underset{p\∈P}{\Σ}\arg \min \underset{q\∈Q}{C}\left(p,T\left(q\right)\right)+\frac{1}{m}\underset{q\∈Q}{\Σ}\arg \min \underset{p\∈P}{C}\left(p,T\left(q\right)\right)$

其中D_sc(P,Q)表示两个形状之间的代价，T(.)表示TPS形状变换，m、n表示P、Q集合元素个数，p、q表示P、Q集合的元素；

步骤8.6，根据最优匹配算法得到最优解。

4.根据权利要求3所述的方法，其特征在于，步骤8.6的最有匹配算法为匈牙利算法。