CN106650608A - 一种无定位点试卷中矩形定位框的识别方法 - Google Patents
一种无定位点试卷中矩形定位框的识别方法 Download PDFInfo
- Publication number
- CN106650608A CN106650608A CN201610938847.3A CN201610938847A CN106650608A CN 106650608 A CN106650608 A CN 106650608A CN 201610938847 A CN201610938847 A CN 201610938847A CN 106650608 A CN106650608 A CN 106650608A
- Authority
- CN
- China
- Prior art keywords
- line segment
- rectangle
- line
- paper
- error
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种无定位点试卷中待处理试卷的矩形定位框识别方法,能够准确定位到矩形框,相对于以前的方法,矩形识别一般用寻找矩形轮廓和寻找直线交点,第一种方法在矩形多处断裂或有线段粘连在矩形框上时便会出错,鲁棒性不高;第二种方法会受到直线识别的干扰,并且在识别出多条线段的情况下难以判断,而本发明中的方法,对霍夫变换检测的线段进行预处理,并加入了权值计算,能够很好地解决矩形断裂、像素干扰、多条线段的问题,准确对矩形进行定位识别。
Description
技术领域
本发明涉及图像识别定位领域,特别涉及一种基于霍夫变换的无定位点试卷矩形定位框的识别方法。
背景技术
随着社会教育制度的完善和考试制度的日益规范,考试的类型和方式也不断增多,但传统的纸质考试仍然是目前考试的主流。目前的自动阅卷系统主要有光标阅读机和基于图像处理的阅卷系统。而答题试卷大致分为两种,一种是有点位点的,一种是无定位点的;对于当前无定位点的试卷,定位的方法主要是通过题号和选择题填涂区域的识别共同确定试卷的定位点,这种方法需要成熟,精准的识别库,商业成本较高;本发明提出了一种基于霍夫变换的矩形识别算法,能够较准确识别出试卷中的矩形框,对抗试卷矩形断裂、模糊、倾斜等多种情况,鲁棒性较好。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种准确、稳定的无定位点试卷矩形框识别方法。
一种无定位点试卷中待处理试卷的矩形定位框识别方法,包含以下步骤:
1)读入试卷,进行二值化、纠偏处理;
2)读取模板记录的矩形区域信息,运用“最大轮廓寻找”方法得到区域的最大轮廓,用最小的矩形对轮廓进行拟合;
3)判断拟合出来的矩形大小与记录的矩形大小是否一致,方法是设定一个误差范围,分别比较两个矩形的长度和高度的误差是否在设定范围内;若在设定范围内,则该拟合出来的矩形即是需要识别的矩形;若不在设定范围内,则进行步骤4);
4)运用霍夫变换检测出区域信息的线段,并对检测出的线段作预处理,包括分类、合并;
5)对预处理后的线段进行加权排序;计算得到每条线段的权值后,根据权值从大到小对线段进行排序;
6)将权值位于前三位的线段提取出来,其余舍弃;
7)从上下左右四个方向各取出一条线段进行拟合,拟合的方法是:求出上线段与左线段的交点Point1,下线段和右线段的交点Point2,拟合得到的矩形长度为:Point2.x-Point1.x;高度为:Point2.y-Point1.y;
8)比较模板中记录的矩形长高,若误差均在设定范围之内,则认为识别成功,返回拟合矩形的坐标和长高,该拟合出来的矩形即是需要识别的矩形;若长度或高度的误差其中有一个超过设定范围,则进行下一步;
9)上方线段集合中取出下一条候选线段,再次进行拟合;
10)当上方线段集合全部测试完毕并且没有找到合适的矩形时,将该方向的线段索引重置,并按照“上、左、下、右”的顺序将更改线段的权限移至下一个方向;
11)四个方向上的所有线段集合全部测试拟合完毕后,若均没找到合适的矩形则输出“矩形未找到”。
进一步的,线段权值包括线段位置误差权值和线段长度误差权值;
线段位置误差权值计算公式为:
位置误差权值=0.8^abs(当前线段序号-记录线段序号);
线段长度误差权值计算公式为:
长度误差权值=(线段长度-最小线段长度)/(最大线段长度-最小线段长度)。
一种无定位点试卷中空白模板试卷的选择矩形方法,包含以下步骤:
1)通过扫描得到的原始试卷图像进行二值化处理;
2)对其进行纠偏处理;
3)得到纠正后的图像后,用“寻找最大轮廓”法找出试卷上面积最大的三个矩形,并记录其位置;
4)对矩形进行一次“矩形直线重叠判定”,确保最大轮廓寻找出来矩形的与直线拟合出来的矩形大小一致。
进一步的,纠偏处理具体为寻找出图像中面积最大的轮廓,然后用一个最小的矩形将轮廓围住,计算矩形的角度,得出试卷的倾斜角度,再对试卷纠偏。
进一步的,“矩形直线重叠判定”方法如下:
1)确定矩形框的像素宽,一般3~6个像素,根据经验设置为5;
2)从定位区域由上至下横向扫描图像,向下依次扫描5个像素点,若其中有黑色像素点,则停止扫描,并将该行的总像素SumPix加1;
3)当扫描完一行之后,比较SumPix与定位区域宽的大小,若SumPix大于定位区域宽的80%,则认为该行有可能是矩形的边长,并停止扫描;否则,则将该行像素全部置零;
4)依次从上、下、左、右四个方向对图像进行清除操作,滤去尽可能多的噪声;
5)对经过清除处理后的矩形区域图像运用霍夫变换函数进行直线检测,得到该区域的线段信息;
6)对检测出来的线段进行二次处理;
7)记录四个方向上矩形线段的序号信息。
进一步的,所述二次处理步骤如下:
1)将线段分成四类,一是垂直左边的线段,二是垂直右边的线段,三是水平上方的线段,四是水平底部的线段,分类方法:根据线段坐标计算线段的角度,再比较线段坐标与区域中心的大小关系,得出线段的分类;
2)合并线段:从分类后的线段中取出两条线段,计算他们在各自方向上的距离,垂直的线段距离是y轴坐标的相减的绝对值,水平的线段距离是x轴坐标的相减的绝对值,比较距离是否在5个像素内,若是则将两条直线合并,合并的方法是取两条直线各自端点的坐标;
3)将合并后的线段排序,因为要记录矩形边框线段在所有识别出的线段的索引序号,因此需要对不同位置的线段需要作不同的排序:
顶部线段:根据y轴大小排序;
底部线段:根据寻找区域底部位置距离大小排序;
左侧线段:根据x轴大小排序;
右侧线段:根据寻找区域右侧位置距离大小排序。
本发明相对于现有技术具有如下的优点及效果:能够准确定位到矩形框,相对于以前的方法,矩形识别一般用寻找矩形轮廓和寻找直线交点,第一种方法在矩形多处断裂或有线段粘连在矩形框上时便会出错,鲁棒性不高;第二种方法会受到直线识别的干扰,并且在识别出多条线段的情况下难以判断,而本发明中的方法,对霍夫变换检测的线段进行预处理,并加入了权值计算,能够很好地解决矩形断裂、像素干扰、多条线段的问题,准确对矩形进行定位识别。
附图说明
图1为霍夫变化公式图形表示图;
图2是空白模板试卷上的选择矩形流程图;
图3是测试样本试卷上寻找矩形的流程图。
具体实施方式
以下结合附图对本发明进行详细说明:
本发明是基于霍夫变换的,霍夫变换是图像变换中的经典手段之一,主要用来从图像中分离出具有某种相同特征的几何形状(如,直线,圆等)。霍夫变换寻找直线与圆的方法相比与其它方法可以更好的减少噪声干扰。经典的霍夫变换常用来检测直线,圆,椭圆等。
霍夫变换检测直线算法思想:
每个像素坐标点经过变换都变成都直线特质有贡献的统一度量,一个简单的例子如下:一条直线在图像中是一系列离散点的集合,通过一个直线的离散极坐标公式,可以表达出直线的离散点几何等式如下:
X*cos(theta)+y*sin(theta)=r;
其中角度theta指r与X轴之间的夹角,r为到直线几何垂直距离。任何在直线上点,x,y都可以表达,其中r,theta是常量。该公式图形表示如图1所示。
然而在实现的图像处理领域,图像的像素坐标P(x,y)是已知的,而r,theta则是我们要寻找的变量。如果我们能绘制每个(r,theta)值根据像素点坐标P(x,y)值的话,那么就从图像笛卡尔坐标系统转换到极坐标霍夫空间系统,这种从点到曲线的变换称为直线的霍夫变换。变换通过量化霍夫参数空间为有限个值间隔等分或者累加格子。当霍夫变换算法开始,每个像素坐标点P(x,y)被转换到(r,theta)的曲线点上面,累加到对应的格子数据点,当一个波峰出现时候,说明有直线存在。
矩形识别的算法分为两大步,一是模板上矩形信息的记录,二是待处理试卷上矩形的定位识别。其总体的思想是先在模板试卷上记录矩形大小、边框线段在识别出的所有直线中的排序索引和长度,根据这些记录的信息在待处理试卷上作出矩形的识别。识别的方法分两种,一是最大轮廓寻找,这个方法运算速度快,在矩形断裂很大、但只有一处的情况下仍然适用,即使矩形模糊情况下识别效果仍然良好,但受像素干扰较大,试卷上的字体若超出矩形,就会导致识别的失败;二是根据霍夫变换检测出的直线拟合出一个跟记录信息最相近的矩形,这种方法能够很好地对抗矩形多处断裂的情况,并且受书写字体干扰少,但运行速度会相对较慢。综合两种方法能够较好地识别出大多试卷的矩形。
一、空白模板试卷的选择矩形方法:
1)通过扫描得到的原始试卷图像可能有彩色的,灰色的,为了统一处理,也为了简化操作,因此首先需要对图像进行灰度化,二值化处理。二值化采用经验二值化处理方法。
2)原始图像可能存在倾斜的问题,二值化之后还有对其进行纠偏处理。这里的纠偏方法采用“最大矩形纠偏”法。具体方法是:寻找出图像中面积最大的轮廓,然后用一个最小的矩形将轮廓围住,计算矩形的角度,得出试卷的倾斜角度,再对试卷纠偏。
3)得到纠正后的图像后,用“寻找最大轮廓”法找出试卷上面积最大的三个矩形,并记录其位置。
4)得到的三个矩形并不一定都可以作为定为矩形,因为边框断裂的原因,可能会导致寻找出来的矩形变小,因此需要对矩形进行一次“矩形直线重叠判定”,作用是确保最大轮廓寻找出来矩形的与直线拟合出来的矩形大小一致。
“矩形直线重叠判定”方法如下:
试卷中的文字会影响线段的识别,为了尽可能过滤掉干扰的像素点,首先需要对矩形区域进行清除处理,步骤如下:
1)确定矩形框的像素宽,一般3~6个像素,根据经验设置为5;
2)从定位区域由上至下横向扫描图像,向下依次扫描5个像素点,若其中有黑色像素点,则停止扫描,并将该行的总像素SumPix加1;
3)当扫描完一行之后,比较SumPix与定位区域宽的大小,若SumPix大于定位区域宽的80%,则认为该行有可能是矩形的边长,并停止扫描;否则,则将该行像素全部置零。
4)依次从上、下、左、右四个方向对图像进行清除操作,滤去尽可能多的噪声;
5)对经过清除处理后的矩形区域图像运用霍夫变换函数进行直线检测,得到该区域的线段信息
6)由于图像线段有厚度、断裂等原因,霍夫变换检测出来的线段一般效果不是很完美,例如一条线段会检测出多条,因此需要对检测出来的线段进行二次处理。
7)记录四个方向上矩形线段的序号信息。
其中,二次处理处理步骤如下:
1.将线段分成四类,一是垂直左边的线段,二是垂直右边的线段,三是水平上方的线段,四是水平底部的线段,分类方法:根据线段坐标计算线段的角度,再比较线段坐标与区域中心的大小关系,得出线段的分类
2.合并线段。从分类后的线段中取出两条线段,计算他们在各自方向上的距离,垂直的线段距离是y轴坐标的相减的绝对值,水平的线段距离是x轴坐标的相减的绝对值,比较距离是否在5个像素内,若是则将两条直线合并,合并的方法是取两条直线各自端点的坐标。
3.将合并后的线段排序,因为要记录矩形边框线段在所有识别出的线段的索引序号,因此需要对不同位置的线段需要作不同的排序:
顶部线段:根据y轴大小排序;
底部线段:根据寻找区域底部位置距离大小排序;
左侧线段:根据x轴大小排序;
右侧线段:根据寻找区域右侧位置距离大小排序;
二、待处理试卷上的矩形定位识别方法:
1)读入试卷,进行二值化、纠偏处理。
2)读取模板记录的矩形区域信息,运用“最大轮廓寻找”方法得到区域的最大轮廓,用最小的矩形对轮廓进行拟合。
3)判断拟合出来的矩形大小与记录的矩形大小是否一致,方法是设定一个误差范围,这里根据经验设置为8个像素,分别比较两个矩形的长度和高度的误差是否在设定范围内;若在设定范围内,则该拟合出来的矩形即是需要识别的矩形。若两者误差较大,则进行下一步。
4)运用霍夫变换检测出区域信息的线段,并对检测出的线段作预处理,包括分类、合并;
5)对预处理后的线段进行加权排序。线段加权排序是基于这样的一个问题:霍夫变换会检测出很多条线段,到底哪一条线段才是矩形的边线?如果将所有的线段都测试一遍从而得出最优的矩形的话,假设每个方向有10条线段,那么拟合出最优矩形所需要的拟合尝试最多有可能是:10^4=10000次。这样识别的效率就会很低,因此需要对线段进行加权排序,筛选出权值最高,也就是最有可能是矩形边线上的线段,将不可能的线段抛弃,最后得到权值最高的三条线段,那么每次拟合矩形最糟糕也只是3^4=81次,而很多情况下,因为已经筛选出了权值最高的线段,因此一般只需要3-5次的尝试便可以得到最优的矩形。所以线段加权排序是非常重要的一步。线段权值包括两个方面的内容,一是线段位置误差权值,二是线段长度误差权值。因为原先在模板上已经记录了各个方向上矩形的边线序号,因此越接近该序号的线段越有可能是矩形的边线,但由于模板试卷和待识别试卷的扩大识别区域不完全一致的原因,序号相同不一定就是矩形的边线,所以还要加上线段长度的判断,长度越接近模板中矩形边线长度的线段越有可能是需要寻找的矩形边线。
线段位置误差权值由排序后的线段序号和记录的序号差值确定,其计算公式为:
位置误差权值=0.8^abs(当前线段序号-记录线段序号);
公式解析:当序号误差为0,权值为1,当序号误差增大时,权值由于幂运算的原因迅速减少,能够较明显的把各个阶层的线段区分开来。
线段长度误差权值为了避免误差数据过大的影响,需要对误差进行归一化处理,归一化的方法是min-max标准化。首先计算每条线段与记录的矩形边线长度误差,并保存误差的最大最小值,将误差归一化的公式为:
长度误差权值=(线段长度-最小线段长度)/(最大线段长度-最小线段长度);
归一化后,每个误差数据都能发挥相同的作用效果。
计算得到每条线段的权值后,根据权值从大到小对线段进行排序。
6)将权值位于前三位的线段提取出来,其余舍弃。
7)从上下左右四个方向各取出一条线段进行拟合,拟合的方法是:求出上线段与左线段的交点Point1,下线段和右线段的交点Point2,拟合得到的矩形长度为:Point2.x-Point1.x;高度为:Point2.y-Point1.y。
8)比较模板中记录的矩形长高,若误差均在8个像素之内,则认为识别成功,返回拟合矩形的坐标和长高;若长度或高度的误差其中有一个超过了8个像素,则进行下一步;
9)上方线段集合中取出下一条候选线段,再次进行拟合。
10)当上方线段集合全部测试完毕并且没有找到合适的矩形时,将该方向的线段索引重置,并按照“上、左、下、右”的顺序将更改线段的权限移至下一个方向。
11)四个方向上的所有线段集合全部测试拟合完毕后,若均没找到合适的矩形则输出“矩形未找到”。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种无定位点试卷中待处理试卷的矩形定位框识别方法,其特征在于:
1)读入试卷,进行二值化、纠偏处理;
2)读取模板记录的矩形区域信息,运用“最大轮廓寻找”方法得到区域的最大轮廓,用最小的矩形对轮廓进行拟合;
3)判断拟合出来的矩形大小与记录的矩形大小是否一致,方法是设定一个误差范围,分别比较两个矩形的长度和高度的误差是否在设定范围内;若在设定范围内,则该拟合出来的矩形即是需要识别的矩形;若不在设定范围内,则进行步骤4);
4)运用霍夫变换检测出区域信息的线段,并对检测出的线段作预处理,包括分类、合并;
5)对预处理后的线段进行加权排序;计算得到每条线段的权值后,根据权值从大到小对线段进行排序;
6)将权值位于前三位的线段提取出来,其余舍弃;
7)从上下左右四个方向各取出一条线段进行拟合,拟合的方法是:求出上线段与左线段的交点Point1,下线段和右线段的交点Point2,拟合得到的矩形长度为:Point2.x-Point1.x;高度为:Point2.y-Point1.y;
8)比较模板中记录的矩形长高,若误差均在设定范围之内,则认为识别成功,返回拟合矩形的坐标和长高,该拟合出来的矩形即是需要识别的矩形;若长度或高度的误差其中有一个超过设定范围,则进行下一步;
9)上方线段集合中取出下一条候选线段,再次进行拟合;
10)当上方线段集合全部测试完毕并且没有找到合适的矩形时,将该方向的线段索引重置,并按照“上、左、下、右”的顺序将更改线段的权限移至下一个方向;
11)四个方向上的所有线段集合全部测试拟合完毕后,若均没找到合适的矩形则输出“矩形未找到”。
2.根据权利要求1所述的方法,其特征在于所述步骤5)中的线段权值包括线段位置误差权值和线段长度误差权值;
线段位置误差权值计算公式为:
位置误差权值=0.8^abs(当前线段序号记录线段序号).
线段长度误差权值计算公式为:
长度误差权值=(线段长度最小线段长度)/(最大线段长度最小线段长度)。
3.一种无定位点试卷中空白模板试卷的选择矩形方法,其特征在于:
1)通过扫描得到的原始试卷图像进行二值化处理;
2)对其进行纠偏处理;
3)得到纠正后的图像后,用“寻找最大轮廓”法找出试卷上面积最大的三个矩形,并记录其位置;
4)对矩形进行一次“矩形直线重叠判定”,确保最大轮廓寻找出来矩形的与直线拟合出来的矩形大小一致。
4.根据权利要求3所述的方法,其特征在于所述步骤2)中的纠偏处理具体为寻找出图像中面积最大的轮廓,然后用一个最小的矩形将轮廓围住,计算矩形的角度,得出试卷的倾斜角度,再对试卷纠偏。
5.根据权利要求3所述的方法,其特征在于所述步骤4)“矩形直线重叠判定”方法如下:
1)确定矩形框的像素宽,一般3~6个像素,根据经验设置为5;
2)从定位区域由上至下横向扫描图像,向下依次扫描5个像素点,若其中有黑色像素点,则停止扫描,并将该行的总像素SumPix加1;
3)当扫描完一行之后,比较SumPix与定位区域宽的大小,若SumPix大于定位区域宽的80%,则认为该行有可能是矩形的边长,并停止扫描;否则,则将该行像素全部置零;
4)依次从上、下、左、右四个方向对图像进行清除操作,滤去尽可能多的噪声;
5)对经过清除处理后的矩形区域图像运用霍夫变换函数进行直线检测,得到该区域的线段信息;
6)对检测出来的线段进行二次处理;
7)记录四个方向上矩形线段的序号信息。
6.根据权利要求5所述的方法,其特征在于所述二次处理步骤如下:
1)将线段分成四类,一是垂直左边的线段,二是垂直右边的线段,三是水平上方的线段,四是水平底部的线段,分类方法:根据线段坐标计算线段的角度,再比较线段坐标与区域中心的大小关系,得出线段的分类;
2)合并线段:从分类后的线段中取出两条线段,计算他们在各自方向上的距离,垂直的线段距离是y轴坐标的相减的绝对值,水平的线段距离是x轴坐标的相减的绝对值,比较距离是否在5个像素内,若是则将两条直线合并,合并的方法是取两条直线各自端点的坐标;
3)将合并后的线段排序,因为要记录矩形边框线段在所有识别出的线段的索引序号,因此需要对不同位置的线段需要作不同的排序:
顶部线段:根据y轴大小排序;
底部线段:根据寻找区域底部位置距离大小排序;
左侧线段:根据x轴大小排序;
右侧线段:根据寻找区域右侧位置距离大小排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610938847.3A CN106650608B (zh) | 2016-10-31 | 2016-10-31 | 一种无定位点试卷中矩形定位框的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610938847.3A CN106650608B (zh) | 2016-10-31 | 2016-10-31 | 一种无定位点试卷中矩形定位框的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650608A true CN106650608A (zh) | 2017-05-10 |
CN106650608B CN106650608B (zh) | 2019-11-26 |
Family
ID=58820992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610938847.3A Expired - Fee Related CN106650608B (zh) | 2016-10-31 | 2016-10-31 | 一种无定位点试卷中矩形定位框的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650608B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423738A (zh) * | 2017-08-02 | 2017-12-01 | 广东工业大学 | 一种基于模板匹配的试卷题目定位方法及装置 |
CN107506746A (zh) * | 2017-09-08 | 2017-12-22 | 电子科技大学中山学院 | 智能阅卷系统无定位点图像识别方法及系统 |
CN109272569A (zh) * | 2018-08-03 | 2019-01-25 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN109977910A (zh) * | 2019-04-04 | 2019-07-05 | 厦门商集网络科技有限责任公司 | 基于彩色线段的票据快速定位方法及其系统 |
CN111626280A (zh) * | 2020-04-13 | 2020-09-04 | 北京邮电大学 | 一种无定位点答题卡识别方法和装置 |
CN112163529A (zh) * | 2020-09-30 | 2021-01-01 | 珠海读书郎网络教育有限公司 | 一种试卷统分的系统及方法 |
CN112200058A (zh) * | 2020-09-30 | 2021-01-08 | 珠海读书郎网络教育有限公司 | 一种教辅资料智能批改的系统及方法 |
CN112733855A (zh) * | 2020-12-30 | 2021-04-30 | 科大讯飞股份有限公司 | 表格结构化方法、表格恢复设备及具有存储功能的装置 |
CN117409428A (zh) * | 2023-12-13 | 2024-01-16 | 南昌理工学院 | 一种试卷信息处理方法、系统、计算机及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及系统 |
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 |
-
2016
- 2016-10-31 CN CN201610938847.3A patent/CN106650608B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及系统 |
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 |
Non-Patent Citations (4)
Title |
---|
CL´AUDIO ROSITO JUNG 等: "Rectangle Detection based on a Windowed Hough Transform", 《PROCEEDINGS OF THE XVII BRAZILIAN SYMPOSIUM ON COMPUTER GRAPHICS AND IMAGE PROCESSING》 * |
ZI-QIANG LI: "Generalized Hough Transform: Fast Detection for Hybrid Multi-Circle and Multi-Rectangle", 《PROCEEDINGS OF THE 6TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
宋黎明 等: "基于机器视觉的LED芯片检测方法", 《图形、图像与多媒体》 * |
王博凯 等: "基于感兴趣区域的快速虹膜定位方法", 《天津理工大学学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423738B (zh) * | 2017-08-02 | 2020-10-23 | 广东工业大学 | 一种基于模板匹配的试卷题目定位方法及装置 |
CN107423738A (zh) * | 2017-08-02 | 2017-12-01 | 广东工业大学 | 一种基于模板匹配的试卷题目定位方法及装置 |
CN107506746A (zh) * | 2017-09-08 | 2017-12-22 | 电子科技大学中山学院 | 智能阅卷系统无定位点图像识别方法及系统 |
CN109272569A (zh) * | 2018-08-03 | 2019-01-25 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN109272569B (zh) * | 2018-08-03 | 2023-07-11 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN109977910B (zh) * | 2019-04-04 | 2021-08-20 | 厦门商集网络科技有限责任公司 | 基于彩色线段的票据快速定位方法及其系统 |
CN109977910A (zh) * | 2019-04-04 | 2019-07-05 | 厦门商集网络科技有限责任公司 | 基于彩色线段的票据快速定位方法及其系统 |
CN111626280A (zh) * | 2020-04-13 | 2020-09-04 | 北京邮电大学 | 一种无定位点答题卡识别方法和装置 |
CN111626280B (zh) * | 2020-04-13 | 2021-09-07 | 北京邮电大学 | 一种无定位点答题卡识别方法和装置 |
CN112163529A (zh) * | 2020-09-30 | 2021-01-01 | 珠海读书郎网络教育有限公司 | 一种试卷统分的系统及方法 |
CN112200058A (zh) * | 2020-09-30 | 2021-01-08 | 珠海读书郎网络教育有限公司 | 一种教辅资料智能批改的系统及方法 |
CN112733855A (zh) * | 2020-12-30 | 2021-04-30 | 科大讯飞股份有限公司 | 表格结构化方法、表格恢复设备及具有存储功能的装置 |
CN112733855B (zh) * | 2020-12-30 | 2024-04-09 | 科大讯飞股份有限公司 | 表格结构化方法、表格恢复设备及具有存储功能的装置 |
CN117409428A (zh) * | 2023-12-13 | 2024-01-16 | 南昌理工学院 | 一种试卷信息处理方法、系统、计算机及存储介质 |
CN117409428B (zh) * | 2023-12-13 | 2024-03-01 | 南昌理工学院 | 一种试卷信息处理方法、系统、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106650608B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650608A (zh) | 一种无定位点试卷中矩形定位框的识别方法 | |
US4998285A (en) | Character recognition apparatus | |
US4028674A (en) | Automated signature verification system | |
CN101859382B (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
CN101923741B (zh) | 一种基于验钞机的纸币号码识别方法 | |
CN104778470B (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN104464079B (zh) | 基于模板特征点及其拓扑结构的多币种面值识别方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN104794491A (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN102902967A (zh) | 基于人眼结构分类的虹膜和瞳孔的定位方法 | |
CN111091124B (zh) | 一种书脊文字识别方法 | |
CN103077377A (zh) | 基于方向场分布的指纹校正方法 | |
CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
CN104680130A (zh) | 一种身份证汉字识别方法 | |
CN103310211A (zh) | 一种基于图像处理的填注标记识别方法 | |
CN105574531A (zh) | 一种基于交点特征提取的数字识别方法 | |
CN104680154B (zh) | 一种基于人脸特征和掌纹特征融合的身份识别方法 | |
CN107452035B (zh) | 车道线图像分析方法、装置及其计算机可读取式媒体 | |
CN107506746A (zh) | 智能阅卷系统无定位点图像识别方法及系统 | |
CN106815830B (zh) | 图像的缺陷检测方法 | |
CN106778717A (zh) | 一种基于图像识别和k近邻的测评表识别方法 | |
CN107463939A (zh) | 一种图像关键直线检测方法 | |
KR101151435B1 (ko) | 얼굴 인식 장치 및 방법 | |
CN103258218A (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
CN106485202A (zh) | 非约束人脸识别系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191126 Termination date: 20201031 |
|
CF01 | Termination of patent right due to non-payment of annual fee |