CN108171297A - 一种答题卡识别方法及装置 - Google Patents

Abstract

一种答题卡识别方法，所述的答题卡识别方法包括的步骤有：答题卡扫描、二维码识别、图像预处理、试题分区、试题识别、结果输出，其中a,答题卡扫描是对答题卡扫描后将其转换为数字图像并且存储该数字图像；b,二维码识别是识别答题卡数字图像中二维码，获取二维码信息；c,图像预处理是对答题卡数字图像进行校正、去噪声处理；d,试题分区是对答题卡数字图像中不同区域进行分割划分，获取不同类型题目的区域位置信息；e,试题识别是分别对不同区域使用对应的图像处理方法识别选项及答案位置；f,结果输出是将识别成功的答题卡入库保存。

Description

一种答题卡识别方法及装置

技术领域

本发明属于试卷处理技术领域，特别涉及一种答题卡识别方法及装置。

背景技术

在考试当中，经常需要使用答题卡来答题。答题卡一般由定位点、基本信息栏、二维码、考号填涂区域和试题区域组成，考生根据试卷题目在答题卡上进行填涂或回答。考试结束后，需要通过机器识别或者人工协助来对答题卡上的答案进行判读。当前，在答题卡识别过程中，对不同类型题目位置的控制方面主要还是依靠识别黑色矩形定位点进行控制。即将定位点根据像素、坐标、面积等维度进行定义，使用图像处理方法进行寻找。在识别二维码时，对二维码的清晰度、位置、方向、去除干扰因素方面要求较高。

目前在答题卡识别技术上，主要还是采用基于传统图像处理的模式。现有方法主要有以下几方面的缺陷：

1、当通过条码或二维码识别，获取考生信息和试卷信息时，现有的识别方法主要识别固定位置且清晰度较高的二维码。如果二维码模糊、定位点被覆盖或周围有笔画干扰时，则较难识别；

2、依据识别定位点判断题目位置的方式效率低下且易受到噪声干扰，影响识别准确性。当前各教育科技类公司普遍采用图像处理及模式识别方法进行答题卡识别，并开发出了许多答题卡识别系统，但依旧采用传统的识别方法，无法从根本上突破图像处理方法的瓶颈。这也直接导致当前的试卷智能识别领域虽具有智能化的“表”，但没有智能化的“里”，只能做到自动化处理而无法实现完全的智能化识别；

3、不同类型的题目无法定义，包括选择题、填空题和解答题等，只能采用定位点进行位置判断，再进一步操作处理。由于不同省份不同学校的考卷是不同的，包括题目内容、题目数量、试卷版式等都可能不同，使用传统定义手段定义一类题目的系统无法做到通用。

发明内容

本发明的实施例提供一种答题卡识别方法及装置，目的是为了解决当前答题卡识别中依然采用传统的识别模式所存在的不足和缺陷。

本发明的实施例之一，一种答题卡识别方法，所述的答题卡识别方法包括的步骤有：答题卡扫描、二维码识别、图像预处理、试题分区、试题识别、结果输出，其中

a,答题卡扫描是对答题卡扫描后将其转换为数字图像并且存储该数字图像；

b,二维码识别是识别答题卡数字图像中二维码，获取二维码信息；

c,图像预处理是对答题卡数字图像进行校正、去噪声处理；

d,试题分区是对答题卡数字图像中不同区域进行分割划分，获取不同类型题目的区域位置信息；

e,试题识别是分别对不同区域使用对应的图像处理方法识别选项及答案位置；

f,结果输出是将识别成功的答题卡入库保存。

本发明的实施例之一，一种答题卡识别装置，所述答题卡识别装置包括存储器；以及

耦合到所述存储器的处理器，该处理器被配置为执行存储在所述存储器中的指令，所述处理器执行包括答题卡扫描、二维码识别、图像预处理、试题分区、试题识别和结果输出的操作，其中

a,答题卡扫描是对答题卡扫描后将其转换为数字图像并且存储该数字图像；

b,二维码识别是识别答题卡数字图像中二维码，获取二维码信息；

c,图像预处理是对答题卡数字图像进行校正、去噪声处理；

d,试题分区是对答题卡数字图像中不同区域进行分割划分，获取不同类型题目的区域位置信息；

e,试题识别是分别对不同区域使用对应的图像处理方法识别选项及答案位置；

f,结果输出是将识别成功的答题卡入库保存。

本发明通过提供一套完整实用的机器学习和传统方法相结合的智能化流程和方法，真正实现对答题卡智能识别。由于采用机器学习和数字图像处理等相关技术，本发明适用于各种不同类型试卷答题卡的识别，解决当前传统识别模式中存在的效率低下、无法解决噪声干扰、二维码识别率低等问题。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1本发明实施例中答题卡识别流程示意图。

图2是本发明实施例中答题卡示例图片。

图3是本发明实施例中二维码识别结果。

图4是本发明实施例中试题分区结果示例图片。

具体实施方式

实施例1如图1所示。

一种答题卡智能识别方法，包括如下步骤：

a、将考试的答题卡批量扫描并存储扫描后的图像，答题卡变为数字图像信息，图片名称从1开始；

b、依次处理图像，识别图像中的二维码，获取二维码信息，对正常识别的图像继续进入步骤c，识别不了的情况则显示异常并跳过，直接识别下一幅，继续进入步骤b；

c、对图像进行校正、去噪等预处理操作，对原始图像进行修正；

d、对答题卡整体识别，对不同题目区域进行分割划分，获取不同类型题目的区域位置信息；

e、分别对不同区域使用对应的图像处理方法识别选项及答案位置，考号填涂区和选择题区域采用将选项区域像素等分的方法判断考生填涂位置，填空题采用预先定义打分框像素位置方法判断打分情况，解答题采用图像分割方法进行处理；

f、识别结果输出并保存。

本发明的有益效果包括，可以准确识别二维码，通过直接分割识别不同类型的题目的区域，然后基于这些区域迅速识别题目和选项内容，接着对解答题进行识别判断，最后对结果输出保存，减少识别的运行时间，提高识别的准确性。

实施例2

本实施例在实施例1的基础上，所述的步骤b包括以下步骤：

b1、将答题卡扫描后的完整图像阈值化，阈值范围取50-200之间，二维码识别过程中，将逐个遍历这些阈值；

b2、采用zbar库识别二维码，获取二维码信息，如果正常识别则继续识别下一幅图像如果识别失败，则进入步骤b3。

b3、将答题卡扫描后的完整图像进行形态学的开运算，运算完成后如果能正常识别则跳至识别下一幅图像，如果没有识别成功则进入步骤b1。

优选的，本发明中，所说的二维码准确识别，是指识别试卷前首先识别二维码中的试卷和考生信息，然后依据试卷信息对试卷进行识别。其步骤如下：

1)阈值化：将图像变为二值图像，方便识别试卷特征，原理如下：

f(x,y)为输入图像，g(x,y)为输出的二值图像，threshold为阈值。

2)图像开运算：用来消除二维码定位点上白色像素、在粘连处分离色块，原理入下：

其中，F为二值图像原图，E为执行开运算后的图像，X为结构元素原点所在的二值图像中的连通域。

3)使用zbar库识别二维码，zbar库是二维码识别的开源项目。

4)二维码定位点修复：通过轮廓查找找到二维码三个定位点，保证三个定位点完整性：

依据OpenCV中的cvFindContours()函数找到二维码三个定位点，根据二维码生成函数重新生成三个定位点，将原定位点覆盖。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。

采用本发明所描述的二维码识别方法，能够不限定二维码位置、方向和大小，对清晰程度也有较低要求，使通过二维码识别试卷信息不再受到原来干扰因素的约束，同时考生不小心将答题内容写到二维码上也不会影响识别，图3为二维码识别结果。

实施例3

本实施例在实施例1的基础上，所述的步骤d包括以下步骤：

d1、选取大量答题卡样本，将每篇试卷上的填涂考号区域、选择题区域、填空题区域和解答题区域分别切割下来，分类放置到不同文件夹中；

d2、基于机器学习框架caffe，对不同类型题目进行学习训练，生成模型；

d3、依据模型判断当前答题卡区域，并分割分类；

d4、存储传递分割分类后的区域信息。

优选的，本发明中，所说的试题分区，是指系统自动将答题卡的填涂考号区域、选择题区域、填空题区域和解答题区域分开，该方案使用机器学习框架caffe进行识别。识别方法包括：

1)收集数据，将不同题目图像从试卷分割出来，分类保存；

2)将数据进行训练，输出分为考号区域、选择题区域、填空题区域和问答题区域四类，生成caffemodel模型；

3)利用模型对答题卡图像进行分割分类；

4)返回不同题目区域信息。

采用本发明所描述的识别流程避免了传统需要通过定位点识别题目位置的问题。依靠不同类型题目区域判断题目位置，进而判断选项或填涂位置，避免了与定位点有相似特征的信息的干扰，提高了识别准确性及效率，图4为分割分类结果，红色区域为考生填涂考号区域，黄色区域为选择题区域，绿色区域为填空题区域，蓝色区域为解答题区域。

实施例4

本发明中，所说的试题识别，是指在分割好的区域上，采用图像处理方法分别识别不同题目。本实施例在实施例1的基础上，所述的步骤e包括以下步骤：

1)考号识别：将填涂考号区域按照填涂框上下左右等分，将等分的框按像素位置设定对应的值，通过判断铅笔填涂的位置坐标来找到该位置对应的值。然后将考号信息和数据库对比，找到对应学生。

2)选择题识别：题目序号及题目间空白都被作为填涂框进行分割，最后依据考号识别方式进行识别。将得到的分数赋给对应的题目，加入数据库中。

3)填空题识别：预先将每个打分框像素进行分数标注，依据像素位置进行分数判别。将得到的分数赋给对应的题目，加入数据库中。

4)解答题识别：首先将解答题题干部分和考生答题部分分割，然后将考生答题部分的图像依据题目序号保存，供老师审阅。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (8)

1.一种答题卡识别方法，其特征在于，所述的答题卡识别方法包括的步骤有：答题卡扫描、二维码识别、图像预处理、试题分区、试题识别、结果输出，其中

a,答题卡扫描是对答题卡扫描后将其转换为数字图像并且存储该数字图像；

b,二维码识别是识别答题卡数字图像中二维码，获取二维码信息；

c,图像预处理是对答题卡数字图像进行校正、去噪声处理；

d,试题分区是对答题卡数字图像中不同区域进行分割划分，获取不同类型题目的区域位置信息；

e,试题识别是分别对不同区域使用对应的图像处理方法识别选项及答案位置；

f,结果输出是将识别成功的答题卡入库保存。

2.如权利要求1所述的答题卡识别方法，其特征在于，在试题分区中，包括将答题卡数字图像区分为考号区域、单项选择题区域、多项选择题区域、填空题区域和/或解答题区域。

3.如权利要求1所述的答题卡识别方法，其特征在于，在试题识别中，考号区域和单项、多项选择题区域采用将选项区域像素等分的方法判断考生填涂位置，填空题区域采用预先定义打分框像素位置方法判断打分情况，解答题区域采用图像分割方法进行处理。

4.如权利要求1所述的答题卡识别方法，其特征在于，二维码识别的步骤包括：

b1、将答题卡扫描后的完整图像阈值化，阈值范围取50-200之间，二维码识别过程中，将遍历所述阈值范围；

b2、采用zbar库识别二维码，获取二维码信息，如果识别失败，则进入步骤b3；

b3、将答题卡扫描后的完整图像进行形态学的开运算，运算完成后如果没有识别成功则进入步骤b1。

5.如权利要求2所述的答题卡识别方法，其特征在于，试题分区的步骤还包括：

d1、将答题卡上的填涂考号区域、选择题区域、填空题区域和解答题区域分别切割下来，分类放置到不同文件夹中；

d2、基于机器学习框架caffe，对不同类型题目图片进行学习训练，生成扩展名为.caffemodel的模型文件，即：考号.caffemodel、选择题.caffemodel、填空题.caffemodel和问答题.caffemodel；

d3、依据模型判断当前答题卡区域，并分割分类；

d4、存储传递分割分类后的区域信息。

6.如权利要求1所述的答题卡识别方法，其特征在于，试题识别的步骤还包括：

e1,考号识别,即

将填涂考号区域按照填涂框上下左右等分，将等分的框按像素位置设定对应的值，通过判断铅笔填涂的位置坐标来找到该位置对应的值，然后将考号信息和数据库对比，找到对应考生；

e2，选择题识别，即

将题目序号及题目间空白都被作为填涂框进行分割，最后依据考号识别方式进行识别，将得到的分数赋给对应的题目，加入数据库中；

e3，填空题识别，即

预先将每个打分框像素进行分数标注，依据像素位置进行分数判别，将得到的分数赋给对应的题目，加入数据库中；

e4，解答题识别，即

首先将解答题题干部分和考生答题部分分割，然后将考生答题部分的图像依据题目序号保存。

7.如权利要求4所述的答题卡识别方法，其特征在于，所述的二维码识别，包括识别试题前首先识别答题卡二维码中的试卷和考生信息，然后依据二维码中包含的试卷信息对答题卡进行识别，其步骤如下：

S101，阈值化，即将图像变为二值图像，设

f(x,y)为输入图像，g(x,y)为输出的二值图像，threshold为阈值，

S102，图像开运算，用来消除二维码定位点上白色像素、在粘连处分离色块，设

其中，F为二值图像原图，E为执行开运算后的图像，X为结构元素原点所在的二值图像中的连通域；

S103，使用zbar库识别二维码；

S104，二维码定位点修复,通过轮廓查找找到二维码三个定位点，保证三个定位点完整性，依据OpenCV中的cvFindContours()函数找到二维码三个定位点，根据二维码生成函数重新生成三个定位点，将原定位点覆盖。

8.一种答题卡识别装置，其特征在于，所述答题卡识别装置包括存储器；以及

耦合到所述存储器的处理器，该处理器被配置为执行存储在所述存储器中的指令，所述处理器执行包括答题卡扫描、二维码识别、图像预处理、试题分区、试题识别和结果输出的操作，其中

a,答题卡扫描是对答题卡扫描后将其转换为数字图像并且存储该数字图像；

b,二维码识别是识别答题卡数字图像中二维码，获取二维码信息；

c,图像预处理是对答题卡数字图像进行校正、去噪声处理；

d,试题分区是对答题卡数字图像中不同区域进行分割划分，获取不同类型题目的区域位置信息；

e,试题识别是分别对不同区域使用对应的图像处理方法识别选项及答案位置；

f,结果输出是将识别成功的答题卡入库保存。