CN108537218A - 一种答题卡的识别处理方法及装置 - Google Patents
一种答题卡的识别处理方法及装置 Download PDFInfo
- Publication number
- CN108537218A CN108537218A CN201810327694.8A CN201810327694A CN108537218A CN 108537218 A CN108537218 A CN 108537218A CN 201810327694 A CN201810327694 A CN 201810327694A CN 108537218 A CN108537218 A CN 108537218A
- Authority
- CN
- China
- Prior art keywords
- full
- filling
- identified
- point
- gray average
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000003044 adaptive effect Effects 0.000 claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 26
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 239000003973 paint Substances 0.000 claims description 9
- 238000010422 painting Methods 0.000 claims description 7
- 238000000151 deposition Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/23—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 based on positionally close patterns or neighbourhood relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种答题卡的识别处理方法,包括以下步骤:对填涂有标准答案的答题卡样卷进行识别和处理,获取答题卡模板数据和标准答案码流;扫描待识别的答题卡并获取答题卡图像,对答题卡图像进行基于直线重合与仿射变换的实时粗定位与纠偏处理,及进行基于局部特征匹配的实时精确定位与纠偏处理;对精确定位和纠偏处理之后的图像进行基于自适应门限的多尺度识别处理,获得答题卡上填涂信息的码流;将答题卡上填涂信息的码流与标准答案码流进行匹配,精确输出评阅结果;对应地,本发明还提供了一种答题卡的识别处理装置。本发明能够对答题卡进行精准定位,及针对单选题、多选题和不定项选择题等进行识别和处理,识别精度高。
Description
技术领域
本发明涉及识别处理技术领域,具体涉及一种答题卡的识别处理方法及装置。
背景技术
面对各种类型的测评与考试,诸多老师都肩负繁重的阅卷任务,这不仅影响了老师的工作效率,同时延长了测评的周期,削弱的测评与考试的评估意义。答题卡的智能识别,不仅能够准确、快速、便捷的实现对学生测评试卷的全自动识别与评阅,并能够对评阅结果进行监测与查看,而且能够大大的减少老师们阅卷的工作量,在提高老师工作效率的同时缩短了测评周期,加强了学生测评与学习的实时闭环。
目前,答题卡智能识别过程中,为了提升答题卡的定位及纠偏精度,一般采用在答题卡卷面上都设置了较多的且分布均匀的定位点,传统利用定位点来进行定位与纠偏的方法,存在如下缺陷:(1)定位点的设置对答题卡打印及答题卡纸张等要求较高,大大地增加了答题卡的制作成本,从而增加了测评与考试经济成本;(2)若答题卡上设置的定位点较少或者没有设置定位点,则无法对答题卡图像进行定位或定位精度较差;(3)若存在答题卡图像需要进行旋转、平移或局部畸变等情况,答题卡的识别精度会大大降低甚至是无法完成识别处理;(4)需要额外提取与识别大量的定位点,以及对整个试卷图像进行定位操作,导致增加了巨大的运算量,而很难满足处理时间的要求。因此如何对答题卡进行精准定位,来完成识别处理和提高识别精度,是目前答题卡智能识别过程中需要解决的技术问题。
同时,答题卡智能识别过程中,需要识别的内容包括考号、页码、缺考标示、单选题、多选题、不定项选择题等。不同的考生填涂习惯的差异,造成填涂的答题卡之间存在填涂面积小、涂改不彻底、单选题中故意多选等诸多问题。这些问题是影响答题卡精确识别的最主要的因素。采用传统的基于单一尺度、固定门限的答题卡智能识别方法无法应对上述问题。因此,针对填涂面积较小、涂改不彻底、故意多选等内容较多且复杂的答题卡,如何对其进行精确识别和处理,也是目前答题卡智能识别过程中需要解决的技术问题。
发明内容
为了克服现有技术的不足,本发明提供了一种答题卡的识别处理方法及装置,能够对答题卡进行精准定位,以及针对单选题、多选题和不定项选择题等进行识别和处理,识别精度高,解决了答题卡存在的填涂面积较小、涂改不彻底、多选等内容较多且复杂的技术问题。
本发明的技术方案如下:
一种答题卡的识别处理方法,包括以下步骤:
对填涂有标准答案的答题卡样卷进行识别和处理,获取答题卡模板数据和标准答案码流;
扫描待识别的答题卡并获取答题卡图像,对答题卡图像进行基于直线重合与仿射变换的实时粗定位与纠偏处理,以及进行基于局部特征匹配的实时精确定位与纠偏处理;
对精确定位与纠偏处理之后的图像进行基于自适应门限的多尺度识别处理,获得答题卡上填涂信息的码流;
将答题卡上填涂信息的码流与标准答案码流进行匹配,精确输出评阅结果。
进一步地,所述的基于局部特征匹配的实时精确定位与纠偏处理,包括以下步骤:
根据答题卡模板中的客观题数据,获取并确定答题卡图像中的客观题区域;
在客观题区域中查找出所有题目对象并对所有题目对象进行题号识别,获得题目对象的题号信息;
根据答题卡模板中的题号数据,对客观题区域中的答案填涂点进行分题定位;其中,所述答题卡模板中的题号数据包括题号位置、题号的宽与高、答案填涂点的位置、答案填涂点的宽与高、题号与填涂点的间距、答案填涂点与答案填涂点的间距和每题填涂点数;
获取未能进行题号识别的题目对象,根据与其相邻的已识别的题目对象的题号位置信息和与其在答题卡模板中所对应的题目对象的题号位置信息,计算获得未识别的题目对象的偏移量,对未识别的题目对象所对应的答题卡模板中的题号位置信息进行修正,并获得未识别的题目对象的实际位置信息,完成答题区域中的答案填涂点的定位。
进一步地,所述的基于自适应门限的多尺度识别处理,包括以下步骤:
获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为单选题;
在待识别的客观题是单选题的情况下,计算待识别的单选题填涂点局部的灰度均值以及初始的灰度阈值;
统计该单选题的填涂点的灰度均值和填涂面积;
在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该单选题的填涂点已被填涂;
在首次识别为该单选题的填涂点中只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
在识别该单选题的所有填涂点中不存在任何填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第二初始门限值,其中第二初始门限值小于第一初始门限值;在灰度均值和填涂面积超过第二初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第二初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
在识别该单选题的所有填涂点中存在多个填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第三初始门限值,其中第三初始门限值大于第一初始门限值;在灰度均值和填涂面积超过第三初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第三初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别。
进一步地,所述的基于自适应门限的多尺度识别处理,包括以下步骤:
获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为多选题;
在待识别的客观题是多选题的情况下,计算待识别的多选题填涂点局部的灰度均值以及初始的灰度阈值;以及统计待识别客观题每个填涂点的灰度均值和填涂面积;
在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中少于或等于一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第四初始门限值,其中第四初始门限值小于第一初始门限值;
在填涂点的灰度均值和填涂面积超过第四初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中大于一个填涂点被填涂的情况下,则比较各个超过第四初始门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,并认定识别结果有效,结束该题识别;
在识别为该多选题的填涂点中存在多个填涂点被填涂的情况下,则比较各个第四过第四门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,当不存在或者存在一个填涂点被填涂,则认定识别结果有效,结束该题识别。
进一步地,所述的基于自适应门限的多尺度识别处理,包括以下步骤:
获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为不定项选择题;
在待识别的客观题是不定项选择题的情况下,计算该不定项选择题填涂点局部的灰度均值以及初始的灰度阈值;以及统计待识别的不定项选择题每个填涂点的灰度均值和填涂面积;
在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该不定项选择题的填涂点已被填涂;在首次识别为该多选题的填涂点中不存在一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第五初始门限值,其中第五初始门限值小于第一初始门限值;
在填涂点的灰度均值和填涂面积超过第五初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在识别为该多选题的填涂点存在多个填涂点被填涂的情况下,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂;在识别为该不定项选择题不存在或存在一个填涂点被填涂的情况下,则判定识别结果有效,结束该不定项选择题识别;
在首次识别为存在多个填涂点被填涂时,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂,并判定此次识别结果有效,结束该题识别。
本发明还提供了一种答题卡的识别处理装置,包括有:
获取模块,对填涂有标准答案的答题卡样卷进行识别和处理,获取答题卡模板数据和标准答案码流;
实时粗定位与纠偏处理模块,用于扫描待识别的答题卡并获取答题卡图像,对答题卡图像进行基于直线重合与仿射变换的实时粗定位与纠偏处理;
实时精确定位与纠偏处理模块,用于对答题卡图像进行基于局部特征匹配的实时精确定位与纠偏处理;
多尺度识别处理模块,用于对精确定位和纠偏处理之后的图像进行基于自适应门限的多尺度识别处理,获得答题卡上填涂信息的码流;
匹配与输出模块,用于将答题卡上填涂信息的码流与标准答案码流进行匹配,精确输出评阅结果。
进一步地,所述的实时精确定位与纠偏处理模块,包括:
获取单元,用于根据答题卡模板中的客观题数据,获取并确定答题卡图像中的客观题区域;
查找单元,用于在客观题区域中查找出所有题目对象并对所有题目对象进行题号识别,获得题目对象的题号信息;
分题定位单元,用于根据答题卡模板中的题号数据,对客观题区域中的答案填涂点进行分题定位;其中,所述答题卡模板中的题号数据包括题号位置、题号的宽与高、答案填涂点的位置、答案填涂点的宽与高、题号与填涂点的间距、答案填涂点与答案填涂点的间距和每题填涂点数;
计算与修正单元,用于获取未能进行题号识别的题目对象,根据与其相邻的已识别的题目对象的题号位置信息和与其在答题卡模板中所对应的题目对象的题号位置信息,计算获得未识别的题目对象的偏移量,对未识别的题目对象所对应的答题卡模板中的题号位置信息进行修正,并获得未识别的题目对象的实际位置信息,完成客观题区域中的答案填涂点的定位。
进一步地,所述的多尺度识别处理模块,包括:
第一判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为单选题;
第一计算单元,用于在待识别的客观题是单选题的情况下,计算待识别的单选题填涂点局部的灰度均值以及初始的灰度阈值;
第一统计单元,用于统计该单选题的填涂点的灰度均值和填涂面积;
第一识别单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该单选题的填涂点已被填涂;
第一识别与判断单元,用于在首次识别为该单选题的填涂点中只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
还用于在识别该单选题的所有填涂点中不存在任何填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第二初始门限值,其中第二初始门限值小于第一初始门限值;在灰度均值和填涂面积超过第二初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第二初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
还用于在识别该单选题的所有填涂点中存在多个填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第三初始门限值,其中第三初始门限值大于第一初始门限值;在灰度均值和填涂面积超过第三初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第三初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别。
进一步地,所述的基于自适应门限的多尺度识别处理模块,包括:
第二判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为多选题;
第二计算单元,用于在待识别的客观题是多选题的情况下,计算待识别的多选题填涂点局部的灰度均值以及初始的灰度阈值;
第二统计单元,统计待识别客观题每个填涂点的灰度均值和填涂面积;
第二识别与判断单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中少于或等于一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第四初始门限值,其中第四初始门限值小于第一初始门限值;
还用于在填涂点的灰度均值和填涂面积超过第四初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中大于一个填涂点被填涂的情况下,则比较各个超过第四初始门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,并认定识别结果有效,结束该题识别;
还用于在识别为该多选题的填涂点中存在多个填涂点被填涂的情况下,则比较各个过第四初始门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,当不存在或者存在一个填涂点被填涂,则认定识别结果有效,结束该题识别。
进一步地,所述的多尺度识别处理模块,包括:
第三判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为不定项选择题;
第三计算单元,用于在待识别的客观题是不定项选择题的情况下,计算该不定项选择题填涂点局部的灰度均值以及初始的灰度阈值;
第三统计单元,用于统计待识别的不定项选择题每个填涂点的灰度均值和填涂面积;
第三识别与判断单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该不定项选择题的填涂点已被填涂;在首次识别为该多选题的填涂点中不存在一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第五初始门限值,其中第五初始门限值小于第一初始门限值;
还用于在填涂点的灰度均值和填涂面积超过第五初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在识别为该多选题的填涂点存在多个填涂点被填涂的情况下,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂;在识别为该不定项选择题不存在或存在一个填涂点被填涂的情况下,则判定识别结果有效,结束该不定项选择题识别;
还用于在首次识别为存在多个填涂点被填涂时,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂,并判定此次识别结果有效,结束该题识别。
本发明的有益效果:
1.本发明通过对答题卡图像采用基于图像局部特征匹配的实时精确定位与纠正方法,替代了传统采用定位点的做法,直接从待识别的区域着手,分析局部的特征属性,从而完成答题卡图像的高精度定位与纠偏;与现有技术相比,本发明具有以下有益效果:
(1)本发明采用的基于图像局部特征匹配的实时精确定位与纠正方法,不依赖定位点,故本发明中的答题卡识别可以不用额外设置定位点,不用去考虑定位点提取以及定位点打印缺失等情况;
(2)本发明采用的基于图像局部特征匹配的实时精确定位与纠正方法,通过局部待识别的区域进行定位和缩小待定位的区域,替代了传统答题卡识别过程中对整个答题卡图像的定位,从而大大降低了运算量,缩短了定位处理的时间,实现了答题卡图像的实时定位与纠偏;
(3)与现有技术采用的定位与纠偏的应用场景不同的是,由于填涂点的精确的位置特征(比如填涂点矩阵排布,填涂点的宽高等)不仅稳定,而且较为明显,同时相对于全图像,局部的区域较小,因此本发明将填涂点的位置特征用来进行图像匹配,其定位与纠偏精度较高。
2. 由于填涂点具有填涂面积小、涂改不彻底、单选题中故意多选等多重属性,并且不同的考生填涂的答题卡又存在较大的差异,如果使用固定的门限以及单一的评判尺度,则很难高精度的完成不同试卷的识别,因此本发明采用基于自适应门限的多尺度识别方法,通过填涂点的均值与填涂面积两个最基本的属性特征作为评判尺度 ,采用多个自适应门限来进行多次识别,从而完成了答题卡的高精度识别,解决了不同考生填涂答题卡存在的较大的填涂差异的问题;与现有技术相比,本发明还具有以下其他有益效果:
(1)本发明采用基于自适应门限的多尺度识别方法,能够对客观题(单选、多选、不定项选择)进行识别,识别精度高;
(2)本发明采用基于自适应门限的多尺度识别方法,能够针对不同考生的各种填涂情况自动采用最佳的门限,从而应对不同学生的不同的填涂习惯,具有较好的稳定性;
(3)本发明采用基于自适应门限的多尺度识别方法,由于采用了填涂点的均值与填涂面积两个最基本的属性特征作为评判尺度,来衡量客观题的填涂点是否被填涂,能够有效的避免误判和漏判,并且通过多次识别来达到多个判断尺度最优化识别,从而保证了识别的精确度。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例所述的一种答题卡的识别处理方法的流程图;
图2是本发明实施例所述的基于局部特征匹配的实时精确定位与纠偏处理方法的流程图;
图3是本发明实施例所述的基于自适应门限的多尺度识别处理方法的流程图一;
图4是本发明实施例所述的基于自适应门限的多尺度识别处理方法的流程图二;
图5是本发明实施例所述的基于自适应门限的多尺度识别处理方法的流程图三;
图6是本发明实施例所述的一种答题卡的识别处理装置的示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
如图1所示, 一种答题卡的识别处理方法,包括以下步骤:
步骤S101:对填涂有标准答案的答题卡样卷进行识别和处理,获取答题卡模板数据和标准答案码流;
步骤S102:扫描待识别的答题卡并获取答题卡图像,对答题卡图像进行基于直线重合与仿射变换的实时粗定位与纠偏处理,以及进行基于局部特征匹配的实时精确定位与纠偏处理;
步骤S103:对精确定位和纠偏处理之后的图像进行基于自适应门限的多尺度识别处理,获得答题卡上填涂信息的码流;
步骤S104:将答题卡上填涂信息的码流与标准答案码流进行匹配,精确输出评阅结果。
本发明实施例通过进行直线重合与仿射变换,对答题卡图像实时粗定位与纠偏,以及通过局部特征匹配,对答题卡图像实时精确定位与纠偏,然后通过多种尺度的识别处理,获得答题卡上填涂信息的码流,并将将答题卡上填涂信息的码流与标准答案码流进行匹配,从而完成了答题卡上单选、多选、不定项选择等客观题以及考号、页码、缺考标示等填涂信息的智能识别,识别精度高。
上述步骤S102中,基于局部特征匹配的实时精确定位与纠偏处理,如图2所示,其方法包括以下步骤:
步骤S10201:根据答题卡模板中的客观题数据,获取并确定答题卡图像中的客观题区域;
步骤S10202:在客观题区域中查找出所有题目对象并对所有题目对象进行题号识别,获得题目对象的题号信息;
步骤S10203:根据答题卡模板中的题号数据,对客观题区域中的答案填涂点进行分题定位;其中,所述答题卡模板中的题号数据包括题号位置、题号的宽与高、答案填涂点的位置、答案填涂点的宽与高、题号与填涂点的间距、答案填涂点与答案填涂点的间距和每题填涂点数;
步骤S10204:获取未能进行题号识别的题目对象,根据与其相邻的已识别的题目对象的题号位置信息和与其在答题卡模板中所对应的题目对象的题号位置信息,计算获得未识别的题目对象的偏移量,对未识别的题目对象所对应的答题卡模板中的题号位置信息进行修正,并获得未识别的题目对象的实际位置信息,完成答题区域中的答案填涂点的定位。
本发明实施例通过确定答题卡图像中的答题区域,对答题区域中的答案填涂点进行分题定位,然后计算获得未识别的题目对象的偏移量,对未识别的题目对象所对应的答题卡模板中的题号位置信息进行修正,从而替代了传统答题卡识别过程中对整个答题卡图像的定位,大大降低了运算量,缩短了定位处理的时间,实现了答题卡图像的实时定位与纠偏,提高了定位与纠偏精度,解决了现有技术存在的定位点较少或者没有设置定位点、答题卡图像旋转、平移或局部畸变等情况而导致无法对答题卡图像进行定位或定位精度较差甚至无法识别的技术问题以及答题卡的制作成本高、识别运算量大、识别时间长等技术问题。
上述步骤S103中,基于自适应门限的多尺度识别处理,如图3所示,包括以下步骤:
步骤S10301:获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为单选题;
步骤S10302:在待识别的客观题是单选题的情况下,计算待识别的单选题填涂点局部的灰度均值以及初始的灰度阈值;
步骤S10303:统计该单选题的填涂点的灰度均值和填涂面积;
步骤S10304:在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该单选题的填涂点已被填涂;
步骤S10305:在首次识别为该单选题的填涂点中只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
步骤S10306:在识别该单选题的所有填涂点中不存在任何填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第二初始门限值,其中第二初始门限值小于第一初始门限值;在灰度均值和填涂面积超过第二初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第二初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
步骤S10307:在识别该单选题的所有填涂点中存在多个填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第三初始门限值,其中第三初始门限值大于第一初始门限值;在灰度均值和填涂面积超过第三初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第三初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别。
本发明实施例中,步骤S10301至步骤S10307所述的基于自适应门限的多尺度识别处理步骤,实现了对答题卡中单选题的填涂进行智能识别。
上述步骤S103中,基于自适应门限的多尺度识别处理,如图4所示,还包括以下步骤:
步骤S10308:获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为多选题;
步骤S10309:在待识别的客观题是多选题的情况下,计算待识别的多选题填涂点局部的灰度均值以及初始的灰度阈值;以及统计待识别客观题每个填涂点的灰度均值和填涂面积;
步骤S10310:在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中少于或等于一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第四初始门限值,其中第四初始门限值小于第一初始门限值;在填涂点的灰度均值和填涂面积超过第四初始门限值的情况下,则识别为该多选题的填涂点已被填涂;
步骤S10311:在首次识别为该多选题的填涂点中大于一个填涂点被填涂的情况下,则比较各个超过第四初始门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,并认定识别结果有效,结束该题识别;
步骤S10312:在识别为该多选题的填涂点中存在多个填涂点被填涂的情况下,则比较各个过第四门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,当不存在或者存在一个填涂点被填涂,则认定识别结果有效,结束该题识别。
本发明实施例中,步骤S10308至步骤S10312所述的基于自适应门限的多尺度识别处理步骤,实现了对答题卡中多选题的填涂进行智能识别。
上述步骤S103中,基于自适应门限的多尺度识别处理,如图5所示,包括以下步骤:
步骤S10313:获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为不定项选择题;
步骤S10314:在待识别的客观题是不定项选择题的情况下,计算该不定项选择题填涂点局部的灰度均值以及初始的灰度阈值;以及统计待识别的不定项选择题每个填涂点的灰度均值和填涂面积;
步骤S10315:在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该不定项选择题的填涂点已被填涂;在首次识别为该多选题的填涂点中不存在一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第五初始门限值,其中第五初始门限值小于第一初始门限值;
步骤S10316:在填涂点的灰度均值和填涂面积超过第五初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在识别为该多选题的填涂点存在多个填涂点被填涂的情况下,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂;在识别为该不定项选择题不存在或存在一个填涂点被填涂的情况下,则判定识别结果有效,结束该不定项选择题识别;
步骤S10317:在首次识别为存在多个填涂点被填涂时,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂,并判定此次识别结果有效,结束该题识别。
本发明实施例中,步骤S10313至步骤S10317所述的基于自适应门限的多尺度识别处理步骤,实现了对答题卡中不定项选题的填涂进行智能识别。
本发明实施例采用基于自适应门限的多尺度识别方法,通过填涂点的均值与填涂面积两个最基本的属性特征作为评判尺度 ,采用多个自适应门限来进行多次识别,从而完成了答题卡单选题、多选题及不定项选择题等客观题的高精度识别,解决了填涂的答题卡存在填涂面积小、涂改不彻底、单选题中故意多选等考生多重填涂问题,从而应对不同学生的不同的填涂习惯,具有较好的稳定性;同时,能够有效的避免误判和漏判,并且通过多次识别来达到多个判断尺度最优化识别,从而保证了识别的精确度。
如图6所示,一种答题卡的识别处理装置,包括有:
获取模块,对填涂有标准答案的答题卡样卷进行识别和处理,获取答题卡模板数据和标准答案码流;
实时粗定位与纠偏处理模块,用于扫描待识别的答题卡并获取答题卡图像,对答题卡图像进行基于直线重合与仿射变换的实时粗定位与纠偏处理;
实时精确定位与纠偏处理模块,用于对答题卡图像进行基于局部特征匹配的实时精确定位与纠偏处理;
多尺度识别处理模块,用于对精确定位和纠偏处理之后的图像进行基于自适应门限的多尺度识别处理,获得答题卡上填涂信息的码流;
匹配与输出模块,用于将答题卡上填涂信息的码流与标准答案码流进行匹配,精确输出评阅结果。
优选的,所述的实时精确定位与纠偏处理模块,包括:
获取单元,用于根据答题卡模板中的客观题数据,获取并确定答题卡图像中的客观题区域;
查找单元,用于在客观题区域中查找出所有题目对象并对所有题目对象进行题号识别,获得题目对象的题号信息;
分题定位单元,用于根据答题卡模板中的题号数据,对客观题区域中的答案填涂点进行分题定位;其中,所述答题卡模板中的题号数据包括题号位置、题号的宽与高、答案填涂点的位置、答案填涂点的宽与高、题号与填涂点的间距、答案填涂点与答案填涂点的间距和每题填涂点数;
计算与修正单元,用于获取未能进行题号识别的题目对象,根据与其相邻的已识别的题目对象的题号位置信息和与其在答题卡模板中所对应的题目对象的题号位置信息,计算获得未识别的题目对象的偏移量,对未识别的题目对象所对应的答题卡模板中的题号位置信息进行修正,并获得未识别的题目对象的实际位置信息,完成答题区域中的答案填涂点的定位。
优选的,所述的多尺度识别处理模块,包括:
第一判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为单选题;
第一计算单元,用于在待识别的客观题是单选题的情况下,计算待识别的单选题填涂点局部的灰度均值以及初始的灰度阈值;
第一统计单元,用于统计该单选题的填涂点的灰度均值和填涂面积;
第一识别单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该单选题的填涂点已被填涂;
第一识别与判断单元,用于在首次识别为该单选题的填涂点中只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
还用于在识别该单选题的所有填涂点中不存在任何填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第二初始门限值,其中第二初始门限值小于第一初始门限值;在灰度均值和填涂面积超过第二初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第二初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
还用于在识别该单选题的所有填涂点中存在多个填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第三初始门限值,其中第三初始门限值大于第一初始门限值;在灰度均值和填涂面积超过第三初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第三初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别。
优选的,所述的基于自适应门限的多尺度识别处理模块,包括:
第二判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为多选题;
第二计算单元,用于在待识别的客观题是多选题的情况下,计算待识别的多选题填涂点局部的灰度均值以及初始的灰度阈值;
第二统计单元,统计待识别客观题每个填涂点的灰度均值和填涂面积;
第二识别与判断单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中少于或等于一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第四初始门限值,其中第四初始门限值小于第一初始门限值;
还用于在填涂点的灰度均值和填涂面积超过第四初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中大于一个填涂点被填涂的情况下,则比较各个超过第四初始门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,并认定识别结果有效,结束该题识别;
还用于在识别为该多选题的填涂点中存在多个填涂点被填涂的情况下,则比较各个过第四门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,当不存在或者存在一个填涂点被填涂,则认定识别结果有效,结束该题识别。
优选的,所述的多尺度识别处理模块,包括:
第三判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为不定项选择题;
第三计算单元,用于在待识别的客观题是不定项选择题的情况下,计算该不定项选择题填涂点局部的灰度均值以及初始的灰度阈值;
第三统计单元,用于统计待识别的不定项选择题每个填涂点的灰度均值和填涂面积;
第三识别与判断单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该不定项选择题的填涂点已被填涂;在首次识别为该多选题的填涂点中不存在一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第五初始门限值,其中第五初始门限值小于第一初始门限值;
还用于在填涂点的灰度均值和填涂面积超过第五初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在识别为该多选题的填涂点存在多个填涂点被填涂的情况下,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂;在识别为该不定项选择题不存在或存在一个填涂点被填涂的情况下,则判定识别结果有效,结束该不定项选择题识别;
还用于在首次识别为存在多个填涂点被填涂时,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂,并判定此次识别结果有效,结束该题识别。
本发明实施例提供的一种答题卡的识别处理装置,与上述答题卡的识别处理方法出于相同的技术构思,具有相同的有益效果,此处不再赘述。
Claims (10)
1.一种答题卡的识别处理方法,其特征在于,包括以下步骤:
对填涂有标准答案的答题卡样卷进行识别和处理,获取答题卡模板数据和标准答案码流;
扫描待识别的答题卡并获取答题卡图像,对答题卡图像进行基于直线重合与仿射变换的实时粗定位与纠偏处理,以及进行基于局部特征匹配的实时精确定位与纠偏处理;
对精确定位和纠偏处理之后的图像进行基于自适应门限的多尺度识别处理,获得答题卡上填涂信息的码流;
将答题卡上填涂信息的码流与标准答案码流进行匹配,精确输出评阅结果。
2.如权利要求1所述的答题卡的识别处理方法,其特征在于:
所述的基于局部特征匹配的实时精确定位与纠偏处理,包括以下步骤:
根据答题卡模板中的客观题数据,获取并确定答题卡图像中的客观题区域;
在客观题区域中查找出所有题目对象并对所有题目对象进行题号识别,获得题目对象的题号信息;
根据答题卡模板中的题号数据,对客观题区域中的答案填涂点进行分题定位;其中,所述答题卡模板中的题号数据包括题号位置、题号的宽与高、答案填涂点的位置、答案填涂点的宽与高、题号与填涂点的间距、答案填涂点与答案填涂点的间距和每题填涂点数;
获取未能进行题号识别的题目对象,根据与其相邻的已识别的题目对象的题号位置信息和与其在答题卡模板中所对应的题目对象的题号位置信息,计算获得未识别的题目对象的偏移量,对未识别的题目对象所对应的答题卡模板中的题号位置信息进行修正,并获得未识别的题目对象的实际位置信息,完成答题区域中的答案填涂点的定位。
3.如权利要求1所述的答题卡的识别处理方法,其特征在于:
所述的基于自适应门限的多尺度识别处理,包括以下步骤:
获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为单选题;
在待识别的客观题是单选题的情况下,计算待识别的单选题填涂点局部的灰度均值以及初始的灰度阈值;
统计该单选题的填涂点的灰度均值和填涂面积;
在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该单选题的填涂点已被填涂;
在首次识别为该单选题的填涂点中只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
在识别该单选题的所有填涂点中不存在任何填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第二初始门限值,其中第二初始门限值小于第一初始门限值;在灰度均值和填涂面积超过第二初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第二初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
在识别该单选题的所有填涂点中存在多个填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第三初始门限值,其中第三初始门限值大于第一初始门限值;在灰度均值和填涂面积超过第三初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第三初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别。
4.如权利要求1所述的答题卡的识别处理方法,其特征在于:
所述的基于自适应门限的多尺度识别处理,包括以下步骤:
获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为多选题;
在待识别的客观题是多选题的情况下,计算待识别的多选题填涂点局部的灰度均值以及初始的灰度阈值;以及统计待识别客观题每个填涂点的灰度均值和填涂面积;
在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中少于或等于一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第四初始门限值,其中第四初始门限值小于第一初始门限值;
在填涂点的灰度均值和填涂面积超过第四初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中大于一个填涂点被填涂的情况下,则比较各个超过第四初始门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,并认定识别结果有效,结束该题识别;
在识别为该多选题的填涂点中存在多个填涂点被填涂的情况下,则比较各个过第四门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,当不存在或者存在一个填涂点被填涂,则认定识别结果有效,结束该题识别。
5.如权利要求1所述的答题卡的识别处理方法,其特征在于:
所述的基于自适应门限的多尺度识别处理,包括以下步骤:
获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为不定项选择题;
在待识别的客观题是不定项选择题的情况下,计算该不定项选择题填涂点局部的灰度均值以及初始的灰度阈值;以及统计待识别的不定项选择题每个填涂点的灰度均值和填涂面积;
在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该不定项选择题的填涂点已被填涂;在首次识别为该多选题的填涂点中不存在一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第五初始门限值,其中第五初始门限值小于第一初始门限值;
在填涂点的灰度均值和填涂面积超过第五初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在识别为该多选题的填涂点存在多个填涂点被填涂的情况下,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂;在识别为该不定项选择题不存在或存在一个填涂点被填涂的情况下,则判定识别结果有效,结束该不定项选择题识别;
在首次识别为存在多个填涂点被填涂时,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂,并判定此次识别结果有效,结束该题识别。
6.一种答题卡的识别处理装置,其特征在于,包括有:
获取模块,对填涂有标准答案的答题卡样卷进行识别和处理,获取答题卡模板数据和标准答案码流;
实时粗定位与纠偏处理模块,用于扫描待识别的答题卡并获取答题卡图像,对答题卡图像进行基于直线重合与仿射变换的实时粗定位与纠偏处理;
实时精确定位与纠偏处理模块,用于对答题卡图像进行基于局部特征匹配的实时精确定位与纠偏处理;
多尺度识别处理模块,用于对精确定位和纠偏处理之后的图像进行基于自适应门限的多尺度识别处理,获得答题卡上填涂信息的码流;
匹配与输出模块,用于将答题卡上填涂信息的码流与标准答案码流进行匹配,精确输出评阅结果。
7.如权利要求6所述的答题卡的识别处理装置,其特征在于:
所述的实时精确定位与纠偏处理模块,包括:
获取单元,用于根据答题卡模板中的客观题数据,获取并确定答题卡图像中的客观题区域;
查找单元,用于在客观题区域中查找出所有题目对象并对所有题目对象进行题号识别,获得题目对象的题号信息;
分题定位单元,用于根据答题卡模板中的题号数据,对客观题区域中的答案填涂点进行分题定位;其中,所述答题卡模板中的题号数据包括题号位置、题号的宽与高、答案填涂点的位置、答案填涂点的宽与高、题号与填涂点的间距、答案填涂点与答案填涂点的间距和每题填涂点数;
计算与修正单元,用于获取未能进行题号识别的题目对象,根据与其相邻的已识别的题目对象的题号位置信息和与其在答题卡模板中所对应的题目对象的题号位置信息,计算获得未识别的题目对象的偏移量,对未识别的题目对象所对应的答题卡模板中的题号位置信息进行修正,并获得未识别的题目对象的实际位置信息,完成答题区域中的答案填涂点的定位。
8.如权利要求6所述的答题卡的识别处理装置,其特征在于:
所述的多尺度识别处理模块,包括:
第一判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为单选题;
第一计算单元,用于在待识别的客观题是单选题的情况下,计算待识别的单选题填涂点局部的灰度均值以及初始的灰度阈值;
第一统计单元,用于统计该单选题的填涂点的灰度均值和填涂面积;
第一识别单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该单选题的填涂点已被填涂;
第一识别与判断单元,用于在首次识别为该单选题的填涂点中只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
还用于在识别该单选题的所有填涂点中不存在任何填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第二初始门限值,其中第二初始门限值小于第一初始门限值;在灰度均值和填涂面积超过第二初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第二初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别;
还用于在识别该单选题的所有填涂点中存在多个填涂点被填涂的情况下,则判断灰度均值和填涂面积是否超过第三初始门限值,其中第三初始门限值大于第一初始门限值;在灰度均值和填涂面积超过第三初始门限值的情况下,则识别为该单选题的填涂点已被填涂;在该单选题的填涂点中存在多个填涂点被填涂的情况下,则对多个识别为被填涂的填涂点的灰度均值进行比较,若各个超过第三初始门限值的填涂点间的灰度均值差异大于预设值,则识别为灰度均值最小的填涂点被填涂,否则识别为所有的填涂点被填涂;在识别为不存在或者只存在一个填涂点被填涂的情况下,则判定该识别结果有效,结束该单选题的填涂识别。
9.如权利要求6所述的答题卡的识别处理装置,其特征在于:
所述的基于自适应门限的多尺度识别处理模块,包括:
第二判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为多选题;
第二计算单元,用于在待识别的客观题是多选题的情况下,计算待识别的多选题填涂点局部的灰度均值以及初始的灰度阈值;
第二统计单元,统计待识别客观题每个填涂点的灰度均值和填涂面积;
第二识别与判断单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中少于或等于一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第四初始门限值,其中第四初始门限值小于第一初始门限值;
还用于在填涂点的灰度均值和填涂面积超过第四初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在首次识别为该多选题的填涂点中大于一个填涂点被填涂的情况下,则比较各个超过第四初始门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,并认定识别结果有效,结束该题识别;
还用于在识别为该多选题的填涂点中存在多个填涂点被填涂的情况下,则比较各个过第四门限值的填涂点间的灰度均值,剔除均值差异大于预设值的填涂点,当不存在或者存在一个填涂点被填涂,则认定识别结果有效,结束该题识别。
10.如权利要求6所述的答题卡的识别处理装置,其特征在于:
所述的多尺度识别处理模块,包括:
第三判断单元,用于获取待识别的客观题的属性信息,根据属性信息,判断待识别的客观题是否为不定项选择题;
第三计算单元,用于在待识别的客观题是不定项选择题的情况下,计算该不定项选择题填涂点局部的灰度均值以及初始的灰度阈值;
第三统计单元,用于统计待识别的不定项选择题每个填涂点的灰度均值和填涂面积;
第三识别与判断单元,用于在填涂点的灰度均值和填涂面积超过第一初始门限值的情况下,则识别为该不定项选择题的填涂点已被填涂;在首次识别为该多选题的填涂点中不存在一个填涂点被填涂的情况下,则判断该多选题的填涂点灰度均值和填涂面积是否超过第五初始门限值,其中第五初始门限值小于第一初始门限值;
还用于在填涂点的灰度均值和填涂面积超过第五初始门限值的情况下,则识别为该多选题的填涂点已被填涂;在识别为该多选题的填涂点存在多个填涂点被填涂的情况下,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂;在识别为该不定项选择题不存在或存在一个填涂点被填涂的情况下,则判定识别结果有效,结束该不定项选择题识别;
还用于在首次识别为存在多个填涂点被填涂时,则比较各个超过第五初始门限值的填涂点间的灰度均值,若各个超过第五初始门限值的填涂点间的灰度均值差异大于预设值,则判定灰度均值最小的填涂点被填涂,否则判定所有的超过第五初始门限值的填涂点均被填涂,并判定此次识别结果有效,结束该题识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810327694.8A CN108537218B (zh) | 2018-04-12 | 2018-04-12 | 一种答题卡的识别处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810327694.8A CN108537218B (zh) | 2018-04-12 | 2018-04-12 | 一种答题卡的识别处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537218A true CN108537218A (zh) | 2018-09-14 |
CN108537218B CN108537218B (zh) | 2022-04-05 |
Family
ID=63480013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810327694.8A Active CN108537218B (zh) | 2018-04-12 | 2018-04-12 | 一种答题卡的识别处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537218B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215448A (zh) * | 2018-11-23 | 2019-01-15 | 宁波宁大教育设备有限公司 | 一种客观题答案模板卡和客观题答案判断方法及装置 |
CN110490181A (zh) * | 2019-08-14 | 2019-11-22 | 北京思图场景数据科技服务有限公司 | 一种基于ocr识别技术的表单填写审核方法、装置、设备以及计算机存储介质 |
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 |
CN110647879A (zh) * | 2019-08-06 | 2020-01-03 | 安徽学云教育科技有限公司 | 一种答题卡客观题识别方法 |
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 |
CN111931731A (zh) * | 2020-09-24 | 2020-11-13 | 北京易真学思教育科技有限公司 | 判题方法、装置、电子设备及存储介质 |
CN112686143A (zh) * | 2020-12-29 | 2021-04-20 | 科大讯飞股份有限公司 | 客观题填涂的识别方法、电子设备和存储介质 |
CN113743294A (zh) * | 2021-09-02 | 2021-12-03 | 科大讯飞股份有限公司 | 客观题答题识别方法和阅卷系统、设备、介质 |
CN117237585A (zh) * | 2023-11-10 | 2023-12-15 | 山东科技大学 | 答题卡的光学标记定位识别方法、系统、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103559490A (zh) * | 2013-10-11 | 2014-02-05 | 华南理工大学 | 基于二值图像连通域统计的答题卡自动评分方法 |
CN103745104A (zh) * | 2013-12-31 | 2014-04-23 | 广东工业大学 | 一种基于增强现实技术的评卷方法 |
US20140247965A1 (en) * | 2013-03-04 | 2014-09-04 | Design By Educators, Inc. | Indicator mark recognition |
CN104134072A (zh) * | 2014-07-04 | 2014-11-05 | 北京学信速达科技有限公司 | 一种答题卡识别方法 |
CN104820835A (zh) * | 2015-04-29 | 2015-08-05 | 岭南师范学院 | 一种试卷自动阅卷方法 |
CN105989347A (zh) * | 2015-02-28 | 2016-10-05 | 科大讯飞股份有限公司 | 客观题智能阅卷方法及系统 |
-
2018
- 2018-04-12 CN CN201810327694.8A patent/CN108537218B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20140247965A1 (en) * | 2013-03-04 | 2014-09-04 | Design By Educators, Inc. | Indicator mark recognition |
CN103559490A (zh) * | 2013-10-11 | 2014-02-05 | 华南理工大学 | 基于二值图像连通域统计的答题卡自动评分方法 |
CN103745104A (zh) * | 2013-12-31 | 2014-04-23 | 广东工业大学 | 一种基于增强现实技术的评卷方法 |
CN104134072A (zh) * | 2014-07-04 | 2014-11-05 | 北京学信速达科技有限公司 | 一种答题卡识别方法 |
CN105989347A (zh) * | 2015-02-28 | 2016-10-05 | 科大讯飞股份有限公司 | 客观题智能阅卷方法及系统 |
CN104820835A (zh) * | 2015-04-29 | 2015-08-05 | 岭南师范学院 | 一种试卷自动阅卷方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215448A (zh) * | 2018-11-23 | 2019-01-15 | 宁波宁大教育设备有限公司 | 一种客观题答案模板卡和客观题答案判断方法及装置 |
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 |
CN110647879A (zh) * | 2019-08-06 | 2020-01-03 | 安徽学云教育科技有限公司 | 一种答题卡客观题识别方法 |
CN110647879B (zh) * | 2019-08-06 | 2023-04-07 | 安徽学云教育科技有限公司 | 一种答题卡客观题识别方法 |
CN110490181B (zh) * | 2019-08-14 | 2022-04-22 | 北京思图场景数据科技服务有限公司 | 一种基于ocr识别技术的表单填写审核方法、装置、设备以及计算机存储介质 |
CN110490181A (zh) * | 2019-08-14 | 2019-11-22 | 北京思图场景数据科技服务有限公司 | 一种基于ocr识别技术的表单填写审核方法、装置、设备以及计算机存储介质 |
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 |
CN111931731B (zh) * | 2020-09-24 | 2021-11-02 | 北京易真学思教育科技有限公司 | 判题方法、装置、电子设备及存储介质 |
CN111931731A (zh) * | 2020-09-24 | 2020-11-13 | 北京易真学思教育科技有限公司 | 判题方法、装置、电子设备及存储介质 |
CN112686143A (zh) * | 2020-12-29 | 2021-04-20 | 科大讯飞股份有限公司 | 客观题填涂的识别方法、电子设备和存储介质 |
CN112686143B (zh) * | 2020-12-29 | 2023-12-01 | 科大讯飞股份有限公司 | 客观题填涂的识别方法、电子设备和存储介质 |
CN113743294A (zh) * | 2021-09-02 | 2021-12-03 | 科大讯飞股份有限公司 | 客观题答题识别方法和阅卷系统、设备、介质 |
CN117237585A (zh) * | 2023-11-10 | 2023-12-15 | 山东科技大学 | 答题卡的光学标记定位识别方法、系统、设备和存储介质 |
CN117237585B (zh) * | 2023-11-10 | 2024-01-30 | 山东科技大学 | 答题卡的光学标记定位识别方法、系统、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108537218B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537218A (zh) | 一种答题卡的识别处理方法及装置 | |
CN104143094B (zh) | 一种无需答题卡的试卷自动阅卷处理方法及系统 | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN110008933A (zh) | 一种通用智能阅卷系统和方法 | |
CN109977957A (zh) | 一种基于深度学习的发票识别方法及系统 | |
CN110597806A (zh) | 一种基于批阅识别的错题集生成与答题统计系统及方法 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN107622463A (zh) | 一种出卷及自动阅卷系统及方法 | |
CN107832768A (zh) | 基于深度学习的高效阅卷方法和阅卷系统 | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN110689013A (zh) | 一种基于特征识别的自动阅卷方法及系统 | |
CN101334814A (zh) | 一种自动化的扫描阅卷系统及阅卷方法 | |
CN110659584A (zh) | 一种基于图像识别的智能留痕阅卷系统 | |
CN106599887B (zh) | 试卷答题区域识别及试题评阅方法、系统 | |
CN111091538A (zh) | 一种管道焊缝自动识别、缺陷检测方法及装置 | |
EP3567597A1 (en) | Method and apparatus of diagnostic test | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN110909035A (zh) | 个性化复习题集生成方法、装置、电子设备及存储介质 | |
CN107067399A (zh) | 一种试卷图像分割处理方法 | |
CN103577837A (zh) | 答题卡图片判读统计分析系统 | |
CN107633201A (zh) | 一种答题卡智能识别方法和系统 | |
CN107220610A (zh) | 一种应用于阅卷系统的主观题分数识别方法 | |
CN210038810U (zh) | 智能评测设备及系统 | |
CN115482535A (zh) | 一种试卷自动批改方法、存储介质及设备 | |
CN101013471A (zh) | 一种自动处理选择类型评测卷的方法 |
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 |