CN109460762A - 一种基于图像识别的答题卡评分方法 - Google Patents
一种基于图像识别的答题卡评分方法 Download PDFInfo
- Publication number
- CN109460762A CN109460762A CN201811220360.7A CN201811220360A CN109460762A CN 109460762 A CN109460762 A CN 109460762A CN 201811220360 A CN201811220360 A CN 201811220360A CN 109460762 A CN109460762 A CN 109460762A
- Authority
- CN
- China
- Prior art keywords
- image
- answering card
- value
- answer
- screenshot
- 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
- 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
- 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
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的答题卡评分方法。该方法为：首先对扫描出的答题卡图像依次进行灰度处理、二值化处理，得到二值化的灰度图像；然后进行全局定位块的识别，判断答题卡的正反面，对图像进行旋转矫正；接着识别出所有的局部定位块对，将每行题目进行截图操作，对于选择题截图，识别出填涂位置，并根据选项划分比例计算出填涂的答案；对于主观题截图，通过红色的HSV模型判断出评分结果；最后将答题卡识别结果数据与标准答案比对，计算出该答题卡最终的得分。本发明降低了答题卡识别的硬件成本，提供了包括选择题和主观题的识别方法，并具有较高的准确率和容错率，提高了评卷效率。
Description
技术领域
本发明属于答题卡识别技术领域，特别是一种基于图像识别的答题卡评分方法。
背景技术
答题卡是考试中常用的答题介质和手段，如今在考试中选择题部分一般均采用标准化答题卡的形式，由考生将所选择的答案使用2B铅笔填涂在答题卡上。目前答题卡应用，通常采用光标阅读机设备，对答题卡进行扫描并获得成绩数据。答题卡在使用之前，必须对答题卡填涂区域的旁边或顶部设置坐标位置锚点，以便光标阅读机定位到需要识别的位置。光标阅读机对答题卡纸质有较高的要求，普通打印纸无法进行识别。光标阅读机方式的答题卡应用成本很高，使用限制过多，因此光标阅读机的答题卡方式主要应用在一些大型考试场合，而普通的教师很难将其应用于日常练习、测试等教学活动中。
目前已出现一些技术手段，可实现自制答题卡，使用普通扫描仪进行扫描并识别，但由于纸张厚薄不均匀、纸张潮湿程度不同、静电影响、扫描仪设备走纸设备不精确等客观因素，造成扫描的答题卡图片经常出现位置偏移、倾斜、大小失真等问题，进而造成答题卡识别不精确，成绩数据有误的后果，严重影响了答题卡技术的发展。此外，目前答题卡识别仅限于客观题的识别，对于主观题分数方面的识别和统计有所欠缺。
发明内容
本发明的目的在于提供一种硬件成本低、能够进行选择题和主观题的识别、准确率和容错率高的基于图像识别的答题卡评分方法。
实现本发明目的的技术解决方案为：一种基于图像识别的答题卡评分方法，包括以下步骤：
步骤1、对答题卡图像依次进行灰度处理和二值化处理，得到答题卡的二值化灰度图像；
步骤2、识别出全局定位块的位置信息；
步骤3、判断当前图像是答题卡的正面还是反面；
步骤4、根据全局定位块的位置信息，对图像进行歪曲矫正；
步骤5、识别出局部定位块的位置信息；
步骤6、将每行题目进行截图操作；
步骤7、对于选择题，截图操作基于二值化处理和矫正之后的灰度图，分析截图上的灰度浓度及范围，识别填涂区域，判断填涂的答案；
步骤8、对于主观题，截图操作基于矫正之后的原图，基于HSV颜色模型将截图二值化，分析截图上的红色区域，判断标记分数；
步骤9、根据识别结果数据集与标准答案，计算该答题卡的最终得分。
进一步地，步骤1所述的对答题卡图像依次进行灰度处理和二值化处理，得到答题卡的二值化灰度图像，具体如下：
步骤1.1、利用OPENCV库的BGR颜色模型转GRAY颜色模型的方法，将扫描图进行灰度处理；
步骤1.2、在灰度化的图像上进行二值化处理，将结果图像中白色的灰度值置为255，黑色的灰度值置为0。
进一步地，步骤2所述的识别出全局定位块的位置信息，具体如下：
步骤2.1、根据答题卡实际情况，按照设定比例1:n对于预处理后的图像进行纵向截取操作，使得图像1/(n+1)部分的截取结果图满足仅包含两个全局定位块的要求；
步骤2.2、对截取结果图利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤2.3、根据宽高值和轮廓中的平均灰度值，筛选出满足全局定位块的轮廓；若筛选结果有且仅有两个满足的轮廓，则全局定位块识别成功。
进一步地，步骤3所述的判断当前图像为答题卡正面还是反面，具体如下：
步骤3.1、比较前后两个全局定位块的位置信息，前者取位置信息横坐标值，后者取位置信息横坐标加上宽度后的值，若前者值大于后者值则为答题卡正面图像，反之为答题卡反面图像；
步骤3.2、对于答题卡正面图像，进行选择题和主观题的识别；
步骤3.3、对于答题卡反面图像，进行剩余主观题的识别。
进一步地，步骤4所述的根据全局定位块的位置信息，对图像进行歪曲矫正，具体如下：
步骤4.1、根据两个全局定位块右上角处的横纵坐标，计算两角连线与水平方向夹角的正切值，得到此夹角的值，即为图像的歪曲角度；
步骤4.2、利用OPENCV库的仿射变换方法，以图像中心点为旋转中心，按照歪曲角度对扫描原图和二值化灰度图进行矫正；
步骤4.3、在矫正后的二值化灰度图上，重新识别全局定位块，得到新的位置信息。
进一步地，步骤5所述的识别出局部定位块的位置信息，具体如下：
步骤5.1、以第一个全局定位块的横坐标为界值，横向截取二值化灰度图，截取结果图包含所有的左侧局部定位块；
步骤5.2、以第二个全局定位块的横坐标加上宽度后的值为界值，横向截取二值化灰度图，截取结果图包含所有的右侧局部定位块；
步骤5.3、对截取结果图利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤5.4、根据宽高值和轮廓中的平均灰度值，筛选出满足局部定位块的轮廓；若筛选出的左右局部定位块数量一致，则局部定位块识别成功。
进一步地，步骤6所述的将每行题目进行截图操作，具体包括：
步骤6.1、按序提取左右的一对局部定位块，将两者较小的纵坐标加上两者较大的高度一半作为上界，将两者较大的纵坐标减去两者较大的高度一半作为下界，将左定位块较大的横坐标作为左界，将右定位块较小的横坐标值作为右界；
步骤6.2、对于选择题，以步骤6.1中所述上下左右边界截取二值化灰度图，截取结果图满足包含整行选择题的要求；
步骤6.3、对于主观题，以步骤6.1中所述上下左右边界截取答题卡扫描原图，截取结果图满足，包含一道主观题的分数标记区域。
进一步地，步骤7所述对于选择题，截图操作基于二值化处理和矫正之后的灰度图，分析截图上的灰度浓度及范围，识别填涂区域，判断填涂的答案，具体包括：
步骤7.1、根据选择题的行数，按序取出相关区域截图；
步骤7.2、对于每张截图，利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤7.3、根据宽高值和轮廓中的平均灰度值，筛选出满足填涂要求的轮廓；
步骤7.4、划分截图，得到一行四题的选项位置信息，将填涂轮廓位置信息与选项位置信息比对，得到所填涂的答案。
进一步地，步骤8所述的对于主观题，截图操作基于矫正之后的原图，基于HSV颜色模型将截图二值化，分析截图上的红色区域，判断标记分数，具体如下：
步骤8.1、截取出剩余的左右定位块，为客观题分数标记区域；
步骤8.2、在HSV颜色模型中，截取红色取值范围，将截取的扫描原图进行二值化处理，原红色部分转换为白色，灰度值置为255，其余部分转换为黑色，灰度值置为0；
步骤8.3、对HSV模型二值化后的图像，依据标记分值划分区域，对每一区域内白色像素点进行统计，若达到白色像素点总数的30％则视为该分数区域做了标记，该主观题得到相应的分数；若达到所述比例30％的区域存在多个，则视为该主观题分数标记有误。
进一步地，所述根据识别结果数据集与标准答案，计算该答题卡的最终得分，具体如下：
将选择题识别答案与标准答案比对，依照分值计算选择题总得分，加上答题卡客观题识别分数，得到该答题卡的最终评分结果。
本发明与现有技术相比，其显著优点在于：(1)基于图像识别进行答题卡评分，降低了答题卡识别的硬件成本；(2)能够进行选择题和主观题的识别方法，并具有较高的准确率和容错率，提高了评卷效率。
附图说明
图1为本发明基于图像识别的答题卡评分方法的流程示意图。
图2为本发明实施例中答题卡正面的扫描图。
图3为本发明实施例中答题卡反面的扫描图。
图4为本发明实施例中答题卡正面扫描图像灰度处理及二值化处理之后的图。
图5为本发明实施例中基于二值化灰度图像截取的包含两个全局定位块图。
图6为本发明实施例中歪曲矫正之后的扫描原图。
图7为本发明实施例中歪曲矫正之后的二值化灰度图。
图8为本发明实施例中基于矫正后的二值化灰度图像所截取的包含左侧局部定位块图。
图9为本发明实施例中基于矫正后的二值化灰度图像所截取的包含右侧局部定位块图。
图10为本发明实施例中基于矫正后的二值化灰度图像所截取的包含某一行选择题的图。
图11为本发明实施例中基于矫正后的扫描原图所截取的包含某一道主观题的图。
图12为本发明实施例中基于HSV颜色模型对图11的二值化处理图。
具体实施方式
结合图1，本发明基于图像识别的答题卡评分方法，包括以下步骤：
步骤1、对答题卡图像依次进行灰度处理和二值化处理，得到答题卡的二值化灰度图像；
步骤2、识别出全局定位块的位置信息；
步骤3、判断当前图像是答题卡的正面还是反面；
步骤4、根据全局定位块的位置信息，对图像进行歪曲矫正；
步骤5、识别出局部定位块的位置信息；
步骤6、将每行题目进行截图操作；
步骤7、对于选择题，截图操作基于二值化处理和矫正之后的灰度图，分析截图上的灰度浓度及范围，识别填涂区域，判断填涂的答案；
步骤8、对于主观题，截图操作基于矫正之后的原图，基于HSV颜色模型将截图二值化，分析截图上的红色区域，判断标记分数；
步骤9、根据识别结果数据集与标准答案，计算该答题卡的最终得分。
作为一种具体示例，步骤1所述的对答题卡图像依次进行灰度处理和二值化处理，得到答题卡的二值化灰度图像，具体如下：
步骤1.1、利用OPENCV库的BGR颜色模型转GRAY颜色模型的方法，将扫描图进行灰度处理；
步骤1.2、在灰度化的图像上进行二值化处理，将结果图像中白色的灰度值置为255，黑色的灰度值置为0。
作为一种具体示例，步骤2所述的识别出全局定位块的位置信息，具体如下：
步骤2.1、根据答题卡实际情况，按照设定比例1:n对于预处理后的图像进行纵向截取操作，使得图像1/(n+1)部分的截取结果图满足仅包含两个全局定位块的要求；
步骤2.2、对截取结果图利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤2.3、根据宽高值和轮廓中的平均灰度值，筛选出满足全局定位块的轮廓；若筛选结果有且仅有两个满足的轮廓，则全局定位块识别成功。
作为一种具体示例，步骤3所述的判断当前图像为答题卡正面还是反面，具体如下：
步骤3.1、比较前后两个全局定位块的位置信息，前者取位置信息横坐标值，后者取位置信息横坐标加上宽度后的值，若前者值大于后者值则为答题卡正面图像，反之为答题卡反面图像；
步骤3.2、对于答题卡正面图像，进行选择题和主观题的识别；
步骤3.3、对于答题卡反面图像，进行剩余主观题的识别。
作为一种具体示例，步骤4所述的根据全局定位块的位置信息，对图像进行歪曲矫正，具体如下：
步骤4.1、根据两个全局定位块右上角处的横纵坐标，计算两角连线与水平方向夹角的正切值，得到此夹角的值，即为图像的歪曲角度；
步骤4.2、利用OPENCV库的仿射变换方法，以图像中心点为旋转中心，按照歪曲角度对扫描原图和二值化灰度图进行矫正；
步骤4.3、在矫正后的二值化灰度图上，重新识别全局定位块，得到新的位置信息。
作为一种具体示例，步骤5所述的识别出局部定位块的位置信息，具体如下：
步骤5.1、以第一个全局定位块的横坐标为界值，横向截取二值化灰度图，截取结果图包含所有的左侧局部定位块；
步骤5.2、以第二个全局定位块的横坐标加上宽度后的值为界值，横向截取二值化灰度图，截取结果图包含所有的右侧局部定位块；
步骤5.3、对截取结果图利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤5.4、根据宽高值和轮廓中的平均灰度值，筛选出满足局部定位块的轮廓；若筛选出的左右局部定位块数量一致，则局部定位块识别成功。
作为一种具体示例，步骤6所述的将每行题目进行截图操作，具体包括：
步骤6.1、按序提取左右的一对局部定位块，将两者较小的纵坐标加上两者较大的高度一半作为上界，将两者较大的纵坐标减去两者较大的高度一半作为下界，将左定位块较大的横坐标作为左界，将右定位块较小的横坐标值作为右界；
步骤6.2、对于选择题，以步骤6.1中所述上下左右边界截取二值化灰度图，截取结果图满足包含整行选择题的要求；
步骤6.3、对于主观题，以步骤6.1中所述上下左右边界截取答题卡扫描原图，截取结果图满足，包含一道主观题的分数标记区域。
作为一种具体示例，步骤7所述对于选择题，截图操作基于二值化处理和矫正之后的灰度图，分析截图上的灰度浓度及范围，识别填涂区域，判断填涂的答案，具体包括：
步骤7.1、根据选择题的行数，按序取出相关区域截图；
步骤7.2、对于每张截图，利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤7.3、根据宽高值和轮廓中的平均灰度值，筛选出满足填涂要求的轮廓；
步骤7.4、按设定比例划分截图为86个单位，划分截图，得到一行四题的选项位置信息，每道题目占据21个单位，每个填涂区域占2个单位，将填涂轮廓位置信息与选项位置信息比对，得到所填涂的答案。
作为一种具体示例，步骤8所述的对于主观题，截图操作基于矫正之后的原图，基于HSV颜色模型将截图二值化，分析截图上的红色区域，判断标记分数，具体如下：
步骤8.1、截取出剩余的左右定位块，为客观题分数标记区域；
步骤8.2、在HSV颜色模型中，截取红色取值范围，将截取的扫描原图进行二值化处理，原红色部分转换为白色，灰度值置为255，其余部分转换为黑色，灰度值置为0；
步骤8.3、对HSV模型二值化后的图像，依据标记分值划分区域，对每一区域内白色像素点进行统计，若达到白色像素点总数的30％则视为该分数区域做了标记，该主观题得到相应的分数；若达到所述比例30％的区域存在多个，则视为该主观题分数标记有误。
作为一种具体示例，所述根据识别结果数据集与标准答案，计算该答题卡的最终得分，具体如下：
将选择题识别答案与标准答案比对，依照分值计算选择题总得分，加上答题卡客观题识别分数，得到该答题卡的最终评分结果。
下面结合附图及具体实施例对本发明的内容做进一步的说明。
实施例
所述答题卡为A4纸型，使用扫描仪获取答题卡图像，所述答题卡按照固定规则设计，包括正反两面，正面如图2所示，反面如图3所示，每一面均在上方两角处设有全局定位块，正面包括23道单项选择题和2道主观题，反面仅包含2道主观题。
结合图1，一种基于图像识别的答题卡评分方法，包括以下步骤：
步骤1、对所述答题卡图像进行预处理，包括灰度处理和二值化处理，得到所述答题卡的二值化灰度图像，如图4所示，具体如下：
步骤1.1、利用OPENCV库的BGR颜色模型转GRAY颜色模型的方法，将答题卡扫描图进行灰度处理；
步骤1.2、在灰度化的图像上进行二值化处理，将结果图像中白色灰度值置为255，黑色灰度值置为0；
步骤2、识别出全局定位块的位置信息，具体如下：
步骤2.1、根据答题卡实际尺寸和设计规格，按照纵向特定比例1:12，对预处理后的图像进行纵向截取操作，截取结果图满足包含两个全局定位块的要求，如图5所示；
步骤2.2、对截取结果图利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤2.3、设定宽高阈值和轮廓范围内的平均灰度阈值，筛选出满足全局定位块特征的轮廓，其中宽度阈值为扫描图宽度的0.04倍，高度阈值为宽度阈值的0.5倍，平均灰度阈值为150；若筛选结果有且仅有两个满足的轮廓，则视为全局定位块识别成功。
步骤3、判断当前图像为答题卡的正面还是反面，具体如下：
步骤3.1、比较前后两个全局定位块的位置信息，前者取位置信息横坐标值x1，后者取位置信息横坐标x2加上宽度w2后的值，扫描图宽度为W，若x1>W-(x2+w2)，则所述扫描图为答题卡正面图像，反之为答题卡反面图像；
步骤3.2、对于答题卡正面图像，进行单项选择题和2道主观题的识别；
步骤3.3、对于答题卡反面图像，进行剩余2道主观题的识别。
步骤4、根据全局定位块的位置信息，对图像进行歪曲矫正，具体如下：
步骤4.1、根据两个全局定位块右上角处的横纵坐标(x1,y1)、(x2,y2)，计算两角连线与水平方向夹角的正切值tanA＝(y2-y1)/(x2-x1)，得到此夹角的值A，即为图像的歪曲角度；
步骤4.2、利用OPENCV库的仿射变换方法，以图像中心点为旋转中心，对歪曲角度进行矫正，进行矫正的图像包括扫描原图和二值化灰度图，矫正之后的图像如图6和图7所示；
步骤4.3、在矫正后的二值化灰度图上，重新识别全局定位块，得到新的位置信息，方法同步骤2。
步骤5、识别出局部定位块的位置信息，具体如下：
步骤5.1、以第一个全局定位块的横坐标为界值，横向截取二值化灰度图，截取结果图包含所有的左侧局部定位块，如图8所示；
步骤5.2、以第二个全局定位块的横坐标加上宽度后的值为界值，横向截取二值化灰度图，截取结果图包含所有的右侧局部定位块，如图9所示；
步骤5.3、对截取结果图利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤5.4、设定宽高阈值和轮廓范围内的平均灰度阈值，筛选出满足选择题答案填涂特征的轮廓，其中宽度阈值为扫描图宽度的0.01倍，高度阈值为宽度阈值的0.5倍，平均灰度阈值为127；若筛选出的左右局部定位块数量一致，则局部定位块识别成功。
步骤6、将每行题目进行截图操作，具体如下：
步骤6.1、按序提取左右的一对局部定位块，取两者左上角右下角一共四点，其横纵坐标分别为，左定位块左上角(lx1,ly1)、左定位块右下角(lx2,ly2)、右定位块左上角(rx1,ry1)、右定位块右下角(rx2,ry2)，左定位块高度为h1、右定位块高度为h2，当前截图宽度为W，以min(ly1,ry1)+max(h1,h2)/2为上界，以max(ly2,ry2)-max(h1,h2)/2为下界，以lx2为左界，以rx1为右界；
步骤6.2、对于单项选择题，以步骤6.1中所述上下左右边界截取二值化灰度图，截取结果图满足包含整行的单项选择题的要求，如图10所示；
步骤6.3、对于主观题，以步骤6.1中所述上下左右边界截取答题卡扫描原图，截取结果图满足包含一道主观题的分数标记区域的要求，如图11所示；
步骤7、对于单项选择题，按步骤6所述方法截图操作基于二值化处理和矫正之后的灰度图，分析截图上的灰度浓度及范围识别填涂区域，判断填涂的答案，具体如下：
步骤7.1、对每张截图，利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤7.2、根据宽高值和轮廓中的平均灰度值，筛选出满足单项选择题填涂要求的轮廓；
步骤7.3、划分截图为86等份，每个答案填涂区域占2个等份，得到一行四题的选项位置信息，将填涂轮廓位置信息与选项位置信息比对，得到所填涂的答案；
步骤8、对于主观题，按步骤6所述方法截图操作基于矫正之后的原图，基于HSV颜色模型将截图二值化，分析截图上的红色区域，判断标记分数，具体如下：
步骤8.1、若当前为答题卡正面，则进行单项选择题之后的2道主观题的分数标记识别；若当前为答题卡反面，则进行剩余3道主观题的分数标记识别；取出相关区域截图，进行标记分数识别；
步骤8.2、在HSV颜色模型中，截取红色取值范围，将所述截取的扫描原图进行二值化处理，原红色部分转换为白色，灰度值置为255，其余部分转换为黑色，灰度值置为0，如图12所示；
步骤8.3、对HSV模型二值化后的图像，依据标记分值划分区域，对每一区域内白色像素点进行统计，若达到白色像素点总数的30％则视为该分数区域做了标记，该主观题得到相应的分数；若达到所述比例30％的区域存在多个，则视为该主观题分数标记有误。
步骤9、根据识别结果数据集与标准答案，计算所述答题卡的最终得分，具体如下：
识别结果数据集为Json格式数据，将单项选择题识别答案与标准答案比对，依照分值计算选择题总得分，加上答题卡正面与反面的客观题识别分数，得到所述答题卡的最终评分结果。
Claims (10)
1.一种基于图像识别的答题卡评分方法，其特征在于，包括以下步骤：
步骤1、对答题卡图像依次进行灰度处理和二值化处理，得到答题卡的二值化灰度图像；
步骤2、识别出全局定位块的位置信息；
步骤3、判断当前图像是答题卡的正面还是反面；
步骤4、根据全局定位块的位置信息，对图像进行歪曲矫正；
步骤5、识别出局部定位块的位置信息；
步骤6、将每行题目进行截图操作；
步骤7、对于选择题，截图操作基于二值化处理和矫正之后的灰度图，分析截图上的灰度浓度及范围，识别填涂区域，判断填涂的答案；
步骤8、对于主观题，截图操作基于矫正之后的原图，基于HSV颜色模型将截图二值化，分析截图上的红色区域，判断标记分数；
步骤9、根据识别结果数据集与标准答案，计算该答题卡的最终得分。
2.根据权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，步骤1所述的对答题卡图像依次进行灰度处理和二值化处理，得到答题卡的二值化灰度图像，具体如下：
步骤1.1、利用OPENCV库的BGR颜色模型转GRAY颜色模型的方法，将扫描图进行灰度处理；
步骤1.2、在灰度化的图像上进行二值化处理，将结果图像中白色的灰度值置为255，黑色的灰度值置为0。
3.根据权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，步骤2所述的识别出全局定位块的位置信息，具体如下：
步骤2.1、根据答题卡实际情况，按照设定比例1:n对于预处理后的图像进行纵向截取操作，使得图像1/(n+1)部分的截取结果图满足仅包含两个全局定位块的要求；
步骤2.2、对截取结果图利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤2.3、根据宽高值和轮廓中的平均灰度值，筛选出满足全局定位块的轮廓；若筛选结果有且仅有两个满足的轮廓，则全局定位块识别成功。
4.根据权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，步骤3所述的判断当前图像为答题卡正面还是反面，具体如下：
步骤3.1、比较前后两个全局定位块的位置信息，前者取位置信息横坐标值，后者取位置信息横坐标加上宽度后的值，若前者值大于后者值则为答题卡正面图像，反之为答题卡反面图像；
步骤3.2、对于答题卡正面图像，进行选择题和主观题的识别；
步骤3.3、对于答题卡反面图像，进行剩余主观题的识别。
5.根据权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，步骤4所述的根据全局定位块的位置信息，对图像进行歪曲矫正，具体如下：
步骤4.1、根据两个全局定位块右上角处的横纵坐标，计算两角连线与水平方向夹角的正切值，得到此夹角的值，即为图像的歪曲角度；
步骤4.2、利用OPENCV库的仿射变换方法，以图像中心点为旋转中心，按照歪曲角度对扫描原图和二值化灰度图进行矫正；
步骤4.3、在矫正后的二值化灰度图上，重新识别全局定位块，得到新的位置信息。
6.根据权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，步骤5所述的识别出局部定位块的位置信息，具体如下：
步骤5.1、以第一个全局定位块的横坐标为界值，横向截取二值化灰度图，截取结果图包含所有的左侧局部定位块；
步骤5.2、以第二个全局定位块的横坐标加上宽度后的值为界值，横向截取二值化灰度图，截取结果图包含所有的右侧局部定位块；
步骤5.3、对截取结果图利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤5.4、根据宽高值和轮廓中的平均灰度值，筛选出满足局部定位块的轮廓；若筛选出的左右局部定位块数量一致，则局部定位块识别成功。
7.根据权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，步骤6所述的将每行题目进行截图操作，具体包括：
步骤6.1、按序提取左右的一对局部定位块，将两者较小的纵坐标加上两者较大的高度一半作为上界，将两者较大的纵坐标减去两者较大的高度一半作为下界，将左定位块较大的横坐标作为左界，将右定位块较小的横坐标值作为右界；
步骤6.2、对于选择题，以步骤6.1中所述上下左右边界截取二值化灰度图，截取结果图满足包含整行选择题的要求；
步骤6.3、对于主观题，以步骤6.1中所述上下左右边界截取答题卡扫描原图，截取结果图满足，包含一道主观题的分数标记区域。
8.权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，步骤7所述对于选择题，截图操作基于二值化处理和矫正之后的灰度图，分析截图上的灰度浓度及范围，识别填涂区域，判断填涂的答案，具体包括：
步骤7.1、根据选择题的行数，按序取出相关区域截图；
步骤7.2、对于每张截图，利用OPENCV库的矩形轮廓识别方法，找出所有的矩形轮廓；
步骤7.3、根据宽高值和轮廓中的平均灰度值，筛选出满足填涂要求的轮廓；
步骤7.4、划分截图，得到一行四题的选项位置信息，将填涂轮廓位置信息与选项位置信息比对，得到所填涂的答案。
9.权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，步骤8所述的对于主观题，截图操作基于矫正之后的原图，基于HSV颜色模型将截图二值化，分析截图上的红色区域，判断标记分数，具体如下：
步骤8.1、截取出剩余的左右定位块，为客观题分数标记区域；
步骤8.2、在HSV颜色模型中，截取红色取值范围，将截取的扫描原图进行二值化处理，原红色部分转换为白色，灰度值置为255，其余部分转换为黑色，灰度值置为0；
步骤8.3、对HSV模型二值化后的图像，依据标记分值划分区域，对每一区域内白色像素点进行统计，若达到白色像素点总数的30％则视为该分数区域做了标记，该主观题得到相应的分数；若达到所述比例30％的区域存在多个，则视为该主观题分数标记有误。
10.根据权利要求1所述的基于图像识别的答题卡评分方法，其特征在于，骤9所述根据识别结果数据集与标准答案，计算该答题卡的最终得分，具体如下：
将选择题识别答案与标准答案比对，依照分值计算选择题总得分，加上答题卡客观题识别分数，得到该答题卡的最终评分结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811220360.7A CN109460762B (zh) | 2018-10-19 | 2018-10-19 | 一种基于图像识别的答题卡评分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811220360.7A CN109460762B (zh) | 2018-10-19 | 2018-10-19 | 一种基于图像识别的答题卡评分方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109460762A true CN109460762A (zh) | 2019-03-12 |
| CN109460762B CN109460762B (zh) | 2022-05-06 |
Family
ID=65607932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811220360.7A Active CN109460762B (zh) | 2018-10-19 | 2018-10-19 | 一种基于图像识别的答题卡评分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109460762B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112348019A (zh) * | 2020-11-17 | 2021-02-09 | 武汉璞睿互联技术有限公司 | 一种答题卡矫正方法、装置、电子设备及存储介质 |
| CN113408520A (zh) * | 2021-07-16 | 2021-09-17 | 北京南昊科技股份有限公司 | 有痕阅卷方法、批阅装置及存储介质 |
| CN113516079A (zh) * | 2021-07-15 | 2021-10-19 | 湖南昭山智能科技有限公司 | 一种自动改卷系统 |
| CN113657354A (zh) * | 2021-10-19 | 2021-11-16 | 深圳市菁优智慧教育股份有限公司 | 基于深度学习的答题卡识别方法及系统 |
| 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 |
| CN114283434A (zh) * | 2021-11-17 | 2022-04-05 | 淮阴工学院 | 一种基于机器视觉的答题卡识别方法 |
| CN114639108A (zh) * | 2022-05-19 | 2022-06-17 | 江西风向标智能科技有限公司 | 主观题的判分标记识别方法、系统、存储介质及设备 |
| CN114863095A (zh) * | 2022-03-25 | 2022-08-05 | 电子科技大学 | 一种基于颜色转换的答题卡图像分割方法 |
| CN117171654A (zh) * | 2023-11-03 | 2023-12-05 | 酷渲(北京)科技有限公司 | 一种知识萃取方法、装置、设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106651876A (zh) * | 2016-12-13 | 2017-05-10 | 深圳市海云天科技股份有限公司 | 一种答题卡图像处理方法及系统 |
| CN107169488A (zh) * | 2017-05-03 | 2017-09-15 | 四川长虹电器股份有限公司 | 一种票据扫描图像的矫正系统及矫正方法 |
| CN107220610A (zh) * | 2017-05-23 | 2017-09-29 | 杭州施强教育科技有限公司 | 一种应用于阅卷系统的主观题分数识别方法 |
| CN107945194A (zh) * | 2017-10-31 | 2018-04-20 | 四川长虹电器股份有限公司 | 基于OpenCV技术的票据分割方法 |
| CN108009536A (zh) * | 2017-12-01 | 2018-05-08 | 广州摩翼信息科技有限公司 | 扫描阅卷方法及系统 |
-
2018
- 2018-10-19 CN CN201811220360.7A patent/CN109460762B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106651876A (zh) * | 2016-12-13 | 2017-05-10 | 深圳市海云天科技股份有限公司 | 一种答题卡图像处理方法及系统 |
| CN107169488A (zh) * | 2017-05-03 | 2017-09-15 | 四川长虹电器股份有限公司 | 一种票据扫描图像的矫正系统及矫正方法 |
| CN107220610A (zh) * | 2017-05-23 | 2017-09-29 | 杭州施强教育科技有限公司 | 一种应用于阅卷系统的主观题分数识别方法 |
| CN107945194A (zh) * | 2017-10-31 | 2018-04-20 | 四川长虹电器股份有限公司 | 基于OpenCV技术的票据分割方法 |
| CN108009536A (zh) * | 2017-12-01 | 2018-05-08 | 广州摩翼信息科技有限公司 | 扫描阅卷方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 郭崧: "答题卡图像识别系统研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112348019A (zh) * | 2020-11-17 | 2021-02-09 | 武汉璞睿互联技术有限公司 | 一种答题卡矫正方法、装置、电子设备及存储介质 |
| CN113516079A (zh) * | 2021-07-15 | 2021-10-19 | 湖南昭山智能科技有限公司 | 一种自动改卷系统 |
| CN113516079B (zh) * | 2021-07-15 | 2023-01-10 | 湖南从一科技有限公司 | 一种自动改卷系统 |
| CN113408520A (zh) * | 2021-07-16 | 2021-09-17 | 北京南昊科技股份有限公司 | 有痕阅卷方法、批阅装置及存储介质 |
| CN113408520B (zh) * | 2021-07-16 | 2023-12-12 | 北京南昊科技股份有限公司 | 有痕阅卷方法、批阅装置及存储介质 |
| 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 |
| CN113743294B (zh) * | 2021-09-02 | 2024-06-04 | 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 |
| CN113657354A (zh) * | 2021-10-19 | 2021-11-16 | 深圳市菁优智慧教育股份有限公司 | 基于深度学习的答题卡识别方法及系统 |
| CN114283434A (zh) * | 2021-11-17 | 2022-04-05 | 淮阴工学院 | 一种基于机器视觉的答题卡识别方法 |
| CN114283434B (zh) * | 2021-11-17 | 2024-05-28 | 淮阴工学院 | 一种基于机器视觉的答题卡识别方法 |
| CN114863095A (zh) * | 2022-03-25 | 2022-08-05 | 电子科技大学 | 一种基于颜色转换的答题卡图像分割方法 |
| CN114863095B (zh) * | 2022-03-25 | 2023-11-28 | 电子科技大学 | 一种基于颜色转换的答题卡图像分割方法 |
| CN114639108A (zh) * | 2022-05-19 | 2022-06-17 | 江西风向标智能科技有限公司 | 主观题的判分标记识别方法、系统、存储介质及设备 |
| CN117171654B (zh) * | 2023-11-03 | 2024-02-09 | 酷渲(北京)科技有限公司 | 一种知识萃取方法、装置、设备及可读存储介质 |
| CN117171654A (zh) * | 2023-11-03 | 2023-12-05 | 酷渲(北京)科技有限公司 | 一种知识萃取方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109460762B (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460762A (zh) | 一种基于图像识别的答题卡评分方法 | |
| US10713528B2 (en) | System for determining alignment of a user-marked document and method thereof | |
| CN102360419B (zh) | 计算机扫描阅读管理方法及系统 | |
| CN105426879A (zh) | 一种答题卡识别方法及系统 | |
| WO2009124087A1 (en) | Automatic forms identification systems and methods | |
| CN105095892A (zh) | 基于图像处理的学生文档管理系统 | |
| CN104680130A (zh) | 一种身份证汉字识别方法 | |
| CN106790898B (zh) | 一种基于显著性分析的手机屏幕坏点自动检测方法和系统 | |
| CN112446262A (zh) | 文本分析方法、装置、终端和计算机可读存储介质 | |
| CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| CN113012014A (zh) | 一种光学水印防伪印章的电子解码方法 | |
| CN107679479A (zh) | 一种基于图像形态学处理的客观填涂识别方法 | |
| CN109741273A (zh) | 一种手机拍照低质图像的自动处理与评分方法 | |
| CN102081742A (zh) | 一种书写能力的自动评价方法 | |
| CN106815814B (zh) | 一种应用于阅卷系统的图像污染处理方法 | |
| Karunanayake | OMR sheet evaluation by web camera using template matching approach | |
| CN112348019B (zh) | 一种答题卡矫正方法、装置、电子设备及存储介质 | |
| CN104077562B (zh) | 一种答卷的扫描方向判断方法 | |
| CN107066939A (zh) | 一种网上阅卷系统的试卷切割处理方法 | |
| CN111814606A (zh) | 一种技术图像处理和模式识别的自动阅卷系统及实现方法 | |
| CN110298236B (zh) | 一种基于深度学习的盲文图像自动识别方法和系统 | |
| CN108256475B (zh) | 一种票据图像倒置检测方法 | |
| CN116110069A (zh) | 基于编码标志点的答题卡识别方法、装置及其相关介质 | |
| CN113642550B (zh) | 一种基于像素概率分布统计的熵最大化涂卡识别方法 | |
| CN113486786B (zh) | 一种自动作业批改系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Qianmu Inventor after: Sang Xiaonan Inventor after: Liu Yijing Inventor before: Sang Xiaonan Inventor before: Li Qianmu Inventor before: Liu Yijing |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |