CN112686143B - 客观题填涂的识别方法、电子设备和存储介质 - Google Patents
客观题填涂的识别方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112686143B CN112686143B CN202011594613.4A CN202011594613A CN112686143B CN 112686143 B CN112686143 B CN 112686143B CN 202011594613 A CN202011594613 A CN 202011594613A CN 112686143 B CN112686143 B CN 112686143B
- Authority
- CN
- China
- Prior art keywords
- option
- difference
- value
- options
- filling
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 241000931705 Cicada Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种客观题填涂的识别方法、电子设备和存储介质，该方法包括：获取待识别图像中客观题的选项的实际状态信息；其中，选项的实际状态信息用于反映所待识别图像中选项的填涂情况；确定选项的实际状态信息与参考状态信息之间的差异程度；其中，选项的参考状态信息用于反映选项处于未填涂状态；基于选项的差异程度，确定待识别图像中的选项是否被填涂的填涂结果。通过上述方式，本申请能够提升客观题填涂识别的准确率。
Description
技术领域
本申请涉及图像识别技术领域，特别是涉及一种客观题填涂的识别方法、电子设备和存储介质。
背景技术
随着计算机科学与技术的发展，自动化信息处理能力得到了显著的提高。教育模式也一步步向信息自动化方向发展，自动阅卷系统的出现将人从繁重的机械劳动中解放出来，如对客观题的批阅。通过机器进行阅卷有利于教师对学生的成绩做出客观公正的评价，并且自动阅卷的结果容易保存、统计和查询。
目前，自动阅卷系统在客观题填涂识别上，基本上都是根据选项的填涂面积和平均灰度值是否达到某一阈值来进行判定，然而市面上存在各种各样的答题卡的客观题样式和扫描机器，在不同的答题卡样式和不同的扫描环境下很难用一套阈值来识别选项是否填涂，从而导致识别准确率较低。
发明内容
本申请实施例第一方面提供了一种客观题填涂的识别方法，包括：获取待识别图像中客观题的选项的实际状态信息；其中，选项的实际状态信息用于反映所待识别图像中选项的填涂情况；确定选项的实际状态信息与参考状态信息之间的差异程度；其中，选项的参考状态信息用于反映选项处于未填涂状态；基于选项的差异程度，确定待识别图像中的选项是否被填涂的填涂结果。
本申请实施例第二方面提供了一种电子设备，该电子设备包括处理器以及与处理器连接的存储器，存储器用于存储程序数据，处理器用于执行程序数据以实现前述的方法。
本申请实施例第三方面提供了一种计算机可读存储介质，该计算机可读存储介质中存储有程序数据，程序数据在被处理器执行时，用以实现前述的方法。
本申请的有益效果是：区别于现有技术的情况，本申请先获取待识别图像中客观题的选项的实际状态信息，其中，选项的实际状态信息用于反映所待识别图像中选项的填涂情况，然后确定选项的实际状态信息与参考状态信息之间的差异程度，其中，选项的参考状态信息用于反映选项处于未填涂状态，再基于选项的差异程度，确定待识别图像中的选项是否被填涂的填涂结果；上述方案，通过待识别图像中客观题的选项的实际状态信息和未填涂状态下的参考状态信息计算选项填涂前后的差异程度，不同客观题样式、填涂质量和扫描质量的选项不再采用固定阈值的方式进行识别，而是根据选项填涂前后的差异程度，确定待识别图像中的选项是否被填涂的填涂结果，从而能够提高客观题填涂的识别准确率。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要的附图作简单的介绍，显而易见地，下面描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的客观题填涂的识别方法一实施例的流程示意图；
图2是本申请提供的待识别图像的一示意图；
图3是本申请提供的待识别图像的第二示意图；
图4是本申请提供的客观题填涂的识别方法另一实施例的流程示意图；
图5是本申请提供的客观题填涂的识别方法又一实施例的流程示意图；
图6是本申请提供的图5中步骤S34的一实施例的流程示意图；
图7是本申请提供的待识别图像的第三示意图；
图8是本申请提供的待识别图像的第四示意图；
图9是本申请提供的待识别图像的第五示意图；
图10是本申请提供的待识别图像的第六示意图；
图11是本申请提供的待识别图像的第七示意图；
图12是本申请提供的待识别图像的第八示意图；
图13是本申请提供的电子设备一实施例的框架示意图；
图14是本申请提供的计算机存储介质一实施例的框架示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
目前，大部分自动阅卷系统在识别客观题时，对答题卡图像的质量要求往往较高，答题卡的图像质量主要会受到答题卡的样式、填涂质量和扫描环境等因素的影响，若答题卡的质量较差，将会影响客观题的识别准确率。
例如相关技术中，在对客观题进行填涂识别时采用的方法是：所有选项都将各自的填涂面积和平均灰度值与固定阈值进行比较，若都大于对应的固定阈值，则确定选项为填涂，否则，则确定选项为未填涂。由于采用了固定阈值的思路，对于一些扫描情况较差或客观题样式特殊的题块(进行客观题填涂识别的图像)，例如客观题样式偏黑、选项框偏粗或框内字母偏大的题块，若仍采用固定的阈值进行判定，则会降低该类题块的识别准确率；并且在答题卡质量较差的情况下，这种方式会导致识别结果异常的题块(例如处于阈值附近的题块)很多，对于识别结果异常的题块需要进行人工核查，以防止对于一些异常场景里机器识别不准确，由于目前并没有一个过滤机制，所以导致需要人工核查的题块的数量很大。
对此，本申请通过待识别图像中客观题的选项的实际状态信息和未填涂状态下的参考状态信息计算选项填涂前后的差异程度，即将选项填涂后选项的状态与选项未填涂时的状态进行比对，不同客观题样式、填涂质量和扫描质量的选项不再采用固定阈值的方式进行识别，而是根据选项填涂前后的差异程度，确定待识别图像中的选项是否被填涂的填涂结果，从而能够提高客观题填涂的识别准确率。
请参阅图1至图3，图1是本申请提供的客观题填涂的识别方法一实施例的流程示意图，图2是本申请提供的待识别图像的第一示意图，图3是本申请提供的待识别图像的第二示意图。本实施例中，客观题填涂的识别方法可以用于对单项客观题进行填涂识别，单项客观题为只有一个正确选项的客观题类型。客观题填涂的识别方法的执行主体可以为处理器。
该方法可以包括以下步骤：
步骤S11：获取待识别图像中客观题的选项的实际状态信息。
其中，选项的实际状态信息用于反映待识别图像中选项的填涂情况。
可选地，在进行步骤S11之前，还可以包括对答题卡图像的预处理，具体可以包括对答题卡图像灰度处理、图像校正和分割，以得到包括至少一道客观题的待识别图像。
可选地，在进行步骤S11之前，还可以获取选项的宽和高和定位信息，以获取选项在待识别图像中的位置，为后面的填涂识别做准备。其中，选项的宽和高为选项外轮廓的宽和高。
其中，答题卡图像的获取可以采用答题卡阅读机进行扫描，或者采用高拍仪、扫描仪、移动终端等设备进行拍照获取。答题卡阅读机不限于为光标阅读机(Optical MarkReader，OMR)。
步骤S12：确定选项的实际状态信息与参考状态信息之间的差异程度。
其中，选项的参考状态信息用于反映选项处于未填涂状态。
具体地，选项的实际状态信息是指待识别图像中选项的实际填涂情况，而选项的参考信息是指选项在未填涂时获得的信息。其中，待识别图像中的每一个选项都有对应的实际填涂信息和参考填涂信息。
可选地，选项的参考信息的获取有两种方式，一种是获取用户输入的选项的参考状态信息，另一种是根据待识别图像中的多道客观题，获得选项的参考状态信息，从而可以避免由于同一答题卡的扫描情况不同，根据模板图获取的选项的参考信息与实际要识别的选项的参考信息差别较大。
具体地，获取用户输入的选项的参考状态信息可以获取用户输入待识别图像对应的未填涂状态下的图像，然后对未填涂状态下的图像进行分析，从而得到选项的参考状态信息，例如用户可以在答题卡的模板制卡界面进行交互编辑完成，从而获得包含选项参考状态信息的模板图；或者，用户可以直接输入选项的参考状态信息。
具体地，根据待识别图像中的多道客观题，获得选项的参考状态信息可以是在待识别图像存在多道客观题的情况下，初步确定待识别图像中每道客观题中处于未填涂状态的选项；综合多道客观题中相同且处于未填涂状态的选项的实际状态信息，得到选项的参考状态信息。
其中，初步确定待识别图像中每道客观题中处于未填涂状态的选项具体可以是基于选项的实框内填涂面积与实际框内总面积之间的第三比值、实际灰度值，得到选项的置信度，然后根据选项的置信度进行判断，例如，选项的置信度的取值范围为[0,1]，若选项的置信度小于0.1，则初始确定该选项处于未填涂状态。
如图2所示，图2是一张待识别图像，其中包括5道客观题(21～25题)，每题包括四个选项A、B、C、B，初步确定待识别图像中每道客观题中处于未填涂状态的选项分别为第21题的B选项、C选项、D选项，第22题的A选项、C选项、D选项，第23题的A选项、C选项、D选项，第24题的A选项、B选项、D选项，第25题的B选项、C选项、D选项，然后综合第22题、第23题和第24题中的A选项的实际状态信息，计算待识别图像中A选项的参考状态信息，同理，可以计算待识别图像中B选项、C选项和D选项的参考状态信息。
可选地，对于初步观察中处于未填涂状态的选项，则可以将综合计算得到的相同选项的参考状态信息作为该选项的参考状态信息。例如第21题中的A选项，则可以将综合计算得到的A选项的参考状态信息作为第21题中的A选项的参考状态信息。
可选地，对于初步观察中处于未填涂状态的选项，可以将综合计算得到的相同选项的参考状态信息作为该选项的参考状态信息，或者，可以将本选项的实际状态信息作为本选项的参考状态信息。
可选地，实际状态信息和参考状态信息均包括以下至少一种信息：选项的灰度值、选项的框内填涂面积和选项的框内总面积，从而可以综合多个特征维度获得选项的差异程度，从而根据选项的差异程度，确定选项的填涂结果，从而提高选项填涂的识别准确率。
其中，选项的灰度值可以为选项所在区域的平均灰度值，具体可以为选项的框内平均灰度值。
如图2所示，待识别图像中的选项框包括外轮廓和内轮廓，本实施例中，选项的框内指选项框的内轮廓以内的区域。由于只考虑框内的灰度值、填涂面积和总面积，从而可以避免选框的样式和大小的差异对识别准确率的影响。
具体地，选项的实际状态信息可以包括待识别图像中选项的实际灰度值、实际框内填涂面积和实际框内总面积中的至少一种。选项的参考状态信息可以包括待识别图像中选项在未填涂时的参考灰度值、参考框内填涂面积和参考框内总面积中的至少一种。一般地，填涂前后的选项的实际框内总面积与参考框内总面积相等，或约等于相等。若选项被填涂得比较饱满，则框内实际填涂面积与参考框内总面积近似相等。
在未填涂状态下，由于选项未被填涂，此时选项框内的有效像素为选项框内字母对应的像素，从而可以得到在未填涂状态下的参考框内填涂面积为选项框内字母的面积。如图2所示，题块中，第21题的B选项的参考框内填涂面积为选项框内字母B的面积。
可以理解的，若待识别图像中选项为未填涂状态(如图2中第21题的B选项)，则该选项的实际状态信息与参考状态信息的差异程度较小，若待识别图像中选项为填涂状态(如图2中第21题的A选项)，则该选项的实际状态信息与参考状态信息的差异程度较大。
如图3所示，图3中选项A、B、C、D的参考灰度值分别为218、206、220、205，参考框内填涂面积为19、27、16、22，参考框内总面积为84、91、84、91，可见即便是同一待识别图像中的选项之间的参考状态信息也是不同的，若采用同一套阈值识别不同参考状态信息的选项的填涂情况，将会降低识别的准确率。
步骤S13：基于选项的差异程度，确定待识别图像中的选项是否被填涂的填涂结果。
其中，实际状态信息与参考状态信息的差异程度越大的选项，被填涂的概率越大，实际状态信息与参考状态信息的差异程度越小的选项，被填涂的概率越小。
在一些实施方式中，可以将每道题目中所有选项的差异程度进行比对，从而确定待识别图像中的选项是否被填涂的填涂结果，具体内容请参见后面实施例。
在本实施例中，先获取待识别图像中客观题的选项的实际状态信息，其中，选项的实际状态信息用于反映所待识别图像中选项的填涂情况，然后确定选项的实际状态信息与参考状态信息之间的差异程度，其中，选项的参考状态信息用于反映选项处于未填涂状态，再基于选项的差异程度，确定待识别图像中的选项是否被填涂的填涂结果；上述方案，通过待识别图像中客观题的选项的实际状态信息和未填涂状态下的参考状态信息计算选项填涂前后的差异程度，即将选项填涂后选项的状态与选项未填涂时的状态进行比对，不同客观题样式、填涂质量和扫描质量的选项不再采用固定阈值的方式进行识别，而是根据选项填涂前后的差异程度，确定待识别图像中的选项是否被填涂的填涂结果，从而能够提高客观题填涂的识别准确率。
请参阅图4，图4是本申请提供的客观题填涂的识别方法另一实施例的流程示意图。该方法可以包括以下步骤：
步骤S21：获取待识别图像中客观题的选项的实际状态信息，其中，实际状态信息包括实际灰度值和实际框内填涂面积，参考状态信息包括参考灰度值和参考框内填涂面积。
其中，参考灰度值可以记为A，实际灰度值可以记为A1；参考框内填涂面积可以记为B，实际内填涂面积可以记为B1。
本实施例中的步骤S22、S23和S24为上述步骤S12的一种实施方式。具体地，包括对于待识别图像中的每个选项计算灰度差异和填涂差异，以得到每个选项的差异程度。
步骤S22：基于选项的参考灰度值与实际灰度值之间的第一差值，得到选项的灰度差异。
其中，第一差值可以记为A2，灰度差异可以记为f1。在一些实施例中，选项的参考灰度值A与实际灰度值A1之间的第一差值可以记为A2＝A-A1。
在一些实施方式中，可以将选项的参考灰度值与实际灰度值之间的第一差值，作为选项的差异程度，即f1＝A2。
在另一些实施方式中，为了进一步提高识别准确率，可以通过第一参考值筛选出参考灰度值与实际灰度值之间的差值大于第一参考值条件的选项，被第一参考值筛选出的这些选项的被填涂的概率更大。具体地址，步骤S22可以包括：基于选项的第一差值与第一参考值之间的第三差值，得到待定灰度差值，从待定灰度差值与预设灰度差值中选择较大值作为选项的灰度差异。
其中，第一参考值可以记为e，第三差值可以记为A3，待定灰度差值可以记为A4，预设灰度差异可以记为Q。在一些实施方式中，选项的第一差值与第一参考值之间的第三差值可以记为A3＝A2-e，从待定灰度差值与预设灰度差值中选择较大值作为选项的灰度差异可以记为f1＝max(A4,Q)。
若选项的第一差值小于第一参考值，即第三差值小于0，则可以说明该选项的灰度值不满足为被填涂选项的灰度要求，其原因可能的是选项未被填涂或被填涂得较浅。
在一些实施方式中，可以直接将第三差值作为待定灰度值，即待定灰度差值等于第三差值。
在另一些实施方式中，由于选项的差异程度需要综合灰度差异和填涂差异，为了使得差异程度有意义，需要使得灰度差异和填涂差异处于同一计算层次，本实施例在基于第三差值得到待定灰度值时，对第三差值进行转换，例如可以计算第三差值与预设最大灰度值(255)之间的第一比值，作为待定灰度值，记为其中，A4为待定灰度值，R1为第一比值。
在又一些实施方式中，还可以根据灰度差异对选项的差异程度的重要性设置对应的权重值。例如，可以利用第一权重，对第三差值与预设最大灰度值之间的第一比值进行加权，得到待定灰度差值，可以记为第一权重K的取值范围为[0,1]。一般地，对于差异程度越重要，或对差异程度影响程度越大，则设置的权重值越大。本实施例中，K可以为0.4。
一般地，灰度值范围为0～255，其中，黑色的灰度值为0，白色的灰度值为255。对于每个选项来说，其参考灰度值为一个固定的值，若选项被填涂得越深，选项的实际灰度值就越小，则实际灰度值与参考灰度值的第一差值就越大，从而第一差值与第一参考值的第三差值就越大，待定灰度差值也就越大，以待定灰度差值作为该选项的灰度差异，可以提升该选项的填涂可能性，从而提升填涂识别准确率；相反，若选项被填涂得越浅，选项的实际灰度值就越大，则实际灰度值与参考灰度值的第一差值就越小，从而第一差值与第一参考值的第三差值就越小，待定灰度差值也就越小，若待定灰度差值小于预设参考灰度值，则选取较大值，即预设参考灰度值，作为选项的灰度差异，以降低该选项的填涂可能性，从而提升填涂识别准确率。
可以理解的，选项的灰度差异越大，选项的被填涂的可能性越高，选项的灰度差异越小，选项的被填涂的可能性越低。
具体地，可以采用如下公式计算灰度差异：
其中，f1为灰度差异，A选项的参考灰度值，A1为实际灰度值，e为第一参考值，Q为预设灰度差值，K为第一权重。可选地，e和Q的大小可以根据实际情况进行选取，此处不做限定。
可以理解的，本申请中的公式为示例性说明，只有能够通过合乎逻辑的变换得到的公式，都属于本申请的保护范围，例如：
在一些实施方式中，第一参考值E可以为40，预设灰度差值Q可以为0，第一权重K为0.4。具体可以采用如下公式计算灰度差异：
其中，预设参考灰度值设为0，用于表示选项填涂前后没有灰度差异，或灰度差异较小，另外，预设参考灰度值设为0，可以排除灰度差异对选项差异程度的影响。
步骤S23：基于选项的实际框内填涂面积和参考框内填涂面积之间的第二差值，得到选项的填涂差异。
其中，第二差值可以记为B2。在一些实施例中，选项的实际框内填涂面积和参考框内填涂面积之间的第二差值可以记为B2＝B1-B。
具体地，步骤S23可以包括：基于选项的第二差值与第二参考值之间的第四差值，得到待定面积差值，从待定面积差值与预设面积差值中选择较大值作为选项的填涂差异。
其中，第二参考值可记为v，第四差值可以记为B3，待定面积差值可以记为B4，预设面积差值可以记为P，填涂差异可以记为f2。在一些实施方式中，选项的第二差值与第二参考值之间的第四差值可以记为B3＝B2-v，从待定面积差值与预设面积差值中选择较大值作为选项的填涂差异可以记为f2＝max(B4,P)。
若选项的第二差值小于第二参考值，即第四差值小于0，则可以说明该选项的填涂面积不满足为被填涂选项的填涂面积要求，其原因可能是选项的填涂不规范，存在的未填涂的空白部分较多。
在一些实施方式中，可以直接将第四差值作为待定面积差值，即待定面积差值等于第四差值。
在另一些实施方式中，由于选项的差异程度需要综合灰度差异和填涂差异，为了使得差异程度有意义，需要使得灰度差异和填涂差异处于同一计算层次，本实施例在基于第四差值得到待定面积差值时，对第四差值进行转换。具体地，例如可以计算第四差值占参考框内填涂面积的比值，作为待定面积差值，记为
在又一些实施方式中，还可以根据填涂差异对选项的差异程度的重要性设置对应的权重值。例如，可以利用第二权重，对第四差值与参考框内填涂面积之间的第二比值进行加权，得到待定面积差值，记为其中，为B4待定面积差值，R2为第二比值。第二权重T的取值范围为[0,1]。本实施例中，T可以为0.3。
一般地，对于每个选项来说，其参考框内填涂面积为一个固定的值，若选项被填涂得越饱满，选项的实际框内填涂面积就越大，则实际框内填涂面积与参考框内填涂面积的第二差值就越大，从而第二差值与第二参考值的第四差值就越大，待定面积差值也就越大，以待定面积差值作为该选项的填涂差异，可以提升该选项的填涂可能性，从而提升填涂识别准确率；相反，若选项被填涂得越不饱满，选项的实际框内填涂面积就越小，则实际框内填涂面积与参考框内填涂面积的第二差值就越小，从而第二差值与第二参考值的第四差值就越小，待定面积差值也就越小，若待定面积差值小于预设面积差值，则选取较大值，即待定面积差值作为选项的填涂差异，以降低该选项的填涂可能性，从而提升填涂识别准确率。
具体地，可以采用如下公式计算填涂差异：
其中，f2为填涂差异，B为参考框内填涂面积，B1为实际框内填涂面积，v为第二参考值，P为预设面积差值，T为第二权重。可选地，v和P的大小可以根据实际情况进行选取，此处不做限定。
在一些实施方式中，参考状态信息包括参考框内总面积，记为C，第二参考值是对参考框内总面积进行预设运算得到，且小于参考框内总面积。
在一些实施方式中，第二参考值是对参考框内总面积进行开根号运算得到，即第二参考值为参考框内总面积的根号，记为预设面积差值P可以为0。
在一应用场景中，可以将选项框近似为一个正方形，从而对正方形面积进行开根号运算可以得到正方形的边长的大小，而正方形的边长的大小约等于选项框的边长的大小，当选项的第二差值至少大于选项框的边长时，选项的待定面积差值才能大于预设面积差值，从而最后得到的填涂差异才更大。在其他实施方式中，第二参考值为或/>此处不做限制。
在一些实施方式中，第二权重T为0.3。具体可以采用如下公式计算填涂差异：
其中，f2为灰度差异，C为参考框内总面积，B为参考框内填涂面积，B1为实际框内填涂面积。
其中，预设面积差值设为0，用于表示选项填涂前后没有填涂差异，或填涂差异前后较小，另外预设面积差值设为0，可以排除填涂差异对选项差异程度的影响。
步骤S24：利用选项的灰度差异和填涂差异，得到选项的差异程度。
其中，选项的差异程度记为fv。具体地，可以获取选项的灰度差异与填涂差异之和，以作为选项的差异程度，记为fv＝f1+f2。
在一些实施方式中，可以采用如下公式计算选项的差异程度：
在另一些实施方式中，具体可以采用如下公式计算选项的差异程度：
对于上述公式内的各参数的介绍，请参见上述步骤中的相应位置，此处不再赘述。
步骤S25：基于选项的差异程度，确定待识别图像中的选项是否被填涂的填涂结果。
对于本步骤的阐述请参见上述实施例中的相应位置，此处不再赘述。
在本实施例中，通过对于待识别图像中的每个选项计算灰度差异和填涂差异，以得到每个选项的差异程度，综合考虑了选项的灰度差异和填涂差异，其次根据不同差异的重要程度，进一步设置了对应的权重，从而使差异程度能够更加真实的反映选项的填涂情况，提升识别的准确率。
进一步，在计算灰度差异和填涂差异的过程中，通过第一参考值和第二参考值分别对选项的灰度的第一差值和填充面积的第二差值进行了筛选，以排除不符合要求的选项，从而提升识别准确率。
进一步，通过选项框内的实际状态信息和参考状态信息，排除了选项框样式和大小的影响，大大降低了选项样式特殊导致没有被填涂的选项误识别成被填涂的概率，从而提升识别准确率。
请参阅图5至图8，图5是本申请提供的客观题填涂的识别方法又一实施例的流程示意图，图6是本申请提供的图5中步骤S34的一实施例的流程示意图，图7是本申请提供的待识别图像的第三示意图，图8是本申请提供的待识别图像的第四示意图。该方法可以包括以下步骤：
步骤S31：基于选项的实际状态信息，得到选项的置信度。
其中，选项的置信度用于表示选项被填涂的概率，记为value。
本实施例中，实际状态信息包括实际灰度值A1、实际框内填涂面积B1和实际框内总面积C1。具体地，本步骤可以是基于选项的实框内填涂面积与实际框内总面积之间的第三比值、实际灰度值，得到选项的置信度。
其中，选项的实框内填涂面积与实际框内总面积之间的第三比值R3，可以记为可以理解的，若第三比值越接近于1，则说明选项被填涂得越饱满。
在一些实施方式中，可以获取预设最大灰度值与实际灰度值之间的差值与最大灰度值之间的第四比值R4，本实施例中，预设最大灰度值可以为225，即然后可以将第三比值R3与第四比值R4进行加权求和，得到选项的置信度。其中，第三比值和第四比值的权重相加为固定值。可选地，固定值为1。
具体可以采用如下公式计算选项的置信度：
其中，value为选项的置信度，(1-H)为第三比值的权重，H为第四比值的比重，R3为第三比值，R4为第四比值。
在一些实施方式中，灰度值与填涂面积所占的比重相同，则H可以为0.5。
步骤S32：获取待识别图像中客观题的选项的实际状态信息。
其中，选项的实际状态信息用于反映所待识别图像中选项的填涂情况。
步骤S33：确定选项的实际状态信息与参考状态信息之间的差异程度。
其中，选项的参考状态信息用于反映选项处于未填涂状态。
对于步骤S32和S33的说明，请参见上述实施例中的相应位置，此处不再赘述。
基于同一客观题中所有选项的差异程度的比较结果可以对该客观题中的所有选项的置信度进行调整，基于调整后的置信度，筛选出哪些是确信填涂的，哪些是确信未填涂的，哪些是不确定是否填涂的。
本实施例中，步骤S13包括子步骤S34和S35：
步骤S34：基于选项的差异程度，调整选项的置信度。
步骤S35：基于选项经调整后的置信度，得到选项是否被填涂的填涂结果。
其中，选项的置信度的取值范围为[0,1]，置信度越小，则表示选项被填涂的概率越低，置信度越大，则表示选项被填涂的概率越高。
本实施例中，若选项的置信度大于或等于第一置信度阈值，则确定该选项被填涂，若选项的置信度小于或等于第二置信度阈值，则确定该选项未被填涂。可选地，第一置信度阈值和第二置信度阈值可以根据实际情况进行选取。
本实施例中，第一置信度阈值为0.75，第二置信度阈值为0.25。若选项的置信度大于0.75，则确定该选项被填涂，若选项的置信度小于0.25，则确定该选项未被填涂。
在一些实施方式中，步骤S34可以进一步包括步骤S340-S343：
步骤S340：判断选项的差异程度是否满足预设条件。
其中，预设条件不限于包括第一预设条件、第二预设条件和第三预设条件，具体可以参见下面的步骤。可以理解的，步骤S341-S343之间并无固定的先后次序。
步骤S341：若选项的差异程度满足第一预设条件，则将选项的置信度调整至第一置信度阈值以上。
其中，若选项的差异程度满足第一预设条件，且选项的置信度已经在第一置信度阈值以上，则可以不用再对其进行调整，或者也可以将其置信度调整得更大；若选项的置信度不在第一置信度阈值以上，即小于或等于第一置信度阈值，则需要将选项的置信度调整至第一置信度阈值以上。
可选地，第一预设条件可以包括以下至少一者：
(1.1)在属于同一客观题的所有选项中，选项的差异程度为最大值且大于第一差异阈值，最大值与次大值之差大于第二差异阈值。
可选地，第一差异阈值和第二差异阈值可以根据实际情况进行选取。本实施例中，第一差异阈值为0.18，第二差异阈值为0.1。
其中，差异程度中的最大值可以记为maxfv，差异程度中的次大值可以记为secfv。可选地，若属于同一客观题的所有选项中，该选项的差异程度fv满足：fv＝maxfv>0.18&&(maxfv-secfv)>0.1，则说明第一该选项的差异程度满足为被填涂选项的第一差异阈值的要求，其次，该选项的差异程度远大于该题目中的其他选项的差异程度，说明相比于其他选项该选项被填涂的概率更大，从而将该选项的置信度调整至0.75以上，将其他选项的置信度调整至0.25以下。
举例说明，如图7所示，经本实施例方法计算得到，图7中17题的D选项的差异程度为0.35>0.18，B选项的差异程度为0.19>0.18，选项A和选项C的差异程度均为0，若该题为单选题，则根据该题目中选项的差异程度可以得到D选项为被填涂，虽然从图7中可以看到，B选项也存在填涂痕迹，但是填涂较淡，与D选项的差异较大，已经大于大二差异阈值0.1，从而在根据选项的差异程度对选项的置信度进行调整时，将选项D的置信度调整至0.75以上，将其他选项的置信度调整至0.25以下。
另外，同一填涂情况在不同的场景下，可能会出现不同的识别情况。如图8所示，17题的选项B存在填涂，计算得到B选项的差异程度为0.19>0.18，选项A、C、D未填涂，计算得到选项A、C、D的差异程度均为0，此时B选项的置信度为0.5左右，但因为B选项的差异程度为所有选项的差异程度中的最大值且大于0.18，最大值与次大值之差为0.19>0.1，所以同样差异程度为0.19的B选项在本场景下，可以确认为被填涂。
(1.2)所在的客观题为多选题，选项的差异程度大于第一差异阈值。
可以理解的，若该选项为多选题，即该正确答案可以包括多个选项，则无需将该选项的差异程度与其他选项进行对比，只要该选项的差异程度大于0.18，则可以直接将选项的置信度调整至0.75以上。
(1.3)在属于同一客观题的所有选项中，选项的差异程度为最大值且大于第一差异阈值，最大值与次大值之差小于或等于第二差异阈值，次大值小于第一差异阈值。
可选地，若属于同一客观题的所有选项中，该选项的差异程度fv满足：fv＝maxfv>0.18&&(maxfv-secfv)≤0.1&&secfv<0.18，则将该选项的置信度调整至0.75以上，而对差异程度为次大值的选项不调整其置信度，因为此时差异程度为次大值的选项属于填涂得模棱两可，没有明确的倾向性，所以此时做好的方法就是不调整该选项的置信度，即保留该选项原有的置信度。
步骤S342：若选项的差异程度满足第二预设条件，则不调整选项的置信度。
可选地，第二预设条件可以包括以下至少一者：
(2.1)在属于同一客观题的所有选项中，选项的差异程度为次大值且小于第一差异阈值，次大值与最大值之差小于或等于第二差异阈值，且最大值大于第一差异阈值。
请参见上面对应位置(1.3)的阐述，此处不再赘述。
(2.2)选项的差异程度在第三差异阈值至第一差异阈值之间，其中，第三差异阈值小于第一差异阈值。
可选地，第三差异阈值可以实际情况进行选取。本实施例中，第三差异阈值可以为0.05。
可选地，当选项的差异程度fv∈[0.05，0.18]，则不调整选项的置信度。
步骤S343：若选项的差异程度满足第三预设条件，则将选项的置信度调整至第二置信度阈值以下。
其中，若选项的差异程度满足第三预设条件，且选项的置信度已经在第二置信度阈值以下，则可以不用再对其进行调整，若选项的置信度不在第二置信度阈值以下，即大于或等于第二置信度阈值，则需要将选项的置信度调整至第二置信度阈值以下。
可选地，第三预设条件可以包括以下至少一者：
(3.1)所在的客观题为单选题，且所在的客观题的另一选项已调整为第一置信度阈值以上。
可以理解的，若选项所在的客观题的题型为单选题，即给定的选项中只有一个正确选项，所以在所在的客观题的另一选项的已调整为第一置信度阈值以上时，即说明该选项已被确认为被填涂，从而可以将同一题目中的其他选项的置信度调整至第二置信度阈值以下，已表明未被填涂。
(3.2)选项的差异程度小于第三差异阈值。
当选项的差异程度小于第三差异阈值，则认为该选项未被填涂，所以需要将该选项的置信度调整至第二置信度阈值以下，从而能够减少处于小于且接近第二置信度阈值的选项的数量，往往这些选项需要进行人工复查，而本实施例通过选项的差异程度，将满足第三预设条件的选项的置信度调整至第二置信度阈值以下，从而减少了需要人工复查的选项的数量。
可选地，选项的差异程度fv<0.05时，则将选项的置信度调整至第二置信度阈值以下。
在一些实施例中，在确定选项的实际状态信息与参考状态信息之间的差异程度之后，方法还包括：若选项的差异程度满足第四预设条件，则确定选项所在的客观题为多选题。
可选地，第四预设条件为：在客观题的所有选项中，差异程度的最大值与次大值之差小于或等于第二差异阈值，且次大值大于第一差异阈值。具体地，在客观题的所有选项中，若选项的差异程度满足：maxfv-secfv)≤0.1&&secfv>0.18，则说明该客观题的差异程度为最大值和次大值对应的两个选项都被填涂，从而可以确认该客观题为多选题，即存在多个正确选项。
在本实施例中，通过第一筛选条件、第二筛选条件和第三筛选条件对选项的差异程度进行，从而将置信度位于填涂不确定范围内(例如第一置信阈值与第二置信度阈值之间的范围)的选项的置信度，调整至确定的范围(例如第一置信阈值与第二置信度阈值之外的范围)内，以实现对置信度处于不确定范围内的选项进行过滤，减少了需要人工核查的选项的数量，而且识别准确率还高。
综上，本申请主要具备以下优点：
1、兼容性好，可以适用于不同样式的答题卡的客观题识别。
2、识别准确率高，鲁棒性好，适用于各种扫描质量和不同填涂质量的答题卡。
3、大大减少需要人工判定的识别异常的客观题数量。
请参阅图9至图12，图9是本申请提供的待识别图像的第五示意图，图10是本申请提供的待识别图像的第六示意图，图11是本申请提供的待识别图像的第七示意图，图12是本申请提供的待识别图像的第八示意图。
根据上述实施例提供的方法，对一些客观题的填涂情况进行了识别，下面是一些案例精选：
案例一，如图9所示的待识别图像中包括5道单项选择题，其识别结果分别为D、C、C、C、B。经差异程度调整后，图中每个选项对应的置信度分别为：
| 0.1291 | 0.187 | 0.2471 | 0.8242 |
| 0.1439 | 0.1189 | 0.7891 | 0.2366 |
| 0.1268 | 0.1868 | 0.899 | 0.224 |
| 0.2227 | 0.1625 | 0.8948 | 0.1086 |
| 0.2347 | 0.7607 | 0.1089 | 0.2488 |
以第一题为例，第一题的正确选项为D，对应地D选项的差异程度为所有选项中的最大值且大于第一置信度阈值0.75，对应地，其他选项的置信度都小于第二置信度阈值0.25，从而根据该题所有选项的置信度可以确定选项D为被填涂，其他选项为未被填涂。同理，对于待识别图像中的其他题目不再赘述。
可见，经调整之后，待识别图像中置信度处于第一置信度阈值与第二置信度阈值之间的选项大大减少，甚至减少为零，即减少了介于识别不确定范围内的选项，从而减少了需要人工核查的选项。
可选地，对置信度进行调整的具体方法可以是，以预设步长对置信度进行调整。其中，预设步长可以根据实际需要进行选取，预设步长的取值范围为[0,1]，例如可以为0.01、0.05、0.1。
以第一题的D选项为例，调整前，D选项的置信度为0.7242，实际从图中可以看出D选项为被填涂，但是，尽管此时的D选项置信度非常接近于第一置信度阈值，由于仍不满足大于第一置信度阈值的要求，所以仍需要进行人工核查，不同的是，本申请可以根据差异程度对置信度进行调整，以提升客观题填涂的识别准确率。具体地，可以以步长为0.1进行调整，一次调整后，选项D的置信度为0.8242，此时判断选项D的置信度已经大于第一置信度阈值0.75，从而可以停止继续对其进行调整，将调整后的选项的置信度作为该选项的最终置信度。
案例二，如图10所示的待识别图像中包括5道单项选择题，其识别结果分别为A、A、B、B、A。经差异程度调整后，图中每个选项对应的置信度分别为：
| 0.9086 | 0.1005 | 0.2414 | 0.07892 |
| 0.8997 | 0.1124 | 0.1011 | 0.1109 |
| 0.08328 | 0.8803 | 0.09213 | 0.1175 |
| 0.07008 | 0.86 | 0.09086 | 0.07806 |
| 0.8513 | 0.2356 | 0.07205 | 0.07735 |
从图中可以看到，第一题的C选项和第五题的B选项有填涂但是未擦除干净的痕迹，经差异程度调整之后的置信度均小于0.25，由于为题目类型为单选题，所以C选项和B选项都准确识别为未被填涂。
案例三，如图11所示的待识别图像中包括1道选择题，其识别结果为空。在差异程度调整后，图中每个选项对应的置信度分别为：
| 0.1381 | 0.2056 | 0.1197 | 0.1021 |
可以看出，经调整后，每个选项的置信度均小于0.25，即该题中的所有选项都未被填涂，所以选项A、B、C、D都准确识别为未被填涂。
案例四，如图12所示的待识别图像中包括5道选择题，其识别结果为A、B、A、C、B。在差异程度调整后，图中每个选项对应的置信度分别为：
| 0.7944 | 0.1363 | 0.1696 | 0.1622 |
| 0.1261 | 0.8331 | 0.1409 | 0.1311 |
| 0.7768 | 0.1212 | 0.1666 | 0.1494 |
| 0.1299 | 0.1075 | 0.8597 | 0.1509 |
| 0.1286 | 0.759 | 0.2 | 0.1897 |
可以看出，图中，选项之间的填涂情况不同，有的填涂较重，有的填涂较轻，有的填涂较饱满，有的选项中存在空白点，对于用户的不同填涂情况，经差异程度调整后，除正确选项的置信度大于0.75外，其他选项的置信度都小于0.25，从而正确选项A、B、A、C、B能够准确识别为被填涂，其余选项能够准确识别为未填涂。
另外，综合四个案例对应的待识别图像，可见不同图像中客观题的样式，以及选项区域和框内字母的大小，线框和框内字母的粗细，以及扫描情况都不相同，例如案例一中的客观题的样式为中括号，而其他客观题中的样式为矩形框，又例如案例一中选项的线框较细，而案例四中选项的线框较粗等等，对此，本申请是根据选项的实际状态信息和参考状态信息确定差异程度，其中参考状态信息用于反映选项的未填涂状态，从而可以将填涂质量、扫描质量和客观题样式这些变量考虑进来，从能够得到选项更真实的填涂情况，从而能够提高填涂识别的准确率。
请参阅图13，图13是本申请提供的电子设备一实施例的框架示意图。
电子设备300包括：处理器310以及与处理器310连接的存储器320，存储器320用于存储程序数据，处理器310用于执行程序数据以实现上述任一方法实施例中的步骤。
电子设备300包括但不限于为电视机、桌面型计算机、膝上型计算机、手持计算机、可穿戴设备、头戴式显示器、阅读器设备、便携式音乐播放器、便携式游戏机、笔记本电脑、超级移动个人计算机(ultra-mobilepersonal computer，简称：UMPC)、上网本，以及蝉窝电话、个人数字助理(personaldigital assistant，简称：PDA)、增强现实(augmentedreality，简称：AR)、虚拟现实(virtual reality，简称：VR)设备。
具体而言，处理器310用于控制其自身以及存储器320以实现上述任一方法实施例中的步骤。处理器310还可以称为CPU(Central Processing Unit，中央处理单元)。处理器310可能是一种集成电路芯片，具有信号的处理能力。处理器310还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器310可以由多个集成电路芯片共同实现。
请参阅图14，图14是本申请提供的计算机存储介质一实施例的框架示意图。
计算机可读存储介质400存储有程序数据410，程序数据410被处理器执行时，用以实现上述任一方法实施例中的步骤。
计算机可读存储介质400具体可以为U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等可以存储计算机程序的介质，或者也可以为存储有该计算机程序的服务器，该服务器可将存储的计算机程序发送给其他设备运行，或者也可以自运行该存储的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种客观题填涂的识别方法，其特征在于，包括：
获取待识别图像中客观题的选项的实际状态信息；其中，所述选项的实际状态信息用于反映所述待识别图像中所述选项的填涂情况，所述实际状态信息包括实际灰度值和实际框内填涂面积；
基于所述选项的参考灰度值与实际灰度值之间的第一差值，得到所述选项的灰度差异，以及基于所述选项的实际框内填涂面积和参考框内填涂面积之间的第二差值，得到所述选项的填涂差异；
获取所述选项的灰度差异与所述填涂差异之和，以作为所述选项的差异程度；
基于所述选项的实际状态信息，得到所述选项的置信度，其中，所述选项的置信度用于表示所述选项被填涂的概率；
基于所述选项的所述差异程度，调整所述选项的置信度；
基于所述选项经调整后的置信度，得到所述选项是否被填涂的填涂结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述选项的实际灰度值与参考灰度值之间的第一差值，得到所述选项的灰度差异，包括：
基于所述选项的第一差值与第一参考值之间的第三差值，得到待定灰度差值，从所述待定灰度差值与预设灰度差值中选择较大值作为所述选项的灰度差异；
所述基于所述选项的实际框内填涂面积和参考框内填涂面积之间的第二差值，得到所述选项的填涂差异，包括：
基于所述选项的第二差值与第二参考值之间的第四差值，得到待定面积差值，从所述待定面积差值与预设面积差值中选择较大值作为所述选项的填涂差异。
3.根据权利要求2所述的方法，其特征在于，所述第二参考值是对参考框内总面积进行预设运算得到，且小于所述参考框内总面积。
4.根据权利要求2所述的方法，其特征在于，所述基于所述选项的第一差值与第一参考值之间的第三差值，得到待定灰度差值，包括：
利用第一权重，对所述第三差值与预设最大灰度值之间的第一比值进行加权，得到所述待定灰度差值；
所述基于所述选项的第二差值与第二参考值之间的第四差值，得到待定面积差值，包括：
利用第二权重，对所述第四差值与参考框内填涂面积之间的第二比值进行加权，得到所述待定面积差值。
5.根据权利要求1所述的方法，其特征在于，所述实际状态信息包括实际灰度值、实际框内填涂面积和实际框内总面积；
所述基于所述选项的实际状态信息，得到所述选项的置信度，包括：
基于所述选项的实框内填涂面积与所述实际框内总面积之间的第三比值、所述实际灰度值，得到所述选项的置信度。
6.根据权利要求5所述的方法，其特征在于，所述基于所述选项的实框内填涂面积与所述实际框内总面积之间的第三比值、所述实际灰度值，得到所述选项的置信度，包括：
获取预设最大灰度值与所述实际灰度值之间的差值与所述最大灰度值之间的第四比值，并将所述第三比值与所述第四比值进行加权求和，得到所述选项的置信度；其中，所述第三比值和第四比值的权重相加为固定值。
7.根据权利要求1所述的方法，其特征在于，所述基于所述选项的所述差异程度，调整所述选项的置信度，包括：
若所述选项的差异程度满足第一预设条件，则将所述选项的置信度调整至第一置信度阈值以上；
若所述选项的差异程度满足第二预设条件，则不调整所述选项的置信度；
若所述选项的差异程度满足第三预设条件，则将所述选项的置信度调整至第二置信度阈值以下；
所述基于所述选项经所述调整后的置信度，得到所述选项是否被填涂的填涂结果，包括：
若所述选项经所述调整后的置信度大于或等于所述第一置信度阈值，则确定所述选项被填涂；
若所选项经所述调整后的置信度小于或等于所述第二置信度阈值，则确定所述选项未被填涂。
8.一种电子设备，其特征在于，所述电子设备包括处理器以及与所述处理器连接的存储器，
所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011594613.4A CN112686143B (zh) | 2020-12-29 | 2020-12-29 | 客观题填涂的识别方法、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011594613.4A CN112686143B (zh) | 2020-12-29 | 2020-12-29 | 客观题填涂的识别方法、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686143A CN112686143A (zh) | 2021-04-20 |
| CN112686143B true CN112686143B (zh) | 2023-12-01 |
Family
ID=75455200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011594613.4A Active CN112686143B (zh) | 2020-12-29 | 2020-12-29 | 客观题填涂的识别方法、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686143B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283431B (zh) * | 2021-07-26 | 2021-11-26 | 江西风向标教育科技有限公司 | 一种答题卡选项区域识别方法及系统 |
| 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 |
| 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 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101414356A (zh) * | 2007-10-17 | 2009-04-22 | 中国科学院自动化研究所 | 基于模板匹配的信息填涂卡识别方法 |
| WO2013039063A1 (ja) * | 2011-09-15 | 2013-03-21 | 国立大学法人大阪教育大学 | 答案処理装置、答案処理方法、記録媒体、およびシール |
| CN103246873A (zh) * | 2013-04-28 | 2013-08-14 | 北京贞观雨科技有限公司 | 一种采集答题卡的答题信息的方法及装置 |
| CN104866847A (zh) * | 2015-05-20 | 2015-08-26 | 李宇 | 一种快速的鲁棒答题卡识别方法 |
| CN105426879A (zh) * | 2015-12-23 | 2016-03-23 | 深圳习习网络科技有限公司 | 一种答题卡识别方法及系统 |
| CN105760869A (zh) * | 2016-02-29 | 2016-07-13 | 武汉颂大教育科技股份有限公司 | 一种基于图像灰度识别及处理的阅卷方法 |
| 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 |
| CN106033535A (zh) * | 2015-03-18 | 2016-10-19 | 成都理想境界科技有限公司 | 电子阅卷方法 |
| CN108537218A (zh) * | 2018-04-12 | 2018-09-14 | 湖南诚壹文化产业有限公司 | 一种答题卡的识别处理方法及装置 |
| CN108960235A (zh) * | 2018-06-25 | 2018-12-07 | 芝麻云信（武汉）科技有限公司 | 一种用于识别答题卡填涂块的方法 |
| 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 |
| CN110378310A (zh) * | 2019-07-25 | 2019-10-25 | 南京红松信息技术有限公司 | 一种基于答案库的手写样本集的自动生成方法 |
| CN110689013A (zh) * | 2019-10-10 | 2020-01-14 | 北京课程帮科技有限公司 | 一种基于特征识别的自动阅卷方法及系统 |
| CN110705442A (zh) * | 2019-09-27 | 2020-01-17 | 集美大学 | 一种试卷答案自动获取方法、终端设备及存储介质 |
| CN111046644A (zh) * | 2019-11-07 | 2020-04-21 | 深圳市鹰硕技术有限公司 | 一种答题卡模板生成方法、识别方法、装置及存储介质 |
| CN112017263A (zh) * | 2020-08-24 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的试卷智能生成方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268603B (zh) * | 2014-09-16 | 2017-04-12 | 科大讯飞股份有限公司 | 用于文字性客观题的智能阅卷方法及系统 |
-
2020
- 2020-12-29 CN CN202011594613.4A patent/CN112686143B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101414356A (zh) * | 2007-10-17 | 2009-04-22 | 中国科学院自动化研究所 | 基于模板匹配的信息填涂卡识别方法 |
| WO2013039063A1 (ja) * | 2011-09-15 | 2013-03-21 | 国立大学法人大阪教育大学 | 答案処理装置、答案処理方法、記録媒体、およびシール |
| CN103246873A (zh) * | 2013-04-28 | 2013-08-14 | 北京贞观雨科技有限公司 | 一种采集答题卡的答题信息的方法及装置 |
| 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 |
| CN106033535A (zh) * | 2015-03-18 | 2016-10-19 | 成都理想境界科技有限公司 | 电子阅卷方法 |
| CN104866847A (zh) * | 2015-05-20 | 2015-08-26 | 李宇 | 一种快速的鲁棒答题卡识别方法 |
| CN105426879A (zh) * | 2015-12-23 | 2016-03-23 | 深圳习习网络科技有限公司 | 一种答题卡识别方法及系统 |
| CN105760869A (zh) * | 2016-02-29 | 2016-07-13 | 武汉颂大教育科技股份有限公司 | 一种基于图像灰度识别及处理的阅卷方法 |
| CN108537218A (zh) * | 2018-04-12 | 2018-09-14 | 湖南诚壹文化产业有限公司 | 一种答题卡的识别处理方法及装置 |
| CN108960235A (zh) * | 2018-06-25 | 2018-12-07 | 芝麻云信（武汉）科技有限公司 | 一种用于识别答题卡填涂块的方法 |
| 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 |
| CN110378310A (zh) * | 2019-07-25 | 2019-10-25 | 南京红松信息技术有限公司 | 一种基于答案库的手写样本集的自动生成方法 |
| CN110705442A (zh) * | 2019-09-27 | 2020-01-17 | 集美大学 | 一种试卷答案自动获取方法、终端设备及存储介质 |
| CN110689013A (zh) * | 2019-10-10 | 2020-01-14 | 北京课程帮科技有限公司 | 一种基于特征识别的自动阅卷方法及系统 |
| CN111046644A (zh) * | 2019-11-07 | 2020-04-21 | 深圳市鹰硕技术有限公司 | 一种答题卡模板生成方法、识别方法、装置及存储介质 |
| CN112017263A (zh) * | 2020-08-24 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的试卷智能生成方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| An Examination of Character Recognition on ID card using Template Matching Approach;Michael Ryan等;《Procedia Computer Science 》;第59卷;520-529 * |
| 基于移动终端的作业本识别研究;周梦莹;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2020年卷(第1期);I138-1958 * |
| 答题卡手机智能识别研究与应用;张琪;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2018年卷(第10期);I138-687 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686143A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686143B (zh) | 客观题填涂的识别方法、电子设备和存储介质 | |
| US20220027613A1 (en) | Systems and methods for assessing standards for mobile image quality | |
| US20040165786A1 (en) | System and method for converting whiteboard content into an electronic document | |
| CN112418009B (zh) | 一种图像质量检测方法、终端设备及存储介质 | |
| CN109460762B (zh) | 一种基于图像识别的答题卡评分方法 | |
| CN106033535B (zh) | 电子阅卷方法 | |
| CN110490181B (zh) | 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 | |
| CN111832371B (zh) | 文本图片矫正方法、装置、电子设备及机器可读存储介质 | |
| CN114972922B (zh) | 基于机器学习的煤矸分选识别方法、装置及设备 | |
| US20050117802A1 (en) | Image processing method, apparatus, and program | |
| CN102081742B (zh) | 一种书写能力的自动评价方法 | |
| CN110555375B (zh) | 答题卡填涂信息的识别方法 | |
| CN116434266B (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
| CN113076872B (zh) | 一种智能试卷批改方法 | |
| CN107610321B (zh) | 一种鉴别纸币真伪方法、装置、设备及存储介质 | |
| CN111339884B (zh) | 图像识别方法以及相关设备、装置 | |
| CN102282571A (zh) | 用于提供与定向无关的脸部检测器的方法、装置和计算机程序产品 | |
| CN111626941A (zh) | 一种基于深度学习语义分割的文档矫正方法 | |
| CN110929562A (zh) | 一种基于改进Hough变换的答题卡识别方法 | |
| CN111259891A (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
| CN113177397A (zh) | 表格的调整方法、装置、设备以及存储介质 | |
| CN110765910A (zh) | 一种密集场景下的票据区域识别方法及装置 | |
| CN115482535A (zh) | 一种试卷自动批改方法、存储介质及设备 | |
| CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
| US10181077B1 (en) | Document image orientation assessment and correction |
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 |