CN115100656A - 空白答题卡识别方法、系统、存储介质及计算机设备 - Google Patents

Abstract

本发明提出一种空白答题卡识别方法、系统、存储介质及计算机设备，该方法包括：随机将第一预设数量的待识别答题卡图像输入到最终分割区域检测模型中；获取检测后的每一张待识别答题卡图像的打印体区域中任一像素点的像素信息以及与像素信息对应的坐标信息，并根据坐标信息和像素信息将所有的打印体区域中相同位置处的像素点进行像素比对，以根据比对结果将相同像素信息的像素点进行汇总，得到最终打印体区域；根据更新后的预设背景模型将所有的待识别答题卡图像进行分离；判断每一手写体区域内是否包含手写内容。本发明提出的空白答题卡识别方法，能够高识别效率且高识别精确度地完成对海量试卷中的空白答题的自动过滤。

Description

空白答题卡识别方法、系统、存储介质及计算机设备

技术领域

本发明涉及凸显识别技术领域，特别涉及一种空白答题卡识别方法、系统、存储介质及计算机设备。

背景技术

随着互联网技术的发展，手写文档识别迅速兴起并蓬勃发展，其应用已遍及多个领域，对人们的生活产生了较大影响，尤其是对教育领域的发展更是至关重要，如机器自动阅卷，试卷电子化等，都需要对手写文档进行版面分析。

现有技术中，为了提高老师线上的阅卷效率，一般首先会对试卷进行自动过滤，以对考生没有答题的空白考题自动进行零分判别，然而，传统空白识别方式一般采用深度学习的识别模型进行自动过滤，但由于文字识别模型对计算资源消耗很高，检测速度慢，部署应用困难，导致在完成对海量试卷的自动过滤时，需要耗费大量的时间，如此虽然提高了阅卷效率，但极大地延长了阅卷完成周期，难以适用于大型考试中的阅卷场景。

发明内容

基于此，本发明的目的是提出一种空白答题卡识别方法、系统、存储介质及计算机设备，以解决传统自动过滤方式因采用文字识别模型而导致的自动过滤速度慢而导致的阅卷周期延长，难以适用于大型考试后的阅卷场景中的问题。

根据本发明提出的一种空白答题卡识别方法，所述方法包括：

获取多份相同题目的待识别答题卡图像，并从中随机将第一预设数量的所述待识别答题卡图像输入到最终分割区域检测模型中，以从第一预设数量的所述待识别答题卡图像中分割出打印体区域和手写体区域；

获取检测后的每一张所述待识别答题卡图像的打印体区域中任一像素点的像素信息以及与像素信息对应的坐标信息，并根据所述坐标信息和所述像素信息将第一预设数量的打印体区域中相同位置处的像素点进行像素比对，以判断第一预设数量的打印体区域中相同位置处的像素点的像素信息是否均一致；

若第一预设数量的打印体区域中相同位置处的像素点的像素信息不一致，则将该像素点标记为非打印像素点，并将打印体区域中所有的非打印像素点的像素信息重置为零，得到最终打印体区域；

根据所述最终打印体区域更新预设背景模型，并根据更新后的预设背景模型将所有的所述待识别答题卡图像进行分离，得到从所述待识别答题卡图像中分离出的手写体区域，所述预设背景模型为一第四预设尺寸的空白模板；

判断每一所述手写体区域内是否包含手写内容。

综上，根据上述的空白答题卡识别方法，通过融合图像算法和深度学习算法，以取代传统单纯采用深度学习算法而导致的识别速率慢，阅卷周期长的问题，进而高识别效率且高识别精确度地完成对海量试卷中的空白答题的过滤，从而提高阅卷效率的同时能够有效缩短阅卷周期。具体为，首先通过最终分割区域检测模型将少量的待识别答题卡图像进行识别，进而分割出打印体区域和手写体区域，以根据这些少量图像中的打印体区域进一步提取像素点的像素信息和坐标信息，从而通过像素信息和坐标信息比对出打印体区域内实际的打印内容，即得到最终打印体区域，进而根据含有实际打印内容的最终打印体区域更新预设背景模型，进而利用更新后的背景模型直接对图像进行快速分离，无需再利用检测模型对所有的试卷进行检测识别，而后再判断手写体区域内是否是空白的，即完成对空白题目的自动过滤，进而极大地提高试卷识别效率，能够适用于大型考试中的阅卷场景。

进一步地，所述判断每一所述手写体区域内是否包含手写内容的步骤包括：

获取所述手写体区域内所有像素点的像素信息，并根据所述像素信息获取所述手写体区域内黑色像素点的第一占比；

判断所述第一占比是否小于第一预设占比阈值；

若所述第一占比小于第一预设占比阈值，则判定所述手写体区域不包含手写内容；

获取所述第一预设占比阈值的步骤包括：

获取多张已知答题卡图像，并计算每张所述已知答题卡图像中手写体区域内黑色像素点的第二占比，所述已知答题卡图像中的手写体区域均含有手写内容；

根据所有的所述已知答题卡图像分别对应的第二占比中筛选出第二占比下限值，并根据所述第二占比下限值获取所述第一预设占比阈值。

进一步地，所述根据所述最终打印体区域更新预设背景模型的步骤包括：

去除所述最终打印体区域中的噪点，并对去噪后的所述最终打印体区域进行二值化，以将所述最终打印体区域中的背景元素和打印内容元素进行分离，得到二值化图像；

获取所述打印内容元素的目标像素值，遍历所述二值化图像中的所有像素点，以判断所述二值化图像中的像素点对应的像素值是否为目标像素值。

进一步地，所述获取所述打印内容元素的目标像素值，遍历所述二值化图像中的所有像素点，以判断所述二值化图像中的像素点对应的像素值是否为目标像素值的步骤之后还包括：

若所述二值化图像中的像素点对应的像素值为目标像素值，则将所有为目标像素值的像素点的尺寸沿横向外扩第一预设长度，并沿纵向外扩第二预设长度；

根据所述目标像素值提取外扩后的二值化图像中的所有目标像素点，并将所有的目标像素点累加到预设背景模型中，得到更新后的预设背景模型。

进一步地，获取所述最终分割区域检测模型的步骤包括：

收集多份历史答题卡图像，并根据预设旋转角度将所有的历史答题卡图像进行校准；

获取历史答题卡图像中包括的所有题目名称，并根据题目名称将校准后的历史答题卡图像中的每一道题目所在的答题区域进行裁剪，得到与每道题目名称分别对应的答题区域。

进一步地，所述获取历史答题卡图像中包括的所有题目名称，并根据题目名称将校准后的历史答题卡图像中的每一道题目所在的答题区域进行裁剪，得到与每道题目名称分别对应的答题区域的步骤之后还包括：

根据预设缩放尺寸对任一所述答题区域进行缩放，并对缩放后的答题区域进行归一化处理；

将归一化处理后的所有的答题区域中的手写体区域和打印体区域进行首次标注，并根据首次标注结果将手写体区域进行再次标注，再次标注内容为标注手写体区域是否为空白区域，以根据再次标注结果获取训练样本。

进一步地，获取所述最终分割区域检测模型的步骤包括的步骤还包括：

构建一初始分割区域检测模型，所述初始分割区域检测模型包括第二预设数量个残差模块、特征金字塔增强模块以及内容检测模块，其中：

任一所述残差模块均包括第一预设尺寸的卷积层、批标准化层；

所述特征金字塔增强模块为一U型模块，由Up-Scale增强单元和Down-Scale增强单元组成，所述Up-Scale增强单元采用步长为第一预设像素、第二预设像素、第三预设像素以及第四预设像素进行迭代增强，所述Down-Scale增强单元采用第四预设像素、第三预设像素、第二预设像素以及第一预设像素进行迭代增强；

根据所述训练样本对所述初始分割区域检测模型进行训练，以得到所述最终分割区域检测模型。

根据本发明实施例的空白答题卡识别系统，所述空白答题卡识别系统包括：

区域识别模块，用于获取多份相同题目的待识别答题卡图像，并从中随机将第一预设数量的所述待识别答题卡图像输入到最终分割区域检测模型中，以从所述待识别答题卡图像中分割出打印体区域和手写体区域；

打印体区域检测模块，用于获取检测后的每一张所述待识别答题卡图像的打印体区域中任一像素点的像素信息以及与像素信息对应的坐标信息，并根据所述坐标信息和所述像素信息将第一预设数量的打印体区域中相同位置处的像素点进行像素比对，以判断第一预设数量的打印体区域中相同位置处的像素点的像素信息是否均一致；

非打印像素点重置模块，用于若第一预设数量的打印体区域中相同位置处的像素点的像素信息不一致，则将该像素点标记为非打印像素点，并将打印体区域中所有的非打印像素点的像素信息重置为零，得到最终打印体区域；

手写体区域分离模块，用于根据所述最终打印体区域更新预设背景模型，并根据更新后的预设背景模型将所有的所述待识别答题卡图像进行分离，得到从所述待识别答题卡图像中分离出的手写体区域，所述预设背景模型为一第四预设尺寸的空白模板；

空白内容检测模块，用于判断每一所述手写体区域内是否包含手写内容。

本发明另一方面还提供一种存储介质，所述存储介质存储一个或多个程序，该程序被执行时实现如上述的空白答题卡识别方法。

本发明另一方面还提供一种计算机设备，所述计算机设备包括存储器和处理器，其中：

所述存储器用于存放计算机程序；

所述处理器用于执行所述存储器上所存放的计算机程序时，实现如上述的空白答题卡识别方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。

附图说明

图1为本发明第一实施例提出的空白答题卡识别方法的流程图；

图2为本发明第二实施例提出的空白答题卡识别方法的流程图；

图3为本发明第三实施例提出的空白答题卡识别系统的结构示意图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1，所示为本发明第一实施例中的空白答题卡识别方法的流程图，该方法包括步骤S01至步骤S05，其中：

步骤S01：获取多份相同题目的待识别答题卡图像，并从中随机将第一预设数量的所述待识别答题卡图像输入到最终分割区域检测模型中，以从所述待识别答题卡图像中分割出打印体区域和手写体区域；

需要说明的是，在对海量的待识别答题卡图像进行识别前，首先需要根据题目将待识别答题卡图像进行分割和校准，进而得到多个答题区域，每个答题区域对应一道题目，而后根据答题区域对应的题目类型调取对应的最终分割区域检测模型，并将该答题区域所在的图像输入对应的最终分割区域检测模型当中，从而从该答题区域中分割出打印体区域和手写体区域。

进一步的，第一预设数量一般指少量，一般至少需要两份，在本实施例中，可为5份、8份、10份等，但不限定于此，以保证打印体区域的识别精确度，但同时第一预设数量一般不超过15份，以保证识别分割效率。

步骤S02：获取检测后的每一张所述待识别答题卡图像的打印体区域中任一像素点的像素信息以及与像素信息对应的坐标信息，并根据所述坐标信息和所述像素信息将第一预设数量的打印体区域中相同位置处的像素点进行像素比对，以判断第一预设数量的打印体区域中相同位置处的像素点的像素信息是否均一致；

步骤S03：若第一预设数量的打印体区域中相同位置处的像素点的像素信息不一致，则将该像素点标记为非打印像素点，并将打印体区域中所有的非打印像素点的像素信息重置为零，得到最终打印体区域；

可以理解的，在本步骤中，打印体区域指的是试卷中打印体内容所在的区域，手写体区域指的是试卷中手写体内容（答题内容）所在的区域，最终分割区域检测模型一般只是识别到打印体内容和手写体内容各自所在的区域，识别结果为采用矩形框将两个区域分别进行框选、标记。为了避免打印体区域内可能会有部分手写内容的干扰，以进一步提高打印体区域识别的精确度，还会从第一预设数量的打印体区域提取各个像素点的像素信息和坐标信息，进而根据第一预设数量的打印体区域中的任意像素点的坐标信息，分析相同位置的像素点的像素信息是否均保持一致，若是，则认为该像素点属于打印体区域中的打印内容，如此遍历打印体区域中所有的像素点，进而去除掉因模型识别误差、人为因素、题干可能含有手写内容等原因引起的打印体区域中存在的非打印像素点，从而提高后续预设背景模型的识别精确度。

步骤S04：根据所述最终打印体区域更新预设背景模型，并根据更新后的预设背景模型将所有的所述待识别答题卡图像进行分离，得到从所述待识别答题卡图像中分离出的手写体区域，所述预设背景模型为一第四预设尺寸的空白模板；

需要说明的是，在得到最终打印体区域后，进而将最终打印体区域中的各个像素点的像素信息和坐标信息进行提取，以输入到预设的固定尺寸的空白模板中，进而完成对预设背景模型的更新，进而得到用于剩余的待识别答题卡图像分离的背景模型，在得到更新后的预设背景模型后，进而可以采用该更新后的背景模型直接对所有的待识别答题卡图像进行分离，得到手写体区域，无需再采用传统的深度学习算法。

需要说明的是，通过采用最终分割区域检测模型制作出最终打印体区域，而后才根据精确度高的最终打印体区域来更新预设背景模型，即实现深度学习算法与图像算法的结合，进而提高了图像算法的识别精确度，同时采用图像算法直接进行对比，又能够快速提高识别效率。

步骤S05：判断每一所述手写体区域内是否包含手写内容。

可以理解的，在高效且快速分离出所有的手写体区域后，再进一步判断所有的手写体区域是否含有手写内容，进而完成对空白答题卡的自动过滤。

综上，根据上述的空白答题卡识别方法，通过融合图像算法和深度学习算法，以取代传统单纯采用深度学习算法而导致的识别速率慢，阅卷周期长的问题，进而高识别效率且高识别精确度地完成对海量试卷中的空白答题的过滤，从而提高阅卷效率的同时能够有效缩短阅卷周期。具体为，首先通过最终分割区域检测模型将少量的待识别答题卡图像进行识别，进而分割出打印体区域和手写体区域，以根据这些少量图像中的打印体区域进一步提取像素点的像素信息和坐标信息，从而通过像素信息和坐标信息比对出打印体区域内实际的打印内容，即得到最终打印体区域，进而根据含有实际打印内容的最终打印体区域更新预设背景模型，进而利用更新后的背景模型直接对图像进行快速分离，无需再利用检测模型对所有的试卷进行检测识别，而后再判断手写体区域内是否是空白的，即完成对空白题目的自动过滤，进而极大地提高试卷识别效率，能够适用于大型考试中的阅卷场景。

设置第四预设尺寸的目的为了实现对预设报警更新的同时实现对缩放图像的识别，以加快识别速度。

请参阅图2，所示为本发明第二实施例中的空白答题卡识别方法的流程图，该方法包括步骤S101至步骤S110，其中：

步骤S101：获取多份相同题目的待识别答题卡图像，并从中随机将第一预设数量的所述待识别答题卡图像输入到最终分割区域检测模型中，以从所述待识别答题卡图像中分割出打印体区域和手写体区域；

需要说明的是，构建本实施例中的最终分割区域检测模型具体步骤为：

收集多份历史答题卡图像，并根据预设旋转角度将所有的历史答题卡图像进行校准；收集到的历史答题卡图像均为扫描获取的，可能会存在部分试卷有轻微倾斜，因此需要通过调节预设旋转角度进而将历史答题卡图像进行位置校准。

获取历史答题卡图像中包括的所有题目名称，并根据题目名称将校准后的历史答题卡图像中的每一道题目所在的答题区域进行裁剪，得到与每道题目名称分别对应的答题区域；裁剪的目的是在校准后的前提下对每一道题目所在的答题区域进行裁剪，以得到与每道答题区域对应的小图片。

根据预设缩放尺寸对任一所述答题区域进行缩放，并对缩放后的答题区域进行归一化处理；需要说明的是，将答题区域统一缩放至第三预设尺寸，是为了加快后续模型的训练速度，在本实施例中，第三预设尺寸可为512*512，而后再将缩放过后的图片进行归一化处理，具体为，将答题区域内的所有像素点的像素值均除以255，以投射到[0,1]的区间。

将归一化处理后的所有的答题区域中的手写体区域和打印体区域进行首次标注，并根据首次标注结果将手写体区域进行再次标注，再次标注内容为标注手写体区域是否为空白区域，以根据再次标注结果获取训练样本；可以理解的是，手写体区域与打印体区域的标注是为了训练初始分割区域检测模型，标注是否是空白区域的目的是为了测试本发明的最终效果。

构建一初始分割区域检测模型，所述初始分割区域检测模型包括第二预设数量个残差模块、特征金字塔增强模块以及内容检测模块，其中：

任一所述残差模块均包括第一预设尺寸的卷积层、批标准化层；

所述特征金字塔增强模块为一U型模块，由Up-Scale增强单元和Down-Scale增强单元组成，所述Up-Scale增强单元采用步长为第一预设像素、第二预设像素、第三预设像素以及第四预设像素进行迭代增强，所述Down-Scale增强单元采用第四预设像素、第三预设像素、第二预设像素以及第一预设像素进行迭代增强；

根据所述训练样本对所述初始分割区域检测模型进行训练，以得到所述最终分割区域检测模型。

示例而非限定，在本实施例中，该初始分割区域检测模型包含有5个残差模块，每个残差模块包含3*3卷积层，批标准化层，线性整流函数激活函数，最后添加一个最大池化层。同时在构建模型过程中将特征图金字塔网络改为特征金字塔增强模块，该特征金字塔增强模块模块是一个U型模块，由Up-Scale和Down-Scale两个增强模块组成，在Up-Scale模块中使用步长分别为32，16，8，4的像素在特征图上迭代增强，在Down-Scale模块中使用4到32的步长进行增强，每个Up-Scale模块包含1*1卷积层，线性整流函数激活函数，3*3卷积层，以及4*4转置卷积层，每个Down-Scale模块包含1*1卷积层，线性整流函数激活函数，3*3卷积层。提高模型检测性能。由于特征金字塔增强模块呈级联结构且计算量小，可以连接在backbone 后面让不同尺寸的特征更深、更具表征能力，从而实现将不同深度的模块所产生的特征融合为最终有利于任务的特征。内容检测模块包含卷积层，批标准化层，2个转置卷积层2个LeakyReLU层，以及Sigmoid激活函数，输出通道为1 的特征图，对应输入图像对应的区域含有内容的概率。同时加入一个分类结构，结构同内容检测模块，只是输出通道为2，对含有内容区域进行分类，并且增加一个对应分类loss，使用交叉熵进行计算，使得该检测模型可以输出手写与打印两种分类结果。

步骤S102：获取检测后的每一张所述待识别答题卡图像的打印体区域中任一像素点的像素信息以及与像素信息对应的坐标信息，并根据所述坐标信息和所述像素信息将第一预设数量的打印体区域中相同位置处的像素点进行像素比对，以判断第一预设数量的打印体区域中相同位置处的像素点的像素信息是否均一致；

步骤S103：若第一预设数量的打印体区域中相同位置处的像素点的像素信息不一致，则将该像素点标记为非打印像素点，并将打印体区域中所有的非打印像素点的像素信息重置为零，得到最终打印体区域；

步骤S104：去除所述最终打印体区域中的噪点，并对去噪后的所述最终打印体区域进行二值化，以将所述最终打印体区域中的背景元素和打印内容元素进行分离，得到二值化图像；

需要说明的是，在对最终打印体区域进行去噪时，一般采用第二预设尺寸的卷积核进行高斯滤波，以去除最终打印体区域中的噪点，而后对去噪后的最终打印体区域进行二值化，以使背景元素和打印内容分离，进而提取出打印内容元素。

步骤S105：获取所述打印内容元素的目标像素值，遍历所述二值化图像中的所有像素点，以判断所述二值化图像中的像素点对应的像素值是否为目标像素值；

需要说明的是，本实施例中得到的打印体区域同样需要进行校准，由于校准过程会存在轻微误差，使得校准后的各个打印体区域中的像素点位置相较于预设背景模型中的对应像素点位置会有轻微偏差，基于此，为了避免这种校准误差对后续的识别结果造成影响，还需要遍历二值化图像中的像素点，在本实施例中的目标像素值指的是黑色像素点的像素，其目的是为了锁定经二值化处理后为呈黑色的打印内容元素。

步骤S106：若所述二值化图像中的像素点对应的像素值为目标像素值，则将所有为目标像素值的像素点的尺寸沿横向外扩第一预设长度，并沿纵向外扩第二预设长度；

可以理解的，在锁定为黑色的打印内容元素后，再将打印内容元素沿横向和纵向外扩一定的长度，以弥补之前校准时所导致的像素点位置存在的误差。

步骤S107：根据所述目标像素值提取外扩后的二值化图像中的所有目标像素点，并将所有的目标像素点累加到预设背景模型中，得到更新后的预设背景模型；

可以理解的，在经过将原打印内容中的黑色像素进行外扩后，再将外扩后的打印内容元素累加到预设背景模型中，进而实现对预设背景模型的更新。

步骤S108：获取所述手写体区域内所有像素点的像素信息，并根据所述像素信息获取所述手写体区域内黑色像素点的第一占比；

步骤S109：判断所述第一占比是否小于第一预设占比阈值；

步骤S110：若所述第一占比小于第一预设占比阈值，则判定所述手写体区域不包含手写内容。

需要说明的是，在采用更新后的背景模型快速分离出手写体区域后，为了判断手写体区域内是否为空白内容，首先会获取手写体区域内所有像素点的像素信息，进而计算出黑色像素点在手写体区域中的占比情况，即第一占比，而后判断该第一占比是否小于第一预设占比阈值，即黑色像素点的占比是否低于第一预设占比阈值，进而精确判断出该手写体区域是否包含手写区域，即是否为空白答题。

具体的，若第一占比大于或等于第一预设占比阈值，则判定该手写体区域包含手写内容。

需要重点说明的是，该第一预设占比阈值是精确判断手写体区域是否为空白内容的重要指标，为了得到精确度较高的第一预设占比阈值，首先需要获取多张已知答题卡图像，并计算每张所述已知答题卡图像中手写体区域内黑色像素点的第二占比，所述已知答题卡图像中的手写体区域均含有手写内容，需要说明的是，该手写内容并不是用户胡乱填写的，需要确保已知答题卡图像均是从实际考试中考生答过的试卷中筛选出来的。

根据所有的所述已知答题卡图像分别对应的第二占比中筛选出第二占比下限值，并根据所述第二占比下限值获取所述第一预设占比阈值。可以理解的，通过获取所有已知答题卡图像中手写体区域的黑色像素点的占比，进而从中筛选出第二占比下限值，该第二占比下限值能够确保所有确认为非空白答题卡均能识别出来，进而根据该第二占比下限值获取到第一预设占比阈值，一般地，该第一预设占比阈值可等于或略小于第二占比下限值，从而避免在对待识别答题卡图像进行空白内容判定时，将存在手写内容的误判成空白内容。

综上，根据上述的空白答题卡识别方法，通过融合图像算法和深度学习算法，以取代传统单纯采用深度学习算法而导致的识别速率慢，阅卷周期长的问题，进而高识别效率且高识别精确度地完成对海量试卷中的空白答题的过滤，从而提高阅卷效率的同时能够有效缩短阅卷周期。具体为，首先通过最终分割区域检测模型将少量的待识别答题卡图像进行识别，进而分割出打印体区域和手写体区域，以根据这些少量图像中的打印体区域进一步提取像素点的像素信息和坐标信息，从而通过像素信息和坐标信息比对出打印体区域内实际的打印内容，即得到最终打印体区域，进而根据含有实际打印内容的最终打印体区域更新预设背景模型，进而利用更新后的背景模型直接对图像进行快速分离，无需再利用检测模型对所有的试卷进行检测识别，而后再判断手写体区域内是否是空白的，即完成对空白题目的自动过滤，进而极大地提高试卷识别效率，能够适用于大型考试中的阅卷场景。

请参阅图3，所示为本发明第三实施例空白答题卡识别系统的结构示意图，该系统包括：

区域识别模块10，用于获取多份相同题目的待识别答题卡图像，并从中随机将第一预设数量的所述待识别答题卡图像输入到最终分割区域检测模型中，以从所述待识别答题卡图像中分割出打印体区域和手写体区域；

打印体区域检测模块20，用于获取检测后的每一张所述待识别答题卡图像的打印体区域中任一像素点的像素信息以及与像素信息对应的坐标信息，并根据所述坐标信息和所述像素信息将第一预设数量的打印体区域中相同位置处的像素点进行像素比对，以判断第一预设数量的打印体区域中相同位置处的像素点的像素信息是否均一致；

非打印像素点重置模块30，用于若第一预设数量的打印体区域中相同位置处的像素点的像素信息不一致，则将该像素点标记为非打印像素点，并将打印体区域中所有的非打印像素点的像素信息重置为零，得到最终打印体区域，所述预设背景模型为一第四预设尺寸的空白模板；

手写体区域分离模块40，用于根据所述最终打印体区域更新预设背景模型，并根据更新后的预设背景模型将所有的所述待识别答题卡图像进行分离，得到从所述待识别答题卡图像中分离出的手写体区域；

进一步地，所述手写体区域分离模块40还包括：

第一预处理单元，用于去除所述最终打印体区域中的噪点，并对去噪后的所述最终打印体区域进行二值化，以将所述最终打印体区域中的背景元素和打印内容元素进行分离，得到二值化图像；

目标像素值检测单元，用于获取所述打印内容元素的目标像素值，遍历所述二值化图像中的所有像素点，以判断所述二值化图像中的像素点对应的像素值是否为目标像素值；

外扩单元，用于若所述二值化图像中的像素点对应的像素值为目标像素值，则将所有为目标像素值的像素点的尺寸沿横向外扩第一预设长度，并沿纵向外扩第二预设长度；

背景模型更新单元，用于根据所述目标像素值提取外扩后的二值化图像中的所有目标像素点，并将所有的目标像素点累加到预设背景模型中，得到更新后的预设背景模型；

空白内容检测模块50，用于判断每一所述手写体区域内是否包含手写内容。

进一步地，所示空白内容检测模块50还包括：

第一占比获取单元，用于获取所述手写体区域内所有像素点的像素信息，并根据所述像素信息获取所述手写体区域内黑色像素点的第一占比；

第一占比检测执行单元，用于判断所述第一占比是否小于第一预设占比阈值；

第一占比检测输出单元，用于若所述第一占比小于第一预设占比阈值，则判定所述手写体区域不包含手写内容；

进一步地，在本发明一些可选的实施例中，该系统还包括：

第二占比获取模块，用于获取多张已知答题卡图像，并计算每张所述已知答题卡图像中手写体区域内黑色像素点的第二占比，所述已知答题卡图像中的手写体区域均含有手写内容；

第一预设占比阈值计算模块，用于根据所有的所述已知答题卡图像分别对应的第二占比中筛选出第二占比下限值，并根据所述第二占比下限值获取所述第一预设占比阈值。

进一步地，在本发明一些可选实施例中，该系统还包括：

图像校准模块，用于收集多份历史答题卡图像，并根据预设旋转角度将所有的历史答题卡图像进行校准；

图像裁剪模块，用于获取历史答题卡图像中包括的所有题目名称，并根据题目名称将校准后的历史答题卡图像中的每一道题目所在的答题区域进行裁剪，得到与每道题目名称分别对应的答题区域；

归一化处理模块，用于根据预设缩放尺寸对任一所述答题区域进行缩放，并对缩放后的答题区域进行归一化处理；

标注模块，用于将归一化处理后的所有的答题区域中的手写体区域和打印体区域进行首次标注，并根据首次标注结果将手写体区域进行再次标注，再次标注内容为标注手写体区域是否为空白区域，以根据再次标注结果获取训练样本；

初始模型构建模块，用于构建一初始分割区域检测模型，所述初始分割区域检测模型包括第二预设数量个残差模块、特征金字塔增强模块以及内容检测模块，其中：

任一所述残差模块均包括第一预设尺寸的卷积层、批标准化层；

所述特征金字塔增强模块为一U型模块，由Up-Scale增强单元和Down-Scale增强单元组成，所述Up-Scale增强单元采用步长为第一预设像素、第二预设像素、第三预设像素以及第四预设像素进行迭代增强，所述Down-Scale增强单元采用第四预设像素、第三预设像素、第二预设像素以及第一预设像素进行迭代增强；

训练模块，用于根据所述训练样本对所述初始分割区域检测模型进行训练，以得到所述最终分割区域检测模型。

综上，根据上述的空白答题卡识别系统，通过融合图像算法和深度学习算法，以取代传统单纯采用深度学习算法而导致的识别速率慢，阅卷周期长的问题，进而高识别效率且高识别精确度地完成对海量试卷中的空白答题的过滤，从而提高阅卷效率的同时能够有效缩短阅卷周期。具体为，首先通过最终分割区域检测模型将少量的待识别答题卡图像进行识别，进而分割出打印体区域和手写体区域，以根据这些少量图像中的打印体区域进一步提取像素点的像素信息和坐标信息，从而通过像素信息和坐标信息比对出打印体区域内实际的打印内容，即得到最终打印体区域，进而根据含有实际打印内容的最终打印体区域更新预设背景模型，进而利用更新后的背景模型直接对图像进行快速分离，无需再利用检测模型对所有的试卷进行检测识别，而后再判断手写体区域内是否是空白的，即完成对空白题目的自动过滤，进而极大地提高试卷识别效率，能够适用于大型考试中的阅卷场景。

本发明另一方面还提出存储介质，其上存储有一个或多个程序，该程序给处理器执行时实现上述的空白答题卡识别方法。

本发明另一方面还提出一种计算机设备，包括存储器和处理器，其中存储器用于存放计算机程序，处理器用于执行存储器上所存放的计算机程序，以实现上述的空白答题卡识别方法。

本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种空白答题卡识别方法，其特征在于，所述方法包括：

获取多份相同题目的待识别答题卡图像，并从中随机将第一预设数量的所述待识别答题卡图像输入到最终分割区域检测模型中，以从第一预设数量的所述待识别答题卡图像中分割出打印体区域和手写体区域；

获取检测后的每一张所述待识别答题卡图像的打印体区域中任一像素点的像素信息以及与像素信息对应的坐标信息，并根据所述坐标信息和所述像素信息将第一预设数量的打印体区域中相同位置处的像素点进行像素比对，以判断第一预设数量的打印体区域中相同位置处的像素点的像素信息是否均一致；

若第一预设数量的打印体区域中相同位置处的像素点的像素信息不一致，则将该像素点标记为非打印像素点，并将打印体区域中所有的非打印像素点的像素信息重置为零，得到最终打印体区域；

根据所述最终打印体区域更新预设背景模型，并根据更新后的预设背景模型将所有的所述待识别答题卡图像进行分离，得到从所述待识别答题卡图像中分离出的手写体区域，所述预设背景模型为一第四预设尺寸的空白模板；

判断每一所述手写体区域内是否包含手写内容。

2.根据权利要求1所述的空白答题卡识别方法，其特征在于，所述判断每一所述手写体区域内是否包含手写内容的步骤包括：

获取所述手写体区域内所有像素点的像素信息，并根据所述像素信息获取所述手写体区域内黑色像素点的第一占比；

判断所述第一占比是否小于第一预设占比阈值；

若所述第一占比小于第一预设占比阈值，则判定所述手写体区域不包含手写内容；

获取所述第一预设占比阈值的步骤包括：

获取多张已知答题卡图像，并计算每张所述已知答题卡图像中手写体区域内黑色像素点的第二占比，所述已知答题卡图像中的手写体区域均含有手写内容；

根据所有的所述已知答题卡图像分别对应的第二占比中筛选出第二占比下限值，并根据所述第二占比下限值获取所述第一预设占比阈值。

3.根据权利要求2所述的空白答题卡识别方法，其特征在于，所述根据所述最终打印体区域更新预设背景模型的步骤包括：

去除所述最终打印体区域中的噪点，并对去噪后的所述最终打印体区域进行二值化，以将所述最终打印体区域中的背景元素和打印内容元素进行分离，得到二值化图像；

获取所述打印内容元素的目标像素值，遍历所述二值化图像中的所有像素点，以判断所述二值化图像中的像素点对应的像素值是否为目标像素值。

4.根据权利要求3所述的空白答题卡识别方法，其特征在于，所述获取所述打印内容元素的目标像素值，遍历所述二值化图像中的所有像素点，以判断所述二值化图像中的像素点对应的像素值是否为目标像素值的步骤之后还包括：

若所述二值化图像中的像素点对应的像素值为目标像素值，则将所有为目标像素值的像素点的尺寸沿横向外扩第一预设长度，并沿纵向外扩第二预设长度；

根据所述目标像素值提取外扩后的二值化图像中的所有目标像素点，并将所有的目标像素点累加到预设背景模型中，得到更新后的预设背景模型。

5.根据权利要求1所述的空白答题卡识别方法，其特征在于，获取所述最终分割区域检测模型的步骤包括：

收集多份历史答题卡图像，并根据预设旋转角度将所有的历史答题卡图像进行校准；

获取历史答题卡图像中包括的所有题目名称，并根据题目名称将校准后的历史答题卡图像中的每一道题目所在的答题区域进行裁剪，得到与每道题目名称分别对应的答题区域。

6.根据权利要求5所述的空白答题卡识别方法，其特征在于，所述获取历史答题卡图像中包括的所有题目名称，并根据题目名称将校准后的历史答题卡图像中的每一道题目所在的答题区域进行裁剪，得到与每道题目名称分别对应的答题区域的步骤之后还包括：

根据预设缩放尺寸对任一所述答题区域进行缩放，并对缩放后的答题区域进行归一化处理；

将归一化处理后的所有的答题区域中的手写体区域和打印体区域进行首次标注，并根据首次标注结果将手写体区域进行再次标注，再次标注内容为标注手写体区域是否为空白区域，以根据再次标注结果获取训练样本。

7.根据权利要求6所述的空白答题卡识别方法，其特征在于，获取所述最终分割区域检测模型的步骤包括的步骤还包括：

构建一初始分割区域检测模型，所述初始分割区域检测模型包括第二预设数量个残差模块、特征金字塔增强模块以及内容检测模块，其中：

任一所述残差模块均包括第一预设尺寸的卷积层、批标准化层；

所述特征金字塔增强模块为一U型模块，由Up-Scale增强单元和Down-Scale增强单元组成，所述Up-Scale增强单元采用步长为第一预设像素、第二预设像素、第三预设像素以及第四预设像素进行迭代增强，所述Down-Scale增强单元采用第四预设像素、第三预设像素、第二预设像素以及第一预设像素进行迭代增强；

根据所述训练样本对所述初始分割区域检测模型进行训练，以得到所述最终分割区域检测模型。

8.一种空白答题卡识别系统，其特征在于，所述空白答题卡识别系统包括：

区域识别模块，用于获取多份相同题目的待识别答题卡图像，并从中随机将第一预设数量的所述待识别答题卡图像输入到最终分割区域检测模型中，以从所述待识别答题卡图像中分割出打印体区域和手写体区域；

打印体区域检测模块，用于获取检测后的每一张所述待识别答题卡图像的打印体区域中任一像素点的像素信息以及与像素信息对应的坐标信息，并根据所述坐标信息和所述像素信息将第一预设数量的打印体区域中相同位置处的像素点进行像素比对，以判断第一预设数量的打印体区域中相同位置处的像素点的像素信息是否均一致；

非打印像素点重置模块，用于若第一预设数量的打印体区域中相同位置处的像素点的像素信息不一致，则将该像素点标记为非打印像素点，并将打印体区域中所有的非打印像素点的像素信息重置为零，得到最终打印体区域；

手写体区域分离模块，用于根据所述最终打印体区域更新预设背景模型，并根据更新后的预设背景模型将所有的所述待识别答题卡图像进行分离，得到从所述待识别答题卡图像中分离出的手写体区域，所述预设背景模型为一第四预设尺寸的空白模板；

空白内容检测模块，用于判断每一所述手写体区域内是否包含手写内容。

9.一种存储介质，其特征在于，包括：所述存储介质存储一个或多个程序，该程序被处理器执行时实现如权利要求1-7任一所述的空白答题卡识别方法。

10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中：

所述存储器用于存放计算机程序；

所述处理器用于执行所述存储器上所存放的计算机程序时，实现权利要求1-7任一所述的空白答题卡识别方法。

Images