圖像處理耦合模板定位的答題卡識(shí)別研究與應(yīng)用

郝平?k

摘要：當(dāng)前大多數(shù)機(jī)器閱卷中采用的識(shí)別算法基于模糊識(shí)別，即針對(duì)某類型的試卷，更換多種試卷或者同種試卷不同采集方式下很難準(zhǔn)確對(duì)應(yīng)，具有一定的局限性。對(duì)此，本文提出一個(gè)基于OpenCV耦合模板定位的答題卡識(shí)別機(jī)制。首先基于人機(jī)交互劃定學(xué)號(hào)區(qū)與客觀題區(qū)；然后基于圖像處理算法定位得到填涂位置，評(píng)價(jià)填涂結(jié)果，完成答題卡識(shí)別。本系統(tǒng)模板制作模塊由C#編程實(shí)現(xiàn)，答題卡識(shí)別由C++和OpenCV實(shí)現(xiàn)。最后測(cè)試本文機(jī)制性能，結(jié)果表明：與基于模糊識(shí)別的普通方法相比，本文機(jī)制具有更好的定位效果和識(shí)別準(zhǔn)確度。

關(guān)鍵詞：模板定位；OpenCV；人機(jī)交互；模糊識(shí)別；圖像處理

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A

1引言

答題卡識(shí)別系統(tǒng)是針對(duì)客觀題答案進(jìn)行檢測(cè)識(shí)別的應(yīng)用性軟硬件的綜合，目前使用的答題卡識(shí)別系統(tǒng)具有閱卷速度快、效率高、準(zhǔn)確率高等優(yōu)點(diǎn)，但也存在一定的局限性，必須采用光電閱卷機(jī)和專用機(jī)讀答題卡，成本高昂，普通學(xué)校難以承受；且一旦確定規(guī)格就難以修改[1-3]。而利用價(jià)格相對(duì)低廉的數(shù)碼相機(jī)或復(fù)印機(jī)作為圖像數(shù)據(jù)輸入設(shè)備采集答題卡圖像，再經(jīng)過軟件處理、識(shí)別將獲得的考試信息存入數(shù)據(jù)庫(kù)，同樣可以實(shí)現(xiàn)自動(dòng)閱卷的目的，并可以降低設(shè)備成本[4-6]。而且軟件實(shí)現(xiàn)方式方便修改答題卡結(jié)構(gòu)以適應(yīng)不同需求易于普及推廣。

基于軟件處理的答題卡識(shí)別主要應(yīng)用圖像處理與識(shí)別算法，總體分為兩種模式：第一種是模糊識(shí)別，以答題卡圖像中某特定目標(biāo)為參照進(jìn)行識(shí)別，然后根據(jù)位置信息定位客觀題區(qū)域，然后進(jìn)行識(shí)別，實(shí)現(xiàn)答題卡信息讀取。第二種是先模板制作，然后根據(jù)模板定位客觀題位置，進(jìn)行識(shí)別，實(shí)現(xiàn)答題卡信息讀取。第一種方式，由于依靠特定目標(biāo)，在更換試卷類型同樣存在識(shí)別不準(zhǔn)的問題。第二種方式，在前期基于人機(jī)交互，用軟件制作出模板，可對(duì)應(yīng)于試卷類型變更。本文研究的機(jī)制就是采用第二種方式，先基于C#編程實(shí)現(xiàn)模板制作軟件的開發(fā)，得到模板信息即客觀題位置信息；然后用圖像處理的方式對(duì)客觀題進(jìn)行識(shí)別，完成答題卡識(shí)別。

計(jì)算技術(shù)與自動(dòng)化2015年12月

第34卷第4期郝平：圖像處理耦合模板定位的答題卡識(shí)別研究與應(yīng)用

為了解決當(dāng)前光電閱卷機(jī)和專用機(jī)讀答題卡成本高昂的問題和模糊識(shí)別通用性差的問題，本文提出了一個(gè)基于圖像處理耦合模板定位的答題卡識(shí)別系統(tǒng)，實(shí)現(xiàn)對(duì)考生學(xué)號(hào)與客觀題答案的識(shí)別。首先基于模板定位軟件得到考生學(xué)號(hào)區(qū)域和答題卡答案區(qū)域的圖像坐標(biāo)；然后開始進(jìn)入批量閱卷階段，基于圖像處理識(shí)別學(xué)號(hào)和答案，再最后在界面上顯示，并上傳至服務(wù)器數(shù)據(jù)庫(kù)。最后實(shí)驗(yàn)證明本文識(shí)別機(jī)制的性能。

2答題卡識(shí)別的整體機(jī)制

程序控制掃描儀采集答題卡圖像，供模板制作和閱卷識(shí)別，具體掃描儀端采集控制程序不是本文研究的重點(diǎn)，本文從圖像采集完成開始研究。答題卡上待識(shí)別的內(nèi)容主要是考生學(xué)號(hào)和客觀題答案，如圖1所示。模板的主要信息是：劃定區(qū)域的左上角圖像坐標(biāo)和長(zhǎng)寬、學(xué)號(hào)或者客觀題、單選或多選、區(qū)域幾行幾列。這些信息在圖像載入C#模板制作軟件后，用鼠標(biāo)基于人機(jī)交互的方式劃定和輸入。

模板制作完成并保存后，基于模板信息對(duì)后面的試卷開始批量閱卷，主要經(jīng)過模板定位、填涂位置定位、識(shí)別、顯示結(jié)果，整體機(jī)制的框架如圖2所示。

3基于模板制作的區(qū)域定位

采用模糊識(shí)別定位某個(gè)特定目標(biāo)然后根據(jù)位置信息推算客觀題或者學(xué)號(hào)區(qū)位置，這樣方法在變更試卷類型時(shí)往往準(zhǔn)確率嚴(yán)重下降。本文先用人機(jī)交互的方式，用軟件制作出模板，該模板包含的信息強(qiáng)大，可以有學(xué)號(hào)和客觀題的區(qū)域坐標(biāo)、學(xué)號(hào)的位數(shù)、客觀題是多選或者單選，客觀題的選項(xiàng)數(shù)和個(gè)數(shù)等等（如圖3所示）。模板制作，為后期圖像準(zhǔn)確識(shí)別做好了數(shù)據(jù)準(zhǔn)備，只要在前期花很少的制作時(shí)間，而且制作軟件界面友好易操作，每次不同類型的試卷批量閱卷前，只需制作一次即可用于后面大量的試卷閱卷。

經(jīng)過本文的模板制作軟件處理，得到目模板信息，如圖4所示。本模板制作軟件基于.NET平臺(tái)C#語(yǔ)言開發(fā)實(shí)現(xiàn)，秉承了界面友好和開發(fā)效率高的優(yōu)點(diǎn)，成功運(yùn)用在了本系統(tǒng)中，為后期圖像處理掃清定位障礙。

模板制作部分關(guān)鍵代碼：

var jsonModel = new JsonModel（）；//初始化模板

jsonModel.Items = new List（）；//初始化特征列表

jsonModel.ImageBase64String=Convert.ToBase64String（image）；//模板格式轉(zhuǎn)換

jsonModel.PicBoxSize=string.Format（"{0}，{1}"，picBoxSize.Width， picBoxSize.Height）； //圖像格式轉(zhuǎn)換

jsonModel.RealImageSize=string.Format（"{0}，{1}"，realImageSize.Width， realImageSize.Height）；//圖像格式歸一化

double ratio = （double）realImageSize.Width / （double）picBoxSize.Width；

//遍歷模板

list.ForEach（x =>jsonModel.Items.Add（new Item {

Id = x.Id，

Name = x.Name，//模板對(duì)象名

RectPointType = x.RectPointType，//模板點(diǎn)類型

RectType = x.RectType.ToString（），

DeawType = x.DeawType，

Direction = x.Direction，

ColCount = x.ColCount，//數(shù)據(jù)列

RowCount = x.RowCount，// 數(shù)據(jù)行

Table = x.Table，

Rect = string.Format（"{0}，{1}，{2}，{3}"， x.SelectRectangle.X， x.SelectRectangle.Y，

x.SelectRectangle.Width， x.SelectRectangle.Height），

RealRect = string.Format（"{0}，{1}，{2}，{3}"， Convert.ToInt32（x.SelectRectangle.X * ratio）， Convert.ToInt32（x.SelectRectangle.Y * ratio），Convert.ToInt32（x.SelectRectangle.Width * ratio）， Convert.ToInt32（x.SelectRectangle.Height * ratio））}））；

var json = JsonConvert.SerializeObject（jsonModel）；

File.WriteAllText（fileName， json）；//文件寫入

4基于OpenCV的答題卡識(shí)別

通過模板數(shù)據(jù)易定位學(xué)號(hào)和客觀題區(qū)域，本節(jié)以學(xué)號(hào)為例，展開研究，得到的學(xué)號(hào)區(qū)域圖像如圖5所示。由于試卷背景為白色，填涂顏色為黑色，具有很強(qiáng)的對(duì)比度，本機(jī)制利用自適應(yīng)閾值分割[7-8]和圖像取反[9]，得出學(xué)號(hào)區(qū)域二值圖，如圖6所示。然后用形態(tài)學(xué)開運(yùn)算[12]進(jìn)一步去除噪聲，最后基于OpenCV[10-11]匹配函數(shù)，定位出填涂目標(biāo)。

本文使用的匹配函數(shù)[12]主要基于面積、周長(zhǎng)、長(zhǎng)軸短軸比、長(zhǎng)軸短軸差，由于檢測(cè)矩形目標(biāo)，因此目標(biāo)的面積、周長(zhǎng)、長(zhǎng)軸短軸比、長(zhǎng)軸短軸差具有區(qū)別性，經(jīng)過調(diào)試，可計(jì)算出經(jīng)驗(yàn)值范圍，從而判斷目標(biāo)是否是填涂目標(biāo)。

L=∑s[n]（1）

CDB=aixs/aiys（2）

CDC=aixs-aiys（3）

其中，所示L為周長(zhǎng)，S[n]為目標(biāo)輪廓邊緣像素點(diǎn)組成的數(shù)組。如式2所示CDB為目標(biāo)輪廓長(zhǎng)軸與短軸的比例，aixs為長(zhǎng)軸，aiys為短軸。如式3所示CDC為目標(biāo)輪廓長(zhǎng)軸與短軸的差值，aixs為長(zhǎng)軸，aiys為短軸。

經(jīng)過本文的閾值分割、形態(tài)學(xué)處理、匹配函數(shù)相結(jié)合的方法，得到學(xué)號(hào)填涂目標(biāo)定位結(jié)果，如圖7所示。

答題卡識(shí)別部分關(guān)鍵代碼：

IplImage* gray = cvCreateImage（ cvGetSize（ipl）， 8， 1 ）； //圖像初始化

cvCvtColor（ ipl， gray， CV_BGR2GRAY ）；//顏色空間轉(zhuǎn)換

IplImage* erzhi = cvCreateImage（cvSize（width，height）， 8 ， 1）；

cvThreshold（ gray， erzhi，179，255，CV_THRESH_BINARY）；//閾值分割

IplImage* qufan=cvCreateImage（cvSize（width，height）， 8 ， 1）；

cvNot（erzhi，qufan）；

IplConvKernel*element=cvCreateStructuringElementEx（5，5，1，1，CV_SHAPE_RECT，0）；//構(gòu)建形態(tài)學(xué)結(jié)構(gòu)分子

cvMorphologyEx（qufan，qufan，NULL，element， CV_MOP_OPEN， 1）； //形態(tài)學(xué)處理

tmparea=fabs（cvContourArea（contour1））； //面積計(jì)算

zhouchang=fabs（cvArcLength（contour1））； //周長(zhǎng)計(jì)算

End_Rage2D = cvMinAreaRect2（contour1）；//最小內(nèi)接矩形

CDB=End_Rage2D.size.height/End_Rage2D.size.width；

CDC= End_Rage2D.size.height-End_Rage2D.size.width；

5實(shí)驗(yàn)與討論

本文機(jī)制基于模板制作得到學(xué)號(hào)與客觀題區(qū)域，圖像處理采用閾值分割與形態(tài)學(xué)處理得到目標(biāo)分明的二值圖，再通過匹配得到目標(biāo)的精確坐標(biāo)，輪廓特征有面積、周長(zhǎng)、長(zhǎng)寬比、長(zhǎng)寬差，實(shí)現(xiàn)答題卡信息讀取。經(jīng)過實(shí)驗(yàn)驗(yàn)證，試卷類型變更和試卷采集位置變換的情況下，傳統(tǒng)定位方式是基于模糊識(shí)別定位算法，存在定位不準(zhǔn)確和無法識(shí)別答題卡信息的問題，如圖9所示。

本文定位機(jī)制基于C#模板制作軟件得到準(zhǔn)確的學(xué)號(hào)和客觀題位置坐標(biāo)，然后用圖像處理OpenCV函數(shù)，準(zhǔn)確定位目標(biāo)位置，并精確完成答題卡識(shí)別，如圖8所示。

為了量化不同算法的識(shí)別精確度，本文采用對(duì)相同一組試卷進(jìn)行檢測(cè)，先用傳統(tǒng)算法識(shí)別；然后本文算法識(shí)別，分別記錄所用時(shí)間和識(shí)別結(jié)果，最后進(jìn)行人工校驗(yàn)。結(jié)果見表1。從表中可知，本文算法的識(shí)別精度比傳統(tǒng)機(jī)制要高，所用時(shí)間也少于傳統(tǒng)機(jī)制；而傳統(tǒng)機(jī)制還存在較高的漏檢。

6結(jié)論

為了解決當(dāng)前模糊識(shí)別通用性差的問題，本文提出了一個(gè)基于圖像處理耦合模板定位的答題卡識(shí)別系統(tǒng)，采用C++、C#主流語(yǔ)言實(shí)現(xiàn)。首先基于模板定位軟件得到考生學(xué)號(hào)區(qū)域和答題卡答案區(qū)域的圖像坐標(biāo)；然后開始進(jìn)入批量閱卷階段，基于圖像處理識(shí)別學(xué)號(hào)和答案。

結(jié)果表明：與普通識(shí)別卡識(shí)別定位算法相比，本文機(jī)制具有更好的識(shí)別精度和更高的效率。

參考文獻(xiàn)

[1]楊青燕. 基于灰度圖像的答題卡識(shí)別技術(shù)[J].山東科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，13（17）：43-46.

[2]KAUL T，GRIEBEL R，KAUFMANN E. Transcription as a Tool for Increasing Metalinguistic Awareness in Learners of German Sign Language as a Second Language[J]. Teaching and Learning Signed，2014，18（11）：383-387.

[3]RUSHTON VE，HIRSCHMANN PN，BEARN DR. The effectiveness of undergraduate teaching of the identification of radiographic film faults[J]. Dentomaxillofacial Radiology， 2014， 34（6）： 225-232.

[4]HSIUNG CM，LUO LF，CHUNG HC. Early identification of ineffective cooperative learning teams[J]. Journal of Computer Assisted Learning，2014， 30（6）：534-545.

[5]李翀倫. 復(fù)雜背景下紅外圖像目標(biāo)的快速定位[J]. 海軍工程大學(xué)學(xué)報(bào)，2013， 33（10）：2886-2890.

[6]呂鳴. 提高自學(xué)考試答題卡識(shí)別準(zhǔn)確率的探討及實(shí)踐[J]. 中國(guó)考試，2011， 23（2）：371-376.

[7]RAJKUMAR TMP，LATTE MV. Adaptive Thresholding Based Medical Image Compression Technique Using Haar Wavelet Based Listless SPECK Encoder and Artificial Neural Network[J]. Journal of Medical Imaging and Health Informatics，2015， 5（2）：223-234.

[8]SHARMA P，KHAN K，AHMAD K. Image denoising using local contrast and adaptive mean in wavelet transform domain[J]. International Journal of Wavelets， Multiresolution and Information Processing，2014， 12（06）：1450038-1～1450038-15.

[9]SHARMA Y，MEGHRAJANI YK. Extraction of Grayscale Brain Tumor in Magnetic Resonance Image[J].International Journal of Advanced Research in Computer and Communication Engineering， 2014， 3（11）： 8542-8545.

[10]葉昕， 秦其明， 王俊. 結(jié)合數(shù)學(xué)形態(tài)學(xué)與多角度模板匹配的高分辨率遙感圖像救災(zāi)帳篷識(shí)別[J]. 測(cè)繪通報(bào)， 2015， 5（1）： 86-89.

[11]CHOU LD，CHEN CC，KUI CK. Implementation of Face Detection Using OpenCV for Internet Dressing Room[J]. Advanced Technologies， 2014， 260（23）： 587-592.

[12]張亞榮， 裴志利. OpenCV耦合三目視覺的標(biāo)準(zhǔn)件目標(biāo)定位研究與應(yīng)用[J].組合機(jī)床與自動(dòng)化加工技術(shù)， 2015， 2（1）： 35-38.