无定位点答题卡扫描图像纠偏算法研究与设计.docVIP

无定位点答题卡扫描图像纠偏算法研究与设计 　　摘要：答题卡扫描图像纠偏处理是自动化阅卷系统中的重要环节。使用无定位点答题卡可以降低阅卷的成本，有利于自动化阅卷系统在中小规模考试中推行。为了完善答题卡扫描图像纠偏处理的过程，文章提出了一种适用于无定位点答题卡扫描图像纠偏的算法。本算法利用了无定位点答题卡中的设计元素和排版规律进行辅助纠偏。经测试此算法有着较好的纠偏成功率。 　　关键词：自动化阅卷系统；图像处理；图像纠偏；无定位点答题卡 　　随着计算机图像处理技术和人工智能技术的高速发展，自动化阅卷系统不仅广泛应用于大型考试场景，如今绝大多数学校的月考、期末考等中小规模考试均采用了自动化阅卷系统。近年来，??家提倡“互联网+教育”的模式，导致线上教育行业的快速兴起。加上移动智能设备性能的不断提升，目前基于移动智能终端的自动化阅卷系统技术也得到了快速发展。 　　用机器代替人工阅卷，不仅大幅度提高了阅卷的速度和准确率，还能快速采集并统计每位考生的答题情况。这样就能运用数据挖掘技术分析考生历史答题记录，个性化推荐合适的习题给考生，从而提升考生的成绩。 　　自动化阅卷系统的工作流程分为答题卡模板学习，答题卡扫描图像预处理、答题区域定位、答案识别四大部分。扫描图像预处理中的图像纠偏环节十分关键。纸质版试卷会受摆放位置和扫描仪机械结构的影响，导致扫描后的图像有着不同程度的倾斜。如果不针对倾斜图像进行纠偏，会使得答题区域定位出错，导致识别率降低。 　　最常用的纠偏方法需要结合有定位点答题卡进行，有定位点答题卡会在答题卡的4个角印刷定位标识，如实心正方形。纠偏过程需要识别出每个定位标识的坐标值，利用该值计算出两个定位点构成直线的倾斜角度，最后使用该倾斜角度对扫描图像进行旋转矫正操作。虽然有定位点答题卡可以较好地辅助纠偏，但是仍存在某些不足。有定位点答题卡需要精度极高的打印机印刷，用户也无法自制答题卡，只能在供应商处购买，这增加了答题卡的制作成本。导致自动化阅卷系统不利于在中小规模考试中推行。 　　为了降低阅卷成本，自动化阅卷系统技术正往无定位点答题卡识别方向发展。因为减少了定位点的制作，无定位点答题卡不仅降低了制作成本，还方便用户自制样式。然而上述的纠偏技术就无法运用在无定位点答题卡中。目前无定位点答题卡自动化阅卷系统的技术还没发展成熟，因此急需建立一种能应对无定位点答题卡扫描图像纠偏的算法。对此，本文提出了一种基于图像处理的无定位点答题卡扫描图像纠偏算法。 　　1 无定位点答题卡扫描图像纠偏算法 　　答题卡扫描图像纠偏算法的核心是找出图像的倾斜角度。有定位点答题卡因为存在定位点，只需准确识别出定位点的坐标位置，就能很好地计算出倾斜角度。 　　经过对无定位点答题卡样式的观察，虽然无定位点答题卡不存在固定的定位点，但是仍然可以利用无定位点答题卡中普遍存在的元素或特性来辅助纠偏。其中本文利用到的元素和特性有：用于分割答题区域的矩形边框元素和答题卡排版左对齐特性，如图1所示。利用上述两个辅助内容，本文分别提出了一种利用分割答题区域的矩形边框的纠偏算法和一种利用排版左对齐特性的最小二乘法直线拟合纠偏算法。实际使用时，让经过二值化处理的样本进行上述两个算法的处理，综合两种方法的运算结果，得出更为准确的倾斜角度。算法运行流程如图2所示。 　　1.1 利用分割答题区域的矩形边框的纠偏算法 　　经过观察，无定位点答题卡中普遍存在用于分割答题区域的矩形边框。本文提出一种利用该矩形边框的纠偏算法，矩形边框为对应答题区域的最外层轮廓。因此算法的核心在于如何在样本中找出最大连通区域的最外层轮廓，找到了合适的矩形边框轮廓，就可以使用多边形去逼近该轮廓，使轮廓顶点数目变少，再计算出逼近后轮廓的最小外接矩形，最小外接矩形的倾斜角度即为扫描图像的倾斜角度。算法的实现使用了OpenCV开源库中的函数，算法执行过程如下。 　　（1）使用cvResize函数，采用立方插值方式缩小样本图像。（2）使用cvDilate形态学函数对样本图像进行膨胀处理。（3）使用cvFindContours函数获取样本中所有最外层轮廓。（4）使用cvApproxPoly函数，让多边形逼近轮廓。（5）获取最大面积的多边形逼近处理后的轮廓，判断该轮廓面积是否大于一定值，如果大于则继续执行步骤6，否则跳转到步骤2，再一次对样本进行膨胀处理。（6）使用cvMinAreaRect2函数获取最大轮廓的最小外接矩形，得出轮廓的倾斜角度，即样本图像的倾斜角度。 　　上述算法步骤1中为了加快执行速度，在不影响精度的条件下，适当缩小样本图像的尺寸。由于二值化处理后的样本可能会出现矩形边框缺口的情况，经过步骤2的膨胀操作，可以使有缺口的矩形边框复原成封闭矩形，有助于检索出更多有效轮廓。为了只获取最