CN110991357A - 一种答案匹配方法、装置和电子设备 - Google Patents
一种答案匹配方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110991357A CN110991357A CN201911243063.9A CN201911243063A CN110991357A CN 110991357 A CN110991357 A CN 110991357A CN 201911243063 A CN201911243063 A CN 201911243063A CN 110991357 A CN110991357 A CN 110991357A
- Authority
- CN
- China
- Prior art keywords
- answer
- area
- image
- job
- subgraphs
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 230000009466 transformation Effects 0.000 claims abstract description 54
- 238000013507 mapping Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/418—Document matching, e.g. of document images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请提高了一种答案匹配方法、装置和电子设备,具体为提取模板图像的SIFT特征和作业图像的SIFT特征;根据SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;根据全局透视变换矩阵将模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对子图的映射得到与模板图像上预标注试题区匹配的作业试题区和与模板图像上预标注答案区相匹配的作业答案区。本申请中针对干扰引起的图像扭曲引入了子图配准,从而提高了抗干扰性,能够实现在较多干扰条件下对答案的框定,为进一步答案的批改创造了条件。
Description
技术领域
本申请涉及图像处理技术领域,更具体地说,涉及一种答案匹配方法、装置和电子设备。
背景技术
手机拍照批改作业,方便快捷,可以节省老师、家长、学生大量的脑力和体力劳动。为了更好地满足用户对于批改作业的需求,拍照自动批改作业的应用程序通常需要具有框定题目区域和答案区域、判断答案区域对错、展示答案解析、展示相似题等功能。
在实际场景中,作业的品类、学生的书写、使用的手机品牌、拍照的光线和角度等诸多因素都会影响拍照图像的质量,从而影响题答案匹配的精度。因此需要对试题区和答案区进行精确框定,以便有条件对答案区内容进行批改。
发明内容
有鉴于此,本申请提供一种答案匹配方法、装置和电子设备,用于在较多干扰条件下对答案进行框定,以便根据该答案完成作业批改。
为了实现上述目的,现提出的方案如下:
一种答案匹配方法,包括步骤:
提取所述模板图像的SIFT特征和作业图像的SIFT特征;
根据所述SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;
根据所述全局透视变换矩阵将所述模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对所述子图的映射得到与所述模板图像上预标注试题区匹配的作业试题区和与所述模板图像上预标注答案区相匹配的作业答案区。
可选的,所述根据所述全局透视变换矩阵将所述模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对所述子图的映射得到与所述模板试题区匹配的作业试题区和与所述模板答案区相匹配的作业答案区,包括:
根据所述全局透视变换矩阵将所述模板图像的大题坐标映射到所述作业图像,得到多个模板子图和所述作业图像上与所述模板子图对应的作业子图;
针对每个所述模板子图和对应的所述作业子图计算新的局部透视变换矩阵;
根据所述局部透视变换矩阵对每个所述作业子图进行计算,得到上述作业试题区和所述作业答案区。
可选的,还包括步骤:
剔除所述作业试题区和所述作业答案区的无效区域。
可选的,所述剔除所述作业试题区和所述作业答案区的无效区域,包括:
判断所述作业试题区和所述作业答案区的形状;
将所述形状不符合预设图形要求的作业试题区或者所述作业答案区作为所述无效区域予以剔除。
可选的,还包括步骤:
针对答案本身所具体的特性从所述作业答案区中确定答案的具***置;
针对答案的具***置进行答案识别。
一种答案匹配装置,包括:
特征提取模块,用于提取所述模板图像的SIFT特征和作业图像的SIFT特征;
矩阵计算模块,用于根据所述SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;
映射执行模块,用于根据所述全局透视变换矩阵将所述模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对所述子图的映射得到与所述模板图像上预标注试题区匹配的作业试题区和与所述模板图像上预标注答案区相匹配的作业答案区。
可选的,所述根映射执行模块包括:
图像映射单元,用于根据所述全局透视变换矩阵将所述模板图像的大题坐标映射到所述作业图像,得到多个模板子图和所述作业图像上与所述模板子图对应的作业子图;
第一计算单元,用于针对每个所述模板子图和对应的所述作业子图计算新的局部透视变换矩阵;
第二计算单元,用于根据所述局部透视变换矩阵对每个所述作业子图进行计算,得到上述作业试题区和所述作业答案区。
可选的,还包括:
区域剔除模块,用于剔除所述作业试题区和所述作业答案区的无效区域。
可选的,所述区域剔除模块包括:
形状判断单元,用于判断所述作业试题区和所述作业答案区的形状;
剔除执行单元,用于将所述形状不符合预设图形要求的作业试题区或者所述作业答案区作为所述无效区域予以剔除。
可选的,还包括:
位置判断模块,用于针对答案本身所具体的特性从所述作业答案区中确定答案的具***置;
答案识别模块,用于针对答案的具***置进行答案识别。
一种电子设备,其特征在于,包括如上所述的答案匹配装置。
一种电子设备,其特征在于,包括至少一个处理器和与所述处理器连接的存储器,其中:
所述存储器用于存储计算机程序或指令;
所述处理器用于获取并执行所述计算机程序或指令,以使所述电子设备执行如上所述的答案匹配方法。
从上述的技术方案可以看出,本申请提高了一种答案匹配方法、装置和电子设备,具体为提取模板图像的SIFT特征和作业图像的SIFT特征;根据SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;根据全局透视变换矩阵将模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对子图的映射得到与模板图像上预标注试题区匹配的作业试题区和与模板图像上预标注答案区相匹配的作业答案区。本申请中针对干扰引起的图像扭曲引入了子图配准,从而提高了抗干扰性,能够实现在较多干扰条件下对答案的框定,为进一步答案的批改创造了条件。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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讲,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。
图1为本申请实施例的一种答案匹配方法的流程图;
图2为本申请实施例的一种SIFT特征提取方法的流程图;
图3为本申请实施例的另一种答案匹配方法的流程图;
图4为本申请实施例的又一种答案匹配方法的流程图;
图5为本申请实施例的一种答案匹配装置的框图;
图6为本申请实施例的另一种答案匹配装置的框图;
图7为本申请实施例的又一种答案匹配装置的框图;
图8为本申请实施例的一种电子设备的框图。
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,所描述的实施例仅仅是本申请一部分实施例,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作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。
实施例一
图1为本申请实施例的一种答案匹配方法的流程图。
如图1所示,本实施例提供的答案匹配方法应用于作业批改***,具体包括如下步骤:
S1、提取模板图像的SIFT特征和作业图像的SIFT特征。
SIFT特征即相应图像的尺度不变特征变换,是用于图像处理领域的一种描述。这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。具体来说,可以通过如图2中的流程实现SIFT特征的提取,即分别提取模板图像的SIFT特征和作业图像的SIFT特征。
该模板图像中预先标注有相应的试题区和答案区,为了避免混淆,这里将预标注的试题区和答案区称为预标注试题区和预标注答案区。
S2、根据SIFT特征并基于FLANN匹配算法计算全局透视变换矩阵。
即根据模板图像的SIFT(Scale-invariant feature transform,尺度不变特征变换)特征和作业图像的SIFT特征并基于FLANN匹配的图像配准技术,获取模板图像到作业图像的全局透视变换矩阵M0,透视变换(Perspective Transformation)是将图片投影到一个新的视平面(Viewing Plane),也称作投影映射(Projective Mapping)。
FLANN是快速(近似)最临近邻搜索包的简称。它是一个对大数据集和高维特征进行最近邻搜索的算法的集合。使用FLANN算法进行匹配时,需要传入两个字典作为参数。这两个字典是为了确定要使用的算法和其他相关参数等。第一个字典是IndexParams。对于SIFT和SURF等算法我们可以传入的参数是:indexparams=dict(algorithm=FLANNINDEXKDTREE,trees=5);第二个字典是SearchParams。用它来指定递归遍历的次数。值越高结果越准确,但是消耗的时间也越多。如果想修改这个值,传入参数searchparams=dict(checks=100)。
S3、根据全局透视变换矩阵将模板图像映射到作业图像。
这里的作业图像是指用户通过拍照设备获取的作业的图像。在得到全局透视变换矩阵M0后,利用该M0将模板图像透视到作业图像中,以实现从该作业图像中选定与预标注试题区匹配的作业试题区以及与预标注答案区匹配的作业答案区。
上面说的映射指的是全局映射,全局是指从模板图像到作业图像计算一个Matrix.A。
如果模板图像和作业图像中有多个大题,则针对每个大题再计算透视变换矩阵matrix_i,。将模板图像的大题坐标PB_label映射到作业图像,记为PB_img。根据PB_label和PB_img进行重新分配,得到多个模板子图和对应的作业子图,此时需要保持SIFT特征之间的映射关系。因为只是按照位置重新分配,而没有重新计算SIFT特征和FLANN匹配,所以,这一步只需占用很少的CPU处理时间。
然后,对每个子图,计算新的具体透视变换矩阵M1。
最后,利用局部透视变换矩阵对每个作业子图进行计算,从而得到作业图像中的作业试题区和作业答案区。对于M1计算失败的大题区域,其透视变换矩阵采用M0代替,对于M1和M0差异很大的情况,也采用M0取代M1。
从上述技术方案可以看出,本申请提供了一种鲁棒的答案匹配方法,具体为提取模板图像的SIFT特征和作业图像的SIFT特征;根据SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;根据全局透视变换矩阵将模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对子图的映射得到与模板图像上预标注试题区匹配的作业试题区和与模板图像上预标注答案区相匹配的作业答案区。本申请中针对干扰引起的图像扭曲引入了子图配准,从而提高了抗干扰性,能够实现在较多干扰条件下对答案的框定,为进一步答案的批改创造了条件。
另外,本申请还包括如下步骤,如图3所示。
S4、剔除作业试题区和作业答案区的无效区域。
具体是指剔除前面已经框定的作业试题区和作业答案区中的无效区域。
一般来说,试题区和答案区都应该是长方形,因此根据这一特性可以将不符合该特征的区域予以去除,从而实现无效区域的去除,从而能够降低计算量。
在剔除时首先对前面所述的作业试题区和作业答案区的形状进行判断,判断其形状是否符合预设图形要求,该预设图形要求为是否符合长方形的要求,也可以是其他的形状。然后将不符合该预设图形要求的作业试题区或者作业答案区作为无效区域予以剔除。
还有,本申请还包括如下步骤,如图4所示:
S5、从作业答案区中确定答案的具***置。
即在确定作业答案区并剔除无效区域后,根据答案具有手写的特征,从中检测出答案的具***置。
S6、针对答案的具***置识别答案。
在确定每个答案的具体未知的基础上,通过OCR方法对该具***置进行识别,从而识别出答案内容,以便进行答案批改。
答案区可以通过标注,区分出具有单一答案(例如填空题)和成组答案(例如列示计算题)2类。对于单一答案题型的题,每道大题作为一组来分配。
实施例二
图5为本申请实施例的一种答案匹配装置的框图。
如图5所示,本实施例提供的答案匹配装置包括特征提取模块20、矩阵计算模块30和映射执行模块40。
特征提取模块用于提取模板图像的SIFT特征和作业图像的SIFT特征。
SIFT特征即相应图像的尺度不变特征变换,是用于图像处理领域的一种描述。这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。
该模板图像中预先标注有相应的试题区和答案区,为了避免混淆,这里将预标注的试题区和答案区称为预标注试题区和预标注答案区。
矩阵计算模块用于根据SIFT特征并基于FLANN匹配算法计算全局透视变换矩阵。
即基于SIFT(Scale-invariant feature transform,尺度不变特征变换)特征和FLANN匹配的图像配准技术,获取模板图像到作业图像的全局透视变换矩阵M0,透视变换(Perspective Transformation)是将图片投影到一个新的视平面(Viewing Plane),也称作投影映射(Projective Mapping)。
FLANN是快速(近似)最临近邻搜索包的简称。它是一个对大数据集和高维特征进行最近邻搜索的算法的集合。使用FLANN算法进行匹配时,需要传入两个字典作为参数。这两个字典是为了确定要使用的算法和其他相关参数等。第一个字典是IndexParams。对于SIFT和SURF等算法我们可以传入的参数是:indexparams=dict(algorithm=FLANNINDEXKDTREE,trees=5);第二个字典是SearchParams。用它来指定递归遍历的次数。值越高结果越准确,但是消耗的时间也越多。如果想修改这个值,传入参数searchparams=dict(checks=100)。
映射执行模块用于根据全局透视变换矩阵将模板图像映射到作业图像。
这里的作业图像是指用户通过拍照设备获取的作业的图像。在得到全局透视变换矩阵M0后,利用该M0将模板图像透视到作业图像中,以实现从该作业图像中选定与预标注试题区匹配的作业试题区以及与预标注答案区匹配的作业答案区。
上面说的映射指的是全局映射,全局是指从模板图像到作业图像计算一个Matrix.A。该模块具体包括图像映射单元、第一计算单元和第二计算单元。
如果模板图像和作业图像中有多个大题,图像映射单元用于针对每个大题再计算透视变换矩阵matrix_i,。将模板图像的大题坐标PB_label映射到作业图像,记为PB_img。根据PB_label和PB_img进行重新分配,得到多个模板子图和对应的作业子图,此时需要保持SIFT特征之间的映射关系。因为只是按照位置重新分配,而没有重新计算SIFT特征和FLANN匹配,所以,这一步只需占用很少的CPU处理时间。
第一计算单元则用于对每个子图,计算新的具体透视变换矩阵M1。
第二计算单元用于利用局部透视变换矩阵对每个作业子图进行计算,从而得到作业图像中的作业试题区和作业答案区。对于M1计算失败的大题区域,其透视变换矩阵采用M0代替,对于M1和M0差异很大的情况,也采用M0取代M1。
从上述技术方案可以看出,本申请提供了一种鲁棒的答案匹配装置,具体为提取模板图像的SIFT特征;根据SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;根据全局透视变换矩阵将模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对子图的映射得到与模板图像中预标注试题区匹配的作业试题区和与模板图像中预标注答案区相匹配的作业答案区。本申请中针对干扰引起的图像扭曲引入了子图配准,从而提高了抗干扰性,能够实现在较多干扰条件下对答案的框定,为进一步答案的批改创造了条件。
另外,本申请还包括区域剔除模块50,如图6所示。
区域剔除模块用于剔除其中的无效区域。
具体是指剔除前面已经框定的作业试题区和作业答案区中的无效区域。
一般来说,试题区和答案区都应该是长方形,因此根据这一特性可以将不符合该特征的区域予以去除,从而实现无效区域的去除,从而能够降低计算量。该模块包括形状判断单元和剔除执行单元。
形状判断单元用于对前面所述的作业试题区和作业答案区的形状进行判断,判断其形状是否符合预设图形要求,该预设图形要求为是否符合长方形的要求,也可以是其他的形状。剔除执行单元则将不符合该预设图形要求的作业试题区或者作业答案区作为无效区域予以剔除。
还有,本申请还包括位置判断模块60和答案识别模块70,如图7所示:
位置判断模块用于从作业答案区中确定答案的具***置。
即在确定作业答案区并剔除无效区域后,根据答案具有手写的特征,从中检测出答案的具***置。
答案识别模块用于针对答案的具***置识别答案。
在确定每个答案的具体未知的基础上,通过OCR方法对该具***置进行识别,从而识别出答案内容,以便进行答案批改。
答案区可以通过标注,区分出具有单一答案(例如填空题)和成组答案(例如列示计算题)2类。对于单一答案题型的题,每道大题作为一组来分配。
实施例三
本实施例提供了一种电子设备,该作业批改***设置有上一实施例提供的一种答案匹配装置,该装置具体用于提取模板图像的SIFT特征和作业图像的SIFT特征;根据SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;根据全局透视变换矩阵将模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对子图的映射得到与模板图像中预标注试题区匹配的作业试题区和与模板图像中预标注答案区相匹配的作业答案区。本申请中针对干扰引起的图像扭曲引入了子图配准,从而提高了抗干扰性,能够实现了在较多干扰条件下对答案的框定,为进一步答案的批改创造了条件。
实施例四
图8为本申请实施例的一种电子设备的框图。
如图8所示,本实施例提供的电子设备可以是移动设备或者与移动设备相连接的服务器,其包括至少一个处理器101和相应的存储器102,两者通过数据总线103相连接。该存储器用于存储计算机程序或指令,处理器则用于通过数据总线获取并执行该计算机程序或代码,从而使该电子设备执行如实施例一所述的答案匹配方法,
该答案匹配方法具体为对模板图像的模板试题区和模板答案区进行标注;提取模板图像的SIFT特征和作业图像的SIFT特征;根据SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;根据全局透视变换矩阵将模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对子图的映射得到与模板图像中预标注试题区匹配的作业试题区和与模板图像中预标注答案区相匹配的作业答案区。本申请中针对干扰引起的图像扭曲引入了子图配准,从而提高了抗干扰性,能够实现了在较多干扰条件下对答案的框定,为进一步答案的批改创造了条件。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种答案匹配方法,其特征在于,包括步骤:
提取所述模板图像的SIFT特征和作业图像的SIFT特征;
根据所述SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;
根据所述全局透视变换矩阵将所述模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对所述子图的映射得到与所述模板图像上预标注试题区匹配的作业试题区和与所述模板图像上预标注答案区相匹配的作业答案区。
2.如权利要求1所述的答案匹配方法,其特征在于,所述根据所述全局透视变换矩阵将所述模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对所述子图的映射得到与所述模板图像上预标注试题区匹配的作业试题区和与所述模板图像上预标注答案区相匹配的作业答案区,包括:
根据所述全局透视变换矩阵将所述模板图像的大题坐标映射到所述作业图像,得到多个模板子图和所述作业图像上与所述模板子图对应的作业子图;
针对每个所述模板子图和对应的所述作业子图计算新的局部透视变换矩阵;
根据所述局部透视变换矩阵对每个所述作业子图进行计算,得到上述作业试题区和所述作业答案区。
3.如权利要求1所述的答案匹配方法,其特征在于,还包括步骤:
剔除所述作业试题区和所述作业答案区的无效区域。
4.如权利要求3所述的答案匹配方法,其特征在于,所述剔除所述作业试题区和所述作业答案区的无效区域,包括:
判断所述作业试题区和所述作业答案区的形状;
将所述形状不符合预设图形要求的作业试题区或者所述作业答案区作为所述无效区域予以剔除。
5.如权利要求3所述的答案匹配方法,其特征在于,还包括步骤:
针对答案本身所具有的特性从所述作业答案区中确定答案的具***置;
针对答案的具***置进行答案识别。
6.一种答案匹配装置,其特征在于,包括:
特征提取模块,用于提取所述模板图像的SIFT特征和作业图像的SIFT特征;
矩阵计算模块,用于根据所述SIFT特征,并基于FLANN匹配算法计算全局透视变换矩阵;
映射执行模块,用于根据所述全局透视变换矩阵将所述模板图像映射到接收到的作业图像,得到针对大题的多个子图,通过对所述子图的映射得到与所述模板图像上预标注试题区匹配的作业试题区和与所述模板图像上预标注答案区相匹配的作业答案区。
7.如权利要求6所述的答案匹配装置,其特征在于,所述根映射执行模块包括:
图像映射单元,用于根据所述全局透视变换矩阵将所述模板图像的大题坐标映射到所述作业图像,得到多个模板子图和所述作业图像上与所述模板子图对应的作业子图;
第一计算单元,用于针对每个所述模板子图和对应的所述作业子图计算新的局部透视变换矩阵;
第二计算单元,用于根据所述局部透视变换矩阵对每个所述作业子图进行计算,得到上述作业试题区和所述作业答案区。
8.如权利要求6所述的答案匹配装置,其特征在于,还包括:
区域剔除模块,用于剔除所述作业试题区和所述作业答案区的无效区域。
9.如权利要求8所述的答案匹配装置,其特征在于,所述区域剔除模块包括:
形状判断单元,用于判断所述作业试题区和所述作业答案区的形状;
剔除执行单元,用于将所述形状不符合预设图形要求的作业试题区或者所述作业答案区作为所述无效区域予以剔除。
10.如权利要求8所述的答案匹配装置,其特征在于,还包括:
位置判断模块,用于针对答案本身所具有的特性从所述作业答案区中确定答案的具***置;
答案识别模块,用于针对答案的具***置进行答案识别。
11.一种电子设备,其特征在于,包括如权利要求6~10任一项所述的答案匹配装置。
12.一种电子设备,其特征在于,包括至少一个处理器和与所述处理器连接的存储器,其中:
所述存储器用于存储计算机程序或指令;
所述处理器用于获取并执行所述计算机程序或指令,以使所述电子设备执行如权利要求1~5任一项所述的答案匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243063.9A CN110991357A (zh) | 2019-12-06 | 2019-12-06 | 一种答案匹配方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243063.9A CN110991357A (zh) | 2019-12-06 | 2019-12-06 | 一种答案匹配方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991357A true CN110991357A (zh) | 2020-04-10 |
Family
ID=70090879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243063.9A Withdrawn CN110991357A (zh) | 2019-12-06 | 2019-12-06 | 一种答案匹配方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991357A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709375A (zh) * | 2020-06-18 | 2020-09-25 | 武汉唯理科技有限公司 | 一种批改作业试题的方法 |
CN113033711A (zh) * | 2021-05-21 | 2021-06-25 | 北京世纪好未来教育科技有限公司 | 题目批改方法、装置、电子设备及计算机存储介质 |
CN113095187A (zh) * | 2021-04-01 | 2021-07-09 | 杭州云梯科技有限公司 | 一种基于图像特征匹配对齐的试卷批改方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934860A (zh) * | 2019-03-21 | 2019-06-25 | 大连海事大学 | 一种基于sift-flann与误匹配点剔除的图像配准方法 |
CN110276340A (zh) * | 2019-05-28 | 2019-09-24 | 杭州布谷科技有限责任公司 | 答题卷生成与识别方法及装置 |
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 |
-
2019
- 2019-12-06 CN CN201911243063.9A patent/CN110991357A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934860A (zh) * | 2019-03-21 | 2019-06-25 | 大连海事大学 | 一种基于sift-flann与误匹配点剔除的图像配准方法 |
CN110276340A (zh) * | 2019-05-28 | 2019-09-24 | 杭州布谷科技有限责任公司 | 答题卷生成与识别方法及装置 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709375A (zh) * | 2020-06-18 | 2020-09-25 | 武汉唯理科技有限公司 | 一种批改作业试题的方法 |
CN113095187A (zh) * | 2021-04-01 | 2021-07-09 | 杭州云梯科技有限公司 | 一种基于图像特征匹配对齐的试卷批改方法 |
CN113033711A (zh) * | 2021-05-21 | 2021-06-25 | 北京世纪好未来教育科技有限公司 | 题目批改方法、装置、电子设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106547744B (zh) | 一种图像检索方法及*** | |
WO2021051885A1 (zh) | 目标标注的方法及装置 | |
CN105956059A (zh) | 基于情绪识别的信息推荐方法和装置 | |
CN110991357A (zh) | 一种答案匹配方法、装置和电子设备 | |
CN111144215B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111738045B (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN112446363A (zh) | 一种基于视频抽帧的图像拼接与去重方法及装置 | |
CN114862845B (zh) | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN109284700B (zh) | 图像中多个人脸检测的方法、存储介质、设备及*** | |
CN111652145B (zh) | 一种公式检测的方法、装置、电子设备和存储介质 | |
CN105678301B (zh) | 一种自动识别并分割文本图像的方法、***及装置 | |
CN115937003A (zh) | 图像处理方法、装置、终端设备和可读存储介质 | |
CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
CN114936997A (zh) | 检测方法、装置、电子设备及可读存储介质 | |
CN111026924A (zh) | 一种待搜索内容的获取方法及电子设备 | |
CN115546219B (zh) | 检测板式生成方法、板卡缺陷检测方法、装置及产品 | |
CN110288655B (zh) | 一种自动识别chart图片中测试图案位置的方法及装置 | |
CN112532884A (zh) | 识别方法、装置及电子设备 | |
CN112434581A (zh) | 一种室外目标颜色识别方法、***、电子设备及存储介质 | |
CN110660091A (zh) | 一种图像配准处理方法、装置和拍照批改作业*** | |
CN111815621A (zh) | 一种数据处理方法、装置及电子设备 | |
WO2017219562A1 (zh) | 一种二维码生成方法及装置 | |
CN110287943B (zh) | 图像的对象识别方法、装置、电子设备及存储介质 | |
CN108021918B (zh) | 文字识别方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200410 |