CN112818797B - 一种面向在线考试答卷文档图像的一致性检测方法和存储设备 - Google Patents
一种面向在线考试答卷文档图像的一致性检测方法和存储设备 Download PDFInfo
- Publication number
- CN112818797B CN112818797B CN202110102061.9A CN202110102061A CN112818797B CN 112818797 B CN112818797 B CN 112818797B CN 202110102061 A CN202110102061 A CN 202110102061A CN 112818797 B CN112818797 B CN 112818797B
- Authority
- CN
- China
- Prior art keywords
- image
- target block
- singular
- points
- point
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,特别涉及一种面向在线考试答卷文档图像的一致性检测方法和存储设备。所述一种面向在线考试答卷文档图像的一致性检测方法,包括步骤:获取第一图像和第二图像;定位两图像的奇异点位置,并根据奇异点位置对两个图像进行像素级对齐;截取第一图像的第一目标块,截取所述第二图像的第二目标块;比对第一目标块与第二目标块是否一致,若一致,则判定所述第一图像和所述第二图像一致。以上步骤中利用奇异点来实现第一图像和第二图像的像素级对齐,并且用来比对的目标块的奇异点数均不小于预设个数,确保了用于比对的目标块上信息的丰富性,确保了图像比对结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种面向在线考试答卷文档图像的一致性检测方法和存储设备。
背景技术
随着网络发展,在线考试越来越受到欢迎,所谓在线考试即电脑上显示试卷,学生仍在纸上作答,考试时间到后,学生对纸上的答案进行拍摄递交。为监督学生是否作弊,常见的在线考试环境包含两个机位,一机位为电脑摄像头,位于考生正面方向;二机位为移动设备摄像头,位于考生侧方。在考试时间截止后,考生首先对电脑一机位进行答卷的拍摄,此图像作为留底图像,接着取下二机位对答卷进行再次拍摄,提交试卷。为了避免考生在交卷间隙擅自修改答卷上的作答内容,导致考生最终提交的答卷并非考生在规定时间内完成的答卷,有必要对先后两次答卷进行一致性检测。
目前常用的一致性检测算法通常面向高清彩色图像,并具有较好的匹配效果,但对低质量手写文档图像不具有较好的鲁棒性,完全不一致的手写文档图像在此类***下甚至会得出较高的相似度。并且,图像一致性检测的特征提取往往面向全局图像,而忽略图像中微小的细节差异,在线考试环境下的文档图像一致性检测对细节变化具有较高要求,现有的检测效果难以满足。
发明内容
为此,需要提供一种面向在线考试答卷文档图像的一致性检测方法,用以解决在线考试环境下手写文档一致性检测精准度低的技术问题,具体技术方案如下:
一种面向在线考试答卷文档图像的一致性检测方法,包括步骤:
获取第一图像和第二图像;
定位所述第一图像和第二图像的奇异点位置,并根据所述奇异点位置对所述第一图像和所述第二图像进行像素级对齐;
截取所述第一图像的第一目标块,截取所述第二图像的第二目标块,所述第一目标块包含的奇异点数不小于预设个数,所述第二目标块包含的奇异点数不小于预设个数;
比对所述第一目标块与所述第二目标块是否一致,若一致,则判定所述第一图像和所述第二图像一致;
若不一致,则判定所述第一图像和所述第二图像不一致。
进一步的,所述“定位所述第一图像和第二图像的奇异点位置”,具体还包括步骤:
步骤1:输入图像与l个不同大小的卷积核进行卷积运算,输出l个元子图,相邻元子图两两之间进行差分运算,得到(l-1)个次子图,遍历次子图中间层的像素点,与空间邻域中的像素点做差,若某像素点差值恒为正或恒为负,则为潜在奇异点;
步骤2:对输入的图像进行降采样,重复步骤1直至找到所有的潜在奇异点;
步骤3:将差分函数在所述潜在奇异点处的二阶泰勒展式的绝对值与0.025对比,如果大于0.025,则保留,如果小于0.025,视为低对比度的点并将其从潜在奇异点中剔除,通过曲面拟合找到奇异点的位置坐标。
进一步的,所述“并根据所述奇异点位置对所述第一图像和所述第二图像进行像素级对齐”,具体还包括步骤:
标定所述奇异点的特征信息,并根据所述特征信息对第一图像和第二图像的奇异点进行扫描配对;
使用稳健的奇异点通过矩阵计算得第一图像和第二图像的转化矩阵;
根据所述转化矩阵对所述第一图像和第二图像进行像素级对齐。
进一步的,所述第一目标块为两个以上,所述第二目标块为两个以上。
进一步的,所述“比对所述第一目标块与所述第二目标块是否一致”,具体还包括步骤:
输入所述第一目标块和所述第二目标块至预设网络模块输出第一目标块和第二目标块的特征描述向量,计算所述特征描述向量的相似度,根据所述相似度判断第一图像与第二图像的一致性。
进一步的,所述“使用稳健的奇异点通过矩阵计算得第一图像和第二图像的转化矩阵;根据所述转化矩阵对所述第一图像和第二图像进行像素级对齐”,具体还包括步骤:
使用方向导数直方图为每一个奇异点产生一个256维特征向量,若两个特征向量之间的距离小于特定阈值,则将两个奇异点配对;
将配对的奇异点按其对应关系分为线性对与非线性对两个集合,过滤非线性对,使用线性对确定映射矩阵T,使用全部奇异点对对计算结果进行评价,不断迭代,直到点对映射关系计算误差小于0.6%,原角点通过映射矩阵T获得现角点位置,对所述第一图像和第二图像进行像素级对齐。
进一步的,所述“输入所述第一目标块和所述第二目标块至预设网络模块输出第一目标块和第二目标块的特征描述向量”,具体还包括步骤:
分别输入所述第一目标块和所述第二目标块至首网络、间网络和后网络;
所述首网络包含七个卷积层和四个池化层。
为解决上述技术问题,还提供了一种存储设备,具体技术方案如下:
一种存储设备,其中存储有指令集,所述指令集用于执行上述所提及的任意步骤。
本发明的有益效果是:通过响应考试时间结束指令,第一设备对试卷进行拍摄得第一图像;第二设备对所述试卷进行拍摄得第二图像;定位所述第一图像和第二图像的奇异点位置,并根据所述奇异点位置对所述第一图像和所述第二图像进行像素级对齐;截取所述第一图像的第一目标块,截取所述第二图像的第二目标块,所述第一目标块包含的奇异点数不小于预设个数,所述第二目标块包含的奇异点数不小于预设个数;比对所述第一目标块与所述第二目标块是否一致,若一致,则判定所述第一图像和所述第二图像一致;若不一致,则判定所述第一图像和所述第二图像不一致。以上步骤中利用奇异点来实现第一图像和第二图像的像素级对齐,并且用来比对的目标块的奇异点数均不小于预设个数,确保了用于比对的目标块上信息的丰富性,确保了图像比对结果的准确性。
附图说明
图1为具体实施方式所述一种面向在线考试答卷文档图像的一致性检测方法的流程图;
图2为具体实施方式所述间网络网络结构示意图;
图3为具体实施方式所述一致性检测网络网络结构示意图;
图4为具体实施方式所述一种存储设备的模块示意图。
附图标记说明:
400、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1至图3,在本实施方式中,第一图像来自第一机位,第一机位为电脑摄像头,位于考生正面方向,第二机位为移动设备摄像头,位于考生侧方。在考试时间截止后,考生首先对电脑第一机位进行答卷的拍摄,得到第一图像,接着取下第二机位对答卷进行再次拍摄,得到第二图像。
故此本申请的核心技术思想在于:通过比较先后提交的第一图像和第二图像的一致性,来辅助判断考生是否有利用交卷间隙借机改动答卷内容的违规行为,且本申请引入奇异点与特定网络模块对第一图像和第二图像分别进行处理,使得能够检测到更小的细致文档改动痕迹,对交卷间隙考生操作的细微改动进行辅助判别。具体技术方案如下:
步骤S101:获取第一图像和第二图像。在过程中会对第一图像和第二图像的质量做一个初步评估,包括清晰度、光照和角度等进行评估,并且会对考生进行实时反馈,保证拍摄图像质量。
步骤S102:定位所述第一图像和第二图像的奇异点位置。所述“定位所述第一图像和第二图像的奇异点位置”,具体还包括步骤:
步骤1:输入图像与l个不同大小的卷积核进行卷积运算,输出l个模糊程度不同的元子图,相邻元子图两两之间进行差分运算,得到(l-1)个次子图,遍历次子图中间层的像素点,与空间邻域中的像素点做差,若某像素点差值恒为正或恒为负,则为潜在奇异点。
步骤2:对输入的图像进行降采样,重复步骤1直至找到所有的潜在奇异点;
步骤3:将差分函数在所述潜在奇异点处的二阶泰勒展式的绝对值与0.025对比,如果大于0.025,则保留,如果小于0.025,视为低对比度的点并将其从潜在奇异点中剔除,通过曲面拟合找到奇异点的位置坐标。
步骤S103:并根据所述奇异点位置对所述第一图像和所述第二图像进行像素级对齐。具体还包括步骤:
标定所述奇异点的特征信息,并根据所述特征信息对第一图像和第二图像的奇异点进行扫描配对;
使用稳健的奇异点通过矩阵计算得第一图像和第二图像的转化矩阵;
根据所述转化矩阵对所述第一图像和第二图像进行像素级对齐。具体还包括步骤:
步骤a:使用方向导数直方图为每一个奇异点产生一个256维特征向量,若两个特征向量之间的距离小于特定阈值,则将两个奇异点配对;
步骤b:将步骤a中得到的n对配对奇异点{(a1,b1),(a2,b2),…,(an,bn)}按其对应关系分为线性对{(a11,b11),(a12,b12),…,(a1p,b1p)}与非线性对{(a21,b21),(a22,b22),…,(a2q,b2q)}两个集合,过滤非线性对,使用线性对确定映射矩阵T,使用全部奇异点对对计算结果进行评价,不断迭代,直到奇异点对映射关系计算误差小于0.6%。原角点通过映射矩阵T获得现角点位置,从而实现文档像素级对齐。
步骤S104:截取所述第一图像的第一目标块,截取所述第二图像的第二目标块,所述第一目标块包含的奇异点数不小于预设个数,所述第二目标块包含的奇异点数不小于预设个数。具体可如下:寻找具有鉴别性的区域。由于奇异点具有丰富的特征信息,往往会覆盖到大部分文字区域以及文档图像中的涂改区域,因此截取若干一定规格大小的矩形块作为一致性检测的预备块,每个矩形块包含奇异点数目不小于30个。结合上述步骤b中求得的映射矩阵T保证预备块成对出现。故此在本申请中所述第一目标块为两个以上,所述第二目标块为两个以上。
输入所述第一目标块和所述第二目标块至预设网络模块输出第一目标块和第二目标块的特征描述向量,计算所述特征描述向量的相似度,根据所述相似度判断第一图像与第二图像的一致性。
所述“输入所述第一目标块和所述第二目标块至预设网络模块输出第一目标块和第二目标块的特征描述向量”,具体还包括步骤:
分别输入所述第一目标块和所述第二目标块至首网络、间网络和后网络;
所述首网络包含七个卷积层和四个池化层。具体可如下:
首网络:包含7个卷积层和4个池化层,输入层大小为64×64像素,卷积层Conv1-Conv7卷积核尺寸分别为3×3×1,3×3×32,3×3×64,3×3×64,3×3×128,3×3×128,3×3×256,步长均为1。池化层均采用最大池化,步长为2。首网络各层参数如下表1所示。输出图像为X。
表1
间网络:设输入图像为X,经过卷积变换后得到的图像为Z。X∈RW×H×C,Z∈RW'×H'×C'。变化过程如公式1所示:
其中,fc为三维的空间卷积核,为二维的空间卷积核,/>代表卷积操作。zc即为Z在单通道下的图像。对于图像Z,为了获得其全局信息,使用公
式2进行平均池化,生成像素统计点t,t∈RC×1:
之后对t进行激活操作获取各通道间相关性。激活操作如公式3所示:
l=σ2(g(t,w))=σ2(w2σ1(w1t)) (3)
式中,σ1代表激活函数ReLu,σ2代表激活函数Sigmoid,w1,w2∈RC×C。经过重新标定后输出图像:
xc'=G(zc,lc)=lc·zc (4)
其中,X'=[x1',x2',…,xc']是重新标定特征后的多通道图像。G表示卷积后的图像zc和标量lc的乘积函数。对图像X'使用一个5×5的卷积核,对图像进行全局平均池化(AvgP)和最大池化(MaxP)以增加局部特征信息,得到最终生成的特征图F(X')。如公式5所示:
F(X')=σ2(f5*5([AvgP(X');MaxP(X')])) (5)
其中间网络的网络结构示意图如图2所示。
后网络:对输出特征图进行拉直生成初始描述向量。为进一步对特征向量进行精炼简化,构建两个全连接层对初始描述向量进行降维。最终进行归一化操作获得模长为1的特征描述向量。其中参数如下表2所示:
表2
损失函数
采用特征描述向量的夹角余弦作为目标块的相似度,如公式6所示,M1,M2即为目标块特征化网络输出的特征描述向量,余弦值越大,表明特征描述向量间的夹角越小,物体块越相似。
R=cos<M1,M2>=M1 T·M2
由于输出的特征描述向量各维度均为正数,目标块相似度S∈[0,1],其阈值范围与网络标签相对应,因此基于交叉熵构造误差函数。网络通道并行排列,基于该模型进行网络训练,使得一致目标块间的相似度趋于1,不一致目标块间的相似度趋于0。
步骤S105:所述第一目标块与所述第二目标块是否一致?具体可如下:将步骤S104获得的待检测成对第一目标块和第二目标块输入训练后的网络,输出第一目标块和第二目标块的相似度。若存在不一致块,则判断答卷先后两张图像不一致,考生曾对答卷做出违规改动,辅助判定考生违规行为。
若一致,则执行步骤S106:判定所述第一图像和所述第二图像一致。
若不一致,则执行步骤S107:判定所述第一图像和所述第二图像不一致。
上述一致性检测网络网络结构示意图如图3所示。
通过响应考试时间结束指令,第一设备对试卷进行拍摄得第一图像;第二设备对所述试卷进行拍摄得第二图像;定位所述第一图像和第二图像的奇异点位置,并根据所述奇异点位置对所述第一图像和所述第二图像进行像素级对齐;截取所述第一图像的第一目标块,截取所述第二图像的第二目标块,所述第一目标块包含的奇异点数不小于预设个数,所述第二目标块包含的奇异点数不小于预设个数;比对所述第一目标块与所述第二目标块是否一致,若一致,则判定所述第一图像和所述第二图像一致;若不一致,则判定所述第一图像和所述第二图像不一致。以上步骤中利用奇异点来实现第一图像和第二图像的像素级对齐,并且用来比对的目标块的奇异点数均不小于预设个数,确保了用于比对的目标块上信息的丰富性,确保了图像比对结果的准确性。
请参阅图4,在本实施方式中,所述存储设备400包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端等,其可用于实现上述一种面向在线考试答卷文档图像的一致性检测方法的任意步骤,均与上述相同,故在此不做重复说明。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (6)
1.一种面向在线考试答卷文档图像的一致性检测方法,其特征在于,包括步骤:
获取第一图像和第二图像;
定位所述第一图像和第二图像的奇异点位置,并根据所述奇异点位置对所述第一图像和所述第二图像进行像素级对齐;
截取所述第一图像的第一目标块,截取所述第二图像的第二目标块,所述第一目标块包含的奇异点数不小于预设个数,所述第二目标块包含的奇异点数不小于预设个数;
比对所述第一目标块与所述第二目标块是否一致,若一致,则判定所述第一图像和所述第二图像一致;
若不一致,则判定所述第一图像和所述第二图像不一致;
所述并根据所述奇异点位置对所述第一图像和所述第二图像进行像素级对齐,具体还包括步骤:
标定所述奇异点的特征信息,并根据所述特征信息对第一图像和第二图像的奇异点进行扫描配对;
使用稳健的奇异点通过矩阵计算得第一图像和第二图像的转化矩阵;
根据所述转化矩阵对所述第一图像和第二图像进行像素级对齐;
所述使用稳健的奇异点通过矩阵计算得第一图像和第二图像的转化矩阵;根据所述转化矩阵对所述第一图像和第二图像进行像素级对齐,具体还包括步骤:
使用方向导数直方图为每一个奇异点产生一个256维特征向量,若两个特征向量之间的距离小于特定阈值,则将两个奇异点配对;
将配对的奇异点按其对应关系分为线性对与非线性对两个集合,过滤非线性对,使用线性对确定映射矩阵T,使用全部奇异点对对计算结果进行评价,不断迭代,直到点对映射关系计算误差小于0.6%,原角点通过映射矩阵T获得现角点位置,对所述第一图像和第二图像进行像素级对齐。
2.根据权利要求1所述的一种面向在线考试答卷文档图像的一致性检测方法,其特征在于,所述定位所述第一图像和第二图像的奇异点位置,具体还包括步骤:
步骤1:输入图像与l个不同大小的卷积核进行卷积运算,输出l个元子图,相邻元子图两两之间进行差分运算,得到(l-1)个次子图,遍历次子图中间层的像素点,与空间邻域中的像素点做差,若某像素点差值恒为正或恒为负,则为潜在奇异点;
步骤2:对输入的图像进行降采样,重复步骤1直至找到所有的潜在奇异点;
步骤3:将差分函数在所述潜在奇异点处的二阶泰勒展式的绝对值与0.025对比,如果大于0.025,则保留,如果小于0.025,视为低对比度的点并将其从潜在奇异点中剔除,通过曲面拟合找到奇异点的位置坐标。
3.根据权利要求1所述的一种面向在线考试答卷文档图像的一致性检测方法,其特征在于,所述第一目标块为两个以上,所述第二目标块为两个以上。
4.根据权利要求1所述的一种面向在线考试答卷文档图像的一致性检测方法,其特征在于,所述比对所述第一目标块与所述第二目标块是否一致,具体还包括步骤:
输入所述第一目标块和所述第二目标块至预设网络模块输出第一目标块和第二目标块的特征描述向量,计算所述特征描述向量的相似度,根据所述相似度判断第一图像与第二图像的一致性。
5.根据权利要求4所述的一种面向在线考试答卷文档图像的一致性检测方法,其特征在于,所述输入所述第一目标块和所述第二目标块至预设网络模块输出第一目标块和第二目标块的特征描述向量,具体还包括步骤:
分别输入所述第一目标块和所述第二目标块至首网络、间网络和后网络;
所述首网络包含七个卷积层和四个池化层。
6.一种存储设备,其中存储有指令集,其特征在于,所述指令集用于执行权利要求1至5任一权利要求的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102061.9A CN112818797B (zh) | 2021-01-26 | 2021-01-26 | 一种面向在线考试答卷文档图像的一致性检测方法和存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102061.9A CN112818797B (zh) | 2021-01-26 | 2021-01-26 | 一种面向在线考试答卷文档图像的一致性检测方法和存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818797A CN112818797A (zh) | 2021-05-18 |
CN112818797B true CN112818797B (zh) | 2024-03-01 |
Family
ID=75859588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110102061.9A Active CN112818797B (zh) | 2021-01-26 | 2021-01-26 | 一种面向在线考试答卷文档图像的一致性检测方法和存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818797B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187570B (zh) * | 2022-07-27 | 2023-04-07 | 北京拙河科技有限公司 | 一种基于dnn深度神经网络的奇异遍历检索方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1818927A (zh) * | 2006-03-23 | 2006-08-16 | 北京中控科技发展有限公司 | 指纹识别方法与*** |
CN101145196A (zh) * | 2006-09-13 | 2008-03-19 | 中国科学院自动化研究所 | 基于奇异的拓扑结构的快速指纹识别方法 |
CN101271577A (zh) * | 2008-03-28 | 2008-09-24 | 北京工业大学 | 装订机错帖在线快速图像检测方法 |
CN102855495A (zh) * | 2012-08-22 | 2013-01-02 | 苏州多捷电子科技有限公司 | 电子版标准答案的实现方法及其应用*** |
WO2015132191A1 (fr) * | 2014-03-03 | 2015-09-11 | Advanced Track & Trace | Procédés et dispositifs d'identification et de reconnaissance d'objets |
CN109800692A (zh) * | 2019-01-07 | 2019-05-24 | 重庆邮电大学 | 一种基于预训练卷积神经网络的视觉slam回环检测方法 |
CN110175506A (zh) * | 2019-04-08 | 2019-08-27 | 复旦大学 | 基于并行降维卷积神经网络的行人重识别方法及装置 |
CN110879965A (zh) * | 2019-10-12 | 2020-03-13 | 中国平安财产保险股份有限公司 | 试卷客观题的自动批阅方法、电子装置、设备及存储介质 |
CN110991374A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN111986126A (zh) * | 2020-07-17 | 2020-11-24 | 浙江工业大学 | 一种基于改进vgg16网络的多目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4409035B2 (ja) * | 2000-03-22 | 2010-02-03 | 本田技研工業株式会社 | 画像処理装置、特異箇所検出方法、及び特異箇所検出プログラムを記録した記録媒体 |
-
2021
- 2021-01-26 CN CN202110102061.9A patent/CN112818797B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1818927A (zh) * | 2006-03-23 | 2006-08-16 | 北京中控科技发展有限公司 | 指纹识别方法与*** |
CN101145196A (zh) * | 2006-09-13 | 2008-03-19 | 中国科学院自动化研究所 | 基于奇异的拓扑结构的快速指纹识别方法 |
CN101271577A (zh) * | 2008-03-28 | 2008-09-24 | 北京工业大学 | 装订机错帖在线快速图像检测方法 |
CN102855495A (zh) * | 2012-08-22 | 2013-01-02 | 苏州多捷电子科技有限公司 | 电子版标准答案的实现方法及其应用*** |
WO2015132191A1 (fr) * | 2014-03-03 | 2015-09-11 | Advanced Track & Trace | Procédés et dispositifs d'identification et de reconnaissance d'objets |
CN109800692A (zh) * | 2019-01-07 | 2019-05-24 | 重庆邮电大学 | 一种基于预训练卷积神经网络的视觉slam回环检测方法 |
CN110175506A (zh) * | 2019-04-08 | 2019-08-27 | 复旦大学 | 基于并行降维卷积神经网络的行人重识别方法及装置 |
CN110879965A (zh) * | 2019-10-12 | 2020-03-13 | 中国平安财产保险股份有限公司 | 试卷客观题的自动批阅方法、电子装置、设备及存储介质 |
CN110991374A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN111986126A (zh) * | 2020-07-17 | 2020-11-24 | 浙江工业大学 | 一种基于改进vgg16网络的多目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Perspective invariant binary feature descriptor based image matching algorithm;Geng Li-chuan;Su Song-zhi et al.;《Journal on Communications》;第36卷(第4期);正文全文 * |
基于奇异点区域方向场的指纹检索;赵琪 等;《微计算机信息》;正文第1页右列第2段,第3页第2节 * |
基于频域匹配的输电线路故障定位算法;樊浩;郝宁;;自动化技术与应用;20201023(第10期);正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818797A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427937B (zh) | 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法 | |
CN102592124B (zh) | 文本图像的几何校正方法、装置和双目立体视觉*** | |
US8509536B2 (en) | Character recognition device and method and computer-readable medium controlling the same | |
CN103530599B (zh) | 一种真实人脸和图片人脸的区别方法和*** | |
CN104008538B (zh) | 基于单张图像超分辨率方法 | |
CN104067312B (zh) | 对噪声有鲁棒性的图像配准方法和*** | |
US20080232715A1 (en) | Image processing apparatus | |
CN106447601B (zh) | 一种基于投影-相似变换的无人机遥感影像拼接方法 | |
DE102016013274A1 (de) | Bildverarbeitungsvorrichtung und verfahren zur erkennung eines bilds eines zu erkennenden objekts aus eingabedaten | |
CN111507976B (zh) | 基于多角度成像的缺陷检测方法及*** | |
Wang et al. | Recognition and location of the internal corners of planar checkerboard calibration pattern image | |
US9767383B2 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
CN111709980A (zh) | 基于深度学习的多尺度图像配准方法和装置 | |
KR102195826B1 (ko) | 주요지점 식별 | |
CN108765476A (zh) | 一种偏振图像配准方法 | |
CN111915485B (zh) | 一种特征点稀疏工件图像的快速拼接方法及*** | |
CN112183325B (zh) | 基于图像对比的公路车辆检测方法 | |
CN110490924B (zh) | 一种基于多尺度Harris的光场图像特征点检测方法 | |
CN112734832B (zh) | 一种即时获得线上物体实际尺寸测量方法 | |
CN107154017A (zh) | 一种基于sift特征点匹配的图像拼接方法 | |
CN112818797B (zh) | 一种面向在线考试答卷文档图像的一致性检测方法和存储设备 | |
CN116258663A (zh) | 螺栓缺陷识别方法、装置、计算机设备和存储介质 | |
CN112102379B (zh) | 一种无人机多光谱影像配准方法 | |
CN113642397A (zh) | 一种基于手机视频的物体长度测量方法 | |
CN111667429A (zh) | 一种巡检机器人目标定位校正方法 |
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 |