CN114565750A - 一种纸质试题的处理方法和*** - Google Patents
一种纸质试题的处理方法和*** Download PDFInfo
- Publication number
- CN114565750A CN114565750A CN202210164051.2A CN202210164051A CN114565750A CN 114565750 A CN114565750 A CN 114565750A CN 202210164051 A CN202210164051 A CN 202210164051A CN 114565750 A CN114565750 A CN 114565750A
- Authority
- CN
- China
- Prior art keywords
- matching
- picture
- feature point
- paper test
- test question
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 7
- 238000005520 cutting process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (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
本发明公开一种纸质试题的处理方法和***,方法包括:建立纸质试题的模板图片,并建立所述模板图片关联的试题数据库,获取纸质试题的实际图片;采用特征检测算法分别检测所述纸质试题模板图片和实际图片中的特征点描述符;采用KNN算法对所述模板图片中的特征点描述符和实际图片中的特征点描述符进行匹配;根据匹配结果筛选出良好匹配,并根据良好匹配提取匹配的关键点位置;采用RANSAC过滤特征点,计算单应性矩阵,并根据所述单应性矩阵进行透视变换,生成特征点投影,根据所述特征点投影进行匹配获取匹配结果。采用特征识别和对比的方式进行试题识别定位,无需设置定位点,减少纸质试题的位置、褶皱、倾斜等导致特征识别精度较低问题。
Description
技术领域
本发明涉及教育技术领域,特别涉及一种纸质试题的处理方法和***
背景技术
现有的纸面试题AI切题技术需要用户在纸面上框选出题目,并针对框选出的题目进行文字识别,将识别的文字和题库中的文字对比,并进一步提取具有相同文字内容的题目和对应的答案。然而上述现有技术对于具有跨页的纸质试题和整页的纸质试题进行试题识别则无能为力,并且上述现有技术的切题操作需要手动进行,需要人工将待识别的试题放置在指定识别区域中才能识别,也就是说,需要人工进行试题定位,从而容易导致识别错误、增加人工的使用成本。另外现有的纸质试题切题技术基本上是单题切题,其中单题切题的方式无法快速地和***性地书面习题关联,从而在教师的实际教学过程中无法支持***性的教学关联。
发明内容
本发明其中一个发明目的在于提供一种纸质试题的处理方法和***,所述方法和***通过特征识别匹配的方式对纸质文本进行定位并识别,在纸质文本上并无实际的标识点或切割框即可实现对纸质文本中不同试题进行识别,提高识别的效率,无需人工参与。
本发明另一个发明目的在于提供一种纸质试题的处理方法和***,所述方法和***基于特征识别对纸质文本中非平整位置的特征进行透视变换,进一步识别透视变化后的文字,从而可以准确识别非平整位置的特征信息,提高特征识别的准确率。
本发明另一个发明目的在于提供一种纸质试题的处理方法和***,所述方法和***采用KNN算法(邻近算法)进行特征匹配,并通过单应性矩阵实现现实平面图像的透视变换,通过对透视变换的图片进行文字识别,从而可以提高文字识别的准确率,避免因为纸质图像的凹凸不平导致文字识别和特征定位识别精度低的问题。
为了实现至少一个上述发明目的,本发明进一步提供一种纸质试题的处理方法,所述方法包括:
建立纸质试题的模板图片,并建立所述模板图片关联的试题数据库,获取纸质试题的实际图片;
采用特征检测算法分别检测所述纸质试题模板图片和实际图片中的特征点描述符;
对所述模板图片中的特征点描述符和实际图片中的特征点描述符进行匹配;
根据匹配结果筛选出良好匹配,并根据良好匹配提取匹配的关键点位置;
计算单应性矩阵,并根据所述单应性矩阵进行透视变换,生成特征点投影,根据所述特征点投影的图片进行模板图片进行匹配获取匹配结果。
根据本发明其中一个较佳实施例,所述特征检测算法采用包括SIFT算法、ORB算法、SURF算法中的任意一种检测获取模板图片和实际图片中的特征点描述符。
根据本发明另一个较佳实施例,所述特征点描述符的匹配方法包括:采用KNN算法对获取的特征点进行分类,生成邻近的最佳匹配集合,计算所述最佳匹配集合中的向量距离,通过设置向量的距离阈值,将向量距离小于所述向量的距离阈值的匹配保存作为良好匹配。
根据本发明另一个较佳实施例,所述特征点描述符的匹配方法包括:将检测的所述实际图片特征点描述符作为查询描述符,并将所述模板图片特征点描述符作为匹配描述符采用KNN算法进行匹配以获取最佳匹配集合。
根据本发明另一个较佳实施例,所述特征点描述符的匹配方法包括:计算最佳匹配集合中的查询描述符和特征点描述符的欧式向量,并将所述欧式向量距离,设置欧式向量距离阈值,将计算的欧式向量小于所述欧式向量距离阈值的匹配作为良好匹配。
根据本发明另一个较佳实施例,计算所述良好匹配的项数,设置良好匹配项数阈值,若检测到的良好匹配项数大于所述设置的良好匹配项数阈值,则在所述良好匹配项中提取多个匹配关键点的位置信息。
根据本发明另一个较佳实施例,计算所述良好匹配的项数,设置良好匹配项数阈值,若检测到的良好匹配项数小于所述设置的良好匹配项数阈值,则重新进行良好匹配项的检测。
根据本发明另一个较佳实施例,在获取多个匹配关键点的位置信息后,采用RANSAC算法在所述良好匹配中筛选出内点和异常值,并根据所述匹配关键点位置计算出透视变换矩阵,生成所述单应性矩阵。
根据本发明另一个较佳实施例,计算所述良好匹配中匹配关键点的个数,其中设置至少4个匹配关键点,根据所述至少4个匹配关键点图像的透视变换,生成单应性矩阵。
根据本发明另一个较佳实施例,先根据实际图片分别和模板图片进行特征对比,获取特征对比后相似的模板图片,计算模块图片的单应性矩阵,根据所述单应性矩阵将模块图片进行视图转换,将视图转换后的图片和实际图片进行对比,查找最相似的模板图片执行试题的检索。
为了实现至少一个上述发明目的,本发明进一步提供一种纸质试题的处理***,所述***执行上述一种纸质试题的处理方法。
本发明进一步提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,所述计算机程序可被处理器执行所述一种纸质试题的处理方法。
附图说明
图1显示的是本发明一种纸质试题的处理方法的流程示意图。
图2显示的是本发明中单应性矩阵的计算流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
请参考图1,本发明提供了一种纸质试题的处理方法和***,其中所述方法主要包括如下步骤:首先需要建立纸质试卷的模板视图,其中模板视图可以通过预先扫描纸质试卷或教材来确定,并建立每一模板视图对应的试题集合和试题位置信息,用于构建模板视图的试题数据库。其中所述模板视图对应试题数据库的构建方法包括:通过扫描纸质试题页面,采用文字识别和图像识别技术分别识别纸质试题和对应的图像信息。将所述纸质试题和对应的图像信息保存于数据库中,根据试题所在的页码和位置对该试题进行标识,比如第1试题所在的页码为3,则对应第1试题的页码标识配置为3,并且针对该模板页进行整体标识页码为3。需要说明的是,本发明将纸质页面的整体特征作为优选的检索特征,而非基于文字自身的特征作为检索特征。整体的模板页面需要根据模板页面的内容记录包括但不仅限于试题信息、批改信息、基于试题的图像信息等,在服务端生成和所述模板页面一一对应的试题集,因此当检索到该模板页面时,即可检索到对应模板页面的试题集合。所述模板页面中的试题录入方式包括但不仅限于文字识别录入、图像识别录入和手动录入。需要说明的是,由于模板图片的边角部位的试题可能存在特征缺失,比如左上角、左下角和右上角因为纸质试题的排版和内容数量导致存在整体试题的特征缺失的问题,因此在建立模板图片边角位置试题数据库的补全。比如第5试题在第3页的右下角,并且在第3页右下角的第5试题部分仅仅是文字描述部分的特征,而实际上第5试题完整的部分还应该包括画图部分,因此需要对第3页作为整体特征对应的试题集中补足第5试题的画图部分,当检索到模板页为第3页时,可以显示出完整的第5试题的内容。
具体而言,在完成所述模板页的建立、以及建立模板页对应的试题集后,本发明进一步获取需要检索的纸质教材、试卷等纸质试题的图片信息,其中所述图片信息的获取方法包括但不仅限于扫描、拍照等方式。将获取的教材、试卷等纸质试题的图片作为需要检索的实际图片进行特征提取,并同时对所有的模板图片进行特征提取,其中用于所述特征提取的特征检测算法可以采用包括但不仅限于SIFT算法、ORB算法、SURF算法,本发明仅以SIFT算法举例说明。所述特征检测算法分别对待检索扫描图片和模板图片进行特征检测并获取特征点描述符,其中以模板图片的特征点描述符为训练描述符,以实际图片的特征点描述符查询描述符,并采用KNN算法作匹配器进行查询描述符的特征匹配,所述KNN算法进行查询描述符的特征匹配方法包括:获取所述查询描述符和训练描述符,计算k个和单个查询描述符最邻近的训练描述符作为最佳匹配集合。进一步设置向量距离阈值,计算所述最佳匹配集合中的所有训练描述符和对应查询描述符的向量距离,若计算的向量距离小于预设的所述向量距离阈值则保存对应的训练描述符作为良好匹配,并筛除大于所述向量距离阈值的训练描述符。其中进一步计算所述良好匹配中的匹配项数,当匹配项数满足一定的数量后,可以提取匹配项数中的多个特征点作为匹配关键点进行图像的矩阵转换,其中所述图像的矩阵转换包括但不仅限于透视转换和视图转换。本发明中需要计算所述良好匹配项中的匹配项数是否大于等于4个,若大于等于4个则可以从所述良好匹配项中提取至少4个匹配的特征点作为匹配关键特征点,并获取所述匹配关键特征点的位置信息,根据所述匹配关键特征点的位置信息计算出查询图片的透视变换,生成透视矩阵作为单应性矩阵,并根据所述透视矩阵将待检测的图片转换为透视图片,并进一步根据所述透视图片执行特征对比和模板图片的减速。
值得一提的是,所述单应性矩阵可以将同一平面中所有任意两幅图片相互关联,且所述单应性矩阵可以表示真实世界的一幅图片和该图片对应的透视变换,并且所述单应性矩阵还可以根据透视变换将真实世界中的一种视图转换为另一种视图,比如将倾斜的视图通过透视变换可以转换为正视图,从而可以有效地解决因为纸质页面的放置的不平整、倾斜等问题从而导致特征识别出现差错的问题。也就是说,通过上述单应性矩阵的透视变换可以生成多个不同的透视图,并将透视图转换为不同视角的图片,将每一个透视图或不同视角的图片分别和模板图片进行特征对比,将相似度最大的模板图片和对应的透视图或视角图片作为最终的匹配图片。本发明可以实现多个模板图片和多个实际图片的对比,通过对模块图片的透视变换生成的不同视图和多个实际图片对比,查找到最相似的模块图片进行试题检索。需要说明的是,所述单应性矩阵的变化方式为现有技术,本发明不再详细举例透视矩阵的变换方法。
本发明以所述SIFT算法(尺度不变特征变换-Scale-invariant featuretransform)作为举例说明特征检测算法的实现过程:
所述SIFT算法包括:尺度空间的极值检测,其中通过高斯微分方程识别获取的模板图片和实际图片潜在的对于尺度和旋转不变的兴趣点,该兴趣点若存在,则将该兴趣点作为关键点。进一步对所述关键点进行定位,生成关键点的拟合模型,判断该拟合模型中候选位置,判断候选位置的稳定性,其所述拟合模型可以采用包括但不仅限于拟合三维二次函数,且在拟合过程中需要剔除低对比度的关键点和不稳定的边缘响应点,从而可以提高特征点检测鲁棒性。在基于图像局部的梯度方向上,对所述关键点位置分配一个或多个方向,根据所述关键点的方向、位置和尺度进行图像变换,从而可以在不变的关键点进行变换。进一步对所述关键点进行描述,其中所述关键点的描述方法包括在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变化。
获取匹配的关键点的信息,其中所述关键点信息包括位置、尺度和方向,通过向量构建的方式将所述关键点的描述出来,生成关键点的描述符,其中所述关键点描述符将使得所述关键点不会随着光照、视角等各种因素的变化而变化。
值得一提的是,本发明采用RANSAC算法(随机抽样一致-Random SampleConsensus)用于筛选出满足良好匹配的内点,其中所述RANSAC算法包括如下步骤:将所述良好匹配的特征点作为观测数据输入到RANSAC算法中,输入用于观测所述良好匹配的参数,其中所述参数包括但不仅限于训练描述符和查询描述符之间的向量距离,所述参数可以表示良好匹配在RANSAC算法的可信度(距离越小可信度越高)。根据所述RANSAC算法随机生成包含多个良好匹配的特征点作为局内点初始值,进一步根据所述局内点初始值作为模型初始值拟合新的特征点,所述参数设置阈值,根据所述新特征点的参数是否满足预设的阈值要求,若满足则将该新特征点作为新的内点中形成新的局内组,且将该次更新的局内组进行成功标记,若否则进行失败标记,重新执行模型初始值的拟合操作。所述RANSAC算法需要设置局内点的内点数阈值或迭代成功概率阈值,当所述局内点的内点个数超过所述内点数阈值则跳出拟合循环,或当拟合迭代成功的概率大于所概率阈值,则跳出所述RANSAC算法的拟合循环,将结果作为满足良好匹配的特征点进行下一步的单应性矩阵构建。
需要说明的是,本发明通过上述技术方案可以解决如下技术问题:由于本发明采用特征对比的方式查找到模板图片,并进一步根据模板图片检索试题集,因此纸质教材的有区别的特征通常为文字、或基于文字的画图信息。特征识别的结果是基于相似度排序输出模板图片对应的试题组,因此本领域技术人员可以很清楚的了解到,当纸质教材出现部分缺失或翻折的情况下,通过特征对比依然能够得出该模板图片对应的试题信息。因为还是存在一定的文字图像或画图图像的特征可以被识别查找到正确的模板图像,从而可以大幅提高纸质教学的过程中的纸质试题查找的效率。另外由于本发明纸质试题的查找是基于试卷或教材的整个版面进行的,因此可以实现相同题型或卷面的试题查询和讲解,可以更加的适应教学的场景需求,相比于切题的试题查询方式,本发明无需人工定位和查找,且减少了卷面不平整带来的识别精度问题。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线段、电线段、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明,本发明的目的已经完整并有效地实现,本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
Claims (12)
1.一种纸质试题的处理方法,其特征在于,所述方法包括:
建立纸质试题的模板图片,并建立所述模板图片关联的试题数据库,获取纸质试题的实际图片;
采用特征检测算法分别检测所述纸质试题模板图片和实际图片中的特征点描述符;
对所述模板图片中的特征点描述符和实际图片中的特征点描述符进行匹配;
根据匹配结果筛选出良好匹配,并根据良好匹配提取匹配的关键点位置;
计算单应性矩阵,根据所述单应性矩阵进行透视变换,生成特征点投影,根据所述特征点投影的图片进行模板图片匹配获取匹配结果。
2.根据权利要求1所述的一种纸质试题的处理方法,其特征在于,所述特征检测算法采用包括SIFT算法、ORB算法、SURF算法中的任意一种检测获取模板图片和实际图片中的特征点描述符。
3.根据权利要求1所述的一种纸质试题的处理方法,其特征在于,所述特征点描述符的匹配方法包括:采用KNN算法对获取的特征点进行分类,生成邻近的最佳匹配集合,计算所述最佳匹配集合中的向量距离,通过设置向量的距离阈值,将向量距离小于所述向量的距离阈值的匹配保存作为良好匹配。
4.根据权利要求3所述的一种纸质试题的处理方法,其特征在于,所述特征点描述符的匹配方法包括:将检测的所述实际图片特征点描述符作为查询描述符,并将所述模板图片特征点描述符作为匹配描述符采用KNN算法进行匹配以获取最佳匹配集合。
5.根据权利要求4所述的一种纸质试题的处理方法,其特征在于,所述特征点描述符的匹配方法包括:计算最佳匹配集合中的查询描述符和特征点描述符的欧式向量,并将所述欧式向量距离,设置欧式向量距离阈值,将计算的欧式向量小于所述欧式向量距离阈值的匹配作为良好匹配。
6.根据权利要求3所述的一种纸质试题的处理方法,其特征在于,计算所述良好匹配的项数,设置良好匹配项数阈值,若检测到的良好匹配项数大于所述设置的良好匹配项数阈值,则在所述良好匹配项中提取多个匹配关键点的位置信息。
7.根据权利要求3所述的一种纸质试题的处理方法,其特征在于,计算所述良好匹配的项数,设置良好匹配项数阈值,若检测到的良好匹配项数小于所述设置的良好匹配项数阈值,则重新进行良好匹配项的检测。
8.根据权利要求6所述的一种纸质试题的处理方法,其特征在于,在获取多个匹配关键点的位置信息后,采用RANSAC算法在所述良好匹配中筛选出内点和异常值,并根据所述匹配关键点位置计算出透视变换矩阵,用于生成所述单应性矩阵。
9.根据权利要求6所述的一种纸质试题的处理方法,其特征在于,计算所述良好匹配中匹配关键点的个数,其中设置至少4个匹配关键点,根据所述至少4个匹配关键点图像的透视变换,用于生成单应性矩阵。
10.根据权利要求1所述的一种纸质试题的处理方法,其特征在于,先根据实际图片分别和模板图片进行特征对比,获取特征对比后相似的模板图片,计算模块图片的单应性矩阵,根据所述单应性矩阵将模块图片进行视图转换,将视图转换后的图片和实际图片进行对比,查找最相似的模板图片执行试题的检索。
11.一种纸质试题的处理***,其特征在于,所述***执行权利要求1-10中任意一项所述一种纸质试题的处理方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,所述计算机程序可被处理器执行权利要求1-10中任意一项所述的一种纸质试题的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164051.2A CN114565750A (zh) | 2022-02-22 | 2022-02-22 | 一种纸质试题的处理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164051.2A CN114565750A (zh) | 2022-02-22 | 2022-02-22 | 一种纸质试题的处理方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565750A true CN114565750A (zh) | 2022-05-31 |
Family
ID=81713822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164051.2A Pending CN114565750A (zh) | 2022-02-22 | 2022-02-22 | 一种纸质试题的处理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565750A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647680A (zh) * | 2018-04-28 | 2018-10-12 | 北京盒子鱼教育科技有限公司 | 图像定位框检测方法和装置 |
CN110110714A (zh) * | 2019-04-28 | 2019-08-09 | 重庆学析优科技有限公司 | 一种纸质作业的线上自动批改方法及*** |
CN111242045A (zh) * | 2020-01-15 | 2020-06-05 | 西安汇永软件科技有限公司 | 自动化作业习题对错指示方法及*** |
CN111666882A (zh) * | 2020-06-08 | 2020-09-15 | 武汉唯理科技有限公司 | 一种手写体***提取方法 |
CN112836632A (zh) * | 2021-02-02 | 2021-05-25 | 浪潮云信息技术股份公司 | 自定义模板文字识别的实现方法及*** |
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 |
CN113821712A (zh) * | 2021-09-24 | 2021-12-21 | 作业帮教育科技(北京)有限公司 | 一种扫描搜题的方法、智能扫描笔及存储介质 |
CN113903024A (zh) * | 2021-09-28 | 2022-01-07 | 合肥高维数据技术有限公司 | 一种手写票据数值信息识别方法、***、介质及装置 |
-
2022
- 2022-02-22 CN CN202210164051.2A patent/CN114565750A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647680A (zh) * | 2018-04-28 | 2018-10-12 | 北京盒子鱼教育科技有限公司 | 图像定位框检测方法和装置 |
CN110110714A (zh) * | 2019-04-28 | 2019-08-09 | 重庆学析优科技有限公司 | 一种纸质作业的线上自动批改方法及*** |
CN111242045A (zh) * | 2020-01-15 | 2020-06-05 | 西安汇永软件科技有限公司 | 自动化作业习题对错指示方法及*** |
CN111666882A (zh) * | 2020-06-08 | 2020-09-15 | 武汉唯理科技有限公司 | 一种手写体***提取方法 |
CN112836632A (zh) * | 2021-02-02 | 2021-05-25 | 浪潮云信息技术股份公司 | 自定义模板文字识别的实现方法及*** |
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 |
CN113821712A (zh) * | 2021-09-24 | 2021-12-21 | 作业帮教育科技(北京)有限公司 | 一种扫描搜题的方法、智能扫描笔及存储介质 |
CN113903024A (zh) * | 2021-09-28 | 2022-01-07 | 合肥高维数据技术有限公司 | 一种手写票据数值信息识别方法、***、介质及装置 |
Non-Patent Citations (3)
Title |
---|
史梦真: "基于人脸识别和图像拼接的课堂姓名提示***的设计与实现", 《中国优秀硕士学位论文全文数据库 社会科学II辑》 * |
李铮: "基于深度学习的电子运单信息识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
虾米小混沌: "OpenCV中的「透视变换 / 投影变换 / 单应性」—cv.warpPerspective、cv.findHomography", 《HTTPS://BLOG.CSDN.NET/BIT_CODERS/ARTICLE/DETAILS/120315701》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9665790B2 (en) | Robust and efficient image identification | |
JP6143111B2 (ja) | 物体識別装置、物体識別方法、及びプログラム | |
JP6354589B2 (ja) | 物体識別装置、方法及びプログラム | |
US8792715B2 (en) | System and method for forms classification by line-art alignment | |
RU2668717C1 (ru) | Генерация разметки изображений документов для обучающей выборки | |
JP3602596B2 (ja) | ドキュメントファイリング装置および方法 | |
US8027978B2 (en) | Image search method, apparatus, and program | |
CN109947273B (zh) | 一种点读定位方法及装置 | |
EP0923044B1 (en) | Method and means of matching documents based on spatial region layout | |
CN113095187A (zh) | 一种基于图像特征匹配对齐的试卷批改方法 | |
CN113011426A (zh) | 一种识别证件的方法和装置 | |
US8306332B2 (en) | Image search method and device | |
JP2006330872A (ja) | 指紋照合装置、方法およびプログラム | |
CN114565750A (zh) | 一种纸质试题的处理方法和*** | |
CN111612045B (zh) | 一种获取目标检测数据集的通用方法 | |
JP2009032109A (ja) | 文書画像検索方法、文書画像登録方法、そのプログラムおよび装置 | |
JP2007140729A (ja) | 物品の位置及び姿勢を検出する方法および装置 | |
Zhu et al. | Signature-based document image retrieval | |
JP2017138743A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN112287763A (zh) | 图像处理方法、装置、设备及介质 | |
US8218913B1 (en) | Identifying a front page in media material | |
JP7405528B2 (ja) | 媒体判別装置、媒体判別システム及び媒体判別方法 | |
JP4188344B2 (ja) | 指紋照合装置、方法およびプログラム | |
Nguyen et al. | Extracting Handwritten Regions In Japanese Document Images | |
Thongtaweechaikij et al. | Text Extraction by Optical Character Recognition-Based on the Template Card |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220531 |
|
RJ01 | Rejection of invention patent application after publication |