本發(fā)明涉及圖像采集，具體涉及基于網(wǎng)絡(luò)閱卷的圖像采集的優(yōu)化方法。

背景技術(shù)：

1、目前用于網(wǎng)絡(luò)閱卷的圖像采集優(yōu)化方法，如中國(guó)發(fā)明專利號(hào)2009101897244所描述的系統(tǒng)。這一系統(tǒng)主要由布設(shè)在板卡式或插卡式線路板上的圖像處理固件、多處理子系統(tǒng)和緩存/工作區(qū)構(gòu)成。系統(tǒng)的核心是多處理子系統(tǒng)，其中包括多個(gè)專門的處理器子系統(tǒng)，如糾偏倒置處理器子系統(tǒng)、濾紅處理器子系統(tǒng)、加密加水印處理器子系統(tǒng)、光標(biāo)識(shí)別處理器子系統(tǒng)和切割處理器子系統(tǒng)。這些處理器子系統(tǒng)通過(guò)總線連接并共享緩存/工作區(qū)，從而實(shí)現(xiàn)圖像處理。此外，通過(guò)固件的圖像處理主控程序，系統(tǒng)能夠快速調(diào)用多處理器子系統(tǒng)對(duì)圖像數(shù)據(jù)進(jìn)行規(guī)范化處理，與高速掃描儀配合，提高了圖像采集處理系統(tǒng)的工作效率。然而，盡管該系統(tǒng)在速度和專用性方面表現(xiàn)出色，但在當(dāng)前快速發(fā)展的技術(shù)環(huán)境下，它仍存在一些不足和弊端。首先，系統(tǒng)的靈活性和可擴(kuò)展性可能受到限制。由于系統(tǒng)中的處理器子系統(tǒng)是專門設(shè)計(jì)的，并且依賴于固件內(nèi)的主控程序，這可能限制了系統(tǒng)適應(yīng)新興技術(shù)或更新算法的能力。其次，雖然多處理子系統(tǒng)能夠提供高效的圖像處理，但這種架構(gòu)可能導(dǎo)致系統(tǒng)整體成本較高。此外，盡管多處理子系統(tǒng)在處理圖像數(shù)據(jù)方面表現(xiàn)出高效率，但在實(shí)際應(yīng)用中，這種系統(tǒng)可能過(guò)于依賴硬件性能，而不夠重視算法的優(yōu)化。這可能導(dǎo)致在面對(duì)復(fù)雜或非標(biāo)準(zhǔn)的圖像處理任務(wù)時(shí)，系統(tǒng)的表現(xiàn)不如那些采用先進(jìn)算法優(yōu)化的系統(tǒng)。例如，現(xiàn)代圖像處理和機(jī)器學(xué)習(xí)算法，如深度學(xué)習(xí)，已被證明在許多圖像識(shí)別和處理任務(wù)中表現(xiàn)優(yōu)異，而傳統(tǒng)的硬件驅(qū)動(dòng)方法可能無(wú)法完全利用這些算法的優(yōu)勢(shì)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供基于網(wǎng)絡(luò)閱卷的圖像采集的優(yōu)化方法，從而解決背景技術(shù)中所指出的部分弊端和不足。

2、本發(fā)明解決其上述的技術(shù)問(wèn)題所采用以下的技術(shù)方案：基于網(wǎng)絡(luò)閱卷的圖像采集的優(yōu)化方法，包括：s1、獲取答題卡圖像；

3、s2、圖像自適應(yīng)增強(qiáng)：利用圖像處理算法包括直方圖均衡化自適應(yīng)地增強(qiáng)圖像的對(duì)比度和亮度；并引入基于機(jī)器學(xué)習(xí)的圖像增強(qiáng)模型，通過(guò)對(duì)大量樣本數(shù)據(jù)的訓(xùn)練，調(diào)整圖像的亮度、對(duì)比度和銳度；

4、s3、動(dòng)態(tài)區(qū)域檢測(cè)：使用卷積神經(jīng)網(wǎng)絡(luò)cnn進(jìn)行圖像中答題區(qū)域的動(dòng)態(tài)檢測(cè)，識(shí)別出答題卡上包括客觀題、主觀題的不同區(qū)域；并生成區(qū)域邊界框，結(jié)合圖像金字塔技術(shù)，實(shí)現(xiàn)多尺度的區(qū)域檢測(cè)；

5、s3.1、其中，所述識(shí)別出答題卡答題區(qū)域類型的方法：

6、s3.1.1首先進(jìn)行數(shù)據(jù)準(zhǔn)備與預(yù)處理，包括收集多種類型答題卡圖像并進(jìn)行人工標(biāo)注以提供真實(shí)的訓(xùn)練數(shù)據(jù)；

7、s3.1.2然后選用適合于對(duì)象檢測(cè)的cnn模型包括fasterr-cnn,yolo或ssd，并利用標(biāo)注好的答題卡圖像訓(xùn)練cnn模型；

8、s3.2、其中，所述多尺度區(qū)域檢測(cè)的方法：

9、s3.2.1、首先通過(guò)創(chuàng)建圖像的多個(gè)縮放版本即圖像金字塔，并結(jié)合從不同尺度提取的特征進(jìn)行融合，以提高模型對(duì)不同大小和分辨率答題卡圖像的處理表現(xiàn)；

10、s3.2.2、然后模型處理輸入的答題卡圖像，輸出每個(gè)檢測(cè)到的區(qū)域的邊界框坐標(biāo)和類別，應(yīng)用非極大值抑制nms后處理技術(shù)去除重復(fù)或低置信度的邊界框；

11、s4、自適應(yīng)裁剪：對(duì)檢測(cè)出的區(qū)域進(jìn)行自適應(yīng)裁剪，確保每個(gè)答題區(qū)域在圖像中的位置和尺寸得到準(zhǔn)確識(shí)別，并應(yīng)用仿射變換技術(shù)，對(duì)傾斜或變形的圖像區(qū)域進(jìn)行矯正，使其與標(biāo)準(zhǔn)模板對(duì)齊；

12、s5、多模態(tài)特征提?。撼齻鹘y(tǒng)的灰度特征和邊緣特征外，引入多模態(tài)特征包括紋理特征、顏色特征進(jìn)行特征提取，使用深度學(xué)習(xí)模型包括resnet對(duì)圖像進(jìn)行多層次的特征提取，生成高維度的特征向量；

13、s6、特征融合與分類：利用特征融合技術(shù)如特征拼接、特征加權(quán)將多模態(tài)特征融合在一起，形成統(tǒng)一的特征表示，使用支持向量機(jī)svm分類算法對(duì)融合后的特征進(jìn)行分類，區(qū)分不同類型的答題區(qū)域包括選擇題、填空題、是非題。

14、進(jìn)一步地，所述數(shù)據(jù)準(zhǔn)備與預(yù)處理：采用圖像收集和數(shù)據(jù)標(biāo)注公式：

15、

16、其中x,y表示圖像中的像素位置，μx,μy和σx,σy分別是位置的均值和標(biāo)準(zhǔn)差，ic是指示函數(shù)，當(dāng)像素屬于類別c時(shí)為1，否則為0；

17、其次采用模型選擇與優(yōu)化目標(biāo)函數(shù)：

18、fasterr-cnn目標(biāo)函數(shù)：

19、

20、其中pi是第i個(gè)區(qū)域建議的分類準(zhǔn)確率，和分別是真實(shí)和預(yù)測(cè)的邊界框的梯度，ω是圖像區(qū)域，λ是正則化參數(shù)；

21、yolo目標(biāo)函數(shù)：

22、

23、其中k是檢測(cè)對(duì)象的數(shù)量，oi和是真實(shí)和預(yù)測(cè)的對(duì)象，iou是交并比函數(shù)，μ和σ分別是交并比的期望值和標(biāo)準(zhǔn)差；

24、ssd目標(biāo)函數(shù)：

25、

26、其中s表示不同尺度上的檢測(cè)數(shù)，dnm和分別是在第n尺度上的第m個(gè)真實(shí)和預(yù)測(cè)的邊界框，wn是第n尺度的權(quán)重。

27、進(jìn)一步地，所述圖像金字塔的創(chuàng)建過(guò)程包括：

28、s1、首先對(duì)輸入的答題卡圖像創(chuàng)建多個(gè)縮放版本，采用逐層遞減的采樣技術(shù)，通過(guò)公式：

29、

30、來(lái)實(shí)現(xiàn)，其中ps表示第s層縮放后的圖像，i為原始圖像，σs隨層級(jí)s增加而增大，表示不同尺度的模糊程度，z(s)為歸一化因子；

31、s2、在每個(gè)圖像層級(jí)上，使用cnn提取特征，具體公式為：

32、

33、其中fs是第s層的特征圖，wk，ck，和bk分別是第k個(gè)卷積層的權(quán)重、卷積核和偏置，*表示卷積操作，tanh為激活函數(shù)，用以增加模型對(duì)非線性特征的捕捉能力；

34、s3、綜合所有層級(jí)上提取的特征，采用自適應(yīng)融合策略：

35、

36、其中為融合后的最終特征表示，αs是自適應(yīng)權(quán)重，根據(jù)每層特征的信息量自動(dòng)調(diào)整，s為總層數(shù)，log函數(shù)用于增強(qiáng)模型對(duì)高信息特征的敏感性。

37、進(jìn)一步地，所述去除重復(fù)或低置信度的邊界框的方法包括：

38、首先采用深度學(xué)習(xí)模型進(jìn)行設(shè)計(jì)與訓(xùn)練，特別在損失函數(shù)中引入正則化項(xiàng)以及積分形式的邊界框精度調(diào)節(jié)項(xiàng)，使用以下公式：

39、

40、其中yi(x)是在位置x的類別標(biāo)簽的指示函數(shù)，pi(x)是預(yù)測(cè)的概率分布，bj(x)和分別是真實(shí)和預(yù)測(cè)的邊界框參數(shù)，λ是正則化系數(shù)；

41、然后對(duì)于模型輸出的邊界框，應(yīng)用非極大值抑制nms處理，結(jié)合微分形式，使用以下公式：

42、

43、其中h是heaviside階躍函數(shù)，θ是設(shè)定的iou閾值，表示對(duì)集合中所有邊界框的iou進(jìn)行微分求梯度的操作，用于確定邊界框應(yīng)被保留的概率。

44、進(jìn)一步地，所述自適應(yīng)裁剪使用基于深度學(xué)習(xí)的檢測(cè)模型來(lái)識(shí)別答題區(qū)域并動(dòng)態(tài)調(diào)整裁剪區(qū)域；裁剪區(qū)域根據(jù)檢測(cè)到的邊界框動(dòng)態(tài)計(jì)算，公式如下：

45、c(x,y)＝∫b(x+rx·cos(φ(x,y)),y+ry·sin(φ(x,y)))dx?dy

46、其中，c(x,y)表示裁剪后的區(qū)域，b為原始邊界框區(qū)域，rx和ry為根據(jù)邊界框尺寸動(dòng)態(tài)計(jì)算的調(diào)整因子，φ(x,y)是基于圖像內(nèi)容的動(dòng)態(tài)角度調(diào)整函數(shù)；

47、對(duì)于傾斜或變形的圖像區(qū)域，應(yīng)用仿射變換公式來(lái)矯正其位置和形態(tài)，使之與標(biāo)準(zhǔn)模板對(duì)齊；仿射變換的計(jì)算公式為：

48、

49、其中，a(p)表示仿射變換后的點(diǎn)，p為原始圖像中的點(diǎn)坐標(biāo)，mi是依據(jù)局部特征自適應(yīng)調(diào)整的旋轉(zhuǎn)縮放矩陣，qi是局部特征中心，σi是特征尺度參數(shù)，ti是平移向量，n是特征數(shù)量。

50、進(jìn)一步地，所述多模態(tài)特征提取包括：

51、p1.紋理特征提?。翰捎米远x的局部紋理分析函數(shù)，對(duì)圖像進(jìn)行紋理信息的提取，計(jì)算公式為：

52、

53、其中，t(x,y)表示在點(diǎn)(x,y)處提取的紋理特征，i(x,y)是圖像在該點(diǎn)的強(qiáng)度，σ和λ是調(diào)節(jié)紋理特征尺度的參數(shù)，k定義局部鄰域的大?。?/p>

54、p2.顏色特征提?。簩?duì)圖像進(jìn)行顏色分析，提取顏色特征的計(jì)算公式為：

55、

56、其中，c(x,y)表示在點(diǎn)(x,y)提取的顏色特征，ic是圖像的顏色通道，r和θ分別是極坐標(biāo)中的半徑和角度，ρ調(diào)節(jié)顏色特征的范圍，f(r,θ)是顏色加權(quán)函數(shù)，r是考慮的最大半徑；

57、p3.深度學(xué)習(xí)特征提取與融合：使用深度學(xué)習(xí)模型resnet從圖像中提取高層次的抽象特征，并與傳統(tǒng)特征結(jié)合，其融合特征的表達(dá)式為：

58、

59、其中，f表示融合后的特征向量，ws和bs是resnet中第s層的權(quán)重和偏置，*表示卷積操作，relu是激活函數(shù)，αs是自適應(yīng)權(quán)重系數(shù)，ω是深度特征與傳統(tǒng)特征的融合權(quán)重，t和c分別是紋理和顏色特征。

60、進(jìn)一步地，所述特征融合與分類方法包括：

61、s1、引入深度學(xué)習(xí)模型resnet和傳統(tǒng)圖像處理技術(shù)來(lái)從答題卡圖像中提取綜合特征；深度特征提取公式表達(dá)為：

62、

63、其中fdeep表示通過(guò)深度網(wǎng)絡(luò)提取的特征，wi和bi是網(wǎng)絡(luò)的權(quán)重和偏置，σ是激活函數(shù)，n是網(wǎng)絡(luò)層數(shù)，i是輸入圖像，*表示卷積操作；同時(shí)，紋理特征和顏色特征的提取通過(guò)改進(jìn)的特征分析方法進(jìn)行，包括：

64、

65、其中，ftexture表示從圖像中提取的紋理特征；i(x,y)表示圖像在坐標(biāo)(x,y)的灰度值；μx,μy表示圖像區(qū)域的中心坐標(biāo)；σ表示表示高斯函數(shù)的標(biāo)準(zhǔn)差，用于控制權(quán)重隨距離的衰減速度；f表示空間頻率，控制紋理模式的復(fù)雜度；dx,dy表示微分元，表示在連續(xù)域內(nèi)進(jìn)行積分；

66、

67、其中，fcolor表示從圖像中提取的顏色特征；ic(x,y)表示圖像在坐標(biāo)x,y處的顏色通道c的值；μc表示顏色通道c的平均值；r,g,b表示紅色、綠色、藍(lán)色顏色通道；

68、s2、然后結(jié)合從深度學(xué)習(xí)和傳統(tǒng)圖像處理技術(shù)中得到的特征，公式表達(dá)為：

69、f＝α·fdeep+β·(ftexture+γ·fcolor)

70、其中f是融合后的特征向量，α,β,γ是調(diào)整各特征貢獻(xiàn)的權(quán)重；

71、s3、最后利用svm進(jìn)行分類，處理融合后的特征向量以區(qū)分不同類型的答題區(qū)域，公式表達(dá)為：

72、

73、其中y是預(yù)測(cè)標(biāo)簽，m是支持向量的數(shù)量，λj是拉格朗日乘子，yj是支持向量的標(biāo)簽，fj是支持向量，k是核函數(shù)，f是待分類的特征向量，b是偏置。

74、本發(fā)明的有益效果：

75、1.提高精確度和可靠性：通過(guò)結(jié)合深度學(xué)習(xí)技術(shù)和傳統(tǒng)圖像處理方法，如紋理和顏色特征提取，本方法能夠全面分析答題卡圖像，提高答題區(qū)域的識(shí)別精確度。深度學(xué)習(xí)模型如resnet能夠捕捉高層次的抽象特征，而傳統(tǒng)方法則補(bǔ)充細(xì)節(jié)層面的視覺(jué)信息，使得整體識(shí)別過(guò)程更加準(zhǔn)確和可靠。

76、2.適應(yīng)性強(qiáng)：由于本方法采用了多模態(tài)特征融合策略，因此對(duì)于各種不同的答題卡布局和風(fēng)格具有較高的適應(yīng)性。無(wú)論答題卡上的標(biāo)記、筆跡如何多樣，通過(guò)綜合利用深度和傳統(tǒng)特征，系統(tǒng)都能有效識(shí)別和處理。

77、3.效率提升：本方法通過(guò)自動(dòng)化的特征提取和分類處理流程，大幅減少了人工干預(yù)的需要，從而顯著提高了處理速度和工作效率。這對(duì)于需要處理大量答題卡的教育機(jī)構(gòu)和評(píng)分中心尤為重要。

78、4.減少錯(cuò)誤和重復(fù)：通過(guò)高級(jí)圖像處理技術(shù)，如非極大值抑制(nms)和仿射變換，本方法能夠有效地減少圖像中的錯(cuò)誤和重復(fù)識(shí)別，提高了評(píng)分的一致性和準(zhǔn)確性。