基于Sift特征匹配和形狀上下文的試卷閱卷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像識別及圖像處理技術(shù)，特別是一種基于Sift特征匹配和形狀上下 文的試卷閱卷方法。
【背景技術(shù)】
[0002] 隨著手機，數(shù)碼攝像機等數(shù)字成像設(shè)備普及和大儲存設(shè)備價格的下降。大量的圖 片信息來到我們的身邊。人眼看到的信息都可W通過運些設(shè)備記錄。圖像處理和識別的技 術(shù)就應(yīng)用而生。本發(fā)明就是圖像處理和圖像識別在日常生活中提出來的，為了減輕老師的 閱卷負擔(dān)，根據(jù)相關(guān)技術(shù)，發(fā)明一種基于Sift特征匹配和形狀上下文的試卷閱卷系統(tǒng)。相關(guān) 技術(shù)包括了圖像的二值化、膨脹與腐蝕和輪廓追蹤和圖像sift特征匹配和形狀上下文特征 匹配等方法。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種基于Sift特征匹配和形狀上下文的試卷閱卷方法。該 方法包括：
[0004] 步驟1，輸入兩張圖片，包括未作答試卷和已作答試卷；
[0005] 步驟2,分別對圖片進行Sift特征匹配，其中，統(tǒng)計匹配的特征點集合為M{mi, m2, . . .ΠΗ, . . . }，兩幅圖像的特征點分別為 Κι 化 ll，kl2, . . . }，Κ2 化 21，k22, . . . };
[0006] 步驟3,選取兩個不同的匹配特征點，計算旋轉(zhuǎn)角平均差值，對已作答試卷的圖片 依照旋轉(zhuǎn)角平均差值旋轉(zhuǎn)；
[0007] 步驟4,對旋轉(zhuǎn)后的已作答試卷的圖片，與未旋轉(zhuǎn)的已作答試卷的圖片驚醒Sift特 征匹配，獲取兩幅圖像的特征點；
[000引步驟5,對步驟4獲得的特征點，獲取特征點在X軸方向的差值和y軸方向的差值，根 據(jù)產(chǎn)值對旋轉(zhuǎn)后的已作答試卷圖片進行平移；
[0009] 步驟6,平移后的圖片和未作答試卷圖片相減獲取兩張圖片的不同區(qū)域；
[0010] 步驟7,在上述不同區(qū)域中獲得答案區(qū)域；
[0011] 步驟8，計算形狀上下文特征；
[0012] 步驟9,對形狀上下文特征，根據(jù)手寫字母訓(xùn)練集，分別提取像素特征，根據(jù)鄰近算 法得到識別出來的類別。
[0013] 本發(fā)明與現(xiàn)有技術(shù)相比，具有W下優(yōu)點：本系統(tǒng)就是根據(jù)上述相關(guān)的技術(shù)再結(jié)合 日常需求，設(shè)計了自動閱卷系統(tǒng)。目的是減少老師的工作量，使圖像識別和圖像處理技術(shù)應(yīng) 用到實際之中。
[0014] 下面結(jié)合說明書附圖對本發(fā)明做進一步描述。
【附圖說明】
[0015] 圖1是本發(fā)明基于sift特征匹配和形狀上下文的試卷閱卷系統(tǒng)流程圖。
[0016] 圖2是基于sift特征匹配和形狀上下文的試卷閱卷系統(tǒng)中計算旋轉(zhuǎn)角度示意圖。
[0017] 圖3是說明sift特征匹配具有很好的可行性。圖中的圓圈表示sift特征值，直線表 示特征點匹配的結(jié)果。
[0018] 圖4是基于sift特征匹配和形狀上下文的試卷閱卷系統(tǒng)的效果實例圖。其中圖4 (a)、（d)表示輸入的未作答的試卷，圖4(b)、（e)表示畫出答案區(qū)域的效果圖。圖4(c)、（f)表 示最后檢測出的結(jié)果。
【具體實施方式】
[0019] -種基于Sift特征匹配和形狀上下文的試卷閱卷方法，包括W下步驟：
[0020] 步驟1，輸入兩張圖片。運兩張圖片包括未作答試卷和已作答的試卷，其中已經(jīng)作 答的試卷不能亂涂亂畫，要在相應(yīng)區(qū)域作答。
[0021] 步驟2,特征匹配。為了減少計算量，將兩張圖片調(diào)整為450*800,然后對兩張圖片 進行sift特征匹配。統(tǒng)計匹配的特征點集合為. . .ΠΗ，. . .}，兩幅圖像的特征點分別 為Κι 化 11, kl2 , . . . }，K2 化21 , k22 , . . . }。
[0022] 步驟3，計算旋轉(zhuǎn)角。從集合Μ中選取mi、mj，i辛j。分別計算角
[0025] 其中Ki[mi(x)]、Ki[mi(y)]、Ki[mj(x)]、Ki[mj(y)]、K2[mi(x)]、K2[mi(y)]、K2[mj(x)]、 K2[m^y)]分別為兩幅圖片匹配的特征點的縱橫坐標(biāo)，P為集合Μ中選取不同兩個匹配特征點 索引值。A分別為兩張圖片的匹配特征點的梯度方向，取遍集合Μ的所W組合(αιΑ)最 后計算旋轉(zhuǎn)角平均差值
斤述Κ為集合Μ的所有兩個元素組合數(shù)，k為集合Μ 的所有兩個元素組合的索引值。
[0026] 步驟4,得到兩張圖的不同區(qū)域。
[0027] 4.1)根據(jù)β值，對作答圖片進行旋轉(zhuǎn)，旋轉(zhuǎn)之后再與原圖進行進行Sift特征匹配， 重復(fù)步驟Ξ得到兩張圖片的匹配點。
[0028] 4.2)分別計算匹配點X軸方向的差值，和y軸方向的差值，根據(jù)差值進行平移。最后 將旋轉(zhuǎn)和平移好的圖與未作答的圖進行相減，得到兩張圖的不同區(qū)域。
[0029] 步驟5,獲得答案區(qū)域。把相減得到圖片，進行二值化和腐蝕與膨脹，最后根據(jù)輪廓 追蹤得到相應(yīng)的答案區(qū)域。
[0030] 步驟6,計算形狀上下文特征。假設(shè)兩張圖片為Srcl和Ds巧，Srcl為未作答圖片， Ds巧為已作答圖片，通過邊緣檢測和輪廓追蹤算法分別得到兩張圖片的特征點集合P{pi, P2, . . .，Pn}，Q{qi，q2, . . .，qn}。對于集合P中的每個特征點Pi,需要在集合Q中找到與其匹配 的代價最小的特征點W，假設(shè)j = r(i)。那么計算兩個圖像形狀之間的相似問題可W轉(zhuǎn)化 成，求解
其中i、j=r(i)，r(i)表示Pi特征點在集合Q中找到與其匹配的代 價最小的特征點^的映射關(guān)系。其中兩個特征點的代價通過漢明距離表示。為了方便計算， 計算特征點的形狀直方圖。
[0031] 6.1)將整個平面空間從方向上平均劃出12個方向，同時在半徑上均勻的劃分3份， 整個平面被劃分為36個區(qū)域，然后統(tǒng)計其他特征點落在每個區(qū)域的個數(shù)。
[003^ 6.2)兩點的匹配代價cost值可W記作。j = C(pi，qj)，則
則整個形狀代價為
'其中cWi)表示Pi在Q集合中找到的最小代價特征 點，η表示Q集合的元素個數(shù)。找到一個對應(yīng)關(guān)系，需要進一步用一個變換T來衡量形狀之間 的轉(zhuǎn)變，所W，最后的形狀距離可W用估計的變換來表示：
[0033]
其中Dsc(P,Q)表不兩 個形狀之間的代價，τ(.)表示TPS形狀變換，m、n表示P、Q集合元素個數(shù)，p、q表示P、Q集合的 元素，最后根據(jù)最優(yōu)匹配算法得到最優(yōu)解，例如匈牙利算法。
[0034] 步驟7,根據(jù)形狀上下文特征，通過網(wǎng)上的手寫字母訓(xùn)練集，分別提取它們的像素 特征，然后通過距離計算得到knn，通過knn來得到識別出來的類別。
【主權(quán)項】
1. 一種基于Sift特征匹配和形狀上下文的試卷閱卷方法，其特征在于，包括： 步驟1，輸入兩張圖片，包括未作答試卷和已作答試卷； 步驟2,分別對圖片進行Sift特征匹配，其中，統(tǒng)計匹配的特征點集合為 ? · ·ΠΗ, · · · }，兩幅圖像的特征點分別為Kl{kll，kl2, · · · }，K2{k21，k22, · · ·}; 步驟3,選取兩個不同的匹配特征點，計算旋轉(zhuǎn)角平均差值，對已作答試卷的圖片依照 旋轉(zhuǎn)角平均差值旋轉(zhuǎn)； 步驟4,對旋轉(zhuǎn)后的已作答試卷的圖片，與未旋轉(zhuǎn)的已作答試卷的圖片驚醒Sift特征匹 配，獲取兩幅圖像的特征點； 步驟5，對步驟4獲得的特征點，獲取特征點在X軸方向的差值和y軸方向的差值，根據(jù)產(chǎn) 值對旋轉(zhuǎn)后的已作答試卷圖片進行平移； 步驟6,平移后的圖片和未作答試卷圖片相減獲取兩張圖片的不同區(qū)域； 步驟7，在上述不同區(qū)域中獲得答案區(qū)域； 步驟8,計算形狀上下文特征； 步驟9，對形狀上下文特征，根據(jù)手寫字母訓(xùn)練集，分別提取像素特征，根據(jù)鄰近算法得 到識別出來的類別。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟3包括： 步驟3.1，遍歷集合M，選取不同任意選取集合M中的元素 mi、mj，i矣j; 步驟3.2,分別計算兩張圖片上的匹配特征點的梯度方向αι、α」，其中 ai = arctan(Ki[nu(y) ]-Ki[mj(y) ]/Κι[πη(χ) ]-Ki[mj(x)]) aj = arctan(K2[mi(y) ]_K2[mj(y) ]/Κ2[πη(χ) ]_K2[mj(x)]) 其中，Ki[nu(x) ]、Ki[nu(y) ]、Ki[mj(x) ]、Ki[mj(y) ]、K2[nu(x) ]、K2[nu(y) ]、K2[mj(x) ]、K2 [mj(y)]分別為兩幅圖片匹配的特征點的縱橫坐標(biāo)，p為集合M中選取不同兩個匹配特征點 索引值； 步驟3.3，重復(fù)執(zhí)行步驟3.1和3.2，獲取集合M的所有兩個元素組合的梯度方向； 步驟3.4,計算旋轉(zhuǎn)角平均差值所述K為集合M的所有兩個元素組合 數(shù)，k為集合M的所有兩個元素組合的索引值。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟8包括： 步驟8.1，通過邊緣檢測和輪廓追蹤算法分別得到步驟7得到的未作答和已作答的兩張 圖片的特征點集合Ρ{ρι，Ρ2, · · ·，pn}，Q{qi，q2, · · ·，qn}; 步驟8.2，對于集合P中的每個特征點Pi i e [ I，n ]，在集合Q中找到與其匹配的代價最小 的特征點qj je[l，n]; 步驟8.3,將整個平面空間從方向上平均劃出12個方向，同時在半徑上均勻的劃分3份， 整個平面被劃分為36個區(qū)域，統(tǒng)計特征點落在每個區(qū)域的個數(shù)； 步驟8.4,計算特征點Pl與匹配的代價最小的特征點兩點的匹配代價cost值其中l(wèi)u(.)為未作答圖片中特征點？1的形狀直方圖，hj .)為已作 答圖片中特征點^的形狀直方圖； 步驟8.5，采用TPS形狀變換獲取形狀距離其中DSC(P，Q)表示兩個形狀之間的代價，T(.)表示TPS形狀變換，m、n表示P、Q集合元素 個數(shù)，P、q表示P、Q集合的元素； 步驟8.6，根據(jù)最優(yōu)匹配算法得到最優(yōu)解。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，步驟8.6的最有匹配算法為匈牙利算法。
【專利摘要】本發(fā)明提供一種基于Sift特征匹配和形狀上下文的試卷閱卷方法，包括：輸入兩張圖片，包括未作答試卷和已作答試卷；分別對圖片進行Sift特征匹配；計算旋轉(zhuǎn)角平均差值，對已作答試卷的圖片依照旋轉(zhuǎn)角平均差值旋轉(zhuǎn)；對旋轉(zhuǎn)后的已作答試卷的圖片，與未旋轉(zhuǎn)的已作答試卷的圖片驚醒Sift特征匹配，獲取兩幅圖像的特征點；對獲得的特征點，獲取特征點在x軸方向的差值和y軸方向的差值，根據(jù)產(chǎn)值對旋轉(zhuǎn)后的已作答試卷圖片進行平移；平移后的圖片和未作答試卷圖片相減獲取兩張圖片的不同區(qū)域；在上述不同區(qū)域中獲得答案區(qū)域；計算形狀上下文特征；對形狀上下文特征，根據(jù)手寫字母訓(xùn)練集，分別提取像素特征，根據(jù)鄰近算法得到識別出來的類別。
【IPC分類】G06K9/46
【公開號】CN105488512
【申請?zhí)枴緾N201510848900
【發(fā)明人】唐金輝, 李澤超, 王學(xué)明, 曹通
【申請人】南京理工大學(xué)
【公開日】2016年4月13日
【申請日】2015年11月27日