基于圖像識別的閱卷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

(3)基于鏈碼方法的結(jié)構(gòu)特征
　從曲線起點(diǎn)開始與其相連的像素點(diǎn)有8種可能的方向：k×45°(k=0,1,…,7)，如圖6所示, 如果兩個(gè)像素點(diǎn)間的連線方向?yàn)閗×45°，就用“k”作為這條連線的代碼，則一條曲線最終可近似地用下式表示:
An=a1a2…an,ai∈{0,1,2,…,7}, i=1,2,…,n

(4)孔洞特征
　在二值圖像中，被目標(biāo)像素1包圍的背景像素0（的集合）稱為孔洞（hole）。在字符的骨架線的鏈碼形成過程中，若搜索到的下一點(diǎn)就是該骨架線的搜索起始點(diǎn)，同時(shí)己形成的骨架鏈碼碼長超過了一定的閾值，則認(rèn)為搜索到一個(gè)孔洞[5]。
　(5)橫豎方向交叉特征
　橫向或縱向掃描字符，某一行或列的像素由白變黑的次數(shù)就是該行或列的橫或縱向交叉特征。本系統(tǒng)將橫豎兩個(gè)方向距離不等的7條線作用于字符，計(jì)算水平和垂直方向與字符的交叉數(shù)，如圖7所示。

2.2.2 符號模型庫建立
　答題卡信息識別的訓(xùn)練階段需要建立符號模型庫，以便對待識別手寫符號進(jìn)行分類和識別。符號模型庫建立的好壞直接影響分類器的應(yīng)用，從而影響手寫符號識別效果[5]。
　由于手寫符號的多樣性，需要選擇某一類手寫符號中具有代表性的多個(gè)樣本來構(gòu)造標(biāo)準(zhǔn)樣本，本系統(tǒng)采用手寫字符樣本特征向量的均值來描述類目標(biāo)。設(shè)有n個(gè)符號類，每個(gè)符號類中有a個(gè)訓(xùn)練樣本,每個(gè)樣本有b個(gè)符號特征，每個(gè)符號類中樣本的特征記為fkj，k為樣本特征序號，j為各個(gè)手寫符號的樣本序號，則第i個(gè)目標(biāo)類特征的均值為P(i)，即：

　每次計(jì)算Pik時(shí)，k為大于等于1小于等于b的固定值。Pik為對于第i個(gè)目標(biāo)類中a個(gè)樣本中各個(gè)樣本對應(yīng)第k個(gè)特征值的均值。
2.2.3 手寫符號識別
　對答題卡中矩形框信息識別包括兩個(gè)方面，一是識別矩形框中是否有字符，二是識別具體是哪種字符。其中識別是否書寫了字符比較簡單，只要比較增強(qiáng)對比度后的矩形框圖像與已知填有信息的矩形框的均方差大小，即可識別是否有字符,因?yàn)榭瞻椎木匦慰蚝捅粫鴮懙木匦慰蚓讲畈顒e很大。下面主要介紹怎樣識別矩形框中的具體字符。
　手寫符號識別就是在提取到符號的特征向量之后，依據(jù)一定的判別函數(shù)來判定出某一圖形點(diǎn)陣具體代表的是哪一個(gè)手寫符號。
　判別函數(shù)可以先簡單地作如下定義：考慮有P1,P2，...，Pm個(gè)符號類別，假使每類有一個(gè)標(biāo)準(zhǔn)樣本，則共有m個(gè)標(biāo)準(zhǔn)樣本，分別表示為k1，k2，...，km。任意一符號特征向量X和第i個(gè)（i=1，2，...，m）標(biāo)準(zhǔn)樣本間的“相似度”為Ri。計(jì)算待識別的符號特征向量X與每類標(biāo)準(zhǔn)樣本之間的“相似度”[7]，并將X分到與它“相似度”最大的類別，即對所有的j不等于i，若Di>Dj，則X就屬于Pi類符號。
　系統(tǒng)采用基于最鄰近域分類器的模板匹配算法來對手寫符號進(jìn)行識別。
　首先定義字符特征向量，經(jīng)過前面的特征提取分析，該特征向量為一個(gè)16維向量,X={x1,x2,..,x16}，具體定義為：
　x1：孔洞數(shù)；
　x2：端點(diǎn)數(shù)；
　x3~x9：7條水平線與字符的交叉次數(shù)；
　x10~x16：7條豎直線與字符的交叉次數(shù)。
　通過度量待識別字符和樣本庫中樣本字符的接近程度，確立最近分類的一個(gè)準(zhǔn)則。在最鄰近分類中，經(jīng)常使用的是相似度。如圖8所示，在提取了待識字符的特征向量并建立了字符庫后，將待識別字符和樣本庫中第i個(gè)樣本的特征向量之間求近似度R(X，G)。R(X，G)定義如下：

式中,xi為待識別符號特征向量的第i個(gè)分量,gik為樣本庫中第i個(gè)標(biāo)準(zhǔn)樣本的第k個(gè)分量,m為樣本類別數(shù)。分子為向量X,G之間的內(nèi)積，分母分別為向量X、G的模。α是向量X,G在m維空間的夾角。顯然，當(dāng)X、G兩個(gè)向量完全相同時(shí)，其夾角為0，R(X,G)=1，它們的距離D(X,G)=0，即相似度最大。求出最大Rr(X,G)，若Rr(X,G)≥給定閾值，即可找到與待識別字符最接近的樣本類別，否則人工干預(yù)并修改樣本庫[7]。
3 實(shí)驗(yàn)結(jié)果與分析
　實(shí)驗(yàn)采用CCD攝像頭采集答題卡圖像，經(jīng)圖像預(yù)處理、若干特征提取、信息識別等過程，判定矩形框中有無字符、是什么字符，最后對答題卡信息分析和統(tǒng)計(jì)。實(shí)驗(yàn)采用100份試卷作為樣本，對20份試卷進(jìn)行測試，結(jié)果發(fā)現(xiàn)識別錯(cuò)誤的手寫符號主要是“√”和“w”，原因在于這兩者在結(jié)構(gòu)方面相似，而符號“○”的識別率達(dá)到100%。
　本系統(tǒng)將圖像預(yù)處理、字符特征提取與圖像識別等技術(shù)應(yīng)用于閱卷系統(tǒng)的開發(fā)，實(shí)現(xiàn)了閱卷自動化，加快了成績考核的速度，改善了教學(xué)管理環(huán)境。相比于傳統(tǒng)的基于光學(xué)標(biāo)記閱讀機(jī)的閱卷系統(tǒng)，本系統(tǒng)利用圖像識別技術(shù)實(shí)現(xiàn)閱卷自動化，不需要特殊的答題卡，考生也可以隨意使用各種“√”、“w”、“○”等手寫符號進(jìn)行答題，不必用指定的2B鉛筆填涂矩形塊，更符合人們的習(xí)慣。
參考文獻(xiàn)
[1] 王虎.基于圖像識別的標(biāo)記閱讀機(jī)及選舉計(jì)票系統(tǒng)研究[D].合肥:安徽大學(xué),2006.
[2] 張婷.基于圖像識別技術(shù)的光學(xué)標(biāo)記閱讀機(jī)的研究與應(yīng)用[D].合肥:安徽大學(xué),2007.
[3] 吳元君,張婷,雷驚鵬.一種改進(jìn)的OMR 技術(shù)在標(biāo)準(zhǔn)化考試中的應(yīng)用[J].計(jì)算機(jī)教育,2007(13):250-272.
[4] 丁慧東.脫機(jī)手寫體漢字識別研究[D].長春:東北師范大學(xué),2006.
[5] 龐東虎,金偉杰.英文字符特征提取系統(tǒng)[J].計(jì)算機(jī)仿真,2007,24(12):208-210.
[6] 楊玲,毛以芳,吳天愛.基于多特征多分類器的脫機(jī)手寫漢字識別研究[J].計(jì)算機(jī)與網(wǎng)絡(luò),2008(01):217-217.
[7] 覃勝,劉曉明.基于圖像的OMR技術(shù)的實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用,2003,29(10):17-19.
[8] 翁功平.光標(biāo)閱讀機(jī)OMR原理的設(shè)計(jì)與實(shí)現(xiàn)[J].工業(yè)控制計(jì)算機(jī),2010，23(04):61-62.