基于OpenCV的答题卡自动识别与评分系统

引言

在教育考试场景中，手动批改答题卡效率低下且容易出错。本文将介绍如何使用Python和OpenCV实现一个答题卡自动识别与评分系统，通过计算机视觉技术完成答题卡的透视校正、选项识别和得分计算。该系统可广泛应用于学校考试、培训测评等场景，大幅提升批改效率。

---

环境准备

• Python 3.7+
• OpenCV（pip install opencv-python）
• NumPy（pip install numpy）

---

核心功能模块解析

整个系统分为以下核心步骤：
图像预处理 → 轮廓检测 → 透视变换 → 选项定位 → 答案匹配 → 结果输出

1. 导入依赖库

import numpy as np
import cv2

• numpy：用于数值计算和数组操作。
• cv2：OpenCV库，提供图像处理和计算机视觉算法。

---

2. 辅助函数定义

2.1 坐标点排序函数 order_points

答题卡的四个角点需要按左上→右上→右下→左下的顺序排列，否则透视变换会出错。
该函数通过计算坐标的和与差实现排序：

def order_points(pts):rect = np.zeros((4, 2), dtype="float32")s = pts.sum(axis=1)  # 计算(x+y)，左上角点(x+y)最小，右下角点最大rect[0] = pts[np.argmin(s)]  # 左上rect[2] = pts[np.argmax(s)]  # 右下diff = np.diff(pts, axis=1)  # 计算(y-x)，右上角点(y-x)最小（接近0），左下角点最大rect[1] = pts[np.argmin(diff)]  # 右上rect[3] = pts[np.argmax(diff)]  # 左下return rect

2.2 透视变换函数 four_point_transform

通过透视变换将倾斜的答题卡校正为正视图。
关键步骤：

1. 计算变换前的四个角点（rect）。
2. 确定变换后的目标尺寸（maxWidth和maxHeight）。
3. 生成透视变换矩阵（M）并应用变换。

def four_point_transform(image, pts):rect = order_points(pts)(tl, tr, br, bl) = rect  # 解包四个角点# 计算变换后的宽度和高度（取两组对边的最大值）widthA = np.sqrt(((br[0]-bl[0])**2) + ((br[1]-bl[1])**2))widthB = np.sqrt(((tr[0]-tl[0])**2) + ((tr[1]-tl[1])**2))maxWidth = max(int(widthA), int(widthB))heightA = np.sqrt(((tr[0]-br[0])**2) + ((tr[1]-br[1])**2))heightB = np.sqrt(((tl[0]-bl[0])**2) + ((tl[1]-bl[1])**2))maxHeight = max(int(heightA), int(heightB))# 定义变换后的目标坐标（正视图的四个角点）dst = np.array([[0,0], [maxWidth-1,0], [maxWidth-1,maxHeight-1], [0,maxHeight-1]], dtype="float32")# 计算透视变换矩阵并应用M = cv2.getPerspectiveTransform(rect, dst)warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))return warped

2.3 轮廓排序函数 sort_contours

检测到的选项轮廓需要按从上到下、从左到右排序，以便逐题匹配答案。
支持多种排序方式（左→右、右→左、上→下、下→上）：

def sort_contours(cnts, method="left-to-right"):reverse = Falsei = 0  # 排序依据：0为x轴（左右），1为y轴（上下）if method in ["right-to-left", "bottom-to-top"]:reverse = Trueif method in ["top-to-bottom", "bottom-to-top"]:i = 1# 计算每个轮廓的包围盒（x,y,w,h）boundingBoxes = [cv2.boundingRect(c) for c in cnts]# 按包围盒的指定维度排序（x或y坐标）(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse))return cnts, boundingBoxes

2.4 图像显示函数 cv_show

调试时用于显示中间结果：

def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()

---

3. 图像预处理与轮廓检测

3.1 读取图像并灰度化

image = cv2.imread("images/test_01.png")  # 替换为你的答题卡路径
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 灰度化减少计算量

3.2 高斯模糊去噪

blurred = cv2.GaussianBlur(gray, (5, 5), 0)  # 5x5核，σ=0
cv_show('blurred', blurred)  # 调试：观察模糊效果

高斯模糊可消除图像中的高频噪声（如纸张纹理、光照不均），避免后续边缘检测出现伪影。

3.3 Canny边缘检测

edged = cv2.Canny(blurred, 75, 200)  # 阈值75和200
cv_show('edged', edged)  # 调试：观察边缘轮廓

Canny算法通过梯度计算提取图像边缘，参数75和200分别为低阈值和高阈值，用于区分强边缘和弱边缘。

3.4 轮廓检测与筛选

cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]  # 获取外层轮廓
# 按面积降序排序（最大的轮廓通常是答题卡）
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
# 寻找近似四边形（答题卡的四个角点）
docCnt = None
for c in cnts:peri = cv2.arcLength(c, True)  # 计算轮廓周长approx = cv2.approxPolyDP(c, 0.02 * peri, True)  # 多边形近似（精度0.02倍周长）if len(approx) == 4:  # 筛选四边形docCnt = approxbreak

• cv2.findContours：检测图像中的轮廓，RETR_EXTERNAL表示只检测外层轮廓。
• approxPolyDP：通过道格拉斯-普克算法简化轮廓，保留关键顶点（答题卡的四个角点）。

---

4. 透视变换校正答题卡

warped_t = four_point_transform(image, docCnt.reshape(4, 2))  # 应用透视变换
cv_show('warped', warped_t)  # 调试：观察校正后的答题卡

通过four_point_transform函数，倾斜的答题卡被校正为正视图，便于后续选项定位。

---

5. 选项区域定位与识别

5.1 二值化处理

warped = cv2.cvtColor(warped_t, cv2.COLOR_BGR2GRAY)  # 转为灰度图
thresh = cv2.threshold(warped, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]  # Otsu自适应阈值
cv_show('thresh', thresh)  # 调试：观察二值化结果

• THRESH_BINARY_INV：反转二值化结果（选项填涂区域为白色，背景为黑色）。
• THRESH_OTSU：自动计算最佳阈值，适应不同光照条件。

5.2 筛选选项轮廓

cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]  # 检测选项轮廓
questionCnts = []
for c in cnts:(x, y, w, h) = cv2.boundingRect(c)ar = w / float(h)  # 计算宽高比# 筛选条件：尺寸足够大且接近正方形（0.9≤宽高比≤1.1）if w >= 20 and h >= 20 and 0.9 <= ar <= 1.1:questionCnts.append(c)
print(f"检测到{len(questionCnts)}个选项轮廓")

通过宽高比（接近1）和最小尺寸（避免噪声）筛选出有效选项轮廓。

5.3 按题目分组排序

questionCnts = sort_contours(questionCnts, method="top-to-bottom")[0]  # 按从上到下排序

假设每道题有5个选项，按行分组后逐题处理。

---

6. 答案匹配与评分

6.1 定义正确答案

ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}  # 键为题号，值为正确选项索引（0~4）

根据实际题目修改ANSWER_KEY，例如第0题正确选项是第1个（索引从0开始）。

6.2 逐题识别答案

correct = 0
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):  # 每5个选项为一题cnts = sort_contours(questionCnts[i:i+5])[0]  # 当前题的5个选项（按左→右排序）bubbled = None  # 记录当前题填涂最深的选项for (j, c) in enumerate(cnts):  # 遍历每个选项# 创建掩膜（仅保留当前选项区域）mask = np.zeros(thresh.shape, dtype="uint8")cv2.drawContours(mask, [c], -1, 255, -1)  # -1表示填充轮廓内部# 计算掩膜区域的非零像素数（填涂程度）thresh_mask_and = cv2.bitwise_and(thresh, thresh, mask=mask)total = cv2.countNonZero(thresh_mask_and)# 更新填涂最深的选项if bubbled is None or total > bubbled[0]:bubbled = (total, j)# 匹配正确答案k = ANSWER_KEY[q]  # 当前题的正确选项索引if k == bubbled[1]:  # 填涂选项与正确答案一致color = (0, 255, 0)  # 绿色标记正确correct += 1else:color = (0, 0, 255)  # 红色标记错误# 在校正后的图像上绘制结果cv2.drawContours(warped_t, [cnts[k]], -1, color, 3)

• 掩膜技术：通过mask仅保留当前选项的区域，统计该区域的白色像素数（填涂程度），像素数最多的选项即为填涂答案。
• 结果可视化：正确选项用绿色框标记，错误选项用红色框标记。

6.3 计算得分并输出

score = (correct / len(ANSWER_KEY)) * 100  # 总题数为ANSWER_KEY的长度
print(f"[INFO] 得分: {score:.2f}%")
# 在图像上显示得分
cv2.putText(warped_t, f"{score:.2f}%", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow("Result", warped_t)
cv2.waitKey(0)

---

运行结果示例

假设测试图像test_01.png是一张5题的答题卡，其中3题正确，2题错误，则输出：

检测到25个选项轮廓
[INFO] 得分: 60.00%

最终图像会显示校正后的答题卡，正确选项为绿色框，错误选项为红色框，并标注得分。

---

注意事项与改进方向

1. 图像质量：确保答题卡光照均匀、无遮挡，否则可能导致轮廓检测失败。
2. 答案键配置：需根据实际题目修改ANSWER_KEY字典。
3. 鲁棒性优化：可添加轮廓面积过滤、倾斜角度校正等功能，适应更复杂的拍摄场景。
4. 多题型支持：当前仅支持单选题，可扩展支持多选题（通过统计多个最高像素数的选项）。

---