答题卡识别C++版本（一）

之前用Python+Opencv 写过答题卡识别的算法。

这篇博客用的C++和Opencv来完成答题卡的识别，相关算法的思想是不变的。

 

（一）定位答题卡的四个边角锚点

因为标准答题卡的四角都有黑色的圈圈，将这些圈圈的位置定位出来，就相当于定位出四个边角锚点。

定位黑色圆圈，有两种方式：

（1）霍夫圆检测，找到圆心的位置，这个方法我在之前的Python版本中已经用过。但是我用C++来做的时候，霍夫圆检测速度比较慢，而且占很大的内存。所以改用了第二种方法。

（2）模板匹配，事先做好和边角黑圈大小差不多的模板图片。然后对输入图片进行模板匹配。

 

模板匹配：通过在输入图像上滑动模板图片，对两者进行对比，找出相似度最高的ROI区域。

实现模板匹配的函数：matchTeplate()。它的参数如下：

第一个参数：InputArray image，8位或者32位浮点型输入图像。

第二个参数：InputArray template,和源图片有一样的数据类型，而且尺寸不能大于原图。

第三个参数：OutArray result，比较结果的映射图像。这里的result是32位的单通道图像，输入图像的尺寸是（W，H），模板图像的尺寸是（w,h）,那么它的大小是(W-w+1)*(H-h+1)。

第四个参数：int类型的method。Opencv提供了6种图像匹配的方法。

 

匹配后的结果是32位，需要做个归一化处理。

实现归一化的函数：normalize()。它的参数如下：

第一个参数：输入图像。第二个参数：输出图像。Mat类的对象即可。

第三个参数：double类型alpha。第四个参数：double类型beta。

第五个参数：norm_type的类型。

第六个参数：int类型的dtype，默认是-1。当这个参数取负数的时候，输出矩阵和src拥有同样的类型，否则就是和src相同的通道数。

第七个参数：可选的操作掩模。

 

模板匹配的代码思想：

（1）将整张图片分成四个部分。 

这里的Rect使用注意：

1，第一个参数和第二个参数，表示划分图片的左上角坐标，第三和第四个参数表示划分区域的宽和高。

2，所以获取的最大位置的坐标是相对裁剪部分而言，所以返回坐标的时候需要做相应的调整，使其能够对应到原图的位置。

	Mat matLT = matSrc(Rect(0, 0, col / 2, row / 2));
	Mat matLD = matSrc(Rect(0, row/2, col / 2, row / 2));
	Mat matRT = matSrc(Rect(col/2 ,0, col / 2, row / 2));
	Mat matRD = matSrc(Rect(col/2, row/2, col / 2, row / 2));

（2）进行四次模板匹配，得到四张result结果图。

结果图保存在matTemp中，其中参数5表示采用第五种匹配方法：系数匹配法TM_CCOOEFF。

matchTemplate(matLD, matTemplate, matTemp, 5);
	

（3）对matTemp进行归一化。

采用区间归一化，将像素值映射到[0,1]这个范围内。

normalize(matTemp, matTemp, 0, 1, NORM_MINMAX, -1, Mat());

（4）获取结果图中最大值的位置，并返回该位置。

minMaxLoc是用获取图像最大值，最小值，以及对应的位置。这里只需要获取最大值的位置，其他的可以设置成NULL。

 

minMaxLoc(matTemp, NULL, NULL, NULL, &maxLocLD,Mat());
anchorLD = Point(maxLocLD.x , maxLocLD.y+row/2);

anchorLT = maxLocLT;
anchorRT = Point(maxLocRT.x+col/2, maxLocRT.y);
anchorRD = Point(maxLocRD.x + col / 2, maxLocRD.y + row / 2);

 

（5）在原图中将最大的位置画出来。

//将获取的锚点画出来。
circle(matStand, anchorLT, 5, Scalar(0, 0, 255), 5);
circle(matStand, anchorLD, 5, Scalar(0, 0, 255), 5);
circle(matStand, anchorRT, 5, Scalar(0, 0, 255), 5);
circle(matStand, anchorRD, 5, Scalar(0, 0, 255), 5);

 

看一下整个模板匹配的效果。这里看一张正的图片和一张倾斜图片的匹配效果。

            

看一下局部匹配出来的效果图。这是matTemp的展示，边角最亮的应该就是匹配度最高的点。

matTemp的属性如下：W-w+1 =210-24+1=187.

                                    H-h+1 = 185-24+1 = 162

所以matTemp的大小就是187*162。根据打印的matTemp的像素值，为32位的浮点型，但是带符号。

归一化后，就是0.0-1.0的范围。

总结下来，模板匹配的两步基本工作：匹配和归一化。