OpenCV答题卡识别与打分实战：透视校正、填涂判定与工程落地

去年我帮一个模拟项目X做过一套答题卡识别并打分的小工具，技术选型时几乎是毫不犹豫定了OpenCV。收到一堆手机实拍图之后我更确信，这件事的核心不是“上多厉害的模型”，而是把几何关系、二值化、轮廓和像素统计这些基础操作做扎实，成绩单就能从含含糊糊的照片里稳定出来。这篇把完整的技术链路、参数、踩坑过程和工程落地经验一次讲清楚，适合正在做课程设计、或者刚好要接类似扫描批改需求的开发者参考。

很多初学者看到“答题卡识别”第一反应是上深度学习，我实际做下来发现，只要答题卡版式固定、拍照环境不是极端恶劣，OpenCV这套经典视觉方案又快又稳，而且每一步都是可解释、可调试的。后面我会按“预处理→透视校正→选项网格定位→填涂判定与打分→真实场景调优→工程落地”的顺序展开，每一段都会说明为什么这么做、参数怎么调，以及我踩过的具体坑。

1. 为什么这个项目一定要先拆模块再写代码

1.1 一张答题卡照片背后，真正难处理的问题

先看清楚输入长什么样：我们手里的答题卡是A4纸打印的，上面有题目区、选项圆、学号涂卡区域，可能还有定位用的黑色矩形标记。照片是用手机从大约半米高处拍的，角度不能保证完全垂直，可能是稍微倾斜的梯形；光线也是教室里那种不均匀的顶灯，可能有一块阴影压在答题卡边缘。

如果上来直接写“把选项圈出来”的代码，大概率会卡在第一步。因为肉眼看到的答题卡，在程序里只是一个1600×1200左右的彩色像素矩阵。真正难处理的有三件事。

第一，纸张边界和背景分不开。白纸放在白色桌面上时，边缘像素差异极小，传统的边缘检测可能根本拿不到完整边界。第二，选项区域不是一个个完美圆形，真实打印的圆可能被填涂得深浅不一，甚至出现连笔，把两个选项涂成一片。第三，光线和阴影会直接改变二值化的结果，同一张卡，固定阈值在亮部能看清、在暗部就全黑。

所以整个项目的正确打开方式，是先按职责拆成独立模块，每个模块只做一件事：找卡片、扶正卡片、定位格子、判断填涂、计算得分。模块之间用中间图像串联起来，方便随时定位哪一步出了问题。

1.2 OpenCV在这里恰恰是最合适的工具箱

很多人问，“现在我连识别个A选项都要用深度学习吗？”答案是不需要。

作答卡识别本质上是一个高度结构化的几何问题：版式是印好的，题目固定，选项固定，填涂行为发生在固定位置的圆里。OpenCV提供的轮廓检测、透视变换、阈值分割、形态学操作正好覆盖了这些需求，而且处理速度很快。一张普通手机照片，从读入到出结果，纯OpenCV流程大概在200到500毫秒，批量处理时基本没有压力。

深度学习方案的定位是“救火队员”而不是“主力”。比如极端失真有畸变、或者答题卡的印刷标记被人为遮挡，无法通过几何规则定位时，可以考虑用目标检测模型去帮我们把四个定位点找出来，但它并不是日常批改的主流程。还有一个现实问题：深度学习需要构造和标注大量答题卡样本，不同版式的答题卡还得重新收集数据，而OpenCV只需要改几行参数配置。在固定版式的场景里，经典视觉的性价比是碾压级的。

1.3 这套方案的适用边界：哪些输入会让它变难受

必须说清楚这套方案的边界，否则你会拿着它去处理各种奇怪输入，然后骂代码不稳定。

OpenCV方案最舒服的输入是：答题卡印刷版式固定、背景基本干净、手机镜头与纸面夹角不超过45度、光照没有大面积极端反差。在这些条件下，识别准确率做到99%以上完全可行。如果拍照时纸面出现严重折痕、有大面积反光、或者答题卡本身就印满花哨背景，那预处理难度会急剧上升，有些情况确实需要人工介入。

我在项目里给自己定了一条规律：能靠物理设备解决的事情，不丢给算法硬扛。如果现场条件允许，尽量用固定的支架俯拍，用夹子把答题卡压平。与其在后面写一堆对抗透视的代码，不如从一开始就把拍摄角度稳定下来。后面所有模块的稳定性，都建立在“输入别太离谱”的前提下。

2. 扶正答题卡：灰度增强、边缘轮廓与四点透视的实操细节

2.1 预处理参数到底该怎么定

拿到一张彩色原图，很多人上来就是cv2.cvtColor转灰度，然后直接cv2.threshold二值化。这个流程在扫描仪上没问题，但在手机照片上很容易翻车。我这里的标准预处理链路是：灰度→CLAHE增强→高斯模糊→自适应阈值或Canny。

先做灰度化，把三通道变成一通道，降低计算量。然后用CLAHE做局部对比度增强。CLAHE可以理解成把图像按网格切成小块，分别做直方图均衡，避免整张图同一个对比度拉伸后，亮部过曝、暗部仍然看不清。我常用参数是clipLimit=2.0, tileGridSize=(8,8)。

接下来做高斯模糊，核大小取5×5就够了。很多人问模糊会不会把选项边缘糊掉，实际上高斯模糊的主要目的是抑制噪点，如果图像本身比较清晰，你可以把核降到3×3。重点是那个标准差参数，OpenCV里不传时它会根据核大小自动算，一般不要手动调太大。

做完这些，再往下游走就分两条路：一条是Canny边缘检测用来找答题卡边界，另一条是自适应阈值或Otsu二值化用来做选项区域分析。两条路的目的完全不同，参数也得分开调。

2.2 用轮廓逼近定位纸张边界，而不是傻傻找矩形

定位答题卡纸张边界是整条流水线的第一个关键点。经典的思路是：Canny检测边缘后，找所有轮廓，按面积从大到小排序，然后对每个轮廓做多边形逼近，只要逼近结果有四个顶点，就认为它是答题卡的四边形轮廓。

核心代码如下：

import cv2 import numpy as np def preprocess_for_edge(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) gray = clahe.apply(gray) blur = cv2.GaussianBlur(gray, (5, 5), 0) edge = cv2.Canny(blur, 50, 150) # 腐蚀膨胀很关键：把断开的边缘连起来 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) edge = cv2.dilate(edge, kernel, iterations=1) return edge def detect_card_contour(edge): cnts, _ = cv2.findContours(edge, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnts = sorted(cnts, key=cv2.contourArea, reverse=True)[:5] card = None for c in cnts: peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.02 * peri, True) if len(approx) == 4: card = approx.reshape(4, 2).astype("float32") break return card

这里有个容易踩的坑：很多人直接用cv2.boundingRect找矩形，但那是旋转矩形，万一答题卡是歪的，外接矩形会把大量背景也框进来。正确做法是用approxPolyDP做四边形逼近，它能把轮廓近似成最少的多边形顶点，当顶点数为4且面积足够大时，就认为找到了纸张。

为什么在Canny之后要加一次膨胀？因为纸张边缘在自然光下可能断断续续，膨胀能让断掉的线段重新连接成一个闭合轮廓。膨胀次数不要多，一次就够，两次以上容易把旁边物体粘连进来。

还有一个细节：sorted(cnts, key=cv2.contourArea, reverse=True)[:5]只取面积最大的前五个。如果背景里有一张纸的边缘比答题卡还大，就可能误捡，所以后面还要用宽高比做二次过滤。答题卡通常是标准的3:4或1:1.4左右，过滤条件可以写0.7 < w/h < 1.5这类。

2.3 透视校正与坐标统一：后续所有步骤的基础

得到四个角点后，我们要把梯形图像“拉正”成矩形，这一步用的是透视变换，而不是仿射变换。仿射变换只能处理旋转、平移、缩放，它默认变换前后是平行四边形；但实拍的答题卡是梯形，必须用单应矩阵处理。

我习惯把四个角点按“左上、右上、右下、左下”排好序，然后用cv2.getPerspectiveTransform计算变换矩阵，再用cv2.warpPerspective输出正视图。

def order_points(pts): rect = np.zeros((4, 2), dtype="float32") s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] rect[2] = pts[np.argmax(s)] diff = np.diff(pts, axis=1) rect[1] = pts[np.argmin(diff)] rect[3] = pts[np.argmax(diff)] return rect def warp_card(image, pts): rect = order_points(pts) (tl, tr, br, bl) = rect width = 600 height = 800 dst = np.array([[0, 0], [width - 1, 0], [width - 1, height - 1], [0, height - 1]], dtype="float32") M = cv2.getPerspectiveTransform(rect, dst) warped = cv2.warpPerspective(image, M, (width, height)) return warped

这里的600×800不是随便拍的。它既要保留足够分辨率让选项圆清晰，又不能太大导致后续处理变慢。以手机原图2000×1500为例，映射到600×800后，每个选项圆的直径一般还有25到35像素，完全够用。如果分辨率再小，比如300×400，圆可能只剩十几个像素，阈值稍微偏差就会误判。

透视校正完成后，所有后续处理都在这张正视图上进行。此时“哪个选项在哪个位置”变成了一组固定的坐标关系，程序就不需要每次都在歪着的图上重新猜测，稳定性直接上一个台阶。

2.4 如果纸张边缘根本找不到，就改用印刷标记

有些实拍图里，答题卡的边缘和背景桌面颜色太接近，Canny后根本得不到闭合四边形。这时候就别死磕纸张边缘了，更稳妥的做法是依靠答题卡上印好的定位标记。

常见的印刷定位标记有几种：四个角的黑色直角块、顶部的条形码区、或者边线上的黑色粗短横线。我们在自己用的模拟答题卡上，四个角各印了一个实心黑色正方形。定位逻辑变成：先二值化，再用轮廓检测找到这些黑色方块，每个方块中心作为固定坐标点。

用印刷标记的好处是定位不受背景干扰，因为黑色方块在整张图中足够独特。找到四个黑色方块中心后，依然按左上、右上、右下、左下排序，然后做透视校正。这样即使纸张边缘和背景完全融为一体，只要答题卡本身可见，就能稳定扶正。

3. 选项网格定位：投影聚簇、轮廓筛选与动态分列的三条路线

3.1 二值化之后，先把“题号行”找出来

透视校正后，我们拿到一张干净的正视图。接下来要做的，是把每个题目对应的五个选项圆精确找出来。

我的处理习惯是先用Otsu二值化把图变成黑白。cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)，注意这里用了INV反转，让填涂的黑色笔迹变成白色前景。Otsu会自动计算全图最优阈值，比固定阈值要鲁棒得多。

题目行的核心思路是“水平投影聚簇”。对二值图逐行统计白色像素数量，画成一行直方图。选项圆会在其所在行的范围内形成明显的白色像素高峰，题号数字和题干文字也会形成高峰。但不同区域高度不一样，我们要先裁剪出纯选项区，排除标题区和题干区，减少干扰。

平时我通过配置指定“只处理试卷中部的选项区域”，比如roi = warped[200:700, 50:550]。在这个ROI中，每个题目行的峰都比较独立，两题之间会有明显的低谷。把连续的高峰段合并成一个簇，每个簇的中心就是这一题的y坐标，然后沿竖直方向排序，就得到了所有题号行的垂直位置。

3.2 轮廓筛选能找到圆圈，但别把它当唯一依据

很多现成的OpenCV例程会直接对每个轮廓做外接矩形，然后按宽高比和面积筛出选项圆。这种方法在扫描件上很漂亮，因为扫描件里的圆个个整齐。但在手机照片里，铅笔涂卡经常出现连笔、飞白，甚至整片涂出圆外，当你用findContours时，两个相邻选项可能在同一个轮廓里连成一坨大块图形，宽度和面积都远超正常圆，反而被过滤掉。

所以我的流程是“两条腿走路”：先用轮廓筛选快速验证，再把投影法当成主力。轮廓筛选主要负责早期调试时可视化确认，而最终填涂判定的坐标网格，来自投影法得到的行列划分。

投影法不关心单个圆是否闭合，它只统计“这一行有没有白色像素”，即使两个圆被涂满连在一起，行投影依然会形成一个峰，列投影依然能看到两个相邻峰的间距，只是峰之间的低谷变浅了。只要选项间距设计合理，连体笔画不至于把五列完全融合成一个峰，都能正常分离。

3.3 x坐标聚类替代固定列切分：适配铅笔涂出的连笔

拿到每个题目行的y坐标后，下一步就是对每一行做垂直投影，把五个选项圆在x方向上的位置找出来。

垂直投影同样统计白色像素数量，得到的波形在x轴上会有五个峰，对应A、B、C、D、E五个选项。理论很简单，实际有一个关键点：选项间距可能不是绝对均匀的，尤其当答题卡被打印拉伸或者印刷偏差时，固定宽度切分容易错位。

所以我采用“x坐标聚类”而不是“固定列宽切分”。把每行中所有白色像素的x坐标收集起来，用简单的一维聚类，找到最大的五个簇中心。具体可以用cv2.findContours先拿到该行内所有白色连通域，然后对每个连通域计算外接矩形的中心x坐标，再把这些中心x坐标排序，邻近的合并成一个簇。簇内点的x坐标均值就是该选项的x中心。

4. 填涂状态判定与打分逻辑：阈值、圆形掩膜与异常策略

4.1 “涂没涂”的判断标准：填充比值与圆形ROI

定位好网格后，真正给每个选项打分就简单了。我们不是去识别“A”还是“B”这个字母，而是判断“这个圆里有没有被涂填”。把某个选项周围的矩形区域裁剪出来，统计其中白色像素占整个区域面积的比例，比例超过阈值就认为被涂了。

但直接统计矩形区域有个陷阱：矩形四角会扫到相邻选项的边甚至题号数字。为了只聚焦在选项圆内部，我更推荐用圆形掩膜。以一个选项中心为圆心，取该选项圆可见半径的70%做个中空或实心的圆形蒙版，然后只统计蒙版区域内的白色像素占比。

def circle_fill_ratio(binary_img, center, radius, inner_ratio=0.75): h, w = binary_img.shape[:2] mask = np.zeros((h, w), dtype=np.uint8) cv2.circle(mask, center, int(radius * inner_ratio), 255, -1) total = cv2.countNonZero(mask) region = cv2.bitwise_and(binary_img, binary_img, mask=mask) filled = cv2.countNonZero(region) return filled / total if total > 0 else 0.0

阈值取多少？我常用0.25到0.35之间。完全没涂的圆，圆圈边框本身会给中心区域留下一些噪声，但占比一般低于10%。涂得很浅的铅笔印，占比也可能只有20%左右，所以阈值低于0.25容易把没涂的判成涂了，高于0.35又会漏掉浅涂卡。我自己最终固定在0.3，然后用“可疑区间”做双保险：比例在0.2到0.3之间的选项标为“弱涂”，交人工复核。

4.2 单选、多选与漏涂误涂的计分规则

填涂判定完成后，每个题目会得到一个或多个被涂选项。打分逻辑该单独写一个模块，不要在图像处理代码里顺手算分。

比如某道题的正确答案是“B”，学生涂了“B”，那么这题得分。如果学生涂了“B”又涂了“C”，这属于单选中的多涂，按异常处理而不是默认给分。对于多选题，假设答案是“ACD”，学生同时涂了“ACD”才算全对；按严格规则，只要缺少任何一个正确项或者多涂任何一个错误项，就不得分。

实际代码里会先收集每个题目的选中集合，再和标准答案字符串做比对。答案用集合存储，这样顺序无所谓，有利于处理多选题。

4.3 学号信息和成绩汇总的处理思路

答题卡上通常还有学号涂卡栏，其实就是一组按数字列排列的小圆，一行代表0到9十个数字。我们可以复用同一个网格检测代码：先按行列投影找到学号栏的各个圆，再对每个数字圆计算填充比例，填充比例最高的数字就是这一位学号。

如果学号区域是手写数字，那OpenCV本身不擅长识别，需要引入额外的OCR库，或者只把区域截图存下来由人工核对。项目里当时为了控制复杂度，学号用的就是涂卡方式，所以纯OpenCV就搞定了。如果你需要处理手写学号，建议先跑通客观题识别，再单独加一层OCR管线，不要把两件事混在一起调。

成绩汇总建议直接输出CSV，字段包含学号、姓名、每题对错、总分。命名时注意用学号作为主键，同一学生多张答题卡可以按时间或答题卡类型分列，避免覆盖。

5. 真实场景踩坑：光照不均、铅笔深浅、涂改残留与拍歪

5.1 固定阈值翻车的三个例子

我最早写第一版足有两天在跟固定阈值较劲。当时代码里写死cv2.threshold(gray, 127, 255, ...)，结果一张室外窗边拍的答题卡，左侧被阳光照得发白，右侧被阴影压得发暗，阈值127在亮区还能勉强看到圆，在暗区几乎全黑，整张卡的选项一个都认不出来。

第二个翻车场景是答题卡纸本身偏黄。同样阈值127，白纸和黄纸的灰度分布差一大截，阈值没跟着变，黄纸上的选项圆被判定成了背景。

第三个翻车场景是铅笔颜色太浅。很多学生用HB铅笔答题，笔迹灰度大约在180左右，固定阈值127硬生生把浅笔迹当成了背景。换成Otsu自适应阈值后，系统会根据整张图的灰度分布自动找分割点，这三类问题的发作概率立刻小了很多。如果你的图中光照分布特别不均匀，还可以用自适应阈值cv2.adaptiveThreshold，它会基于邻域灰度动态算阈值，处理阴影效果更好。

5.2 铅笔浅涂和橡皮残留的对抗方法

铅笔浅涂是最隐蔽的坑。学生在选项圆里轻轻扫了几笔，视觉上能看到轮廓，但二值化后白色像素占比只有25%左右，差点低于阈值被判成漏涂。

我的应对手段有三招。第一招，二值化前对ROI做一次局部对比度增强，让铅笔印和纸张背景的差距拉大。第二招，判定阈值不要定死，用Otsu算出的实际阈值做一个归一化，再和固定阈值结合。第三招，对二值图做一次闭运算，闭运算可以填充铅笔印内部的细小空白，把浅涂区域连成片。

橡皮残留则是另一个极端。学生擦得不够干净，残留的轻度石墨颗粒会让原本空白的圆圈里出现零散的白色噪点，占比直接超过阈值。这里圆形掩膜的裁剪范围不是全圆，而是圆中心区域的70%，能把绝大部分边框残留和边缘脏污排除在外。如果还误判，我会把判定条件从“平均占比超过阈值”改成“中心区域最大连通域面积超过阈值”，这是更严格的一种策略。

5.3 倾斜、透视和反光：手机实拍逃不开的物理限制

手机实拍最大问题是三维倾斜。有些同学拍照时手一抖，纸面会变成很夸张的梯形甚至平行四边形，透视校正能把平面旋转纠正过来，但纠正不了景深方向上因为纸面弯曲造成的畸变。纸面越平，校正后各选项的位置误差越小；纸面拱起来时，校正图靠近中间和边缘的宽度会失真，选项坐标也跟着偏移。

反光问题也常见，尤其答题卡表面覆了哑膜之后。反光区域会在图像中形成一片高亮白色，严重时二值化后整片区域都是白色前景，把选项圆淹没。这时候单纯调阈值没用，最好在拍照时用偏振膜或换个光源方向；如果没有条件，只能把那道题标记为异常，让审核人员复核。

姿态问题我建议从流程上规避：把答题卡放进一个带固定卡位的硬底板，用40到50厘米高的支架俯拍。物理固定之后，透视变换矩阵的变化范围非常小，稳定性大幅提升。这个经验后来帮我们减少了大量无效调试时间。

5.4 一个只改一个变量、死磕中间图的调优套路

许多人调参失败是因为同时改了五六个变量，一旦效果变差，根本不知道是哪个环节导致的。我后期的调优方法是“一次只改一个变量，每改一次就保存所有中间结果”。

比如怀疑阈值过高导致漏涂，那就只调阈值从0.3降到0.25，然后重新跑全部测试图，对比每个选项圆形掩膜的填充比值，看分布是不是明显分成了两个簇。如果还是重叠，再调下一个变量，比如闭运算的核大小。每一个中间步骤的图像都要能单独保存：原图、灰度图、边缘图、校正图、二值图、网格图、填涂标记图。这样排查错误的时候，直接看哪一步的中间输出不对，就知道该改哪里。这个习惯帮我少走了很多弯路。

6. 从Demo到稳定落地：可视化调试、参数配置与最小回归集

6.1 每一步都留图的调试习惯

我在项目里规定，识别程序必须有一个debug_dir参数，打开后会把所有中间步骤输出成图片。这个习惯一开始看起来浪费时间，等到真出现问题，就像有了一整条线索链。

举个例子，有一次某张卡的红笔写的姓名被当成了答题区前景，导致行投影出现一个诡异的峰。如果没有中间图，只能对着结果瞎猜。有了每一阶段的图，一眼就能看到是“姓名笔迹在二值化后进入了选项区域”。解法也很简单：在透视校正后先用ROI把姓名区域裁掉，只对选项区计算投影。

6.2 把答题卡参数写进配置文件，换版式不动代码

不同学校的答题卡版式差异很大：有的题目20题，有的30题；有的每行5个选项，有的6个；有的学号区在右上角，有的在左侧。如果这些信息全部硬编码，换一张版式就要改代码，非常痛苦。

我把版式参数抽成了配置，用一个YAML或者JSON文件描述：

config = { "card": { "width": 600, "height": 800, "option_rows": 20, "options_per_row": 5, "option_radius": 14, "region": [180, 620, 30, 570], "fill_threshold": 0.3, "weak_threshold": 0.2 } }

识别代码启动时读取配置，所有的ROI、网格、半径都从配置计算，而不是从常量计算。这样即使换了一种答题卡，也只需要按照新版式改配置文件，图像处理核心代码一行不动。用这种方法，我们后来接第二第三种答题卡版式时，只花了一个下午。

6.3 批量批改的异常队列与质量评估

批量处理时，除了成绩，还必须输出一个“异常卡队列”。只要出现以下情况之一，这张卡就标记成异常：多涂选项数量异常、检测不到定位标记、透视校正失败、得分低于某个明显可疑的下限。异常卡不要直接判0分，而是单独存到文件夹，供人工人工复核。

质量评估用测试集说话。收集至少20到30张真实手机拍摄的答题卡，覆盖正常、偏亮、偏暗、倾斜、有阴影、浅涂、橡皮残留等场景。每张卡人工标注标准答案和填涂情况，跑一遍完整流程，统计正确率、漏检率、误检率。以后每调整一次参数，都跑一遍这个最小回归集。只要回归集的准确率不下降，参数改动就可以接受。

这里我特别想提一个工程态度：识别程序不该追求“所有卡都能自动判”，而是要诚实地告诉使用者哪些卡我有把握、哪些卡我不敢判。宁可把可疑卡挑出来给人看，也不能让系统把错误答案当成正确答案送进成绩单。

这是我在多次实际批改项目里最深的体会。答题卡识别看起来是一个视觉问题，做到后面更像一个可靠性工程问题。先把输入管好，把流程拆开，把每个阶段可视化，再用回归集守住准确率，这个项目就真正落地了。