In spite of the high accuracy of the existing optical mark reading (OMR) systems and devices, a few restrictions remain existent. In this work, we aim to reduce the restrictions of multiple-choice questions (MCQ) within tests. We use an image registration technique to extract the answer boxes from answer sheets. Unlike other systems that rely on simple image processing steps to recognize the extracted answer boxes, we address the problem from another perspective by training a machine learning classifier to recognize the class of each answer box (i.e., confirmed, crossed out or blank answer). This gives us the ability to deal with a variety of shading and mark patterns, and distinguish between chosen (i.e., confirmed) and canceled answers (i.e., crossed out). All existing machine learning techniques require a large number of examples in order to train a model for classification; therefore, we present a dataset including six real MCQ assessments with different answer sheet templates. We evaluate two strategies of classification: a straightforward approach and a two-stage classifier approach. We test two handcrafted feature methods and a convolutional neural network. At the end, we present an easy-to-use graphical user interface of the proposed system. Compared with existing OMR systems, the proposed system has the least constraints and achieves a high accuracy. We believe that the presented work will further direct the development of OMR systems toward reducing the restrictions of the MCQ tests.

中文翻译：

---

使用图像分类技术在基于多项选择的测试中实现更高的灵活性

尽管现有的光学标记读取（OMR）系统和设备具有很高的精度，但仍然存在一些限制。在这项工作中，我们旨在减少测试中多项选择题（MCQ）的限制。我们使用图像配准技术从答题纸中提取答案框。与依赖于简单图像处理步骤来识别提取的答案框的其他系统不同，我们从另一个角度通过训练机器学习分类器来识别每个答案框的类别（即，已确认，划掉或空白的答案）来解决该问题。这使我们能够处理各种阴影和标记图案，并区分选择的（即确认的）和取消的答案（即划掉的）。所有现有的机器学习技术都需要大量示例，以训练模型进行分类。因此，我们提供了一个数据集，其中包括六个具有不同答案纸模板的真实MCQ评估。我们评估两种分类策略：直接方法和两阶段分类器方法。我们测试了两个手工制作的特征方法和一个卷积神经网络。最后，我们介绍了所提出系统的易于使用的图形用户界面。与现有的OMR系统相比，所提出的系统具有最少的约束并且实现了高精度。我们相信，目前的工作将进一步指导OMR系统的开发，以减少MCQ测试的限制。我们提供了一个数据集，其中包括六个具有不同答案纸模板的真实MCQ评估。我们评估两种分类策略：直接方法和两阶段分类器方法。我们测试了两个手工制作的特征方法和一个卷积神经网络。最后，我们介绍了所提出系统的易于使用的图形用户界面。与现有的OMR系统相比，所提出的系统具有最少的约束并且实现了高精度。我们相信，目前的工作将进一步指导OMR系统的开发，以减少MCQ测试的限制。我们提供了一个数据集，其中包括六个具有不同答案纸模板的真实MCQ评估。我们评估两种分类策略：直接方法和两阶段分类器方法。我们测试了两个手工制作的特征方法和一个卷积神经网络。最后，我们介绍了所提出系统的易于使用的图形用户界面。与现有的OMR系统相比，所提出的系统具有最少的约束并且实现了高精度。我们相信，目前的工作将进一步指导OMR系统的开发，以减少MCQ测试的限制。我们提出了所提出系统的易于使用的图形用户界面。与现有的OMR系统相比，所提出的系统具有最少的约束并且实现了高精度。我们相信，目前的工作将进一步指导OMR系统的开发，以减少MCQ测试的限制。我们提出了所提出系统的易于使用的图形用户界面。与现有的OMR系统相比，所提出的系统具有最少的约束并且实现了高精度。我们相信，目前的工作将进一步指导OMR系统的开发，以减少MCQ测试的限制。