1.一种复杂场景下的试卷分割算法，其特征在于，其步骤为：

1)由原始图像通过灰度变换以及边缘检测算法得到图像边缘；

2)通过图像边缘计算连通区域以及其外接矩形；

3)根据不同连通区域外接矩形的IOU合并连通区域；

4)基于卷积神经网络构建字符判别模型，指导连通区域合并，合并后连通区域外接矩形分割字符区域；

5)利用步骤4)分割结果，通过文本线构造法分割文本行区域；

6)基于卷积神经网络构建题号判别模型，结合步骤5)分割结果分割试题区域。

2.根据权利要求1所述的一种复杂场景下的试卷分割算法，其特征在于：所述的步骤1)中，具体方法为：

1.1)将原始图像O通过颜色图像空间转换为灰度图像G；

1.2)通过边缘检测算法提取G的图像边缘E。

3.根据权利要求1所述的一种复杂场景下的试卷分割算法，其特征在于：所述的步骤2)中，具体方法为：

2.1)提取E的连通区域集A，其中A由n个小连通区域Ai组成，即A＝{Ai},i∈[1,n]，且当i≠j时Ai≠Aj；

2.2)计算Ai的外接矩形Di，记作Di＝F(Ai)，其中Di＝(Xi,Yi,Wi,Hi)，Xi,Yi,Wi,Hi分别表示Di左上顶点横坐标、左上顶点纵坐标、Di的宽度、Di的高度。

4.根据权利要求1所述的一种复杂场景下的试卷分割算法，其特征在于：所述的步骤3)中，具体方法为：

3.1)计算Di与Dj的IOU，其中Dj∈{Di|i∈[1,n],i≠j}；

3.2)设置阀值α，如果IOU＞α，则Di←F(Ai∪Aj)且D←D-{Dj}。

5.根据权利要求1所述的一种复杂场景下的试卷分割算法，其特征在于：所述的步骤4)中，具体方法为：

4.1)通过卷积神经网络构建二分类字符判别模型M1；

4.2)M1判别结果

4.3)设置参数β，

如果R1＝M1(Di)＝0且K＝{Aj|j∈[1,n],i≠j,Di与Dj中心距离＜β}，则计算R'1＝M1(F(Ai∪K))；

我中K为：与元素Ai外接矩形Di中心距离<β的元素Aj的集合；

如果R'1＝0,则D←D-{Di}，否则Di←F(Ai∪K)且D←D-K。

6.根据权利要求1所述的一种复杂场景下的试卷分割算法，其特征在于：所述的步骤5)中，具体方法为：

5.1)D中每两个相近的元素Di与Dj形成一组，合并不同组直到无法合并为止，将合并结果记为L，即L←D；

5.2)设置参数γ和δ，Di与Dj形成一组需要DiΘDj且DjΘDi成立，其中DiΘDj需要满足：①Di是D中距离Dj最小元素，且距离小于γ，②Di和Dj的垂直重合度大于δ。

7.根据权利要求1所述的一种复杂场景下的试卷分割算法，其特征在于：所述的步骤6)中，具体方法为：

6.1)通过卷积神经网络构建二分类题号判别模型M2；

6.2)M2判别结果

6.3)按照Yi由小到大排序，以(Xi,Yi)为左上顶点，取Hi×Hi大小矩形区域记为Ti，计算R2＝M2(Ti)，如果R2＝1，则合并{Lk|k∈[1,i-1]}且L←L-{Lk|k∈[1,i-1]}，合并结果记为Q。