申请/专利权人：浙江大学

申请日：2021-01-12

公开（公告）日：2024-03-29

公开（公告）号：CN112837805B

主分类号：G16H50/20

分类号：G16H50/20;G06V40/18;G06V10/28;G06V10/82;G06V10/762;G06N3/0464;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.06.11#实质审查的生效;2021.05.25#公开

摘要：本发明公开了一种基于深度学习的眼睑拓扑形态特征的提取方法。具体为：采集正常人的电子数码照片，对电子数码照片进行处理后构建ROI图像训练集，将ROI图像训练集输入待训练的卷积神经网络中得到训练好的卷积神经网络；对待测的电子数码照片使用面部识别方法定位眼部感兴趣区域位置ROI，获得待测的ROI区域图像，将待测的ROI区域图像输入训练后的卷积神经网络输出带有眼睑轮廓线和角膜轮廓线图像，确定待测的电子数码照片的圆形比例尺、瞳孔中心，提取单眼的眼睑拓扑形态特征。本发明使用卷积神经网络对眼睑及角膜结构进行分割，并使用MeanShift聚类确定瞳孔中心后进行眼睑相关结构参数自动化计算，获得与手动测量相当的准确度。

主权项：1.一种基于深度学习的眼睑拓扑形态特征的提取方法，其特征在于：包括以下步骤：步骤1：采集正常人的电子数码照片，由电子数码照片组成面部照片数据集；步骤2：对标注眼睑轮廓线和角膜轮廓线的电子数码照片进行处理获得二值分割图像，由所有电子数码照片的二值分割图像组成二值分割图像数据集；步骤3：对二值分割图像数据集中的二值分割图像使用面部识别方法定位眼部感兴趣区域位置，获得二值分割图像的ROI区域二值分割图像，由所有二值分割图像的ROI区域二值分割图像组成ROI图像训练集；步骤4：构建基于AGN的卷积神经网络；步骤5：将步骤3获得的ROI图像训练集输入步骤4的卷积神经网络，获得训练后的卷积神经网络；步骤6：对待测的电子数码照片使用面部识别方法定位眼部感兴趣区域位置，获得待测的ROI区域图像，将待测的ROI区域图像输入训练后的卷积神经网络，训练后的卷积神经网络输出每个像素点为角膜、眼睑和背景的分类概率，根据预设阈值判断每个像素点的分类概率，将每个像素点进行分类，由各类像素点分类后组成待测的ROI区域图像的角膜区域、眼睑区域和背景区域，最终输出带有眼睑轮廓线和角膜轮廓线图像；步骤7：重复若干次随机选取带有眼睑轮廓线和角膜轮廓线图像中角膜轮廓线的三个像素点并拟合三个像素点所在圆的圆心，对多次拟合获得的圆心使用聚类方法确定聚类中心，将聚类中心作为瞳孔中心；步骤8：步骤6中的待测的电子数码照片的额头处贴有圆标，在HSV颜色空间中使用霍夫编码方法检测圆标，通过计算获得圆形比例尺；步骤9：利用步骤8获得的圆形比例尺和步骤7定位的瞳孔中心对步骤6获得的带有眼睑轮廓线和角膜轮廓线图像进行计算，获得单眼的上睑边缘反射距离MRD1、下睑边缘发射距离MRD2、睑裂大小PF、上睑长度、下睑长度、角膜区、鼻侧区和颞侧区面积，由上睑边缘反射距离MRD1、下睑边缘发射距离MRD2、睑裂大小PF、上睑长度、下睑长度、角膜区、鼻侧区和颞侧区面积组成眼睑拓扑形态特征。

全文数据：

权利要求：

百度查询： 浙江大学 基于深度学习的眼睑拓扑形态特征的提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD