【技术实现步骤摘要】
基于视频的深度神经网络回归模型的斜视判别方法及系统
本专利技术涉及斜视判别
,具体涉及基于视频的深度神经网络回归模型的斜视判别方法及系统。
技术介绍
斜视是儿童常见眼部疾病之一,具体表现为双眼不能同时注视目标,其患病率居于常见儿童眼病第三位。据分析,学龄前儿童是眼部疾病高发群体,斜视就是在人出生后不同年龄阶段逐渐展示出来,虽因类型不同而在年龄段上有所区别,但仍是以儿童时期为主。同时儿童时期也是治疗斜视等眼部疾病的黄金时期,2岁儿童已具备配合眼部检查与纠正的能力,通过早期干预性治疗,将大大提高治疗眼病的效果。相反,如果不能及时得到治疗,可能导致视觉障碍和外观异常,引起复视、混淆视与弱视等并发症,并在心理上引起儿童低自尊感、自卑、社交障碍等性格缺陷,从而严重影响其生存质量。当前斜视筛查方法仍以传统方法为主,如角膜映光法、视野计检查法、交替遮盖法、单眼遮盖-去遮盖法、双Maddox杆试验法等,而传统医学方法由于小儿眼科医生紧缺、另外儿童的眼球处于动态发育状态,需要多次检查随访才能准确诊断,又因儿童的配合度差完成眼科检查具有一定难度。在计算机视觉已发展成一门学科,技术越来越成熟的当下,逐渐出现了基于图像处理的筛查方法,此方法往往需要借助各种硬件设备,常见的有眼瞬息图像筛查仪,眼底照相机,红外灯照相机,裂隙灯照相机,眼瞳摄像机等。基于图像处理的筛查方法基本是通过眼瞬息图像筛查仪得到眼部角膜图像后,经过边缘检测等图像处理方法后得到瞳孔与角膜的定位与特征参数数据,再基于角膜映光法的判断条件进行图像分析与处理。 ...
【技术保护点】
1.基于视频的深度神经网络回归模型的斜视判别方法,其特征在于,包括以下步骤:/n步骤1:获取人脸图片样本;/n步骤2:根据所述人脸图片样本获取双眼眼周关键点坐标数据集和眼部图片样本;/n步骤3:根据所述眼部图片样本利用瞳孔中心标注工具获取双眼的瞳孔检测数据集;/n步骤4:根据所述瞳孔检测数据集建立深度神经网络回归模型,并利用所述深度神经网络回归模型计算得到瞳孔中心相对坐标数据集;/n步骤5:将所述眼部图片样本映射回所述人脸图片样本中,获得瞳孔中心实际坐标数据集;/n步骤6:计算步骤2所述的关键点坐标数据集相对于所述步骤5所述的瞳孔中心实际坐标数据集之间的欧式距离,得到双眼特征向量集合,并将所述双眼特征向量集合用特征向量A和特征向量B表示;/n步骤7:将所述特征向量A和特征向量B合并为特征向量C,作为所述步骤1所述的人脸图片样本的特征向量集;/n步骤8:对所述特征向量C进行降维处理,得到低维的特征向量C1;/n步骤9:建立数据集分类模型,将所述特征向量C1代入所述数据分类模型计算得出分类结果,根据所述分类结果对正常人和斜视患者进行判别。/n
【技术特征摘要】
1.基于视频的深度神经网络回归模型的斜视判别方法,其特征在于,包括以下步骤:
步骤1:获取人脸图片样本;
步骤2:根据所述人脸图片样本获取双眼眼周关键点坐标数据集和眼部图片样本;
步骤3:根据所述眼部图片样本利用瞳孔中心标注工具获取双眼的瞳孔检测数据集;
步骤4:根据所述瞳孔检测数据集建立深度神经网络回归模型,并利用所述深度神经网络回归模型计算得到瞳孔中心相对坐标数据集;
步骤5:将所述眼部图片样本映射回所述人脸图片样本中,获得瞳孔中心实际坐标数据集;
步骤6:计算步骤2所述的关键点坐标数据集相对于所述步骤5所述的瞳孔中心实际坐标数据集之间的欧式距离,得到双眼特征向量集合,并将所述双眼特征向量集合用特征向量A和特征向量B表示;
步骤7:将所述特征向量A和特征向量B合并为特征向量C,作为所述步骤1所述的人脸图片样本的特征向量集;
步骤8:对所述特征向量C进行降维处理,得到低维的特征向量C1;
步骤9:建立数据集分类模型,将所述特征向量C1代入所述数据分类模型计算得出分类结果,根据所述分类结果对正常人和斜视患者进行判别。
2.根据权利要求1所述的基于视频的深度神经网络回归模型的斜视判别方法,其特征在于,所述步骤1所述获取人脸图片样本的方法为:
步骤1.1:利用普通的可移动拍摄工具拍摄获取多个人脸视频;
步骤1.2:对所述多个人脸视频进行视频帧提取,得到人脸图片样本。
3.根据权利要求1或2所述的基于视频的深度神经网络回归模型的斜视判别方法,其特征在于,所述步骤2所述双眼眼周关键点坐标数据集和眼部图片样本的获取方法为:
步骤2.1:针对所述人脸图片样本,利用人脸检测算法得到人脸关键点坐标数据集,并根据所述人脸坐关键点标数据集建立人脸坐标系;
步骤2.2:根据所述人脸关键点坐标数据集对双眼进行关键点定位,得到双眼眼周的关键点坐标数据集;
步骤2.3:根据所述双眼眼周关键点坐标数据集,从所述人脸图片样本中提取出双眼的眼部图片样本。
4.根据权利要求1所述的基于视频的深度神经网络回归模型的斜视判别方法,其特征在于,在所述步骤3之前,对所述眼部图片样本进行标准化处理,使所述眼部图片样本中的每张图片具有统一的尺寸,得到标准化眼部图片样本;并记录所述标准化眼部图片样本中每张图片的缩放比例。
5.根据权利要求1所述的基于视频的深度神经网络回归模型的斜视判别方法,其特征在于,所述步骤4所述深度神经网络回归模型的建立方法为:
步骤4.1:根据所述瞳孔检测数据集建立初始深度神经网络回归模型;
步骤4.2:将所述瞳孔检测数据集对应的眼部图片样本转化为用张量集表示,得到图像张量集;
步骤4.3:将所述图像张量集和所述图像张量集对应的标注数据输入所述初始深度神经网络回归模型进行训练,计算得到模型参数;将所述模型参数代入所述初始深度神经网络回归初始化模型,得到最终的深度神经网络回归模型。
6.根据权利要求5所述的基于视频的深度神经网络回归模型的斜视判别方法,其特征在于,所述步骤4所述瞳孔中心相对坐标数据集的获取方法为:将所述步骤2所述的眼部图像样本转换为张量后输入所述深度神经网络回归模型中,计算得到瞳孔中心相对坐标数据集。
7.根据...
【专利技术属性】
技术研发人员:米建勋,张寒梅,陈涛,向菲,钱基业,江金洋,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。