[发明专利]基于眼部图像识别弱视的方法及系统

说明书

本发明公开了一种基于眼部图像识别弱视的方法及系统，从获取的脸部图像中获取眼部区域图像；使用第一卷积神经网络对眼部区域图像提取特征，运算出眼部位置，使用第二卷积神经网络对眼部区域图像提取特征，得到特征图，并根据得到的眼部位置从特征图中获取眼部特征；对获得的眼部特征进行反卷积处理，使用第三卷积神经网络对反卷积处理得到的图像提取特征，运算出瞳孔位置，使用第四卷积神经网络对反卷积处理得到的图像提取特征，得到该图像的特征图，并根据得到的瞳孔位置从该图像中获取瞳孔特征；根据获得的瞳孔特征运算出眼部是否有弱视问题的结果。本发明方法及系统从脸部图像中提取出眼部瞳孔特征，根据眼部瞳孔特征判断眼部是否有弱视问题。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种基于眼部图像识别弱视的方法及系统。

背景技术

弱视是指视觉发育期内由于单眼斜视、屈光参差、高度屈光不正以及形觉剥夺等异常视觉经验，而导致单眼或者双眼最佳矫正视力低于相应年龄正常儿童的眼部问题，弱视不同于近视、远视或者散光等眼部疾病，存在弱视问题眼球没有明显的器质性病变，是一种难以判断的眼部疾病。鉴于此，提出一种能够识别眼部弱视的方法，就成为本领域技术人员需要考虑和解决的技术问题。

发明内容

本发明的目的是提供一种基于眼部图像识别弱视的方法及系统，实现了根据眼部图像识别出弱视问题。

为实现上述目的，本发明提供如下技术方案：

一种基于眼部图像识别弱视的方法，包括：

从获取的脸部图像中获取眼部区域图像；

使用第一卷积神经网络对所述眼部区域图像提取特征，运算出眼部位置，使用第二卷积神经网络对所述眼部区域图像提取特征，得到所述眼部区域图像的特征图，并根据得到的眼部位置从所述特征图中获取眼部特征；

对获得的眼部特征进行反卷积处理，使用第三卷积神经网络对反卷积处理得到的图像提取特征，运算出瞳孔位置，使用第四卷积神经网络对反卷积处理得到的图像提取特征，得到该图像的特征图，并根据得到的瞳孔位置从该图像中获取瞳孔特征；

根据获得的瞳孔特征运算出眼部是否有弱视问题的结果。

优选的，使用依次级联的第五卷积神经网络、第六卷积神经网络和第七卷积神经网络对所述脸部图像处理，从所述脸部图像中获取眼部区域图像；

所述第五卷积神经网络用于对所述脸部图像运算处理，根据所述脸部图像计算出一系列将脸部框出的边界框以及一系列将眼部框出的边界框；

所述第六卷积神经网络用于对所述脸部图像运算处理，根据所述第五卷积神经网络输出的一系列将脸部框出的边界框筛选出更准确的将脸部框出的边界框，根据所述第五卷积神经网络输出的一系列将眼部框出的边界框筛选出更准确的将眼部框出的边界框；

所述第七卷积神经网络用于对所述脸部图像运算处理，根据所述第六卷积神经网络输出的一系列将脸部框出的边界框筛选出更准确的将脸部框出的边界框，根据所述第六卷积神经网络输出的一系列将眼部框出的边界框筛选出更准确的将眼部框出的边界框。

优选的，所述第五卷积神经网络具体用于根据边界框的回归值对获得的边界框进行校准，和/或使用非极大值抑制法合并重叠的边界框；

所述第六卷积神经网络具体用于根据边界框的回归值对获得的边界框进行校准，和/或使用非极大值抑制法合并重叠的边界框；

所述第七卷积神经网络具体用于根据边界框的回归值对获得的边界框进行校准，和/或使用非极大值抑制法合并重叠的边界框。

优选的，根据获得的瞳孔特征运算出眼部是否有弱视问题的结果包括：将获得的瞳孔特征输入到预先训练好的分类器内，由所述分类器输出眼部是否有弱视问题的结果。