CN111084606A - 基于图像识别的视力检测方法、装置、及计算机设备 - Google Patents
基于图像识别的视力检测方法、装置、及计算机设备 Download PDFInfo
- Publication number
- CN111084606A CN111084606A CN201910969805.XA CN201910969805A CN111084606A CN 111084606 A CN111084606 A CN 111084606A CN 201910969805 A CN201910969805 A CN 201910969805A CN 111084606 A CN111084606 A CN 111084606A
- Authority
- CN
- China
- Prior art keywords
- current
- value
- vision
- user
- pixel point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004438 eyesight Effects 0.000 title claims abstract description 192
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000003708 edge detection Methods 0.000 claims description 30
- 230000000007 visual effect Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 25
- 230000001629 suppression Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 3
- 210000003128 head Anatomy 0.000 description 52
- 238000012545 processing Methods 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 210000001508 eye Anatomy 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Ophthalmology & Optometry (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于图像识别的视力检测方法、装置、计算机设备及存储介质。该方法包括获取当前用户人脸图像中的头部长度或是头部宽度;根据头部长度或是头部宽度与标准摄像头矩形框的对应边长之比,以获取用户与屏幕之间的当前间距值;根据当前间距值,及调用间距值与视力映射关系表,以获取对应的当前用户视力值;根据当前用户视力值及已存储的用户历史视力值集合中满足预设的筛选条件的历史视力值集合,对应构建视力曲线;将视力曲线发送至用户端以进行显示。该方法实现了使用带有前置摄像头的智能终端时自动周期性采集用户人脸图像以检测用户视力,还可自动生成视力曲线,不仅提高了检测效率,而且获取了海量的检测数据以供数据分析使用。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于图像识别的视力检测方法、装置、计算机设备及存储介质。
背景技术
人眼看清外界事物是基于凸透镜成像原理,正常视力眼球晶体所成景物图像恰好落在视网膜上,使得人能够清晰的可看到景物。
目前,在检测视力时,通常采用检测者观看视力表的方式进行测试,无法通过智能终端进行周期性的检测,导致检测效率低,而且所获取的检测数据有限。
发明内容
本发明实施例提供了一种基于图像识别的视力检测方法、装置、计算机设备及存储介质,旨在解决现有技术中通检测视力时,通常采用检测者观看视力表的方式进行测试,无法通过智能终端进行周期性的检测,导致检测效率低,而且所获取的检测数据有限的问题。
第一方面,本发明实施例提供了一种基于图像识别的视力检测方法,其包括:
若当前***时刻与上一图片采集时刻之差等于预设的图片采集周期,接收用户端所上传的当前用户人脸图像;
获取当前用户人脸图像中的头部长度或是头部宽度;
根据所述头部长度或是头部宽度与标准摄像头矩形框的对应边长之比以及标准摄像头矩形框的标准间距值,以获取用户与屏幕之间的当前间距值;
根据当前间距值,及调用预先存储的间距值与视力映射关系表,以获取与当前间距值对应的当前用户视力值;
根据所述当前用户视力值及已存储的用户历史视力值集合中满足预设的筛选条件的历史视力值集合,对应构建视力曲线;其中,所述视力曲线中以时间轴为X轴,且以各时刻对应的视力值为Y轴;所述筛选条件包括筛选时间段及视力值取值;以及
将所述视力曲线发送至用户端以进行显示。
第二方面,本发明实施例提供了一种基于图像识别的视力检测装置,其包括:
接收单元,用于若当前***时刻与上一图片采集时刻之差等于预设的图片采集周期,接收用户端所上传的当前用户人脸图像;
尺寸获取单元,用于获取当前用户人脸图像中的头部长度或是头部宽度;
当前间距值获取单元,用于根据所述头部长度或是头部宽度与标准摄像头矩形框的对应边长之比以及标准摄像头矩形框的标准间距值,以获取用户与屏幕之间的当前间距值;
当前用户视力值获取单元,用于根据当前间距值,及调用预先存储的间距值与视力映射关系表,以获取与当前间距值对应的当前用户视力值;
视力曲线构建单元,用于根据所述当前用户视力值及已存储的用户历史视力值集合中满足预设的筛选条件的历史视力值集合,对应构建视力曲线;其中,所述视力曲线中以时间轴为X轴,且以各时刻对应的视力值为Y轴;所述筛选条件包括筛选时间段及视力值取值;以及
曲线发送单元,用于将所述视力曲线发送至用户端以进行显示。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于图像识别的视力检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于图像识别的视力检测方法。
本发明实施例提供了一种基于图像识别的视力检测方法、装置、计算机设备及存储介质,获取当前用户人脸图像中的头部长度或是头部宽度,根据当前用户人脸图像获取头部长度或是头部宽度,根据所述头部长度或是头部宽度获取用户与屏幕之间的当前间距值,以获取当前用户视力值,实现了使用带有前置摄像头的智能终端时自动周期性采集用户人脸图像以检测用户视力,还可自动生成视力曲线,不仅提高了检测效率,而且获取了海量的检测数据以供数据分析使用。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于图像识别的视力检测方法的应用场景示意图;
图2为本发明实施例提供的基于图像识别的视力检测方法的流程示意图;
图3为本发明实施例提供的基于图像识别的视力检测方法的子流程示意图;
图4为本发明实施例提供的基于图像识别的视力检测方法的另一子流程示意图;
图5为本发明实施例提供的基于图像识别的视力检测方法的另一子流程示意图;
图6为本发明实施例提供的基于图像识别的视力检测装置的示意性框图;
图7为本发明实施例提供的基于图像识别的视力检测装置的子单元示意性框图;
图8为本发明实施例提供的基于图像识别的视力检测装置的另一子单元示意性框图;
图9为本发明实施例提供的基于图像识别的视力检测装置的另一子单元示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的基于图像识别的视力检测方法的应用场景示意图;图2为本发明实施例提供的基于图像识别的视力检测方法的流程示意图,该基于图像识别的视力检测方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图2所示,该方法包括步骤S110~S160。
S110、若当前***时刻与上一图片采集时刻之差等于预设的图片采集周期,接收用户端所上传的当前用户人脸图像。
在本实施例中,是通过设置在用户端(用户端也可以理解为智能终端,如台式电脑、平板电脑、智能手机等)上的前置摄像头(即可以方便拍摄到用户面部图像的摄像头)周期性的采集用户人脸图像,之后由智能终端将所采集的用户人脸图像上传至服务器进行图像识别以分析用户视力值。
例如,当前***时刻为2018年1月1日上午9:00,与上一图片采集时刻2018年1月1日上午8:50的时间间隔为10分钟,与预设的图片采集周期10分钟相等,此时由用户端自动将当前***时刻所采集的当前用户人脸图像上传至服务器。服务器可以将采集得到的每一时刻的用户人脸图像进行人眼与屏幕之间的距离估算,之后根据人眼与屏幕之间的距离与使用者的视力进行换算,从而实现对视力值的周期性监测。
S120、获取当前用户人脸图像中的头部长度或是头部宽度。
在本实施例中,为了根据当前用户人脸图像获取头部长度或是头部宽度,可以通过边缘检测来获取用户的头部轮廓,以获取用户的头部长度或头部宽度。
在一实施例中,如图3所示,步骤S120包括:
S121、将所述当前用户人脸图像进行灰度化,得到灰度化图片;
S122、将所述灰度化图片进行高斯滤波,得到滤波后图片;
S123、获取所述滤波后图片的梯度值和方向,并将所述滤波后图片进行非极大值抑制,以得到处理后图片;
S124、将所述处理后图片进行双阈值检测及连接边缘,得到与所述当前的用户人脸图像对应的当前人脸边缘检测图像;
S125、根据所述当前人脸边缘检测图像获取对应的当前人脸矩形框,以根据所述当前人脸矩形框获取所述当前的用户人脸图像对应的头部长度或是头部宽度。
在本实施例中,由于用户端所上传的所述当前用户人脸图像是RGB格式的彩图,此时为了便于图像中人脸部分的轮廓,此时可以先将所述当前用户人脸图像进行灰度化,得到灰度化图片。
之后,对灰度化图片进行高斯滤波,其中图像高斯滤波的实现可以用两个一维高斯核分别两次加权实现,也就是先进行一维X方向卷积,得到的卷积结果再进行一维Y方向卷积,最终得到滤波后图片。当然也可以直接通过一个二维高斯核一次卷积实现。通过高斯滤波,能有效对灰度化图片进行降噪处理。
完成对所述当前用户人脸图像的高斯滤波后,可以进行非极大值抑制处理。其中,非极大值抑制是一种边缘稀疏技术,非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊。而非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0,从而更准确的进行边缘检测。
对所述滤波后图片进行非极大值抑制得到处理后图片后,此时再进行双阈值检测及连接边缘,即可得到与所述当前的用户人脸图像对应的当前人脸边缘检测图像。其中,对处理后图片使用双阈值算法检测,即使用累计直方图计算两个阈值,凡是大于高阈值的一定是边缘;凡是小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值,则需判断这一个像素的邻接像素中有没有超过高阈值的边缘像素,如果有,则该像素就是边缘,否则就不是边缘。上述双阈值算法检测仅得到处理后图片中处在边缘上的像素点。噪声和不均匀的照明而产生的边缘间断的影响,使得经过边缘检测后得到的边缘像素点很少能完整地描绘实际的一条边缘。可以在使用边缘检测算法后,紧接着使用连接方法将边缘像素组合成有意义的边缘,从而得到与所述当前的用户人脸图像对应的当前人脸边缘检测图像。
最后,根据所述当前人脸边缘检测图像获取对应的当前人脸矩形框时,该当前人脸矩形框是恰好可将所述当前人脸边缘检测图像包围且四条边均与所述当前人脸边缘检测图像外切的矩形框。此时该外切的矩形框的长度即对应头部宽度,该外切的矩形框的对应头部长度。
在一实施例中,如图4所示,步骤S121包括:
S1211、获取所述当前用户人脸图像中每个像素点(I,J)对应的R通道值、G通道值、B通道值;其中,当前用户人脸图像片的总像素点个数为M*N个,其中M表示当前用户人脸图像片中横向像素点的总个数,N表示当前用户人脸图像片中纵向像素点的总个数,I的取值范围为[0,M-1],j的取值范围为[0,N-1];
S1212、根据所述当前用户人脸图像中每个像素点(I,J)对应的R通道值RIJ、G通道值GIJ、B通道值BIJ及GrayIJ=RIJ*0.299+GIJ*0.587+BIJ*0.114,对应计算获取每个像素点(I,J)对应的灰度值GrayIJ;其中,GrayIJ表示像素点(I,J)的灰度值,RIJ表示像素点(I,J)对应的R通道值、GIJ表示像素点(I,J)对应的G通道值、BIJ表示像素点(I,J)对应的B通道值;
S1213、将所述当前用户人脸图像中每个像素点(I,J)对应的R通道值、G通道值、B通道值转化为对应的灰度值Grayij,以得到对应的灰度化图片。
在本实施例中,服务器获取了所述当前用户人脸图像后,获取当前用户人脸图像在R、G、B三个通道分别对应的像素矩阵,即当前用户人脸图像中每个像素点在R、G、B三个通道分别对应一个像素值。对当前用户人脸图像进行灰度化处理,即是将当前用户人脸图像中每个像素点对应的R通道值、G通道值、B通道值合并处理为一个灰度值,从而得到与当前用户人脸图像对应的灰度化图片,其中灰度化图片中每个像素点对应的灰度值Gray=R*0.299+G*0.587+b*0.114。
即将当前用户人脸图像以灰度图像的形式读入,得到一个的灰度矩阵,其中M、N是图像的长、宽。这样读入比直接读入RGB彩色图像维度更低,同时没有明显损失图像信息。
在一实施例中,如图5所示,步骤S123包括:
S1231、将所述滤波后图片中当前像素点的梯度强度与沿正负梯度方向上的两个像素点进行比较,以判断当前像素点的梯度强度是否均大于当前像素点沿正负梯度方向上的两个像素点的梯度强度;其中,所述当前像素点(i,j)的初始值为(0,0),所述滤波后图片中的总像素点个数为m*n个,其中m表示滤波后图片中横向像素点的总个数,n表示滤波后图片中纵向像素点的总个数,i的取值范围为[1,m-1],j的取值范围为[1,n-1],m、n均为大于1的自然数;
S1232、若当前像素点的梯度强度大于当前像素点沿正负梯度方向上的两个像素点的梯度强度,将当前像素点的当前像素值进行保留;
S1233、若当前像素点的梯度强度小于当前像素点沿正负梯度方向上的两个像素点的梯度强度其中一个梯度强度,将当前像素点进行抑制,得到抑制后像素点;
S1234、判断当前像素点是否为所述滤波后图片中最后一个像素点;若当前像素点为所述滤波后图片中最后一个像素点,执行步骤S1235;若当前像素点不为所述滤波后图片中最后一个像素点,获取与当前像素点向后相邻的下一像素点以更新作为当前像素点,返回执行步骤S1231;
S1235、输出当前图片作为处理后图片。
在本实施例中,即针对所述滤波后图片中各像素点进行非极大值抑制,是为了更加精确的获取图像的边缘点。具体的,在跨越梯度方向的两个相邻像素之间可使用线性插值来得到要比较的像素梯度,即若当前像素点的梯度强度大于当前像素点沿正负梯度方向上的两个像素点的梯度强度,将当前像素点的当前像素值进行保留;若当前像素点的梯度强度小于当前像素点沿正负梯度方向上的两个像素点的梯度强度其中一个梯度强度,将当前像素点进行抑制,得到抑制后像素点。通过非极大值抑制,则可以帮助将局部最大值之外的所有梯度值抑制为0,从而更准确的进行边缘检测。
S130、根据所述头部长度或是头部宽度与标准摄像头矩形框的对应边长之比以及标准摄像头矩形框的标准间距值,以获取用户与屏幕之间的当前间距值。
在本实施例中,由于智能终端的摄像头在采集用户的面部图像时,可以虚拟出面部检测的标准摄像头矩形框,该标准摄像头矩形框是固定不变的,不会随着用户与摄像头之间间距的变化而改变尺寸大小,通过所述当前用户人脸图像对应的头部长度或是头部宽度与该标准摄像头矩形框对应的标准长度或标准宽度的比例,即可估算出用户与屏幕之间的距离。
在一实施例中,步骤S130包括:
获取预先存储的标准摄像头矩形框,及所述标准摄像头矩形框对应的标准长度或标准宽度;
根据所述头部长度与所述标准宽度之比、及标准摄像头矩形框对应的标准间距值,获取用户与屏幕之间的当前间距值;或者根据所述头部宽度与所述标准长度之比、及标准摄像头矩形框对应的标准间距值,获取用户与屏幕之间的当前间距值。
即通过所述当前的用户人脸图像对应的头部长度与该标准摄像头矩形框对应的标准宽度之比获取用户与屏幕之间的距离,或是通过所述当前的用户人脸图像对应的头部宽度与该标准摄像头矩形框对应的标准长度之比获取用户与屏幕之间的距离。通过这一方式,能有效检测出用户与屏幕之间的间距从而估算视力值。
S140、根据当前间距值,及调用预先存储的间距值与视力映射关系表,以获取与当前间距值对应的当前用户视力值。
在本实施例中,可根据预设的用户与屏幕之间的距离值与视力值的换算曲线(该换算曲线可以理解为间距值与视力映射关系表)来进行换算,也即在间距值与视力映射关系表中每一距离值都对应一个视力值,这些间距值与视力映射关系表中距离值与视力值的对应关系是通过多次试验得到的有效数据。例如用户与屏幕之间的距离为30cm对应5.0的视力,用户与屏幕之间的距离为32cm对应5.1的视力等。通过这一方式,可以有效的将用户与屏幕之间的距离值换算成视力值,从而进行视力监测。
S150、根据所述当前用户视力值及已存储的用户历史视力值集合中满足预设的筛选条件的历史视力值集合,对应构建视力曲线;其中,所述视力曲线中以时间轴为X轴,且以各时刻对应的视力值为Y轴;所述筛选条件包括筛选时间段及视力值取值;所述。
在本实施例中,可以在服务器中已存储的用户历史视力值集合中根据筛选条件,例如该筛选条件为筛选时间为2018年1月1日-2018年1月5日且不为空值的视力值,其中为空值的视力值是用户在当前时刻未使用智能终端时在视力曲线对应的时刻点上的体现。即若某一时刻视力值为空值,则不用绘制于该视力曲线图。通过绘制视力曲线,能有效监控用户的视力值变化趋势,从而可以获知是否有异常情况发生,也可以统计用户使用智能终端的时长。
S160、将所述视力曲线发送至用户端以进行显示。
在本实施例中,当在服务器中完成了根据预设的筛选条件而绘制的视力曲线后,可由服务器将所述视力曲线发送至用户端,以在用户端上的用户交互界面上进行直观展示,从而可以分析视力变化趋势。
在一实施例中,步骤S160之后还包括:
获取所述视力曲线中在单位时间内视力值变化超出预设的视力阈值的区间,以组成视力值异常变化区间;
将所述视力值异常变化区间进行高亮显示。
在本实施例中,若在所述视力曲线中检测到有某一时刻的视力值与前一时刻的视力值及后一时刻的视力值均发生显著变化,例如当前时刻的视力值为4.5,其前一时刻的视力值为5.0,其后一时刻的视力值为5.0,表示当前时刻的视力值可能存在异常,需要对用户进行提示以重视视力保护。此时,可将所述视力值异常变化区间在视力曲线上进行高亮显示(如红色),通过这一直观的方式能对客户进行有效提示。
该方法实现了使用带有前置摄像头的智能终端时自动周期性采集用户人脸图像以检测用户视力,还可自动生成视力曲线,不仅提高了检测效率,而且获取了海量的检测数据以供数据分析使用。
本发明实施例还提供一种基于图像识别的视力检测装置,该基于图像识别的视力检测装置用于执行前述基于图像识别的视力检测方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的基于图像识别的视力检测装置的示意性框图。该基于图像识别的视力检测装置100可以配置于服务器中。
如图6所示,基于图像识别的视力检测装置100包括接收单元110、尺寸获取单元120、当前间距值获取单元130、当前用户视力值获取单元140、视力曲线构建单元150、曲线发送单元160。
接收单元110,用于若当前***时刻与上一图片采集时刻之差等于预设的图片采集周期,接收用户端所上传的当前用户人脸图像。
在本实施例中,是通过设置在用户端(用户端也可以理解为智能终端,如台式电脑、平板电脑、智能手机等)上的前置摄像头(即可以方便拍摄到用户面部图像的摄像头)周期性的采集用户人脸图像,之后由智能终端将所采集的用户人脸图像上传至服务器进行图像识别以分析用户视力值。
例如,当前***时刻为2018年1月1日上午9:00,与上一图片采集时刻2018年1月1日上午8:50的时间间隔为10分钟,与预设的图片采集周期10分钟相等,此时由用户端自动将当前***时刻所采集的当前用户人脸图像上传至服务器。服务器可以将采集得到的每一时刻的用户人脸图像进行人眼与屏幕之间的距离估算,之后根据人眼与屏幕之间的距离与使用者的视力进行换算,从而实现对视力值的周期性监测。
尺寸获取单元120,用于获取当前用户人脸图像中的头部长度或是头部宽度。
在本实施例中,为了根据当前用户人脸图像获取头部长度或是头部宽度,可以通过边缘检测来获取用户的头部轮廓,以获取用户的头部长度或头部宽度。
在一实施例中,如图7所示,尺寸获取单元120包括:
灰度化单元121,用于将所述当前用户人脸图像进行灰度化,得到灰度化图片;
滤波单元122,用于将所述灰度化图片进行高斯滤波,得到滤波后图片;
非极值抑制单元123,用于获取所述滤波后图片的梯度值和方向,并将所述滤波后图片进行非极大值抑制,以得到处理后图片;
边缘检测单元124,用于将所述处理后图片进行双阈值检测及连接边缘,得到与所述当前的用户人脸图像对应的当前人脸边缘检测图像;
当前人脸矩形框获取单元125,用于根据所述当前人脸边缘检测图像获取对应的当前人脸矩形框,以根据所述当前人脸矩形框获取所述当前的用户人脸图像对应的头部长度或是头部宽度。
在本实施例中,由于用户端所上传的所述当前用户人脸图像是RGB格式的彩图,此时为了便于图像中人脸部分的轮廓,此时可以先将所述当前用户人脸图像进行灰度化,得到灰度化图片。
之后,对灰度化图片进行高斯滤波,其中图像高斯滤波的实现可以用两个一维高斯核分别两次加权实现,也就是先进行一维X方向卷积,得到的卷积结果再进行一维Y方向卷积,最终得到滤波后图片。当然也可以直接通过一个二维高斯核一次卷积实现。通过高斯滤波,能有效对灰度化图片进行降噪处理。
完成对所述当前用户人脸图像的高斯滤波后,可以进行非极大值抑制处理。其中,非极大值抑制是一种边缘稀疏技术,非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊。而非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0,从而更准确的进行边缘检测。
对所述滤波后图片进行非极大值抑制得到处理后图片后,此时再进行双阈值检测及连接边缘,即可得到与所述当前的用户人脸图像对应的当前人脸边缘检测图像。其中,对处理后图片使用双阈值算法检测,即使用累计直方图计算两个阈值,凡是大于高阈值的一定是边缘;凡是小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值,则需判断这一个像素的邻接像素中有没有超过高阈值的边缘像素,如果有,则该像素就是边缘,否则就不是边缘。上述双阈值算法检测仅得到处理后图片中处在边缘上的像素点。噪声和不均匀的照明而产生的边缘间断的影响,使得经过边缘检测后得到的边缘像素点很少能完整地描绘实际的一条边缘。可以在使用边缘检测算法后,紧接着使用连接方法将边缘像素组合成有意义的边缘,从而得到与所述当前的用户人脸图像对应的当前人脸边缘检测图像。
最后,根据所述当前人脸边缘检测图像获取对应的当前人脸矩形框时,该当前人脸矩形框是恰好可将所述当前人脸边缘检测图像包围且四条边均与所述当前人脸边缘检测图像外切的矩形框。此时该外切的矩形框的长度即对应头部宽度,该外切的矩形框的对应头部长度。
在一实施例中,如图8所示,灰度化单元121包括:
RGB通道值获取单元1211,用于获取所述当前用户人脸图像中每个像素点(I,J)对应的R通道值、G通道值、B通道值;其中,当前用户人脸图像片的总像素点个数为M*N个,其中M表示当前用户人脸图像片中横向像素点的总个数,N表示当前用户人脸图像片中纵向像素点的总个数,I的取值范围为[0,M-1],j的取值范围为[0,N-1];
灰度值计算单元1212,用于根据所述当前用户人脸图像中每个像素点(I,J)对应的R通道值RIJ、G通道值GIJ、B通道值BIJ及GrayIJ=RIJ*0.299+GIJ*0.587+BIJ*0.114,对应计算获取每个像素点(I,J)对应的灰度值GrayIJ;其中,GrayIJ表示像素点(I,J)的灰度值,RIJ表示像素点(I,J)对应的R通道值、GIJ表示像素点(I,J)对应的G通道值、BIJ表示像素点(I,J)对应的B通道值;
灰度转化单元1213,用于将所述当前用户人脸图像中每个像素点(I,J)对应的R通道值、G通道值、B通道值转化为对应的灰度值Grayij,以得到对应的灰度化图片。
在本实施例中,服务器获取了所述当前用户人脸图像后,获取当前用户人脸图像在R、G、B三个通道分别对应的像素矩阵,即当前用户人脸图像中每个像素点在R、G、B三个通道分别对应一个像素值。对当前用户人脸图像进行灰度化处理,即是将当前用户人脸图像中每个像素点对应的R通道值、G通道值、B通道值合并处理为一个灰度值,从而得到与当前用户人脸图像对应的灰度化图片,其中灰度化图片中每个像素点对应的灰度值Gray=R*0.299+G*0.587+b*0.114。
即将当前用户人脸图像以灰度图像的形式读入,得到一个的灰度矩阵,其中M、N是图像的长、宽。这样读入比直接读入RGB彩色图像维度更低,同时没有明显损失图像信息。
在一实施例中,如图9所示,非极值抑制单元123包括:
梯度强度比较单元1231,用于将所述滤波后图片中当前像素点的梯度强度与沿正负梯度方向上的两个像素点进行比较,以判断当前像素点的梯度强度是否均大于当前像素点沿正负梯度方向上的两个像素点的梯度强度;其中,所述当前像素点(i,j)的初始值为(0,0),所述滤波后图片中的总像素点个数为m*n个,其中m表示滤波后图片中横向像素点的总个数,n表示滤波后图片中纵向像素点的总个数,i的取值范围为[1,m-1],j的取值范围为[1,n-1],m、n均为大于1的自然数;
像素保留单元1232,用于若当前像素点的梯度强度大于当前像素点沿正负梯度方向上的两个像素点的梯度强度,将当前像素点的当前像素值进行保留;
像素抑制单元1233,用于若当前像素点的梯度强度小于当前像素点沿正负梯度方向上的两个像素点的梯度强度其中一个梯度强度,将当前像素点进行抑制,得到抑制后像素点;
像素点末位判断单元1234,用于判断当前像素点是否为所述滤波后图片中最后一个像素点;若当前像素点为所述滤波后图片中最后一个像素点,执行输出当前图片作为处理后图片的步骤;若当前像素点不为所述滤波后图片中最后一个像素点,获取与当前像素点向后相邻的下一像素点以更新作为当前像素点,返回执行将所述滤波后图片中当前像素点的梯度强度与沿正负梯度方向上的两个像素点进行比较,以判断当前像素点的梯度强度是否均大于当前像素点沿正负梯度方向上的两个像素点的梯度强度的步骤;
当前图片获取单元1235,用于输出当前图片作为处理后图片。
在本实施例中,即针对所述滤波后图片中各像素点进行非极大值抑制,是为了更加精确的获取图像的边缘点。具体的,在跨越梯度方向的两个相邻像素之间可使用线性插值来得到要比较的像素梯度,即若当前像素点的梯度强度大于当前像素点沿正负梯度方向上的两个像素点的梯度强度,将当前像素点的当前像素值进行保留;若当前像素点的梯度强度小于当前像素点沿正负梯度方向上的两个像素点的梯度强度其中一个梯度强度,将当前像素点进行抑制,得到抑制后像素点。通过非极大值抑制,则可以帮助将局部最大值之外的所有梯度值抑制为0,从而更准确的进行边缘检测。
当前间距值获取单元130,用于根据所述头部长度或是头部宽度与标准摄像头矩形框的对应边长之比以及标准摄像头矩形框的标准间距值,以获取用户与屏幕之间的当前间距值。
在本实施例中,由于智能终端的摄像头在采集用户的面部图像时,可以虚拟出面部检测的标准摄像头矩形框,该标准摄像头矩形框是固定不变的,不会随着用户与摄像头之间间距的变化而改变尺寸大小,通过所述当前用户人脸图像对应的头部长度或是头部宽度与该标准摄像头矩形框对应的标准长度或标准宽度的比例,即可估算出用户与屏幕之间的距离。
在一实施例中,当前间距值获取单元130包括:
标准摄像头矩形框获取单元,用于获取预先存储的标准摄像头矩形框,及所述标准摄像头矩形框对应的标准长度或标准宽度;
距离转化单元,用于根据所述头部长度与所述标准宽度之比、及标准摄像头矩形框对应的标准间距值,获取用户与屏幕之间的当前间距值;或者根据所述头部宽度与所述标准长度之比、及标准摄像头矩形框对应的标准间距值,获取用户与屏幕之间的当前间距值。
即通过所述当前的用户人脸图像对应的头部长度与该标准摄像头矩形框对应的标准宽度之比获取用户与屏幕之间的距离,或是通过所述当前的用户人脸图像对应的头部宽度与该标准摄像头矩形框对应的标准长度之比获取用户与屏幕之间的距离。通过这一方式,能有效检测出用户与屏幕之间的间距从而估算视力值。
当前用户视力值获取单元140,用于根据当前间距值,及调用预先存储的间距值与视力映射关系表,以获取与当前间距值对应的当前用户视力值。
在本实施例中,可根据预设的用户与屏幕之间的距离值与视力值的换算曲线(该换算曲线可以理解为间距值与视力映射关系表)来进行换算,也即在间距值与视力映射关系表中每一距离值都对应一个视力值,这些间距值与视力映射关系表中距离值与视力值的对应关系是通过多次试验得到的有效数据。例如用户与屏幕之间的距离为30cm对应5.0的视力,用户与屏幕之间的距离为32cm对应5.1的视力等。通过这一方式,可以有效的将用户与屏幕之间的距离值换算成视力值,从而进行视力监测。
视力曲线构建单元150,用于根据所述当前用户视力值及已存储的用户历史视力值集合中满足预设的筛选条件的历史视力值集合,对应构建视力曲线;其中,所述视力曲线中以时间轴为X轴,且以各时刻对应的视力值为Y轴;所述筛选条件包括筛选时间段及视力值取值。
在本实施例中,可以在服务器中已存储的用户历史视力值集合中根据筛选条件,例如该筛选条件为筛选时间为2018年1月1日-2018年1月5日且不为空值的视力值,其中为空值的视力值是用户在当前时刻未使用智能终端时在视力曲线对应的时刻点上的体现。即若某一时刻视力值为空值,则不用绘制于该视力曲线图。通过绘制视力曲线,能有效监控用户的视力值变化趋势,从而可以获知是否有异常情况发生,也可以统计用户使用智能终端的时长。
曲线发送单元160,用于将所述视力曲线发送至用户端以进行显示。
在本实施例中,当在服务器中完成了根据预设的筛选条件而绘制的视力曲线后,可由服务器将所述视力曲线发送至用户端,以在用户端上的用户交互界面上进行直观展示,从而可以分析视力变化趋势。
在一实施例中,基于图像识别的视力检测装置100还包括:
异常区间获取单元,用于获取所述视力曲线中在单位时间内视力值变化超出预设的视力阈值的区间,以组成视力值异常变化区间;
高亮提示单元,用于将所述视力值异常变化区间进行高亮显示。
在本实施例中,若在所述视力曲线中检测到有某一时刻的视力值与前一时刻的视力值及后一时刻的视力值均发生显著变化,例如当前时刻的视力值为4.5,其前一时刻的视力值为5.0,其后一时刻的视力值为5.0,表示当前时刻的视力值可能存在异常,需要对用户进行提示以重视视力保护。此时,可将所述视力值异常变化区间在视力曲线上进行高亮显示(如红色),通过这一直观的方式能对客户进行有效提示。
该装置实现了使用带有前置摄像头的智能终端时自动周期性采集用户人脸图像以检测用户视力,还可自动生成视力曲线,不仅提高了检测效率,而且获取了海量的检测数据以供数据分析使用。
上述基于图像识别的视力检测装置可以实现为计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图10,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于图像识别的视力检测方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于图像识别的视力检测方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现本发明实施例公开的基于图像识别的视力检测方法。
本领域技术人员可以理解,图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例公开的基于图像识别的视力检测方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于图像识别的视力检测方法,其特征在于,包括:
若当前***时刻与上一图片采集时刻之差等于预设的图片采集周期,接收用户端所上传的当前用户人脸图像;
获取当前用户人脸图像中的头部长度或是头部宽度;
根据所述头部长度或是头部宽度与标准摄像头矩形框的对应边长之比以及标准摄像头矩形框的标准间距值,以获取用户与屏幕之间的当前间距值;
根据当前间距值,及调用预先存储的间距值与视力映射关系表,以获取与当前间距值对应的当前用户视力值;
根据所述当前用户视力值及已存储的用户历史视力值集合中满足预设的筛选条件的历史视力值集合,对应构建视力曲线;其中,所述视力曲线中以时间轴为X轴,且以各时刻对应的视力值为Y轴;所述筛选条件包括筛选时间段及视力值取值;以及
将所述视力曲线发送至用户端以进行显示。
2.根据权利要求1所述的基于图像识别的视力检测方法,其特征在于,所述获取当前用户人脸图像中的头部长度或是头部宽度,包括:
将所述当前用户人脸图像进行灰度化,得到灰度化图片;
将所述灰度化图片进行高斯滤波,得到滤波后图片;
获取所述滤波后图片的梯度值和方向,并将所述滤波后图片进行非极大值抑制,以得到处理后图片;
将所述处理后图片进行双阈值检测及连接边缘,得到与所述当前的用户人脸图像对应的当前人脸边缘检测图像;
根据所述当前人脸边缘检测图像获取对应的当前人脸矩形框,以根据所述当前人脸矩形框获取所述当前的用户人脸图像对应的头部长度或是头部宽度。
3.根据权利要求2所述的基于图像识别的视力检测方法,其特征在于,所述将所述滤波后图片进行非极大值抑制以得到处理后图片,包括:
将所述滤波后图片中当前像素点的梯度强度与沿正负梯度方向上的两个像素点进行比较,以判断当前像素点的梯度强度是否均大于当前像素点沿正负梯度方向上的两个像素点的梯度强度;其中,所述当前像素点(i,j)的初始值为(0,0),所述滤波后图片中的总像素点个数为m*n个,其中m表示滤波后图片中横向像素点的总个数,n表示滤波后图片中纵向像素点的总个数,i的取值范围为[1,m-1],j的取值范围为[1,n-1],m、n均为大于1的自然数;
若当前像素点的梯度强度大于当前像素点沿正负梯度方向上的两个像素点的梯度强度,将当前像素点的当前像素值进行保留;
若当前像素点的梯度强度小于当前像素点沿正负梯度方向上的两个像素点的梯度强度其中一个梯度强度,将当前像素点进行抑制,得到抑制后像素点;
判断当前像素点是否为所述滤波后图片中最后一个像素点;若当前像素点为所述滤波后图片中最后一个像素点,执行输出当前图片作为处理后图片的步骤;若当前像素点不为所述滤波后图片中最后一个像素点,获取与当前像素点向后相邻的下一像素点以更新作为当前像素点,返回执行将所述滤波后图片中当前像素点的梯度强度与沿正负梯度方向上的两个像素点进行比较,以判断当前像素点的梯度强度是否均大于当前像素点沿正负梯度方向上的两个像素点的梯度强度的步骤;
输出当前图片作为处理后图片。
4.根据权利要求1所述的基于图像识别的视力检测方法,其特征在于,所述将所述当前用户人脸图像进行灰度化,得到灰度化图片,包括:
获取所述当前用户人脸图像中每个像素点(I,J)对应的R通道值、G通道值、B通道值;其中,当前用户人脸图像片的总像素点个数为M*N个,其中M表示当前用户人脸图像片中横向像素点的总个数,N表示当前用户人脸图像片中纵向像素点的总个数,I的取值范围为[0,M-1],j的取值范围为[0,N-1];
根据所述当前用户人脸图像中每个像素点(I,J)对应的R通道值RIJ、G通道值GIJ、B通道值BIJ及GrayIJ=RIJ*0.299+GIJ*0.587+BIJ*0.114,对应计算获取每个像素点(I,J)对应的灰度值GrayIJ;其中,GrayIJ表示像素点(I,J)的灰度值,RIJ表示像素点(I,J)对应的R通道值、GIJ表示像素点(I,J)对应的G通道值、BIJ表示像素点(I,J)对应的B通道值;
将所述当前用户人脸图像中每个像素点(I,J)对应的R通道值、G通道值、B通道值转化为对应的灰度值Grayij,以得到对应的灰度化图片。
5.根据权利要求1所述的基于图像识别的视力检测方法,其特征在于,所述根据所述头部长度或是头部宽度与标准摄像头矩形框的对应边长之比以及标准摄像头矩形框的标准间距值,以获取用户与屏幕之间的当前间距值,包括:
获取预先存储的标准摄像头矩形框,及所述标准摄像头矩形框对应的标准长度或标准宽度;
根据所述头部长度与所述标准宽度之比、及标准摄像头矩形框对应的标准间距值,获取用户与屏幕之间的当前间距值;或者根据所述头部宽度与所述标准长度之比、及标准摄像头矩形框对应的标准间距值,获取用户与屏幕之间的当前间距值。
6.根据权利要求1所述的基于图像识别的视力检测方法,其特征在于,所述将所述视力曲线发送至用户端以进行显示之后,还包括:
获取所述视力曲线中在单位时间内视力值变化超出预设的视力阈值的区间,以组成视力值异常变化区间;
将所述视力值异常变化区间进行高亮显示。
7.一种基于图像识别的视力检测装置,其特征在于,包括:
接收单元,用于若当前***时刻与上一图片采集时刻之差等于预设的图片采集周期,接收用户端所上传的当前用户人脸图像;
尺寸获取单元,用于获取当前用户人脸图像中的头部长度或是头部宽度;
当前间距值获取单元,用于根据所述头部长度或是头部宽度与标准摄像头矩形框的对应边长之比以及标准摄像头矩形框的标准间距值,以获取用户与屏幕之间的当前间距值;
当前用户视力值获取单元,用于根据当前间距值,及调用预先存储的间距值与视力映射关系表,以获取与当前间距值对应的当前用户视力值;
视力曲线构建单元,用于根据所述当前用户视力值及已存储的用户历史视力值集合中满足预设的筛选条件的历史视力值集合,对应构建视力曲线;其中,所述视力曲线中以时间轴为X轴,且以各时刻对应的视力值为Y轴;所述筛选条件包括筛选时间段及视力值取值;以及
曲线发送单元,用于将所述视力曲线发送至用户端以进行显示。
8.根据权利要求7所述的基于图像识别的视力检测装置,其特征在于,所述尺寸获取单元,包括:
灰度化单元,用于将所述当前用户人脸图像进行灰度化,得到灰度化图片;
滤波单元,用于将所述灰度化图片进行高斯滤波,得到滤波后图片;
非极值抑制单元,用于获取所述滤波后图片的梯度值和方向,并将所述滤波后图片进行非极大值抑制,以得到处理后图片;
边缘检测单元,用于将所述处理后图片进行双阈值检测及连接边缘,得到与所述当前的用户人脸图像对应的当前人脸边缘检测图像;
当前人脸矩形框获取单元,用于根据所述当前人脸边缘检测图像获取对应的当前人脸矩形框,以根据所述当前人脸矩形框获取所述当前的用户人脸图像对应的头部长度或是头部宽度。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于图像识别的视力检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的基于图像识别的视力检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969805.XA CN111084606A (zh) | 2019-10-12 | 2019-10-12 | 基于图像识别的视力检测方法、装置、及计算机设备 |
PCT/CN2020/087032 WO2021068486A1 (zh) | 2019-10-12 | 2020-04-26 | 基于图像识别的视力检测方法、装置、及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969805.XA CN111084606A (zh) | 2019-10-12 | 2019-10-12 | 基于图像识别的视力检测方法、装置、及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111084606A true CN111084606A (zh) | 2020-05-01 |
Family
ID=70392968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910969805.XA Pending CN111084606A (zh) | 2019-10-12 | 2019-10-12 | 基于图像识别的视力检测方法、装置、及计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111084606A (zh) |
WO (1) | WO2021068486A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344999A (zh) * | 2021-06-28 | 2021-09-03 | 北京市商汤科技开发有限公司 | 深度检测方法及装置、电子设备和存储介质 |
CN113674272A (zh) * | 2021-09-06 | 2021-11-19 | 上海集成电路装备材料产业创新中心有限公司 | 图像检测方法与装置 |
WO2021248671A1 (zh) * | 2020-06-12 | 2021-12-16 | 海信视像科技股份有限公司 | 一种显示设备 |
CN114840086A (zh) * | 2022-05-10 | 2022-08-02 | Oppo广东移动通信有限公司 | 一种控制方法、电子设备及计算机存储介质 |
CN115732091A (zh) * | 2022-11-24 | 2023-03-03 | 深圳安视信息技术有限公司 | 视力自助筛查*** |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114190880A (zh) * | 2021-12-09 | 2022-03-18 | 深圳创维-Rgb电子有限公司 | 视力检测方法、装置、电子设备以及存储介质 |
CN114331991B (zh) * | 2021-12-21 | 2024-03-15 | 国能朔黄铁路发展有限责任公司 | 小半径曲线无缝线路监测方法、***、装置和计算机设备 |
CN114463326B (zh) * | 2022-03-14 | 2022-06-21 | 深圳灿维科技有限公司 | 一种手机中框视觉检测算法、装置、设备及存储介质 |
CN115187552B (zh) * | 2022-07-14 | 2023-04-25 | 南京思飞捷软件科技有限公司 | 一种基于边缘检测的车身门缝检测方法 |
CN115029704B (zh) * | 2022-08-09 | 2022-12-09 | 江苏贯森新材料科技有限公司 | 一种用于不锈钢酸洗工艺的智能控制方法及装置 |
CN116385706B (zh) * | 2023-06-06 | 2023-08-25 | 山东外事职业大学 | 基于图像识别技术的信号检测方法和*** |
CN116485884B (zh) * | 2023-06-28 | 2023-09-12 | 四川君安天源精酿啤酒有限公司 | 基于计算机视觉的精酿啤酒瓶口实时定位方法及*** |
CN116630321B (zh) * | 2023-07-24 | 2023-10-03 | 铁正检测科技有限公司 | 基于人工智能的桥梁健康智能监测*** |
CN117455908B (zh) * | 2023-12-22 | 2024-04-09 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及*** |
CN118071739B (zh) * | 2024-04-18 | 2024-06-28 | 山东北宏新材料科技有限公司 | 基于图像增强的色母粒着色视觉检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533327A (zh) * | 2008-03-13 | 2009-09-16 | 英业达股份有限公司 | 窗口调整界面及其调整方法 |
CN106022209A (zh) * | 2016-04-29 | 2016-10-12 | 杭州华橙网络科技有限公司 | 一种基于人脸检测的距离估算和处理的方法及装置 |
CN106548135A (zh) * | 2016-10-17 | 2017-03-29 | 北海益生源农贸有限责任公司 | 一种路面障碍检测方法 |
CN109326339A (zh) * | 2018-12-07 | 2019-02-12 | 北京大学第三医院 | 一种视功能检查建议确定方法、装置、设备和介质 |
CN109464118A (zh) * | 2018-12-10 | 2019-03-15 | 刘珉恺 | 一种基于手机视力检测和眼镜配制方法 |
US20190246896A1 (en) * | 2016-09-15 | 2019-08-15 | Essilor International | Measurement method for the determination of a value of a visual correction need for near vision of an individual |
CN110251066A (zh) * | 2013-06-06 | 2019-09-20 | 6超越6视觉有限公司 | 基于主观距离计量测量眼睛屈光不正的***和方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8757805B2 (en) * | 2009-08-17 | 2014-06-24 | Allan N. Hytowitz | Animated image vision test |
CN106491075B (zh) * | 2016-11-29 | 2017-12-08 | 珠海格力电器股份有限公司 | 一种视力检测装置和视力检测器 |
CN106725288A (zh) * | 2016-11-29 | 2017-05-31 | 珠海格力电器股份有限公司 | 视力检测方法、装置和移动终端 |
CN107198505A (zh) * | 2017-04-07 | 2017-09-26 | 天津市天中依脉科技开发有限公司 | 基于智能手机的视功能检测***及方法 |
JP7063045B2 (ja) * | 2018-03-26 | 2022-05-09 | 株式会社Jvcケンウッド | 視線検出装置、視線検出方法及び視線検出プログラム |
CN108652579A (zh) * | 2018-04-25 | 2018-10-16 | 珠海格力电器股份有限公司 | 一种检测视力的方法和终端 |
CN109330556A (zh) * | 2018-09-29 | 2019-02-15 | 杭州艾斯凯尔科技有限公司 | 利用图像技术和云端控制技术的视力检测方法和*** |
CN110123257A (zh) * | 2019-03-29 | 2019-08-16 | 深圳和而泰家居在线网络科技有限公司 | 一种视力检测方法、装置、视力检测仪及计算机存储介质 |
CN110279391B (zh) * | 2019-05-30 | 2021-11-30 | 汕头市荣亮科技有限公司 | 便携红外相机视力检测算法 |
-
2019
- 2019-10-12 CN CN201910969805.XA patent/CN111084606A/zh active Pending
-
2020
- 2020-04-26 WO PCT/CN2020/087032 patent/WO2021068486A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533327A (zh) * | 2008-03-13 | 2009-09-16 | 英业达股份有限公司 | 窗口调整界面及其调整方法 |
CN110251066A (zh) * | 2013-06-06 | 2019-09-20 | 6超越6视觉有限公司 | 基于主观距离计量测量眼睛屈光不正的***和方法 |
CN106022209A (zh) * | 2016-04-29 | 2016-10-12 | 杭州华橙网络科技有限公司 | 一种基于人脸检测的距离估算和处理的方法及装置 |
US20190246896A1 (en) * | 2016-09-15 | 2019-08-15 | Essilor International | Measurement method for the determination of a value of a visual correction need for near vision of an individual |
CN106548135A (zh) * | 2016-10-17 | 2017-03-29 | 北海益生源农贸有限责任公司 | 一种路面障碍检测方法 |
CN109326339A (zh) * | 2018-12-07 | 2019-02-12 | 北京大学第三医院 | 一种视功能检查建议确定方法、装置、设备和介质 |
CN109464118A (zh) * | 2018-12-10 | 2019-03-15 | 刘珉恺 | 一种基于手机视力检测和眼镜配制方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021248671A1 (zh) * | 2020-06-12 | 2021-12-16 | 海信视像科技股份有限公司 | 一种显示设备 |
CN113344999A (zh) * | 2021-06-28 | 2021-09-03 | 北京市商汤科技开发有限公司 | 深度检测方法及装置、电子设备和存储介质 |
WO2023273498A1 (zh) * | 2021-06-28 | 2023-01-05 | 上海商汤智能科技有限公司 | 深度检测方法及装置、电子设备和存储介质 |
CN113674272A (zh) * | 2021-09-06 | 2021-11-19 | 上海集成电路装备材料产业创新中心有限公司 | 图像检测方法与装置 |
CN113674272B (zh) * | 2021-09-06 | 2024-03-15 | 上海集成电路装备材料产业创新中心有限公司 | 图像检测方法与装置 |
CN114840086A (zh) * | 2022-05-10 | 2022-08-02 | Oppo广东移动通信有限公司 | 一种控制方法、电子设备及计算机存储介质 |
CN115732091A (zh) * | 2022-11-24 | 2023-03-03 | 深圳安视信息技术有限公司 | 视力自助筛查*** |
Also Published As
Publication number | Publication date |
---|---|
WO2021068486A1 (zh) | 2021-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111084606A (zh) | 基于图像识别的视力检测方法、装置、及计算机设备 | |
US9888186B2 (en) | Image acquisition method and image acquisition apparatus | |
US10321072B2 (en) | Image obtaining apparatus and method for obtaining an image based on pixel binning | |
EP3046072B1 (en) | Temporal noise reduction method of noise image, and related device | |
US9445022B2 (en) | Image processing apparatus and image processing method, and program | |
EP2544452A2 (en) | Image processing device, image processing method, and program | |
US20150324961A1 (en) | Method and apparatus for adjusting image brightness | |
CN110059666B (zh) | 一种注意力检测方法及装置 | |
JP2015019958A5 (ja) | 磁気共鳴イメージング装置、画像処理装置、画像処理方法、及び画像処理プログラム | |
JP6115263B2 (ja) | 脈波検出装置、脈波検出方法及び脈波検出プログラム | |
CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN104867127A (zh) | 图像处理设备、图像处理方法和程序 | |
CN111368717A (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
JP7076168B1 (ja) | リアルタイム映像における画像の物体輪郭を強調する方法 | |
US9147115B2 (en) | Method and device for detecting an object in an image | |
CN116167932A (zh) | 一种图像质量优化方法、装置、设备及存储介质 | |
CN114140481A (zh) | 一种基于红外图像的边缘检测方法、装置 | |
CN113392779A (zh) | 基于生成对抗网络的人群监控方法、装置、设备及介质 | |
CN104010134A (zh) | 用于形成具有宽动态范围的***和方法 | |
US10728476B2 (en) | Image processing device, image processing method, and image processing program for determining a defective pixel | |
WO2023215371A1 (en) | System and method for perceptually optimized image denoising and restoration | |
JP2021023490A (ja) | 生体情報検出装置 | |
CN114720812A (zh) | 一种配电网故障处理与故障定位的方法及*** | |
CN112087556B (zh) | 一种暗光成像方法、装置、可读存储介质及终端设备 | |
Lee et al. | Image quality assessment of tone mapped images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200501 |