CN115886717A - 一种眼裂宽度的测量方法、装置和存储介质 - Google Patents
一种眼裂宽度的测量方法、装置和存储介质 Download PDFInfo
- Publication number
- CN115886717A CN115886717A CN202210989509.8A CN202210989509A CN115886717A CN 115886717 A CN115886717 A CN 115886717A CN 202210989509 A CN202210989509 A CN 202210989509A CN 115886717 A CN115886717 A CN 115886717A
- Authority
- CN
- China
- Prior art keywords
- eye
- width
- fissure
- distance
- video stream
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 210000001508 eye Anatomy 0.000 claims abstract description 109
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 210000005252 bulbus oculi Anatomy 0.000 claims abstract description 25
- 230000003068 static effect Effects 0.000 claims abstract description 22
- 210000000744 eyelid Anatomy 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000033001 locomotion Effects 0.000 claims description 29
- 210000001747 pupil Anatomy 0.000 claims description 12
- 230000004397 blinking Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 210000004279 orbit Anatomy 0.000 abstract description 4
- 206010015997 Eyelid retraction Diseases 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 6
- 210000003786 sclera Anatomy 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 241001504424 Zosteropidae Species 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 210000004087 cornea Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000004929 Facial Paralysis Diseases 0.000 description 1
- 206010020850 Hyperthyroidism Diseases 0.000 description 1
- 206010064996 Ulcerative keratitis Diseases 0.000 description 1
- 208000036826 VIIth nerve paralysis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000016681 congenital eyelid retraction Diseases 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 206010023365 keratopathy Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 230000001272 neurogenic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 230000008733 trauma Effects 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Ophthalmology & Optometry (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种眼裂宽度的测量方法、装置和存储介质,方法包括:拍摄获取用户平视前方的第一眼位图;拍摄获取用户保持眼皮不动眼球在水平方向上随着跟踪点左右移动的视频流;采用神经网络从第一眼位图中分割出瞳孔中心,并得到竖直方向的瞳孔中心线,采用神经网络从视频流的各帧中分割出静态与动态的交接点,通过所述交接点的集合得到眼裂的轮廓;求出瞳孔中心线上的眼裂的轮廓的上下距离,根据所述距离得到眼裂宽度。本申请通过神经网络分割而直接识别出瞳孔中心和瞳孔中心线,并通过动态分割法来分割眼皮和眼球的交接点识别眼眶形状,利用瞳孔中心线在眼眶外轮廓上的上下距离求出眼裂宽度,提高了眼裂宽度测量的精准度。
Description
技术领域
本申请涉及眼部检测技术领域,具体涉及一种眼裂宽度的测量方法、装置和存储介质。
背景技术
眼裂又称睑裂,眼裂宽度是指经过瞳孔的上下眼睑之间的距离。在临床上,眼睑退缩包括上眼睑和下眼睑的退缩,眼睑退缩的原因有很多种,其中包括先天性的眼睑退缩、外伤瘢痕牵拉导致的眼睑退缩、甲状腺功能亢进导致的眼睑退缩、老年人功能退化导致的眼睑退缩,还有一部分是由于面神经麻痹,导致的神经源性的眼睑退缩,眼睑退缩也成为临床诊断的重要指标之一。眼睑退缩不仅可能使患者造成难以接受的面容损毁,而且会导致视力威胁的暴露性角膜病变,如角膜溃疡。因此针对眼睑退缩的测量对于临床诊断是至关重要的,可以通过测量眼裂宽度反应眼睑退缩的程度。
目前,临床上通常采用毫米尺来检测眼裂宽度,但是,该方法在测量时,由于读数不精确且受操作者水平和习惯的影响,测量数据容易造成误差。而在相关疾病患者的诊断与评估上,1mm的浮动往往预示着患者病情的变化,因此在测量精度上往往要求较高,而上述测量方法会造成患者的漏诊、误诊,耽误患者的病情进程。
此外,现有技术中也有采用自动测量方式判断眼睑是否退缩的方案。如中国专利“甲状腺相关眼病的眼部体征识别方法及设备”(申请号:202010803761.6,公开日:2020年10月30日)所述,通过图像识别和神经网络训练识别出角膜和巩膜,再通过角膜和巩膜的图像判别上眼睑和角膜区域上缘是否暴露巩膜区域,从而确定是否存在眼睑退缩。但是,该方式对于三白眼的人或者因为近视导致眼球突出而露眼白的人会造成误判。如中国专利“基于图像处理的眨眼次数分析方法和***”(申请号:201910939612.X,公开日:2020年02月04日)所述,通过拍摄的人眼图像确定虹膜轮廓和巩膜轮廓,通过虹膜轮廓和巩膜轮廓确定眼裂边界,通过人眼眼裂的上边界点的坐标和下边界点的坐标之差计算眼裂高度。但是,眼裂高度的定义为通过瞳孔中心线的上下眼睑之间的距离,上述方式确定出的眼裂高度可能为眼裂的斜向距离。
此外,虽然现有技术中也公开了通过神经网络训练进行眼部图像分割的方法,从而能够区分眼部图像的虹膜、巩膜、瞳孔、背景,但是,采用神经网络训练从静态图像中分割眼部图像的各个部分,有时候存在训练精度不高的问题,因此,有必要进一步寻求眼裂宽度测量的改进方案。
发明内容
为了克服现有技术测量眼裂宽度准确度不高或者复杂的缺点,本申请实施例提供了一种眼裂宽度的测量方法、装置及存储介质。
为了实现上述目的,本申请采用以下技术方案:
一方面,提供一种眼裂宽度的测量方法,该方法包括:
拍摄获取用户平视前方的第一眼位图;
拍摄获取用户保持眼皮不动眼球在水平方向上随着跟踪点左右移动的视频流;
采用神经网络从所述第一眼位图中分割出瞳孔中心,并得到竖直方向的瞳孔中心线,采用神经网络从所述视频流的各帧中分割出静态与动态的交接点,通过交接点的集合得到眼裂的轮廓;
求出所述瞳孔中心线上的眼裂的轮廓的上下距离,利用所述距离得到眼裂宽度。
进一步地,采用神经网络从视频流的各帧中分割出静态与动态的交接点,具体包括:比对所述视频流中相邻的两帧,得出两帧之间每一个像素的移动率,采用卷积与循环神经网络模型分割出静态与动态的交接点。
进一步地,采用神经网络从视频流的各帧中分割出静态与动态的交接点时,分割横向移动和纵向移动,采用纵向移动剔除眨眼的影响。
进一步地,所述眼裂宽度为:
眼裂宽度(B)=眼裂宽度的像素距离(A)×单像素宽长×眼裂到相机镜头的距离(D)÷相机感光片到相机镜头的距离(C),其中,眼裂宽度的像素距离(A)为所述瞳孔中心线上的眼裂的轮廓的上下距离。
进一步地,所述眼裂到相机镜头的距离为:
眼裂到相机镜头的距离(D)=眼角卡点到相机镜头的距离(1)-眼球突出度(2),所述眼球突出度(2)取正常人眼球突出度的平均值。
进一步地,对眼裂宽度采取多次测量求平均值的方法剔除误差。
一方面,提供一种眼裂宽度的测量装置,包括:
第一获取模块,用于拍摄获取用户平视前方的第一眼位图;
第二获取模块,用于拍摄获取用户保持眼皮不动眼球在水平方向上随着跟踪点左右移动的视频流;
分割模块,用于从该第一眼位图中分割出瞳孔中心得到竖直方向的瞳孔中心线,从该视频流的各帧中分割出静态与动态的交接点,通过该交接点的集合得到眼裂的轮廊;
计算模块,用于通过所述瞳孔中心线上的眼裂的轮廊的上下距离,计算眼裂宽度。
进一步,所述分割模块,还包括:分割子模块,用于从所述视频流的各帧中分割出静态与动态的交接点时,分割横向移动和纵向移动,并采用纵向移动剔除眨眼的影响。
一方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行以实现该眼裂宽度的测量方法所执行的操作。
本申请的技术方案相较于现有技术,至少具有如下有益效果:通过神经网络从静态的第一眼位图中分割出瞳孔中心和瞳孔中心线,通过基于光流法的动态分割法来分割眼皮和眼球的交接点,从而识别眼眶形状,通过瞳孔中心线在眼眶外轮廓上的上下距离求出眼裂宽度,能够提高对眼裂的识别精度。
附图说明
图1为本申请提供的一种眼裂宽度的测量方法的流程图;
图2为本申请提供的通过语义分割得到的瞳孔和虹膜示意图;
图3为本申请提供的眼裂宽度的计算原理示意图;
图4为本申请提供的一种眼裂宽度的测量装置的结构示意图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
图1是本申请实施例提供的一种眼裂宽度的测量方法的流程图,如图1所示,一种眼裂宽度的测量方法,包括以下步骤:
步骤S1:拍摄获取用户平视前方的第一眼位图;
拍摄的图像在自然光场中进行,从而可以免受红血丝对于成像的影响。
步骤S2:拍摄获取用户保持眼皮不动眼球在水平方向上随着跟踪点左右移动的视频流;
具体可包括,设置跟踪点为水平方向上的一组指示灯,指示灯从左向右或从右向左依次亮起,用户在指示灯的指示下随着跟踪点左右移动眼球,例如拍摄20s的视频流。
步骤S3:采用神经网络从所述第一眼位图中分割出瞳孔中心,并得到竖直方向的瞳孔中心线,采用神经网络从所述视频流的各帧中分割出静态与动态的交接点,通过交接点的集合得到眼裂的轮廓;
上述步骤中,如图2所示,将获取的眼部图像输入神经网络,输出图像中每一个像素最有可能的类别(如虹膜或瞳孔),即采用语义分割神经网络分割出不受眼皮遮挡的虹膜与瞳孔,从而可以通过此网络直接得出瞳孔中心点在第一眼位图中的坐标点,通过此坐标点作竖直方向的垂线,即可得到竖直方向的瞳孔中心线。
采用神经网络从视频流的各帧中分割出静态与动态的交接点,其中静态指眼皮,动态指眼球,眼球转动过程中二者相对运动,具体包括:将眼部视频流中相邻的一前一后两帧输入神经网络,通过比对视频流中相邻的两帧,输出前一帧图像中每一个像素在两帧之间的位移,即得出两帧之间每一个像素的移动率,采用卷积与循环神经网络模型分割出静态与动态的交接点。
采用神经网络从视频流的各帧中分割出静态与动态的交接点时,分割横向移动和纵向移动,采用纵向移动剔除眨眼的影响。
传统上,光流被视为一个能量最小化的问题,在数据项和正则化项之间进行权衡。可利用变分框架将光流制定为一个连续优化问题。并能够通过执行梯度步骤来估计一个密集的流场。同时也可以通过引入一个稳健的估计框架来解决过度平滑和噪声敏感性的问题。利用L1数据项取代了四次方用L1数据项和总变异正则化取代了二次元的惩罚,它允许运动不连续并能更好地处理异常值。通过定义更好的匹配成本和正则化项,已经取得了一些改进。这种连续公式保持了对光流的单一估计,并在每次迭代中加以完善。为了确保平滑的目标函数,使用了一阶泰勒近似法来模拟数据项。因此,它们只对小位移起作用。为了处理大位移,采用了从粗到细的策略,即用图像金字塔在低分辨率下估计大位移,然后在高分辨率下细化小位移。但是这种从粗到细的策略可能会错过快速移动的小物体,并且很难从早期的错误中恢复过来。与连续方法一样,本申请中维持一个单一的光流估计值,并在每次迭代中加以完善。然而,由于在高分辨率和低分辨率下都为所有的对建立了相关体积,所以每次局部更新都会使用关于小位移和大位移的信息。此外,本申请的更新算子不是使用数据项的子像素泰勒近似,而是学习提出下降方向。训练中通过模拟中的照片集来完成初步训练,之后再通过更加真实的视频来加强训练。
通过对比一个视频中的前后两帧图片的之间的区别,而得出视频中物体的移动方向。此神经网络可通过模拟中生成的视频流来训练。由于模拟中已知物体的时间与空间连续性,可知前后两帧图片的物体与其移动方向。在一种可能的实现方式中,本申请在训练过程中采用了一个现有的利用模拟视频与车辆视频来训练的模型,例如代表性的RAFT(Recurrent All-Pairs Field Transforms for Optical Flow,基于全局匹配的光流学***均,并利用事先定义的阈值得出视频里眼睛画面中的眼球部分。
步骤S4:求出瞳孔中心线上的眼裂的轮廓的上下距离,根据所述距离得到眼裂宽度。
如图3所示,所述步骤S4中根据相似三角形原理计算眼裂宽度,计算方法如下:
眼裂宽度B=眼裂宽度的像素距离A×单像素宽长×眼裂到相机镜头的距离D÷相机感光片到相机镜头的距离C,其中,眼裂宽度的像素距离A为所述瞳孔中心线上的眼裂的轮廓的上下距离。
其中,眼裂到相机镜头的距离D=眼角卡点到相机镜头的距离1-眼球突出度2。
本申请中的眼球突出度2取正常人眼球突出度的平均值。从统计平均学的角度来看,正常人眼球突出度的平均值可以取12-14mm。由于在实际的操作中,眼角卡点到相机镜头的距离1是已知的,相机感光片到相机镜头的距离C也是已知的,眼裂宽度的像素距离A可以从所拍摄的第一眼位图中获取到,单像素宽长也是已知的定值,因此,可通过上述计算方法,获得眼裂宽度的值。
由于训练过程中保持眼皮不动眼球左右移动,因此,每一次的移动可能带来眼裂宽度计算上的差异,为了保证眼裂宽度计算的准确性,对眼裂宽度采取多次测量求平均值的方法剔除误差,在一种可能的实现方式中,本实施例中采用两次或者三次的测量平均值作为眼裂宽度的最终计算值,以提高眼裂宽度的测量精度,本申请对测量次数不作限定。
图4是一种眼裂宽度的测量装置的框架示意图。参照图4,该装置包括第一获取模块401、第二获取模块402、分割模块403和计算模块404,其中,
第一获取模块401,用于拍摄获取用户平视前方的第一眼位图。
第二获取模块402,用于拍摄获取用户保持眼皮不动眼球在水平方向上随着跟踪点左右移动的视频流。
在一种可能的实现方式中,第一获取模块和第二获取模块响应于获取指令,控制图像或视频采集设备,分别获取用户平视前方的第一眼位图和用户保持眼皮不动眼球在水平方向上随着跟踪点左右移动的视频流。
分割模块403,包括采用神经网络从第一眼位图中分割出瞳孔中心得到竖直方向的瞳孔中心线,以及采用神经网络从采集的视频流的各帧中分割出静态与动态的交接点,并集合分割出的静态与动态的交接点提取到眼裂的轮廊。
在一种可能的实现方式中,分割模块403还包括分割子模块,用于对前述从视频流的各帧中分割出静态与动态的交接点时,分割横向移动和纵向移动,并采用纵向移动剔除眨眼的影响,即纵向移动的距离超过一定阈值时识别为眨眼。
计算模块404,用于通过前述瞳孔中心线上的眼裂的轮廊的上下距离,计算眼裂宽度。
关于上述实施例中的眼裂宽度的测量装置,其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述,相关之处参见方法实施例的部分说明。
在示例性实施例中,还提供了一种计算机可读存储介质,包括存储有至少一条程序代码的存储器,所述至少一条程序代码由处理器加载并执行以完成上述实施例中的眼裂宽度的测量方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact Disc Read-OnlyMemory,CDROM)、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来至少一条程序代码相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种眼裂宽度的测量方法,其特征在于,所述方法包括:
拍摄获取用户平视前方的第一眼位图;
拍摄获取用户保持眼皮不动眼球在水平方向上随着跟踪点左右移动的视频流;
采用神经网络从所述第一眼位图中分割出瞳孔中心,并得到竖直方向的瞳孔中心线,采用神经网络从所述视频流的各帧中分割出静态与动态的交接点,通过所述交接点的集合得到眼裂的轮廓;
求出所述瞳孔中心线上的眼裂的轮廓的上下距离,利用所述距离计算眼裂宽度。
2.根据权利要求1所述的眼裂宽度的测量方法,其特征在于,采用神经网络从所述视频流的各帧中分割出静态与动态的交接点,包括:
比对所述视频流中相邻的两帧,得出两帧之间每一个像素的移动率,采用卷积与循环神经网络模型分割出静态与动态的交接点。
3.根据权利要求1或2所述的眼裂宽度的测量方法,其特征在于,采用神经网络从所述视频流的各帧中分割出静态与动态的交接点时,分割横向移动和纵向移动,采用纵向移动剔除眨眼的影响。
4.根据权利要求1所述的眼裂宽度的测量方法,其特征在于,所述眼裂宽度为:
眼裂宽度(B)=眼裂宽度的像素距离(A)×单像素宽长×眼裂到相机镜头的距离(D)÷相机感光片到相机镜头的距离(C)
其中,眼裂宽度的像素距离(A)为所述瞳孔中心线上的眼裂的轮廓的上下距离。
5.根据权利要求4所述的眼裂宽度的测量方法,其特征在于,所述眼裂到相机镜头的距离为:
眼裂到相机镜头的距离(D)=眼角卡点到相机镜头的距离(1)-眼球突出度(2),其中,所述眼球突出度(2)取正常人眼球突出度的平均值。
6.根据权利要求5所述的眼裂宽度的测量方法,其特征在于,对眼裂宽度采取多次测量求平均值的方法剔除误差。
7.一种眼裂宽度的测量装置,其特征在于,包括:
第一获取模块,用于拍摄获取用户平视前方的第一眼位图;
第二获取模块,用于拍摄获取用户保持眼皮不动眼球在水平方向上随着跟踪点左右移动的视频流;
分割模块,用于从所述第一眼位图中分割出瞳孔中心得到竖直方向的瞳孔中心线,从所述视频流的各帧中分割出静态与动态的交接点,通过所述交接点的集合得到眼裂的轮廊;
计算模块,用于通过所述瞳孔中心线上的眼裂的轮廊的上下距离,计算眼裂宽度。
8.根据权利要求7所述的眼裂宽度的测量装置,其特征在于,所述分割模块,还包括:分割子模块,用于从所述视频流的各帧中分割出静态与动态的交接点时,分割横向移动和纵向移动,并采用纵向移动剔除眨眼的影响。
9.一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中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现如权利要求1至6任一项所述的眼裂宽度的测量方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989509.8A CN115886717B (zh) | 2022-08-18 | 2022-08-18 | 一种眼裂宽度的测量方法、装置和存储介质 |
PCT/CN2023/113448 WO2024037579A1 (zh) | 2022-08-18 | 2023-08-17 | 一种眼裂宽度的测量方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989509.8A CN115886717B (zh) | 2022-08-18 | 2022-08-18 | 一种眼裂宽度的测量方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115886717A true CN115886717A (zh) | 2023-04-04 |
CN115886717B CN115886717B (zh) | 2023-09-29 |
Family
ID=86487145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210989509.8A Active CN115886717B (zh) | 2022-08-18 | 2022-08-18 | 一种眼裂宽度的测量方法、装置和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115886717B (zh) |
WO (1) | WO2024037579A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037579A1 (zh) * | 2022-08-18 | 2024-02-22 | 上海市内分泌代谢病研究所 | 一种眼裂宽度的测量方法、装置和存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000023100A (ja) * | 1998-07-07 | 2000-01-21 | Ricoh Co Ltd | 電子スチルカメラ、電子スチルカメラの動画撮影方法、およびコンピュータが実行可能なプログラムを格納した記録媒体 |
JP2006157691A (ja) * | 2004-11-30 | 2006-06-15 | Nippon Telegr & Teleph Corp <Ntt> | 代表画像選定方法及び装置及びプログラム |
JP2009181424A (ja) * | 2008-01-31 | 2009-08-13 | Nec Corp | 画像処理装置、画像処理方法及び画像処理プログラム |
US20140072230A1 (en) * | 2011-03-11 | 2014-03-13 | Omron Corporation | Image processing device and image processing method |
US20170293354A1 (en) * | 2016-04-09 | 2017-10-12 | Beihang University | Calculation method of line-of-sight direction based on analysis and match of iris contour in human eye image |
CN108062507A (zh) * | 2016-11-08 | 2018-05-22 | 中兴通讯股份有限公司 | 一种视频处理方法及装置 |
US20190370959A1 (en) * | 2018-05-30 | 2019-12-05 | Viswesh Krishna | Techniques for identifying blepharoptosis from an image |
CN111033442A (zh) * | 2017-09-01 | 2020-04-17 | 奇跃公司 | 用于稳健的生物特征应用的详细的眼睛形状模型 |
KR20200086742A (ko) * | 2017-12-14 | 2020-07-17 | 삼성전자주식회사 | 응시 거리를 결정하는 방법 및 디바이스 |
CN111664839A (zh) * | 2020-05-20 | 2020-09-15 | 重庆大学 | 车载抬头显示虚像距离测量方法 |
CN112384127A (zh) * | 2018-07-27 | 2021-02-19 | 高雄医学大学 | 眼睑下垂检测方法及*** |
CN112932407A (zh) * | 2021-01-29 | 2021-06-11 | 上海市内分泌代谢病研究所 | 一种面部正面校准方法及*** |
CN113080836A (zh) * | 2021-03-31 | 2021-07-09 | 上海青研科技有限公司 | 非中心注视的视觉检测与视觉训练设备 |
WO2021260526A1 (en) * | 2020-06-23 | 2021-12-30 | Mor Research Applications Ltd. | System and method for characterizing droopy eyelid |
CN114694236A (zh) * | 2022-03-08 | 2022-07-01 | 浙江大学 | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 |
CN114910052A (zh) * | 2022-05-27 | 2022-08-16 | 深圳市立体通技术有限公司 | 一种基于摄像头的测距方法、控制方法、装置和电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340922A (zh) * | 2018-12-18 | 2020-06-26 | 北京三星通信技术研究有限公司 | 定位与地图构建的方法和电子设备 |
CN110335266B (zh) * | 2019-07-04 | 2023-04-07 | 五邑大学 | 一种智能中医目诊图像处理方法及装置 |
CN112837805B (zh) * | 2021-01-12 | 2024-03-29 | 浙江大学 | 基于深度学习的眼睑拓扑形态特征的提取方法 |
CN114821756A (zh) * | 2022-05-20 | 2022-07-29 | 上海美沃精密仪器股份有限公司 | 一种基于深度学习的眨眼数据统计方法和装置 |
CN115886717B (zh) * | 2022-08-18 | 2023-09-29 | 上海佰翊医疗科技有限公司 | 一种眼裂宽度的测量方法、装置和存储介质 |
-
2022
- 2022-08-18 CN CN202210989509.8A patent/CN115886717B/zh active Active
-
2023
- 2023-08-17 WO PCT/CN2023/113448 patent/WO2024037579A1/zh unknown
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000023100A (ja) * | 1998-07-07 | 2000-01-21 | Ricoh Co Ltd | 電子スチルカメラ、電子スチルカメラの動画撮影方法、およびコンピュータが実行可能なプログラムを格納した記録媒体 |
JP2006157691A (ja) * | 2004-11-30 | 2006-06-15 | Nippon Telegr & Teleph Corp <Ntt> | 代表画像選定方法及び装置及びプログラム |
JP2009181424A (ja) * | 2008-01-31 | 2009-08-13 | Nec Corp | 画像処理装置、画像処理方法及び画像処理プログラム |
US20140072230A1 (en) * | 2011-03-11 | 2014-03-13 | Omron Corporation | Image processing device and image processing method |
US20170293354A1 (en) * | 2016-04-09 | 2017-10-12 | Beihang University | Calculation method of line-of-sight direction based on analysis and match of iris contour in human eye image |
CN108062507A (zh) * | 2016-11-08 | 2018-05-22 | 中兴通讯股份有限公司 | 一种视频处理方法及装置 |
CN111033442A (zh) * | 2017-09-01 | 2020-04-17 | 奇跃公司 | 用于稳健的生物特征应用的详细的眼睛形状模型 |
KR20200086742A (ko) * | 2017-12-14 | 2020-07-17 | 삼성전자주식회사 | 응시 거리를 결정하는 방법 및 디바이스 |
US20190370959A1 (en) * | 2018-05-30 | 2019-12-05 | Viswesh Krishna | Techniques for identifying blepharoptosis from an image |
CN112384127A (zh) * | 2018-07-27 | 2021-02-19 | 高雄医学大学 | 眼睑下垂检测方法及*** |
US20210298595A1 (en) * | 2018-07-27 | 2021-09-30 | Kaohsiung Medical University | Method and system for detecting blepharoptosis |
CN111664839A (zh) * | 2020-05-20 | 2020-09-15 | 重庆大学 | 车载抬头显示虚像距离测量方法 |
WO2021260526A1 (en) * | 2020-06-23 | 2021-12-30 | Mor Research Applications Ltd. | System and method for characterizing droopy eyelid |
CN112932407A (zh) * | 2021-01-29 | 2021-06-11 | 上海市内分泌代谢病研究所 | 一种面部正面校准方法及*** |
CN113080836A (zh) * | 2021-03-31 | 2021-07-09 | 上海青研科技有限公司 | 非中心注视的视觉检测与视觉训练设备 |
CN114694236A (zh) * | 2022-03-08 | 2022-07-01 | 浙江大学 | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 |
CN114910052A (zh) * | 2022-05-27 | 2022-08-16 | 深圳市立体通技术有限公司 | 一种基于摄像头的测距方法、控制方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
严健全: "人像透视画法在视频画像中的运用", 广东公安科技, no. 120, pages 13 - 18 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037579A1 (zh) * | 2022-08-18 | 2024-02-22 | 上海市内分泌代谢病研究所 | 一种眼裂宽度的测量方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024037579A1 (zh) | 2024-02-22 |
CN115886717B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Narasimha-Iyer et al. | Robust detection and classification of longitudinal changes in color retinal fundus images for monitoring diabetic retinopathy | |
CN109684915B (zh) | 瞳孔跟踪图像处理方法 | |
CN108985210A (zh) | 一种基于人眼几何特征的视线追踪方法及*** | |
US20220100268A1 (en) | Eye tracking device and a method thereof | |
CN109697719A (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
CN113342161A (zh) | 一种基于近眼相机的视线追踪方法 | |
CN112837805A (zh) | 基于深度学习的眼睑拓扑形态特征的提取方法 | |
Giachetti et al. | Multiresolution localization and segmentation of the optical disc in fundus images using inpainted background and vessel information | |
CN115886717B (zh) | 一种眼裂宽度的测量方法、装置和存储介质 | |
CN113692527A (zh) | 用于测量眼镜片的局部屈光力和/或屈光力分布的方法和装置 | |
Charriere et al. | Automated surgical step recognition in normalized cataract surgery videos | |
Kaya | A novel method for optic disc detection in retinal images using the cuckoo search algorithm and structural similarity index | |
Xue et al. | Optic disk detection and segmentation for retinal images using saliency model based on clustering | |
Shetty et al. | A novel approach for glaucoma detection using fractal analysis | |
JP2002366958A (ja) | 画像認識方法および画像認識装置 | |
CN114020155A (zh) | 一种基于眼动仪的高精度视线定位方法 | |
CN110598635B (zh) | 一种针对连续视频帧中的人脸检测与瞳孔定位方法及*** | |
Raza et al. | Hybrid classifier based drusen detection in colored fundus images | |
JP3726122B2 (ja) | 視線検出システム | |
CN115908237B (zh) | 一种眼裂宽度的测量方法、装置和存储介质 | |
CN110751064B (zh) | 基于图像处理的眨眼次数分析方法和*** | |
Charoenpong et al. | Accurate pupil extraction algorithm by using integrated method | |
Utama et al. | Pupil Center Detection Using Radial Symmetry Transform to Measure Pupil Distance in the Eye | |
CN111369496B (zh) | 一种基于星射线的瞳孔中心定位方法 | |
CN114373216B (zh) | 用于眼前节octa的眼动追踪方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |