[发明专利]确定瞳孔位置的方法和装置

权利要求书

1.一种确定瞳孔位置的方法，其特征在于，包括：

获取包含瞳孔的待检测图像；

基于半监督学习的预设模型获取与预设区域对应的二值图像，其中，所述预设区域为所述待检测图像中所述瞳孔所在的区域；

获取所述二值图像的质心；

根据所述二值图像的质心确定所述瞳孔的中心位置；

在基于半监督学习的预设模型获取与预设区域对应的二值图像之前，所述方法还包括：获取多张待训练的图像中的第一类训练集和第二类训练集；获取网络模型，其中，所述网络模型用于将所述多张待训练的图像从原始图像转换为所述二值图像；构建所述网络模型的损失函数；根据所述第一类训练图像集、第二类训练图像集以及所述网络模型的损失函数构建所述预设模型，构建所述网络模型的损失函数包括：获取所述网络模型的超参数；在所述网络模型进行无监督学习的情况下，基于所述超参数确定所述网络模型的损失函数为第一损失函数和第二损失函数；在所述网络模型进行有监督学习的情况下，基于所述超参数确定所述网络模型的损失函数为第三损失函数和第四损失函数，根据所述第一类训练图像集、第二类训练图像集以及所述网络模型的损失函数构建所述预设模型包括：基于所述第一类训练图像集和所述第二类训练图像集对所述网络模型的判别器和生成器的参数进行更新，得到更新后的网络模型；在对所述网络模型的更新次数达到第一阈值的情况下，根据更新后的网络模型构建所述预设模型，基于所述第一类训练图像集和所述第二类训练图像集对所述网络模型的判别器和生成器的参数进行更新，得到更新后的网络模型包括：基于所述第一类训练图像集根据所述第二损失函数更新所述判别器的参数；基于所述第一类训练图像集根据所述第一损失函数更新所述生成器的参数；在对所述判别器和所述生成器的参数进行更新的次数达到第二阈值的情况下，基于所述第二类训练图像集根据所述第三损失函数更新所述生成器的参数；基于所述第二类训练图像集根据所述第四损失函数更新所述判别器的参数；其中，在对所述判别器和所述生成器的参数进行更新的次数达到第三阈值的情况下，对所述网络模型的更新次数进行加一操作，直至所述网络模型的更新次数达到所述第一阈值为止。

2.一种确定瞳孔位置的装置，其特征在于，包括：

第一获取模块，用于获取包含瞳孔的待检测图像；

第二获取模块，用于基于半监督学习的预设模型获取与预设区域对应的二值图像，其中，所述预设区域为所述待检测图像中所述瞳孔所在的区域；

第三获取模块，用于获取所述二值图像的质心；

确定模块，用于根据所述二值图像的质心确定所述瞳孔的中心位置；

第五获取模块，用于获取多张待训练的图像中的第一类训练集和第二类训练集；

第六获取模块，用于获取网络模型，其中，所述网络模型用于将所述多张待训练的图像从原始图像转换为所述二值图像；

第一构建模块，用于构建所述网络模型的损失函数；

第二构建模块，用于根据所述第一类训练图像集、第二类训练图像集以及所述网络模型的损失函数构建所述预设模型，

所述第一构建模块包括：

第七获取模块，用于获取所述网络模型的超参数；

第一确定模块，用于在所述网络模型进行无监督学习的情况下，基于所述超参数确定所述网络模型的损失函数为第一损失函数和第二损失函数；

第二确定模块，用于在所述网络模型进行有监督学习的情况下，基于所述超参数确定所述网络模型的损失函数为第三损失函数和第四损失函数，

所述第二构建模块包括：

第一更新模块，用于基于所述第一类训练图像集和所述第二类训练图像集对所述网络模型的判别器和生成器的参数进行更新，得到更新后的网络模型；

第三构建模块，用于在对所述网络模型的更新次数达到第一阈值的情况下，根据更新后的网络模型构建所述预设模型，

所述第一更新模块包括：

第二更新模块，用于基于所述第一类训练图像集根据所述第二损失函数更新所述判别器的参数；

第三更新模块，用于基于所述第一类训练图像集根据所述第一损失函数更新所述生成器的参数；

第四更新模块，用于在对所述判别器和所述生成器的参数进行更新的次数达到第二阈值的情况下，基于所述第二类训练图像集根据所述第三损失函数更新所述生成器的参数；

第五更新模块，用于基于所述第二类训练图像集根据所述第四损失函数更新所述判别器的参数；

其中，在对所述判别器和所述生成器的参数进行更新的次数达到第三阈值的情况下，对所述网络模型的更新次数进行加一操作，直至所述网络模型的更新次数达到所述第一阈值为止。