[发明专利]一种基于卷积神经网络的斜眼检测方法

权利要求书

1.一种基于卷积神经网络的斜眼检测方法，其特征在于，包括以下步骤：

S1：搜集斜眼图像，并建立由所述斜眼图像组成的斜眼图像库；

S2：利用常见的人脸数据库训练一个用于定位眼部区域的卷积神经网络，并确定所述卷积神经网络中的学习参数；

S3：利用东方人脸数据集和所述斜眼图像库训练一个用于斜眼识别的卷积神经网络，并确定所述卷积神经网络中的学习参数；

S4：利用步骤S2中所述训练好的用于定位眼部区域的卷积神经网络定位所述斜眼图像库中斜眼图像的眼部区域；

S5：对步骤S4中所得到的眼部区域进行裁剪；

S6：利用步骤S3中训练好的用于斜眼识别的卷积神经网络识别步骤S5中裁剪得到的眼部区域图像，输出斜眼检测的结果。

2.根据权利要求1所述基于卷积神经网络的斜眼检测方法，其特征在于：所述搜集斜眼图像所得到的图像为含有人脸正面照的图像，所述人脸正面照中眼部区域含有一只或两只眼睛。

3.根据权利要求1所述基于卷积神经网络的斜眼检测方法，其特征在于：所述步骤S2以及步骤S3中，用于定位眼部区域以及斜眼识别的两个卷积神经网络的训练均包括卷积神经网络的结构建立和卷积神经网络的参数学习。

4.根据权利要求3所述基于卷积神经网络的斜眼检测方法，其特征在于：所述步骤S2中，所述的神经网络是用于对眼部区域的定位；所述步骤S4中对斜眼图像的眼部区域进行定位，并在步骤S5中把定位框内眼部区域图像进行裁剪，得到眼部区域图像；所述步骤S6中利用步骤S3中的训练好的卷积神经网络对眼部区域图像进行斜眼识别。

5.根据权利要求3所述基于卷积神经网络的斜眼检测方法，其特征在于：用于定位眼部区域以及用于斜眼识别的卷积神经网络的结构建立均包括确定神经网络卷积层的层数和每个卷积层的特征图数、反卷积层的层数和每个反卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、反卷积层所用的反卷积核的大小、池化层所用的采样核的大小，还有训练步长。

6.根据权利要求3所述基于卷积神经网络的斜眼检测方法，其特征在于：用于定位眼部区域以及用于斜眼识别的卷积神经网络的参数学习均是通过不断降低损失函数的函数值来学习得到深度卷积神经网络的参数，其中，用于定位眼部区域的卷积神经网络的损失函数L({p_i}，{t_i})为：

其中，i表示卷积神经网络中第i个锚点，p_i为第i个锚点为眼部区域的预测概率，如果锚点为正则标签的真实值为1，锚点为负则为0，当为1时，回归损失函数L_reg被激活；t_i为包含定位框四个顶点坐标参数的向量，为定位框的真实值；L_cls为两个类(目标以及非目标)的log损失函数；L_reg表示定位框的回归损失函数，取为其中R为1范数损失函数。

用于斜眼识别的卷积神经网络的损失函数l为：

其中，g和分别表示图像属于斜眼的真实值和预测值，

g＝1表示图像属于斜眼，g＝0则为非斜眼，预测值表示属于斜眼的预测概率，分布在[0，1]之间；每张图像的大小为N×W×H，其中N表示输出的类别数目，W和H表示图像的宽和高，

n表示像素(i，j)的真实标记。

7.根据权利要求1－6任一项所述的基于卷积神经网络的斜眼检测方法，其特征在于：所述步骤S4中利用训练好的用于定位眼部区域的卷积神经网络对斜眼图像进行眼部区域定位后，得到一个含有眼部区域的定位框。

8.根据权利要求7所述的基于卷积神经网络的斜眼检测方法，其特征在于：所述步骤S5中裁剪所述斜眼图像的眼部区域，具体为根据步骤S4中所得到的含有眼部区域定位框的四个顶点坐标，对框内图像沿四个顶点组成的四条外边进行裁剪，得到眼部区域图像。