[发明专利]一种基于深度学习的眼睛高度测量方法

说明书

本发明公开了一种基于深度学习的眼睛高度测量方法，具体包括数据预处理，根据不同的神经网络重设数据集中图片的像素；图像分割，将图片输入神经网络中，分割得到仅包括眼睛部分的图像；眼部图像处理，检测提取眼部图像中的眼部轮廓线，分别通过作最小外接矩形与中垂线交点距离的方法，得到眼睛高度；最后输出结果，求取两个网络得到眼睛高度的平均值，作为最后的结果。与现有技术相比，本发明具有操作方便、过程简单、结果准确的优点，可以广泛应用于需要进行眼部外观整形手术的术前资料采集中，并且经过神经网络分割后的图像数据仅包含用户眼睛部分的图像，去除了其他面部特征，具有一定的安全性，可以保障用户隐私。

技术领域

本发明属于人工智能领域，具体涉及一种基于深度学习的眼睛高度测量方法。

背景技术

眼睛高度是指人在身体直立、眼睛向前平视时，上、下眼皮之间的距离。先天性的眼睑下垂以及眼肌无力引起的眼睑下垂都会使人的眼睛高度变小。眼睛高度不仅影响一个人的精神与外貌，还会影响视线。据统计，全国每年进行眼睛外观修正手术的人数达到数万人。而在资料收集的过程中，需要用户提供眼睛的高度、宽度等数据。

现有技术中，通常需要用户到达指定地点后，由专业人员使用尺子等测量工具对用户的眼部数据进行测量。然而在测量过程中，要求被测量人员长时间静止端坐，被测人员的轻微动作都会严重影响测量结果的准确性，对年龄较小的被测量人员来说，测量条件比较苛刻。同时，对测量人员的技术以及测量工具的精度，也有很高的要求。

发明内容

针对现有技术的不足，本发明提出了一种基于深度学习的眼睛高度测量方法，利用两个神经网络分别分割拍摄的用户照片后，对用户的眼睛高度进行测量，对两个网络分割后的测量结果取平均值，作为最终测得的用户眼睛高度。提高测量结果的准确度的同时，减少了测量过程花费的时间。

一种基于深度学习的眼睛高度测量方法，具体包括以下步骤：

步骤一、数据预处理

将原始图片的像素重设为320*480与224*224两种像素尺寸，分别得到测试集1与测试集2。

步骤二、图像分割

将测试集1输入训练好的FPN神经网络模型，将测试集2输入训练好的UNET神经网络模型中，两个网络的输出掩模只包含分割后得到的眼部图像。

步骤三、眼部图像处理

检测FPN神经网络模型输出的眼部图像中的眼部轮廓，根据轮廓线绘制最小外接矩形，将矩形的宽度作为FPN神经网络模型得到的眼睛高度。检测UNET神经网络模型输出的眼部图像中的眼部轮廓，提取眼部轮廓后找出轮廓的最左与最右像素点，作最左与最右像素点连线的中垂线，求出该中垂线与轮廓两个交点间的距离作为UNET神经网络模型得到的眼睛高度。

步骤四、输出结果

将步骤三中两个网络模型得到的眼睛高度相加后取平均值，作为最终测量得到的眼睛高度。

本发明具有以下有益效果：

1、将拍摄的用户图片输入神经网络进行分割后，再计算得出眼睛高度，过程简单、结果准确，改进了手工测量耗时长、对被测量者要求高以及测量结果精度低的缺点。

2、通过分别对两个网络的切割得到的眼部图像作最小外接矩形和作内外眼角中垂线的方法，间接计算得到眼睛高度，有效避免了拍摄角度不水平或照片旋转导致的测量误差。

3、神经网络分割后的图片仅包含用户的眼部部分，而不包含其他面部特征，不会造成用户隐私的泄露。

附图说明

图1为基于深度学习的眼睛高度测量方法流程图；

图2为实施例中深度学习模型详细结构图。