[发明专利]基于运动能量识别眼睑痉挛的方法

权利要求书

1.基于运动能量识别眼睑痉挛的方法，其特征在于：以视频图像序列为信息载体，使用智能分析算法，自动提取受试者的面部运动特征，识别眼睑痉挛疾病及其类型，主要包括如下步骤：

步骤1，面部视频采集；

步骤2，面部关键点定位；

步骤3，面部区域分割；

步骤4，面部序列图像处理；

步骤5，面部运动特征提取；

步骤6，眼睑痉挛识别分型。

2.根据权利要求1所述的基于运动能量识别眼睑痉挛的方法，其特征在于：步骤1中，使用摄像机或手机，拍摄受试者在静坐状态下的面部运动视频图像序列，其中受试者包括眼睑痉挛患者和健康对照者，并由运动障碍疾病诊治专家观看受试者面部运动视频图像，诊断受试者是否患病及患病类型；根据患者眼部异常运动的临床表现，将面部运动障碍疾病中的眼睑痉挛分为不伴眼睑闭合、部分眼睑闭合及完全眼睑闭合三类，与健康受试者形成对照，构建眼睑痉挛疾病视频图像数据集。

3.根据权利要求1所述的基于运动能量识别眼睑痉挛的方法，其特征在于：步骤2中，使用多任务级联卷积神经网络(MTCNN)，对视频图像序列中的人脸进行检测与对齐处理，人脸边框回归任务预测每一个边框的左上角坐标、边框的高和宽，计算每一个候选边框与位置最近的标注框y_i^box的差值，通过最小化欧氏距离回归损失确定最优边框，其中回归损失函数的表达式为：

根据回归得到的人脸边框，使用卷积专家约束局部模型(CE-CLM)，对输入的视频图像序列进行面部关键点检测；CE-CLM模型由两个主要部分组成：响应图的计算和形状参数的更新，前者使用卷积专家网络(CEN)计算响应映射，后者使用点分布模型进行形状参数的更新；迭代过程中，所有标记点的位置更新是相互影响的，其中优化目标函数的表达式为：

式中，p*是控制标记点位置的最优参数集，p是当前估计值，D_i是输入图像I中x_i的对齐概率，R(*)是点分布模型实施的正则化项。

4.根据权利要求1所述的基于运动能量识别眼睑痉挛的方法，其特征在于，步骤3中，根据CE-CLM模型得到面部68个特征点位置，将各特征点位置坐标转换到像素坐标系中，通过面部五官关键点将面部图像分割成多个感兴趣区域(ROI)；本发明针对眼部ROI进行处理，每只眼睛6个特征点P＝{(x₁,y₁),...,(x_i,y_i)},i＝1,2,...,6，分别分布于内外眼角、上眼睑和下眼睑，以内外眼角特征点连线的中点为中心P_c(x_c,y_c)，裁取大小为120×50像素的眼部ROI，并保证眼部轮廓、形状和纹理细节信息完整。