瞳孔、光斑定位方法、数据计算方法及相关装置制造方法及图纸

一种瞳孔、光斑定位方法、数据计算方法及相关装置，该瞳孔定位方法，包括：利用预训练的深度卷积神经网络模型对当前近眼图像进行特征区域提取，以得到预设尺寸的瞳孔区域图像；将所述瞳孔区域图像进行二值化处理，得到预处理瞳孔区域图像；根据边缘提取算法提取所述预处理瞳孔区域图像中的瞳孔轮廓特征点；对所述瞳孔轮廓特征点进行椭圆拟合，以确定瞳孔的中心位置。通过深度卷积神经网络定位瞳孔的准确区域，对定位区域内瞳孔做椭圆边界拟合瞳孔轮廓，定位瞳孔中心。通过该方法可以避开眼睫毛、虹膜等噪声区域，大大提高瞳孔定位的效率和准确性。

【技术实现步骤摘要】
瞳孔、光斑定位方法、数据计算方法及相关装置
本专利技术涉及计算机视觉
，特别是涉及一种瞳孔、光斑定位方法、数据计算方法及相关装置。
技术介绍
视线追踪也称之为眼动跟踪，是利用摄像机设备实时观测人眼球的运动情况，通过一定的方法估算出视线的方向和视线落点坐标的一种技术。目前基于图像处理的非干扰式视线跟踪技术是主要的发展趋势。瞳孔中心—角膜反射法在视线跟踪算法中是目前较为受欢迎的方法之一，该方法通过计算瞳孔中心与角膜反射之间的矢量来估计视线方向。然而，由于人眼固有的生理机制及眼动的非线性、随机性和复杂性，增加了瞳孔中心与角膜反射光斑定位的难度。在实际应用中，该算法对视线估计提取相关参数的精度和实时性也提出了挑战。视线跟踪算法的核心数据就是瞳孔和光斑的位置信息。无论是瞳孔的定位还是光斑的定位，现有技术中均是采用整个眼部的图像直接进行阈值分割和边缘检测，眼睫毛、受眼球高亮区域等噪声导致边缘检测误差较大，影响瞳孔和光斑定位的准确性。
技术实现思路
鉴于上述状况，有必要针对现有技术视线跟踪算法中核心数据计算准确性差的本文档来自技高网...

【技术保护点】
1.一种瞳孔定位方法，其特征在于，包括：/n利用预训练的深度卷积神经网络模型对当前近眼图像进行特征区域提取，以得到预设尺寸的瞳孔区域图像；/n将所述瞳孔区域图像进行二值化处理，得到预处理瞳孔区域图像；/n根据边缘提取算法提取所述预处理瞳孔区域图像中的瞳孔轮廓特征点；/n对所述瞳孔轮廓特征点进行椭圆拟合，以确定瞳孔的中心位置。/n

【技术特征摘要】
1.一种瞳孔定位方法，其特征在于，包括：
利用预训练的深度卷积神经网络模型对当前近眼图像进行特征区域提取，以得到预设尺寸的瞳孔区域图像；
将所述瞳孔区域图像进行二值化处理，得到预处理瞳孔区域图像；
根据边缘提取算法提取所述预处理瞳孔区域图像中的瞳孔轮廓特征点；
对所述瞳孔轮廓特征点进行椭圆拟合，以确定瞳孔的中心位置。


2.如权利要求1所述的瞳孔定位方法，其特征在于，所述根据边缘提取算法提取所述预处理瞳孔区域图像中的瞳孔轮廓特征点的步骤包括：
利用聚类阈值算法对所述预处理瞳孔区域图像进行聚类分析，以将所述预处理瞳孔区域图像中的各像素点聚类为瞳孔区域的像素点、光斑区域的像素点和虹膜区域的像素点；
查找所述瞳孔区域的像素点中邻域为虹膜区域的像素点，并确定为瞳孔轮廓特征点。


3.如权利要求1所述的瞳孔定位方法，其特征在于，所述利用预训练的深度卷积神经网络模型对当前近眼图像进行特征区域提取的步骤之前还包括：
获取多张近眼图像，并利用预设尺寸的矩形框对各个所述近眼图像进行瞳孔区域标注，得到瞳孔区域图像；
获取各个所述瞳孔区域图形的顶点坐标、长度和宽度，并将获取的各个图形的顶点坐标、长度和宽度作为标签数据；
构建的深度卷积神经网络模型，并利用获取的多张近眼图像以及所述标签数据对所述深度卷积神经网络模型进行训练。


4.一种用于视线追踪的数据计算方法，其特征在于，包括：
利用预训练的深度卷积神经网络模型对当前近眼图像进行特征区域提取，以得到第一预设尺寸的虹膜区域图像和第二预设尺寸的瞳孔区域图像，所述虹膜区域图像为覆盖虹膜区域和瞳孔区域的图像；
将所述虹膜区域图像和所述瞳孔区域图像分别进行二值化处理，分别得到预处理虹膜区域图像和预处理瞳孔区域图像；
根据所述预处理瞳孔区域图像确定所述当前近眼图像中的瞳孔的中心位置；
根据所述预处理虹膜区域图像确定所述当前近眼图像中光斑的数量和各个光斑的中心位置，并根据所述光斑数量确定所述当前近眼图像中缺失光斑的数量；
当缺失光斑的数量小于预设值时，根据各个所述光斑的中心位置确定各个所述光斑的ID；
当缺失光斑的数量大于或等于预设值时，根据所述瞳孔的中心位置确定所述当前近眼图像中各个所述光斑的ID。


5.如权利要求4所述的数据计算方法，其特征在于，所述根据所述预处理瞳孔区域图像确定所述当前近眼图像中的瞳孔的中心位置的步骤包括：
根据边缘提取算法提取所述预处理瞳孔区域图像中的瞳孔轮廓特征点；
对所述瞳孔轮廓特征点进行椭圆拟合，以确定瞳孔的中心位置。


6.如权利要求5所述的数据计算方法，其特征在于，所述根据边缘提取算法提取所述预处理瞳孔区域图像中的瞳孔轮廓特征点的步骤包括：
利用聚类阈值算法对所述预处理瞳孔区域图像进行聚类分析，以将所述预处理瞳孔区域图像中的各像素点聚类为瞳孔区域的像素点、光斑区域的像素点和虹膜区域的像素点；
查找所述瞳孔区域的像素点中邻域为虹膜区域的像素点，并确定为瞳孔轮廓特征点。


7.如权利要求4所述的数据计算方法，其特征在于，所述根据所述预处理虹膜区域图像确定所述当前近眼图像中光斑的数量以及各个光斑的中心位置的步骤包括：
利用聚类阈值算法对所述预处理瞳孔区域图像进行聚类分析，以将所述预处理虹膜区域图像中的各像素点聚类为瞳孔区域的像素点、光斑区域的像素点、虹膜区域的像素点和虹膜外区域的像素点；
根据所述光斑区域的像素点的聚类数量确定所述当前近眼图像中的光斑数量；
将所述光斑区域的像素点的坐标在横向和纵向做均值计算，并将均值计算后的坐标作为对应光斑的中心位置的坐标。


8.如权利要求4所述的数据计算方法，其特征在于，标准近眼图像中所述光斑的数量为4，且所述预设值为3，其中，
当所述缺失光斑的数量为0时，所述根据各个所述光斑的中心位置确定各个所述光斑的ID的步骤包括：
根据各个所述光斑的中心位置以及所述虹膜区域图像的边界位置信息，确定各个所述光斑到所述虹膜区域图像各边界的当前距离，得到当前距离信息；
根据所述当前距离信息与标准距离信息之间的偏差，确定各个所述光斑的ID，所述标准距离信息包括标准近眼图像中各个标准光斑到标准虹膜区域的各边界的距离；
当所述缺失光斑的数量为1或2时，所述根据各个所述光斑的中心位置确定各个所述光斑的ID的步骤包括：
根据各个所述光斑的中心位置以及所述虹膜区域图像的边界位置信息，确定各个所述光斑到所述虹膜区域图像各边界的当前距离；
根据各个所述光斑与所述虹膜区域的各边界的当前距离的偏差，确定各个所述光斑的ID；
当所述缺失光斑的数量为3时，所述根据所述瞳孔的中心位置确定所述当前近眼图像中各个所述光斑的ID的步骤包括：
根据所述瞳孔的中心位置相对于标准近眼图像中标准瞳孔的中心位置的偏移方向确定所述光斑的ID。


9.如权利要求8所述的数据计算方法，其特征在于，所述根据所述当前距离信息与标准距离信息之间的偏差，确定各...

【专利技术属性】
技术研发人员：翟进有，沈忱，
申请(专利权)人：南昌虚拟现实研究院股份有限公司，
类型：发明
国别省市：江西;36