筛查方法及相关设备技术

本申请涉及人工智能技术领域，提供一种筛查方法及相关设备，应用于电子设备，所述电子设备包括拍摄装置，所述方法包括：利用拍摄装置获取人脸图像将人脸图像输入预设的关键点检测模型，生成标注有目标关键点的第一目标检测图像；将第一目标检测图像输入预设的注视点回归模型，得到映射在拍摄装置上的注视点，并确定注视点在拍摄装置上的注视点位置；计算注视点位置映射在拍摄装置的目标区域的概率，根据概率确定筛查结果。本申请能够降低筛查成本。本。本。

【技术实现步骤摘要】
筛查方法及相关设备


[0001]本申请涉人工智能
，具体涉及一种筛查方法及相关设备。

技术介绍

[0002]现有的行为学观察法通常采用眼动追踪装置采集眼动数据，并结合筛查服务器得到待筛查人员的筛查结果，但是这类方法的检测时间较长，并且需要额外的眼动采集仪和筛查服务器，筛查成本较高。

技术实现思路

[0003]鉴于以上内容，有必要提出一种筛查方法及相关设备，解决了筛查成本较高的技术问题。
[0004]本申请的第一方面提供一种筛查方法，应用于电子设备，所述电子设备包括拍摄装置，所述方法包括：
[0005]利用所述拍摄装置获取人脸图像；
[0006]将所述人脸图像输入预设的关键点检测模型，生成标注有目标关键点的第一目标检测图像；
[0007]将所述第一目标检测图像输入预设的注视点回归模型，得到映射在所述拍摄装置上的注视点，并确定所述注视点在所述拍摄装置上的注视点位置；
[0008]计算所述注视点位置映射在所述拍摄装置的目标区域的概率，根据所述概率确定筛查结果。
[0009]在一些可选的实施方式中，在所述利用所述拍摄装置获取人脸图像之前，所述方法还包括：
[0010]获取训练数据、验证数据以及验证数据对应的验证标签；
[0011]根据预先设置的多个不同的超参数，将所述训练数据输入神经网络进行训练，得到不同超参数对应的初始关键点检测模型；
[0012]将所述验证数据分别输入不同超参数对应的初始关键点检测模型，得到每个所述初始关键点检测模型输出的初始关键点检测结果；
[0013]根据每个所述初始关键点检测结果与所述验证标签，计算每个所述初始关键点检测模型的损失函数值；
[0014]比较所述每个所述初始关键点检测模型的损失函数值的大小，确定多个所述初始关键点检测模型中损失函数值最小的模型作为经过训练的关键点检测模型。
[0015]在一些可选的实施方式中，在确定所述经过训练的关键点检测模型之后，所述方法还包括：
[0016]获取测试数据以及所述测试数据对应的测试标签；
[0017]将所述测试数据输入所述经过训练的关键点检测模型进行测试，生成测试关键点检测结果；
[0018]根据所述测试关键点检测结果与所述测试标签，计算所述经过训练的关键点检测模型的误差值和拟合度；
[0019]若所述误差值大于第一阈值或所述拟合度小于第二阈值，返回执行获取训练数据以及验证数据的步骤；
[0020]若所述误差值不大于第一阈值且所述拟合度不小于第二阈值，将所述经过训练的关键点检测模型作为所述预设的关键点检测模型。
[0021]在一些可选的实施方式中，在所述拍摄装置上设置有多个测试点，所述方法还包括构建注视点回归模型步骤，具体包括：
[0022]获取拍摄对象与所述拍摄装置之间的观看距离；
[0023]对所述拍摄对象观看不同测试点时的图像进行图像裁剪，得到包含所述拍摄对象头部区域的头部图像；
[0024]将所述头部图像输入所述预设的关键点检测模型，生成标注有瞳孔关键点以及眼角关键点的第二目标检测图像；
[0025]计算所述第二目标检测图像中所述瞳孔关键点以及所述眼角关键点的相对距离；
[0026]基于所述观看距离、所述相对距离以及所述测试点在所述拍摄装置上的位置，构建所述注视点回归模型。
[0027]在一些可选的实施方式中，所述瞳孔关键点包括左眼对应的第一瞳孔关键点以及右眼对应的第二瞳孔关键点，所述眼角关键点包括左内眼角关键点以及右内眼角关键点，所述计算所述瞳孔关键点以及眼角关键点的相对距离，包括：
[0028]将所述第一瞳孔关键点与所述左内眼角关键点的距离作为左眼对应的相对距离；
[0029]将所述第二瞳孔关键点与所述右内眼角关键点的距离作为右眼对应的相对距离。
[0030]在一些可选的实施方式中，在所述拍摄装置上设置有随机移动的目标区域以及随机移动的非目标区域，所述计算所述注视点位置映射在所述拍摄装置的目标区域的概率，包括：
[0031]基于所述随机移动的目标区域以及随机移动的非目标区域，实时获取所述注视点位置；
[0032]计算所述注视点位置映射在所述目标区域的第一次数；
[0033]计算所述注视点位置映射在所述非目标区域的第二次数；
[0034]根据所述第一次数以及所述第二次数，计算所述注视点位置映射在所述拍摄装置上的总次数；
[0035]基于所述第一次数以及所述总次数，计算所述注视点映射在所述拍摄装置的目标区域的概率。
[0036]在一些可选的实施方式中，所述根据所述概率确定筛查结果，包括：
[0037]根据所述注视点映射在所述拍摄装置的目标区域的概率，确定待筛查人员患孤独症的风险评分，将所述风险评分作为所述筛查结果。
[0038]本申请的第二方面提供一种筛查装置，所述筛查装置包括：获取模块、检测模块、映射模块以及筛查模块；
[0039]所述获取模块，用于利用所述拍摄装置获取人脸图像；
[0040]所述检测模块，用于将所述人脸图像输入预设的关键点检测模型，生成标注有目
标关键点的第一目标检测图像；
[0041]所述映射模块，用于将所述第一目标检测图像输入预设的注视点回归模型，得到映射在所述拍摄装置上的注视点，并确定所述注视点在所述拍摄装置上的注视点位置；
[0042]所述筛查模块，用于计算所述注视点位置映射在所述拍摄装置的目标区域的概率，根据所述概率确定筛查结果。
[0043]本申请的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述筛查方法。
[0044]本申请的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述筛查方法。
[0045]本申请所述的筛查方法及相关设备，能够通过关键点检测模型提高人脸图像的检测精度，进一步通过注视点回归模型获取映射在拍摄装置上的注视点以及注视点位置，计算注视点位置映射在拍摄装置的目标区域的概率，得到筛查结果，降低了筛查的成本。
附图说明
[0046]图1是本申请实施例提供的筛查方法的应用场景示意图。
[0047]图2是本申请实施例提供的筛查方法的流程图。
[0048]图3是本申请实施例提供的注视点回归模型的构建流程图。
[0049]图4是本申请实施例提供的拍摄装置上多个测试点的示意图。
[0050]图5是本申请实施例提供的相对距离的示意图。
[0051]图6是本申请实施例提供的注视点回归模型的映射示意图。
[0052]图7是本申请实施例提供的筛查过程示意图。
[0053]图8本申请实施例二提供的筛查装置的结构图。
具体实施方式
[0054]为了能够更清楚地理解本申请的上述目的、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种筛查方法，应用于电子设备，所述电子设备包括拍摄装置，其特征在于，所述方法包括：利用所述拍摄装置获取人脸图像；将所述人脸图像输入预设的关键点检测模型，生成标注有目标关键点的第一目标检测图像；将所述第一目标检测图像输入预设的注视点回归模型，得到映射在所述拍摄装置上的注视点，并确定所述注视点在所述拍摄装置上的注视点位置；计算所述注视点位置映射在所述拍摄装置的目标区域的概率，根据所述概率确定筛查结果。2.如权利要求1所述的筛查方法，其特征在于，在所述利用所述拍摄装置获取人脸图像之前，所述方法还包括：获取训练数据、验证数据以及验证数据对应的验证标签；根据预先设置的多个不同的超参数，将所述训练数据输入神经网络进行训练，得到不同超参数对应的初始关键点检测模型；将所述验证数据分别输入不同超参数对应的初始关键点检测模型，得到每个所述初始关键点检测模型输出的初始关键点检测结果；根据每个所述初始关键点检测结果与所述验证标签，计算每个所述初始关键点检测模型的损失函数值；比较所述每个所述初始关键点检测模型的损失函数值的大小，确定多个所述初始关键点检测模型中损失函数值最小的模型作为经过训练的关键点检测模型。3.如权利要求2所述的筛查方法，其特征在于，在确定所述经过训练的关键点检测模型之后，所述方法还包括：获取测试数据以及所述测试数据对应的测试标签；将所述测试数据输入所述经过训练的关键点检测模型进行测试，生成测试关键点检测结果；根据所述测试关键点检测结果与所述测试标签，计算所述经过训练的关键点检测模型的误差值和拟合度；若所述误差值大于第一阈值或所述拟合度小于第二阈值，返回执行获取训练数据以及验证数据的步骤；若所述误差值不大于第一阈值且所述拟合度不小于第二阈值，将所述经过训练的关键点检测模型作为所述预设的关键点检测模型。4.如权利要求1或3所述的筛查方法，其特征在于，在所述拍摄装置上设置有多个测试点，所述方法还包括构建注视点回归模型步骤，具体包括：获取拍摄对象与所述拍摄装置之间的观看距离；对所述拍摄对象观看不同测试点时的图像进行图像裁剪，得到包含所述拍摄对象头部区域的头部图像；将所述头部图像输入所述预设的关键点检测模型，生成标注有瞳孔关键点以及眼角关键点的第二目标检测图像；计算所述第二目标检测图像中所述瞳孔关键点以及所述眼角关键点的相对距离；
基于...

【专利技术属性】
技术研发人员：王关政，吴海萍，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：