[發(fā)明專利]一種基于機器學習的魚眼瞳孔智能測量方法

有效

• 申請?zhí)枺?/td>: 201711248089.3
• 申請日: 2017-11-30
• 公開（公告）號: CN108182380B
• 公開（公告）日: 2023-06-06
• 發(fā)明（設計）人: 趙瑤池;胡祝華;劉世光;張逸然;駱劍;鐘杰卓
• 申請（專利權）人: 天津大學
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06V10/764;G06V10/422;G06V10/48;G06V10/774;G06V10/44;G06V10/778
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種基于機器學習的魚眼瞳孔智能測量方法，采集魚例圖像,其特征在于，所述方法包括：

S1.計算采集的魚例圖的魚眼分類器；

S2.利用魚眼分類器獲得魚眼區(qū)域；

S3.計算所述魚眼區(qū)域的魚眼瞳孔的像素尺寸；

S4.將所述魚眼瞳孔的像素尺寸轉換為魚眼實際尺寸；

生成所述魚眼分類器包括：

S2-1.用采集的魚例圖生成魚眼圖像正、負樣本集；

S2-2.從所述樣本集提取樣本的特征值；

S2-3用AdaBoost算法對樣本特征值的魚眼分類器；

用Adaboost算法計算正和負樣本集圖像的魚眼分類檢測器值，該計算包括：

(1)計算特征值；

計算正和負樣本的Haar-like特征值，用于描述魚眼特征的Haar-like特征：邊緣特征、線性特征和中心環(huán)繞特征；

(2)AdaBoost計算包括：

基于Haar-like特征的弱分類器值hj(x)如下：

其中，p_j是控制不等式方向的符號因子；fj(x)表示第j個Haar-like特征；θ是特征值f_j對應的閾值，用此閾值判斷是否為所要檢測的物體；

按上述步驟(1)-(2)，用Haar-like特征生成分類集，在分類集中尋找錯誤最小的弱分類器，最后將這些分類器級聯成強分類器，算法如下：

Input:樣本集(x₁,y₁),......,(x_n,y_n),當y_i＝-1時，代表負樣本，即非魚眼；當y_i＝1時，代表正樣本，即魚眼；n代表樣本總數；

Initialize:當y_i＝-1時，權重m代表負樣本的數量；當y_i＝1l代表正樣本的數量；

Iteration:For?t＝1,......T:

1)歸一化權重：

2)計算每一個特征f_j的一個弱分類器值h_j，且每個弱分類器都只能使用一種特征計算，該特征的誤差為

其中，j表示Haar-like特征中的j特征，而i表示第i個樣本；

3)選擇對應最小特征誤差∈_t的弱分類器h_t；

4)更新權重：

其中U為與ω_t，i成正比，與β₁成反比的一個閾值；

5)若∈_t＝0或那么令T＝t-1，退出循環(huán)；

Output：強分類器：

其中

所述強分類器的級聯：

用多層檢測方式，對強分類器進行級聯，取得更高的檢出率，得到的AdaBoost分類器值用于魚眼檢測。

2.如權利要求1所述的方法，其特征在于，所述獲得魚眼區(qū)域包括：

S3-1.對魚例圖像中手動截取的魚眼部分進行灰度化后作為正樣本集；從所述魚例圖像灰度化后等分的圖像中剔除包含魚眼的部分后剩下的作為負樣本集；

S3-2.從所述樣本集中提取Haar-like特征，并用積分圖計算特征值；

S3-3.從輸入所述特征值的魚眼分類器中獲取所述魚眼區(qū)域。

3.如權利要求2所述的方法，其特征在于，所述魚眼區(qū)域為圓形區(qū)域。

4.如權利要求1所述的方法，其特征在于，所述魚眼瞳孔的像素尺寸的計算包括：

S4-1.對魚眼區(qū)域灰度化；

S4-2.用Hough圓將所述灰度化的魚眼區(qū)域變換為所述魚眼瞳孔的像素尺寸。

5.一種如權利要求1所述的基于機器學習的魚眼瞳孔智能測量方法，其特征在于，所述采集魚例圖像包括：樣品存放器、支撐臂和攝像機；

所述支撐臂將所述攝像機支撐于所述樣品存放器上方；

所述支撐臂為在水平方向距離和豎直方向高度均可調節(jié)的支撐臂，并記錄信息，并用L_RP表示圖像采集裝置平臺的實際底長，I表示采集到的魚例圖像，L_CP表示圖像采集裝置平臺底長的像素尺寸。