[發明專利]確定瞳孔位置的方法和裝置

有效

• 申請號: 201810064311.2
• 申請日: 2018-01-23
• 公開（公告）號: CN108197594B
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 聶鳳梅;劉偉;任冬淳;王健;楊孟;宮小虎
• 申請（專利權）人: 北京七鑫易維信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/66;G06T7/70;G06F3/01
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 趙囡囡

1.一種確定瞳孔位置的方法，其特征在于，包括：

獲取包含瞳孔的待檢測圖像；

基于半監督學習的預設模型獲取與預設區域對應的二值圖像，其中，所述預設區域為所述待檢測圖像中所述瞳孔所在的區域；

獲取所述二值圖像的質心；

根據所述二值圖像的質心確定所述瞳孔的中心位置；

在基于半監督學習的預設模型獲取與預設區域對應的二值圖像之前，所述方法還包括：獲取多張待訓練的圖像中的第一類訓練集和第二類訓練集；獲取網絡模型，其中，所述網絡模型用于將所述多張待訓練的圖像從原始圖像轉換為所述二值圖像；構建所述網絡模型的損失函數；根據所述第一類訓練圖像集、第二類訓練圖像集以及所述網絡模型的損失函數構建所述預設模型，構建所述網絡模型的損失函數包括：獲取所述網絡模型的超參數；在所述網絡模型進行無監督學習的情況下，基于所述超參數確定所述網絡模型的損失函數為第一損失函數和第二損失函數；在所述網絡模型進行有監督學習的情況下，基于所述超參數確定所述網絡模型的損失函數為第三損失函數和第四損失函數，根據所述第一類訓練圖像集、第二類訓練圖像集以及所述網絡模型的損失函數構建所述預設模型包括：基于所述第一類訓練圖像集和所述第二類訓練圖像集對所述網絡模型的判別器和生成器的參數進行更新，得到更新后的網絡模型；在對所述網絡模型的更新次數達到第一閾值的情況下，根據更新后的網絡模型構建所述預設模型，基于所述第一類訓練圖像集和所述第二類訓練圖像集對所述網絡模型的判別器和生成器的參數進行更新，得到更新后的網絡模型包括：基于所述第一類訓練圖像集根據所述第二損失函數更新所述判別器的參數；基于所述第一類訓練圖像集根據所述第一損失函數更新所述生成器的參數；在對所述判別器和所述生成器的參數進行更新的次數達到第二閾值的情況下，基于所述第二類訓練圖像集根據所述第三損失函數更新所述生成器的參數；基于所述第二類訓練圖像集根據所述第四損失函數更新所述判別器的參數；其中，在對所述判別器和所述生成器的參數進行更新的次數達到第三閾值的情況下，對所述網絡模型的更新次數進行加一操作，直至所述網絡模型的更新次數達到所述第一閾值為止。

2.一種確定瞳孔位置的裝置，其特征在于，包括：

第一獲取模塊，用于獲取包含瞳孔的待檢測圖像；

第二獲取模塊，用于基于半監督學習的預設模型獲取與預設區域對應的二值圖像，其中，所述預設區域為所述待檢測圖像中所述瞳孔所在的區域；

第三獲取模塊，用于獲取所述二值圖像的質心；

確定模塊，用于根據所述二值圖像的質心確定所述瞳孔的中心位置；

第五獲取模塊，用于獲取多張待訓練的圖像中的第一類訓練集和第二類訓練集；

第六獲取模塊，用于獲取網絡模型，其中，所述網絡模型用于將所述多張待訓練的圖像從原始圖像轉換為所述二值圖像；

第一構建模塊，用于構建所述網絡模型的損失函數；

第二構建模塊，用于根據所述第一類訓練圖像集、第二類訓練圖像集以及所述網絡模型的損失函數構建所述預設模型，

所述第一構建模塊包括：

第七獲取模塊，用于獲取所述網絡模型的超參數；

第一確定模塊，用于在所述網絡模型進行無監督學習的情況下，基于所述超參數確定所述網絡模型的損失函數為第一損失函數和第二損失函數；

第二確定模塊，用于在所述網絡模型進行有監督學習的情況下，基于所述超參數確定所述網絡模型的損失函數為第三損失函數和第四損失函數，

所述第二構建模塊包括：

第一更新模塊，用于基于所述第一類訓練圖像集和所述第二類訓練圖像集對所述網絡模型的判別器和生成器的參數進行更新，得到更新后的網絡模型；

第三構建模塊，用于在對所述網絡模型的更新次數達到第一閾值的情況下，根據更新后的網絡模型構建所述預設模型，

所述第一更新模塊包括：

第二更新模塊，用于基于所述第一類訓練圖像集根據所述第二損失函數更新所述判別器的參數；

第三更新模塊，用于基于所述第一類訓練圖像集根據所述第一損失函數更新所述生成器的參數；

第四更新模塊，用于在對所述判別器和所述生成器的參數進行更新的次數達到第二閾值的情況下，基于所述第二類訓練圖像集根據所述第三損失函數更新所述生成器的參數；

第五更新模塊，用于基于所述第二類訓練圖像集根據所述第四損失函數更新所述判別器的參數；

其中，在對所述判別器和所述生成器的參數進行更新的次數達到第三閾值的情況下，對所述網絡模型的更新次數進行加一操作，直至所述網絡模型的更新次數達到所述第一閾值為止。