CN109793491B - 一种用于色盲检测的终端设备 - Google Patents

Abstract

本发明实施例公开了一种色盲检测方法，包括：确定色盲测试图片集合，色盲测试图片集合中包含至少一张色盲测试图片，色盲测试图片中包含有效信息和干扰信息；根据被测对象对目标测试图片的识别结果以及目标测试图片的有效信息，确定被测对象的色盲等级，目标测试图片为色盲测试图片集合中的至少一张色盲测试图片。采用本发明实施例，不仅可以避免色盲检测过程中作弊行为的发生，还可以在不增加额外成本的情况下，准确可靠的检测出被测对象的色盲程度的分级度量。

Description

一种用于色盲检测的终端设备

技术领域

本发明涉及终端领域，尤其涉及一种色盲检测方法和终端设备。

背景技术

色盲是一种先天性色觉障碍，色盲患者不能分辨自然光谱中的各种颜色或某种颜色。色弱是指对颜色的辨别能力差，色弱患者虽然能看到正常人所能看到的颜色，但是其辨认颜色的能力迟缓或很差，在光线较暗时，有的色弱患者几乎和色盲患者差不多，或表现为色觉疲劳。

而考虑到，如果不能正常地分辨颜色，可能会给人们正常的工作生活带来很大的不便，特别是在某些对颜色分辨能力有硬性要求的领域，比如交通、医学、纺织、美术等等领域。

目前，在进行色盲检测时，一般包括以下几种方法：

（1）采用色盲检测图表进行色盲检测，需要向受试者提供色盲检测图表，根据受试者对图表中的数字的识别情况，得出色盲检测结果；也就是，原始的看图片识别数据的方式，受试者看完一张包含拼色的图片后，说出图片内隐藏的数字，色盲人员由于无法区分相应的颜色，所以无法看出对应的数字，从而达到色盲检测的目的。

（2）采用色盲电子检测装置进行检测，可以通过定位受试者在观察测试图片过程中的眼球位置，并根据受试者眼球位置的移动情况，判断受试者对测试图片的敏感度，进而达到色盲检测的目的。

虽然，上述方式均能达到色盲检测的目的，但是也都有各自的局限性，主要存在以下缺陷：

（1）采用色盲检测图表进行色盲检测的方式，由于测试图片比较单一，在多人采用同一测试图片进行色盲检测的情况下，容易出现受试者作弊的现象；另外，还有一些受试者为了顺利通过色盲检测，会背诵整本测试图片。显然，通过这种方式得到的色盲检测结果，并不能保证检测结果的准确性和可靠性，而且，只能给出是否色盲的定性判断结果，并不能实现对色盲程度的等级判断。

（2）采用色盲电子检测装置进行检测的方式，虽然在一定程度上能避免色盲检测过程中的作弊行为发生，但电子检测装置的配备，增加了色盲检测的成本，而且，这种方式得到的色盲检测结果，也只能给出是否色盲的定性判断结果。

发明内容

本发明实施例提供一种色盲检测方法和终端设备，以解决现有的色盲检测结果不准确可靠的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，提供了一种色盲检测方法，该方法包括：

确定色盲测试图片集合，所述色盲测试图片集合中包含至少一张色盲测试图片，所述色盲测试图片中包含有效信息和干扰信息；

根据被测对象对目标测试图片的识别结果以及所述目标测试图片的有效信息，确定所述被测对象的色盲等级，所述目标测试图片为所述色盲测试图片集合中的至少一张色盲测试图片。

第二方面，提供了一种终端设备，该终端设备包括：

确定模块，用于确定色盲测试图片集合，所述色盲测试图片集合中包含至少一张色盲测试图片，所述色盲测试图片中包含有效信息和干扰信息；

检测模块，用于根据被测对象对目标测试图片的识别结果以及所述目标测试图片的有效信息，确定所述被测对象的色盲等级，所述目标测试图片为所述色盲测试图片集合中的至少一张色盲测试图片。

第三方面，提供了一种终端设备，该终端设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的方法的步骤。

第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。

在本发明实施例中，将色盲测试图片集合中的任意色盲测试图片作为目标测试图片向被测对象进行展示，并根据被测对象对目标测试图片中的有效信息的识别情况确定被测对象的色盲等级。如此，通过随机地向被测对象展示色盲测试图片集合中的一张或多张色盲测试图片进行色盲检测不仅可以避免色盲检测过程中作弊行为的发生，还可以在不增加额外成本的情况下，准确可靠的检测出被测对象的色盲程度的分级度量。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例中色盲检测方法的流程示意图；

图2是本发明实施例中色盲检测方法的又一流程示意图；

图3是本发明实施例中对图片进行内容识别的流程示意图；

图4是本发明实施例中色盲测试图片集合对应的far、frr曲线示意图；

图5是本发明实施例中终端设备的结构示意图；

图6是本发明实施例中终端设备的又一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合附图，详细说明本发明各实施例提供的技术方案。

参见图1所示，本发明实施例提供一种色盲检测方法，由终端设备执行。该方法可具体包括：

步骤S101：确定色盲测试图片集合，色盲测试图片集合中包含至少一张色盲测试图片，色盲测试图片中包含有效信息和干扰信息。

步骤S103：根据被测对象对目标测试图片的识别结果以及目标测试图片的有效信息，确定被测对象的色盲等级，目标测试图片为色盲测试图片集合中的至少一张色盲测试图片。

可以理解，对于上述色盲测试图片集合，既可以是在执行本发明实施例所述的色盲检测方法之前确定的，也就是说，可以作为实施本发明实施例所述的色盲检测方法的测试图片库使用；也可以是在执行本发明实施例所述的色盲检测方法的过程中，在向被测对象展示目标测试图片前，实时的确定该色盲测试图片集合；另外，色盲测试图片集合中的色盲测试图片的数量既可以为一张也可以为多张，以及色盲测试图片既可以对应于一种色盲类型，也可以对应于多种色盲类型；上述内容，在本发明实施例中不作具体限定，可以根据色盲检测的具体情况进行适应性限定。

同样可以理解，向被测对象展示的目标测试图片包括色盲测试图片集合中的一张或多张色盲测试图片；另外，目标测试图片既可以对应于一种色盲类型，也可以对应于多种色盲类型；上述内容，在本发明实施例中不作具体限定，可以根据色盲检测的具体情况进行适应性限定。

在本发明实施例中，将色盲测试图片集合中的任意色盲测试图片作为目标测试图片向被测对象进行展示，并根据被测对象对目标测试图片中的有效信息的识别情况确定被测对象的色盲等级。如此，通过随机地向被测对象展示色盲测试图片集合中的一张或多张色盲测试图片进行色盲检测不仅可以避免色盲检测过程中作弊行为的发生，还可以在不增加额外成本的情况下，准确可靠的检测出被测对象的色盲程度的分级度量。

可选的，上述步骤S101可以具体执行为以下过程：

利用测试图片生成模型，生成至少一张初始测试图片，初始测试图片中包含有效信息和干扰信息；

基于至少一张初始测试图片，确定色盲测试图片集合。

可以理解，在本发明实施例中，可以利用事先训练好的测试图片生成模型确定用于实现色盲检测的色盲测试图片集合，以通过提供测试图片生成模型，保证色盲检测过程中稳定且可靠的色盲测试图片来源。

可选的，上述测试图片生成模型可以为生成对抗模型。

可以理解，生成对抗模型即GAN（Generative Adversarial Networks，生成对抗网络）模型即生成对抗模型，如此，在本发明实施例中，通过提供一种无监督学习的深度学习模型，可以避免色盲测试图片生成过程中的人为参与，以进一步避免色盲检测过程中作弊行为的发生。

进一步地，上述利用测试图片生成模型，生成至少一张初始测试图片的步骤，可以具体执行如下过程：

获取至少一张样本图片，并将至少一张样本图片中各样本图片分别输入生成对抗模型中；

基于生成对抗模型的生成器，生成与样本图片相对应的待判别图片；

在生成对抗模型的判别器无法将待判别图片与样本图片区别开的情况下，确定待判别图片为初始测试图片。

可以理解，生成对抗模型可以通过框架中的至少两个模块：生成器（Generator）和判别器（Discriminator）的互相博弈学习来产生输出，得到用于确定色盲测试图片集合的各初始测试图片。

可选的，在本发明实施例中，作为生成对抗模型的输入之一的样本图片，既可以为针对同一色盲类型的样本，以能够基于该样本图片训练得到针对某一特定色盲类型的色盲测试图片集合；也可以为针对不同色盲类型的样本，以能够基于该样本图片训练得到针对多种色盲类型的色盲测试图片集合。

具体的，在基于生成对抗模型得到至少一张初始测试图片的过程中，可以通过生成器，基于接收到的相应的随机的噪声待判别图片，并通过判别器判断生成器生成的每张待判别图片的真伪，即将生成器每次生成的待判别图片与对应的样本图片进行比对，直至判别器无法判定生成器生成的待判别图片是不是真实的，也就是说，直至判别器无法区分生成器生成的待判别图片与样本图片时，可以将生成器生成的待判别图片归类为初始测试图片。

进一步地，上述实施例中确定待判别图片为初始测试图片的步骤，还可以包括如下过程：

利用生成对抗模型的判别器，对待判别图片的有效信息进行判断；

在有效信息在待判别图片中的占比大于或等于预设比例的情况下，确定待判别图片为初始测试图片。

可以理解，在通过生成对抗模型的判别器对生成器生成的待判别图片进行真伪判断的同时，为了保证生成器伪造的测试图片包含有相应的有效信息，以尽量少的包含干扰信息，可以对生成对抗模型的判别器增加信息判断功能，使生成对抗模型生成的初始测试图片中的有效信息的占比不低于一定的预设比例，从而使生成器伪造的测试图片与原始的样本图片更加贴近，为实现准确可靠的色盲检测提供有利的保障。

可选的，初始测试图片中包含的有效消息可以为颜色面积、颜色像素点等颜色信息，以基于此实现色盲测试图片生成过程中的颜色判断。

举例来说，对应于红色盲的色盲对象，其表现为不能分辨出红色与深绿色、蓝色与紫红色以及紫色，常把绿色视为黄色、紫色看成蓝色以及将绿色和蓝色相混为白色；如此，用于测试红色盲的测试图片中色盲对象无法分辨、易混淆的颜色面积或像素点的占比应较大，而红色盲的色盲对象能够分辨、易于区分的颜色面积或像素点的占比应尽可能的小，以避免影响对患有红色盲的色盲对象的筛查结果的准确性。

进一步地，各个色盲测试图片中包含的有效信息可以对应地形成图片的数字轮廓、动物轮廓等内容，以供被测对象进行识别。

进一步地，对于上述实施例中记载的基于至少一张初始测试图片，确定色盲测试图片集合的步骤，可以采用不同的方式实现，具体可以包括如下两个具体实施例：

在一个具体实施例中，上述基于至少一张初始测试图片，确定色盲测试图片集合的步骤，可以具体执行为以下过程：

将至少一张初始测试图片中各初始测试图片分别作为色盲测试图片集合中的色盲测试图片，以确定色盲测试图片集合。

可选的，可以将测试图片生成模型生成的至少一张初始测试图片直接作为色盲测试图片集合中的色盲测试图片使用，以确保色盲测试图片的生成效率。

进一步地，在确定色盲测试图片集合后，本发明实施例的色盲检测方法还可以包括以下步骤：

利用图片识别模型，对色盲测试图片集合中各个色盲测试图片，分别确定色盲测试图片对应的有效信息、及有效信息对应的概率；

基于有效信息所对应的概率，确定色盲测试图片对应的色盲等级。

可以理解，在本发明实施例中，可以在采用图片识别模型识别色盲测试图片集合中各个色盲测试图片中包含的有效信息的同时，输出在色盲测试图片中识别出该有效信息的概率，从而可以基于图片识别模型识别出的有效信息与被测对象的识别结果的一致与否，确定被测对象是否为色盲对象，以及在被测对象为色盲对象时，可以基于有效信息对应的概率，确定色盲等级，实现对色盲测试图片对应的目标色盲类型的色盲程度，实现对色盲程度的分级度量。

在另一个具体实施例中，上述基于至少一张初始测试图片，确定色盲测试图片集合的步骤，可以具体执行为以下过程：

利用图片识别模型，对至少一张初始测试图片中各初始测试图片，分别确定初始测试图片对应的有效信息、及有效信息对应的概率；

在有效信息对应的概率大于预设概率阈值的情况下，将初始测试图片确定为色盲测试图片；

基于有效信息对应的概率，确定色盲测试图片对应的色盲等级，以确定色盲测试图片集合。

可以理解，为了进一步提高基于色盲测试图片集合中的色盲测试图片进行色盲检测的结果的准确可靠性，可以对经测试图片生成模型生成的初始测试图片进行筛选，以将至少一张初始测试图片中更加可信的图片作为色盲测试图片归入色盲测试图片集合中。

可选的，可以采用图片识别模型识别测试图片生成模型生成的至少一张初始测试图片中各初始测试图片包含的有效信息，并输出在初始测试图片中识别出该有效信息的概率；其中，有效信息可以用于确定被测对象是否为色盲对象，而可以基于有效信息对应的概率与预设概率阈值的大小关系，确定是否将当前概率对应的初始测试图片作为色盲测试图片，具体的，在有效信息对应的概率大于该预设概率阈值的情况下，将其作为色盲测试图片归入色盲测试图片集合中备用。

需要说明的是，上述用于对测试图片生成模型生成的初始测试图片进行筛选的预设概率阈值，可以为能够确保色盲测试图片的可信度的经验值；也可以在初始测试图片较多时，将初始测试图片的集合对应的ROC曲线（Receiver Operating CharacteristicCurve，受试者工作特征曲线）中等分正负样本概率相等的点（所对应的等分概率值）err（Equal Error Rate）值作为该预设概率阈值。

可选的，上述实施例中提到的基于有效信息所对应的概率，确定色盲测试图片对应的色盲等级的步骤，可以具体执行为：

基于概率阈值范围与色盲等级间的对应关系，确定与目标概率阈值范围相对应的目标色盲等级；

将目标色盲等级确定为色盲测试图片对应的色盲等级。

可以理解，在本发明实施例中，可以事先建立识别色盲测试图片的色盲等级与概率阈值范围间的对应关系，则在基于图片识别模型确定色盲测试图片中包含的有效信息对应的概率后，可以基于该有效信息对应的概率所处的目标概率阈值范围定位到与其相对应的色盲等级。

其中，概率阈值范围中所包含的概率的值越大，说明其所对应的色盲测试图片中的有效消息越容易被识别出来，即识别难度等级越低；反之，概率阈值范围中所包含的概率的值越小，说明其所对应的色盲测试图片中的有效消息越难被识别出来，即识别难度等级越高则。进一步地，在被测对象能够识别出难度等级高的色盲测试图片中的有效信息时，说明被测对象的视力越好；反之，在被测对象不能识别出难度等级高的色盲测试图片中的有效信息时，说明被测对象的色盲等级高，视力越差，也就是说，色盲测试图片对应的色盲等级与其识别难度等级正相关。

进一步地，本发明实施例的上述步骤S105，可以具体执行为：

在识别结果与目标测试图片的有效信息不一致的情况下，确定被测对象的色盲等级为目标测试图片对应的色盲等级。

可以理解，在本发明实施例中，在被测对象对目标测试图片中的识别结果与目标测试图片的有效信息不一致时，说明该被测对象为色盲对象，而且能够在准确可靠的检测出色盲对象的同时，还可以进一步地确定色盲对象的色盲等级，以在实现对被测对象的定性判断的同时，确定被测对象的色盲程度，实现对色盲程度的分级度量。

另外，在识别结果与目标测试图片的有效信息一致的情况下，可以确定被测对象的色盲等级为最低、或者确定被测对象的视力正常。

可选的，本发明实施例中的目标测试图片对应于目标色盲类型；其中，目标色盲类型可以包括红色盲、绿色盲、蓝黄色盲、全色盲、全色弱、部分色弱中的至少一种，部分色弱可以包括红色弱、绿色弱、蓝黄色弱等等。

则进一步地，本发明实施例的色盲检测方法，还可以包括：确定被测对象为对应于目标色盲类型的色盲对象。

可以理解，通过随机向被测对象展示色盲测试图片集合中对应于目标色盲类型的目标测试图片，以在被测对象对目标测试图片的识别结果与目标测试图片的有效信息不一致的情况下，将被测对象确定为对应于目标色盲类型的色盲对象。如此，在准确可靠的检测出色盲对象中的同时，可以实现对色盲对象的定性判断，即通过色盲测试图片与色盲类型间的对应关系，可以确定色盲对象患有何种类型的色盲，也就是说，通过本发明实施例的色盲检测方法，不仅可以确定被测对象患有何种类型的色盲，还可以输出准确可靠的色盲等级。

进一步可选的，色盲测试图片中包含的有效信息可以为能够将被测对象确定为对应于目标色盲类型的色盲对象的信息，而色盲测试图片中包含的干扰信息可以为能够妨碍将被测对象确定为对应于目标色盲类型的色盲对象的信息。

需要说明的是，上述预设比例的值的确定可以根据测试图片具体对应的色盲类型的情况进行确定。

下面结合图2至图4对本发明实施例的色盲检测方法进行具体说明，在该具体实施例中，色盲测试图片集合中的色盲测试图片中包含的有效信息对应于个位数字的相关信息，具体可以包括如下流程步骤：

步骤S201：利用GAN模型生成初始测试图片集合。

可选的，采集不同色盲类型分别对应的多个样本图片，每个样本图片中仅包含0~9的个位数字，并利用GAN模型生成对每一种色盲类型对应的色盲进行检测所需的初始测试图片集合。

进一步地，为了使伪造的测试图片也包含有原始的样本图片中的相应颜色，同时不包含其他的颜色，需要为GAN模型的判别器增加颜色判断，使生成的测试图片中，某一类的颜色占比不能小于某个比例，同时某一类不该包含的颜色占比应控制在一个极小的比例内。

步骤S202：利用CNN（Convolutional Neural Network，卷积神经网络）模型（对应于图片识别模型）确定初始测试图片集合中各初始测试图片分别包含的数字、及数字对应的概率。

可以理解，利用CNN模型能够自动识别出GAN模型生成的测试图片中的数字，以用于后续被测对象肉眼识别出的数字进行比对，并可以通过在尾层采用softmax损失函数进行数值处理，以输出将测试图片中的数字识别为当前结果对应的概率；可选的，对于各数字，可以将对应识别出来的多个概率中最大的概率作为该数字最终输出的概率。

具体的，通过CNN模型进行数字识别的网络结构可以参见图3，该网络结构包括Input输入层、Conv卷积层、Relu激励层、Max pool池化层和Full connected全连接层，经过各层的图片处理，可以输出各测试图片中包含的个位数字。

当然，在本发明其他实施例中，也可以采用具有多位数的数字或者采用具有动物图像等的样本图片进行测试图片的生成并完成数字识别的等过程。

步骤S203：基于数字对应的概率，确定测试图片对应的色盲等级。

步骤S204：判断初始测试图片集合中的当前测试图片中的数字对应的概率是否大于概率阈值；若判定为否，执行步骤S205，若判定为是，执行步骤S206。

步骤S205：舍弃当前测试图片，以继续执行步骤S207。

步骤S206：将当前测试图片作为色盲测试图片，保存至色盲测试图片集合中。

步骤S207：检测是否遍历初始测试图片集合，若未遍历完，返回继续执行步骤S204，若遍历完，执行步骤S208。

可以理解，对于上述初始测试图片集合，每个初始图片测试图片均包含有对应的数字且对应有相应的概率，则可以绘制对应于该图片集合的far（false acceptance rate，误识率）曲线、frr（false rejection rate，拒识率）曲线，两者的交点对应的值即为err，如图4所示，则可以将该交点对应的取值确定为概率阈值。

进一步地，基于该概率阈值遍历初始测试图片集合，将初始测试图片集合中初始测试图片对应的概率小于该概率阈值的图片确定为不可信的图片，并舍弃不可信的图片；以及将初始测试图片集合中初始测试图片对应的概率大于或等于该概率阈值的图片确定为可信的图片，并将可信的图片作为色盲测试图片集合中的色盲测试图片进行保存。

同时，可以将色盲测试图片集合中各可信的色盲测试图片对应的各概率分成若干段，比如3段，色盲测试图片对应的概率所在的概率区间中值越小，说明识别出来色盲测试图片中的数字的难度越大，识别出来则表示被测对应对象的视力越好，反之视力越差，色盲等级越高，即对应于分为多段的概率区间，可以设置多个色盲等级，比如高、中、低3级。

步骤S208：将色盲测试图片集合中的色盲测试图片提供给被测对象进行识别，得到对应的识别结果。

步骤S209：判断识别结果是否与色盲测试图片中的数字一致，若一致，执行步骤S210，否则执行步骤S211。

步骤S210：对于色盲测试图片所对应的色盲类型，被测对象表现为视觉正常。

步骤S211：对于色盲测试图片所对应的色盲类型，被测对象表现为色盲测试图片所对应的色盲等级。

步骤S212：输出被测对象的针对色盲测试图片集合中的至少一个色盲测试图片的色盲检测结果。

可以理解，在利用CNN模型将各个色盲类型对应的色盲测试图片识别完成后，可以将一张或多张色盲测试图片提供给被测对象进行色盲检测。

具体的，若在比对被测对象的识别结果与CNN模型输出的识别结果一致时，则判定被测对象识别正确，该被测对象视力达到相应色盲测试图片对应的色盲类型的一个较低的色盲等级或者直接输出被测对象视觉正常、不是色盲对象的检测结果；反之，则判定被测对象识别错误，该被测对象为色盲对象，并给出具有相应色盲测试图片对应的色盲类型及色盲等级。

可见，本发明实施例，提供了一种基于深度学习的色盲检测方法，该方法无需人工干预，且无需安装佩戴任何电子装置，检测过程方便快捷。具体的，利用GAN模型自动输出独一无二的逼真的色盲测试图片，保证色盲测试图片的真实性的同时，基于色盲测试图片生成以及提供给被测对象进行识别的随机性等特质，可以避免作弊行为的发生；另外，利用CNN模型输出各个色盲测试图片对应的色盲类型和色盲等级，以闭环地对被测对象的视力进行完整的检测，给出被测对象是否为色盲对象的同时，可以确定色盲类型及对应的色盲等级，实现定性的色盲判断的同时，可以实现对色盲程度的分级，使得色盲对象的检测结果更加准确可靠。

参见图5所示，本发明实施例还提供一种终端设备，可具体包括：

确定模块501，用于确定色盲测试图片集合，色盲测试图片集合中包含至少一张色盲测试图片，色盲测试图片中包含有效信息和干扰信息；

检测模块503，用于根据被测对象对目标测试图片的识别结果以及目标测试图片的有效信息，确定被测对象的色盲等级，目标测试图片为色盲测试图片集合中的至少一张色盲测试图片。

优选的，本发明实施例提供的终端设备中，上述确定模块501，可具体包括：

生成单元，用于利用测试图片生成模型，生成至少一张初始测试图片，初始测试图片中包含有效信息和干扰信息；

确定单元，用于基于至少一张初始测试图片，确定色盲测试图片集合。

优选的，本发明实施例提供的终端设备中，上述确定单元，可具体用于：

将至少一张初始测试图片中各初始测试图片分别作为色盲测试图片集合中的色盲测试图片，以确定色盲测试图片集合；

以及上述确定单元在确定色盲测试图片集合后，还可以用于：

利用图片识别模型，对色盲测试图片集合中各个色盲测试图片，分别确定色盲测试图片对应的有效信息、及有效信息对应的概率；

基于有效信息所对应的概率，确定色盲测试图片对应的色盲等级。

优选的，本发明实施例提供的终端设备中，上述确定单元，可具体用于：

利用图片识别模型，对至少一张初始测试图片中各初始测试图片，分别确定初始测试图片对应的有效信息、及有效信息对应的概率；

在有效信息对应的概率大于预设概率阈值的情况下，将初始测试图片确定为色盲测试图片；

基于有效信息对应的概率，确定色盲测试图片对应的色盲等级，以确定色盲测试图片集合。

优选的，本发明实施例提供的终端设备中，上述确定单元，可以具体用于：

确定有效信息所对应的概率所在的目标概率阈值范围；

基于概率阈值范围与色盲等级间的对应关系，确定与目标概率阈值范围相对应的目标色盲等级；

将目标色盲等级确定为色盲测试图片对应的色盲等级；

则上述检测模块503，可以用于：

在识别结果与目标测试图片的有效信息不一致的情况下，确定被测对象的色盲等级为目标测试图片对应的色盲等级。

优选的，本发明实施例提供的终端设备中，测试图片生成模型为生成对抗模型；则上述生成单元，可以用于：

获取至少一张样本图片，并将至少一张样本图片中各样本图片分别输入生成对抗模型中；

基于生成对抗模型的生成器，生成与样本图片相对应的待判别图片；

在生成对抗模型的判别器无法将待判别图片与样本图片区别开的情况下，确定待判别图片为初始测试图片。

优选的，本发明实施例提供的终端设备中，上述生成单元，还可以用于：

利用生成对抗模型的判别器，对待判别图片的有效信息进行判断；

在有效信息在待判别图片中的占比大于或等于预设比例的情况下，确定待判别图片为初始测试图片。

优选的，本发明实施例提供的终端设备中，目标测试图片对应于目标色盲类型；则上述检测模块503，还可以用于：

确定被测对象为对应于目标色盲类型的色盲对象。

能够理解，本发明实施例提供的终端设备，能够实现前述由终端设备执行的色盲检测方法的各个过程，关于色盲检测方法的相关阐述均适用于终端设备，此处不再赘述。

在本发明实施例中，将色盲测试图片集合中的任意色盲测试图片作为目标测试图片向被测对象进行展示，并根据被测对象对目标测试图片中的有效信息的识别情况确定被测对象的色盲等级。如此，通过随机地向被测对象展示色盲测试图片集合中的一张或多张色盲测试图片进行色盲检测不仅可以避免色盲检测过程中作弊行为的发生，还可以在不增加额外成本的情况下，准确可靠的检测出被测对象的色盲程度的分级度量。

图6为实现本发明各个实施例的一种终端设备的硬件结构示意图，该终端设备600包括但不限于：射频单元601、网络模块602、音频输出单元603、输入单元604、传感器605、显示单元606、用户输入单元607、接口单元608、存储器609、处理器610、以及电源611等部件。本领域技术人员可以理解，图6中示出的终端设备结构并不构成对终端设备的限定，终端设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，终端设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。

其中，处理器610，用于执行以下过程：

确定色盲测试图片集合，色盲测试图片集合中包含至少一张色盲测试图片，色盲测试图片中包含有效信息和干扰信息；

根据被测对象对目标测试图片的识别结果以及目标测试图片的有效信息，确定被测对象的色盲等级，目标测试图片为色盲测试图片集合中的至少一张色盲测试图片。

在本发明实施例中，将色盲测试图片集合中的任意色盲测试图片作为目标测试图片向被测对象进行展示，并根据被测对象对目标测试图片中的有效信息的识别情况确定被测对象的色盲等级。如此，通过随机地向被测对象展示色盲测试图片集合中的一张或多张色盲测试图片进行色盲检测不仅可以避免色盲检测过程中作弊行为的发生，还可以在不增加额外成本的情况下，准确可靠的检测出被测对象的色盲程度的分级度量。

应理解的是，本发明实施例中，射频单元601可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器610处理；另外，将上行的数据发送给基站。通常，射频单元601包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元601还可以通过无线通信系统与网络和其他设备通信。

终端设备通过网络模块602为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。

音频输出单元603可以将射频单元601或网络模块602接收的或者在存储器609中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元603还可以提供与终端设备600执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元603包括扬声器、蜂鸣器以及受话器等。

输入单元604用于接收音频或视频信号。输入单元604可以包括图形处理器（Graphics Processing Unit，GPU）6041和麦克风6042，图形处理器6041对在视频捕获模式或图像捕获模式中由图像捕获装置（如摄像头）获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元606上。经图形处理器6041处理后的图像帧可以存储在存储器609（或其它存储介质）中或者经由射频单元601或网络模块602进行发送。麦克风6042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元601发送到移动通信基站的格式输出。

终端设备600还包括至少一种传感器605，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板6061的亮度，接近传感器可在终端设备600移动到耳边时，关闭显示面板6061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别终端设备姿态（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等；传感器605还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。

显示单元606用于显示由用户输入的信息或提供给用户的信息。显示单元606可包括显示面板6061，可以采用液晶显示器（Liquid Crystal Display，LCD）、有机发光二极管（Organic Light-Emitting Diode, OLED）等形式来配置显示面板6061。

用户输入单元607可用于接收输入的数字或字符信息，以及产生与终端设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元607包括触控面板6071以及其他输入设备6072。触控面板6071，也称为触摸屏，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板6071上或在触控面板6071附近的操作）。触控面板6071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器610，接收处理器610发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板6071。除了触控面板6071，用户输入单元607还可以包括其他输入设备6072。具体地，其他输入设备6072可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆，在此不再赘述。

进一步的，触控面板6071可覆盖在显示面板6061上，当触控面板6071检测到在其上或附近的触摸操作后，传送给处理器610以确定触摸事件的类型，随后处理器610根据触摸事件的类型在显示面板6061上提供相应的视觉输出。虽然在图6中，触控面板6071与显示面板6061是作为两个独立的部件来实现终端设备的输入和输出功能，但是在某些实施例中，可以将触控面板6071与显示面板6061集成而实现终端设备的输入和输出功能，具体此处不做限定。

接口单元608为外部装置与终端设备600连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元608可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到终端设备600内的一个或多个元件或者可以用于在终端设备600和外部装置之间传输数据。

存储器609可用于存储软件程序以及各种数据。存储器609可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器609可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器610是终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器609内的软件程序和/或模块，以及调用存储在存储器609内的数据，执行终端设备的各种功能和处理数据，从而对终端设备进行整体监控。处理器610可包括一个或多个处理单元；优选的，处理器610可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器610中。

终端设备600还可以包括给各个部件供电的电源611（比如电池），优选的，电源611可以通过电源管理系统与处理器610逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

另外，终端设备600包括一些未示出的功能模块，在此不再赘述。

优选的，本发明实施例还提供一种终端设备，包括处理器610，存储器609，存储在存储器609上并可在所述处理器610上运行的计算机程序，该计算机程序被处理器610执行时实现上述色盲检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述色盲检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (8)

1.一种用于色盲检测的终端设备，其特征在于，包括：

确定模块，用于确定色盲测试图片集合，所述色盲测试图片集合中包含至少一张色盲测试图片，所述色盲测试图片中包含有效信息和干扰信息；

检测模块，用于根据被测对象对目标测试图片的识别结果以及所述目标测试图片的有效信息，确定所述被测对象的色盲等级，所述目标测试图片为所述色盲测试图片集合中的至少一张色盲测试图片；

其中，所述确定模块包括：

生成单元，用于利用测试图片生成模型，生成至少一张初始测试图片，初始测试图片中包含有效信息和干扰信息，所述测试图片生成模型为生成对抗模型，所述初始测试图片是所述生成对抗模型通过包含的生成器和判别器之间的互相博弈学习产生的、无法与对应的样本图片进行区分的图片；

确定单元，用于基于至少一张初始测试图片，确定色盲测试图片集合。

2.根据权利要求1所述的终端设备，其特征在于，所述确定单元具体用于：

将至少一张初始测试图片中各初始测试图片分别作为色盲测试图片集合中的色盲测试图片，以确定色盲测试图片集合；

以及所述确定单元在确定色盲测试图片集合后，还用于：

利用图片识别模型，对色盲测试图片集合中各个色盲测试图片，分别确定色盲测试图片对应的有效信息、及有效信息对应的概率；

基于有效信息所对应的概率，确定色盲测试图片对应的色盲等级。

3.根据权利要求1所述的终端设备，其特征在于，所述确定单元具体用于：

利用图片识别模型，对至少一张初始测试图片中各初始测试图片，分别确定初始测试图片对应的有效信息、及有效信息对应的概率；

在有效信息对应的概率大于预设概率阈值的情况下，将初始测试图片确定为色盲测试图片；

基于有效信息对应的概率，确定色盲测试图片对应的色盲等级，以确定色盲测试图片集合。

4.根据权利要求2或3所述的终端设备，其特征在于，所述确定单元具体用于：

确定有效信息所对应的概率所在的目标概率阈值范围；

基于概率阈值范围与色盲等级间的对应关系，确定与目标概率阈值范围相对应的目标色盲等级；

将目标色盲等级确定为色盲测试图片对应的色盲等级；

则所述检测模块用于：

在识别结果与目标测试图片的有效信息不一致的情况下，确定被测对象的色盲等级为目标测试图片对应的色盲等级。

5.根据权利要求1至3中任一项所述的终端设备，其特征在于，所述测试图片生成模型为生成对抗模型；

则所述生成单元用于：

获取至少一张样本图片，并将至少一张样本图片中各样本图片分别输入生成对抗模型中；

基于生成对抗模型的生成器，生成与样本图片相对应的待判别图片；

在生成对抗模型的判别器无法将待判别图片与样本图片区别开的情况下，确定待判别图片为初始测试图片。

6.根据权利要求5所述的终端设备，其特征在于，所述生成单元还用于：

利用生成对抗模型的判别器，对待判别图片的有效信息进行判断；

在有效信息在待判别图片中的占比大于或等于预设比例的情况下，确定待判别图片为初始测试图片。

7.根据权利要求1至3中任一项所述的终端设备，其特征在于，所述目标测试图片对应于目标色盲类型；则所述检测模块还用于：

确定被测对象为对应于目标色盲类型的色盲对象。

8.一种用于色盲检测的终端设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现以下色盲检测方法的步骤：

确定色盲测试图片集合，所述色盲测试图片集合中包含至少一张色盲测试图片，所述色盲测试图片中包含有效信息和干扰信息；

根据被测对象对目标测试图片的识别结果以及所述目标测试图片的有效信息，确定所述被测对象的色盲等级，所述目标测试图片为所述色盲测试图片集合中的至少一张色盲测试图片；

确定色盲测试图片集合，包括：

利用测试图片生成模型，生成至少一张初始测试图片，所述初始测试图片中包含有效信息和干扰信息，所述测试图片生成模型为生成对抗模型，所述初始测试图片是所述生成对抗模型通过包含的生成器和判别器之间的互相博弈学习产生的、无法与对应的样本图片进行区分的图片；

基于所述至少一张初始测试图片，确定所述色盲测试图片集合。

Images