CN110287795A - 一种基于图像分析的眼部年龄检测方法 - Google Patents

一种基于图像分析的眼部年龄检测方法 Download PDF

Info

Publication number
CN110287795A
CN110287795A CN201910438030.3A CN201910438030A CN110287795A CN 110287795 A CN110287795 A CN 110287795A CN 201910438030 A CN201910438030 A CN 201910438030A CN 110287795 A CN110287795 A CN 110287795A
Authority
CN
China
Prior art keywords
eye
user
image
deep learning
eyeprint
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910438030.3A
Other languages
English (en)
Inventor
谭国凯
李斌
刘昱
陈治霖
李森
李自羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Enos Technology Co Ltd
Original Assignee
Beijing Enos Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Enos Technology Co Ltd filed Critical Beijing Enos Technology Co Ltd
Priority to CN201910438030.3A priority Critical patent/CN110287795A/zh
Publication of CN110287795A publication Critical patent/CN110287795A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Abstract

本发明提供了一种基于图像分析的眼部年龄检测方法，包括：获取用户的眼部图像；对所获取的所述眼部图像进行图像分析，获得相应的眼部年龄信息。用以通过对眼部图像进行图像分析，便于获取眼部年龄信息。

Description

一种基于图像分析的眼部年龄检测方法
技术领域
本发明涉及图像分析技术领域，特别涉及一种基于图像分析的眼部年龄检测方法。
背景技术
眼部年龄信息的获取是指应用计算机技术对眼部图像随年龄变化的规律进行建模，从而使机器能够根据眼部图像推测出人的眼部的大概年龄或所属的年龄范围。如果基于眼部图像，获得眼部年龄信息的问题得到解决，那么在日常生活中，基于年龄信息的各种人机交互系统将在现实生活中有着极大的应用需求，因此对眼部年龄信息进行获取，就显得尤为重要。
发明内容
本发明提供一种基于图像分析的眼部年龄检测方法，用以通过对眼部图像进行图像分析，便于获取眼部年龄信息。
本发明提供一种基于图像分析的眼部年龄检测方法，包括：
获取用户的眼部图像；
对所获取的所述眼部图像进行图像分析，获得相应的眼部年龄信息。
在一种可能实现的方式中，
获取所述用户的眼部图像，并对所获取的所述眼部图像进行图像分析，获得相应的眼部年龄信息的具体步骤包括：
步骤S1：获取所述用户的人脸图像，并基于所述人脸图像进行矩形框标记，获得眼部图像，并基于所述眼部图像，生成单眼图像训练集；所述单眼图像训练集为左眼图像训练集或右眼图像训练集；
步骤S2：基于定位数据库，对所述单眼图像训练集中的所述眼部图像进行区域定位，获得眼部区域；
步骤S3：将所述眼部区域作为感兴趣区域，并基于眼部深度学习模型对所述感兴趣区域进行对比分析，获得所述眼部年龄信息；
其中，所述眼部年龄信息包括用户的眼部年龄，且所述眼部年龄信息是基于预先选取的用户年龄、用户性别、用户的眼部区域特征所构成的眼部深度学习模型，所获取的；
其中，所述用户的眼部区域特征包括：所述用户黑眼圈的大小、所述用户眼袋的深浅、所述用户眼纹的深浅。
在一种可能实现的方式中，
基于眼部深度学习模型对所述感兴趣区域进行对比分析，获取到所述用户眼纹的深浅的步骤包括S11-S12：
步骤S11：根据明暗程度去除所获取的所述用户的眼部图像；
步骤S12：对剩余的所述用户的眼部图像进行眼纹提取处理，获得所述用户的眼纹信息；
步骤S13：基于所述眼部深度学习模型，对所获得的所述用户的眼纹信息进行深度学习处理，并将所述深度学习处理后的所述眼纹信息与预先存储的预设眼纹信息进行对比，确定所述用户的眼纹的深浅；
其中，基于眼纹深度判断规则，根据所获得的所述用户的眼纹的深浅，确定对应的眼纹年龄。
在一种可能实现的方式中，
基于眼部深度学习模型对所述感兴趣区域进行对比分析，判断所述用户黑眼圈的大小的步骤包括S21-S22：
步骤S21：获取眼部深度学习模型中相应的肤色检测模型；
步骤S22：基于肤色检测模型，对所述感兴趣区域进行对比分析；
其中，所述肤色检测模型的颜色空间分布在椭圆区域中，通过对所述感兴趣区域的像素点进行判断，确定所述感兴趣区域的像素点所形成的像素区域在所述椭圆区域中所占的比例；
其中，基于黑眼圈判断规则，并根据所述感兴趣区域的像素点所形成的像素区域在所述椭圆区域中所占的比例，确定对应的黑眼圈的大小。
在一种可能实现的方式中，
对所述单眼图像训练集中的所述眼部图像进行区域定位的步骤包括S31-S32：
步骤S31：对所述眼部图像上的所述眼部区域进行粗定位；
步骤S32：对所述眼部区域粗定位后，对所述粗定位的眼部图像进行滤波降噪，并通过计算垂直灰度投影对所述眼部区域进行精确定位；
其中，在对所述眼部图像进行区域定位之前，还对所述人脸图像进行区域定位，通过已训练好的人脸特征模型，对所获取的人脸图像进行定位，判断是有检测到所述人脸图像上的人脸，若否，向所述用户的移动设备发送警示信号，并重新获取所述用户的人脸图像。
在一种可能实现的方式中，
所述眼部深度学习模型中包括至少一种眼部类别深度学习模型；
基于眼部深度学习模型对所述感兴趣区域进行对比分析之前，对所述眼部类别深度学习模型进行训练；
其中，对所述眼部类别深度学习模型进行训练，是通过获取与至少一个眼部类别对应的多张眼部类别图像样本，并使用所述多张眼部类别图像样本，对至少一个设定的深度学习模型进行训练，获得与所述眼部类别对应的至少一个所述眼部类别深度学习模型。
在一种可能实现的方式中，
所述深度学习模型包括神经网络模型、最小二乘法模型、回归模型中的至少一种。
在一种可能实现的方式中，
基于预先存储的眼部建议数据库，并根据所获取的所述眼部年龄信息，获取到所述眼部年龄信息对应的眼部建议；
所述眼部建议包括：眼部治疗方案建议、用眼习惯建议、眼部训练内容建议和饮食建议中任一种或多种。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于图像分析的眼部年龄检测方法的流程图；
图2为本发明实施例中一种基于图像分析的眼部年龄检测方法的具体流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供一种基于图像分析的眼部年龄检测方法，如图1所示，包括步骤A1-A2：
步骤A1：获取用户的眼部图像；
步骤A2：对所获取的眼部图像进行图像分析，获得相应的眼部年龄信息。
其中，眼部年龄信息包括：用户的眼部年龄，即对应的年龄数字。
上述图像分析，包括通过opencv的YCbCr颜色空间肤色检测模型进行色差判断；通过深度学习训练模型,进行图像对比分析等。
上述技术方案的有益效果是：用以通过对眼部图像进行图像分析，便于获取眼部年龄信息。
本发明实施例提供一种基于图像分析的眼部年龄检测方法，
获取用户的眼部图像，并对所获取的眼部图像进行图像分析，获得相应的眼部年龄信息的具体步骤包括：
步骤S1：获取用户的人脸图像，并基于人脸图像进行矩形框标记，获得眼部图像，并基于眼部图像，生成单眼图像训练集；单眼图像训练集为左眼图像训练集或右眼图像训练集；
获取用户的人脸图像是为了对用户的眼部区域进行截图，且在获取人脸图像过程中，需要对人脸进行定位，确保人脸在对应的人脸图像上。
上述获取可通过ncnn神经网络框架获取用户的眼部区域；
上述眼部区域的大小大于或等于眼部图像的大小；
上述单眼图像训练集，在获取眼部年龄信息时，是分别获取左眼年龄信息和右眼年龄信息的。
步骤S2：基于定位数据库，对单眼图像训练集中的眼部图像进行区域定位，获得眼部区域；
定位数据库包括，对特征点进行提取的算法，例如当对用户的眼纹进行提取时，此时对单眼图像训练集中的眼部区域的眼纹的特征点进行提取，进而实现定位。
步骤S3：将眼部区域作为感兴趣区域，并基于眼部深度学习模型对感兴趣区域进行对比分析，获得眼部年龄信息；
其中，眼部年龄信息包括用户的眼部年龄，且眼部年龄信息是基于预先选取的用户年龄、用户性别、用户的眼部区域特征所构成的眼部深度学习模型，所获取的；
其中，用户的眼部区域特征包括：用户黑眼圈的大小、用户眼袋的深浅、用户眼纹的深浅。
例如，通过步骤S3获得到眼部区域的眼纹，其所有眼纹构成的区域即为感兴趣区域，并基于眼部深度学习模型，调取与眼纹相应的深度学习模型对眼纹构成的区域进行对比分析，获得眼纹的深浅，进一步获取到眼部年龄信息。
上述技术方案的有益效果是：通过对眼部区域进行定位，可以使得获取的眼部年龄信息更加准确。
本发明实施例提供一种基于图像分析的眼部年龄检测方法，
基于眼部深度学习模型对感兴趣区域进行对比分析，获取到用户眼纹的深浅的步骤包括S11-S12：
步骤S11：根据明暗程度去除所获取的用户的眼部图像；
步骤S12：对剩余的用户的眼部图像进行眼纹提取处理，获得用户的眼纹信息；
步骤S13：基于眼部深度学习模型，对所获得的用户的眼纹信息进行深度学习处理，并将深度学习处理后的眼纹信息与预先存储的预设眼纹信息进行对比，确定用户的眼纹的深浅；
其中，基于眼纹深度判断规则，根据所获得的用户的眼纹的深浅，确定对应的眼纹年龄。
上述技术方案的有益效果是：便于有效确定用户的眼纹的深浅。
本发明实施例提供一种基于图像分析的眼部年龄检测方法，
基于眼部深度学习模型对感兴趣区域进行对比分析，判断用户黑眼圈的大小的步骤包括S21-S22：
步骤S21：获取眼部深度学习模型中相应的肤色检测模型；
上述肤色检测模型是opencv中的YCbCr颜色空间肤色检测模型。
采用肤色检测模型是由于黑眼圈是黑色，便于识别。
步骤S22：基于肤色检测模型，对感兴趣区域进行对比分析；
其中，肤色检测模型的颜色空间分布在椭圆区域中，通过对感兴趣区域的像素点进行判断，确定感兴趣区域的像素点所形成的像素区域在椭圆区域中所占的比例；
其中，基于黑眼圈判断规则，并根据感兴趣区域的像素点所形成的像素区域在椭圆区域中所占的比例，确定对应的黑眼圈的大小。
上述黑眼圈判断规则，例如可以是，感兴趣区域的像素点所形成的像素区域在椭圆区域中所占的比例越大，对应的黑眼圈越大。
上述技术方案的有益效果是：通过肤色检测模型，便于有效识别黑眼圈。
本发明实施例提供一种基于图像分析的眼部年龄检测方法，
对单眼图像训练集中的眼部图像进行区域定位的步骤包括S31-S32：
步骤S31：对眼部图像上的眼部区域进行粗定位；
步骤S32：对眼部区域粗定位后，对粗定位的眼部图像进行滤波降噪，并通过计算垂直灰度投影对眼部区域进行精确定位；
其中，在对眼部图像进行区域定位之前，还对人脸图像进行区域定位，通过已训练好的人脸特征模型，对所获取的人脸图像进行定位，判断是有检测到人脸图像上的人脸，若否，向用户的移动设备发送警示信号，并重新获取用户的人脸图像。
上述粗定位，例如可以是利用矩形框对双眼进行定位，粗定位人眼的眼部图像的宽度。
上述采用精确定位，可以有效减少眼镜等因素的干扰，提高检测精度。
上述移动设备可以是，手机、笔记本等设备，但常用的一般是手机设备。
上述警示信号，可以是人脸图像获取失败，请重新获取。
对人脸图像进行定位，是为了确保人脸图像上有人脸。
上述技术方案的有益效果是，通过对眼部区域进行粗定位和精确定位，进一步使得对比分析的结果更加精准。
本发明实施例提供一种基于图像分析的眼部年龄检测方法，
眼部深度学习模型中包括至少一种眼部类别深度学习模型；
基于眼部深度学习模型对感兴趣区域进行对比分析之前，对眼部类别深度学习模型进行训练；
其中，对眼部类别深度学习模型进行训练，是通过获取与至少一个眼部类别对应的多张眼部类别图像样本，并使用多张眼部类别图像样本，对至少一个设定的深度学习模型进行训练，获得与眼部类别对应的至少一个眼部类别深度学习模型。
上述深度学习模型包括神经网络模型、最小二乘法模型、回归模型中的至少一种。
其中，深度学习模型可以是基于人工神经网络算法建立的训练模型。人工神经网络的基本结构由非线性变化单元构成，神经网络参数可以包括中间层数、各层之间的处理单元数以及学习系数。对深度学习模型训练的过程可以是调整各神经网络参数的过程，经过不断的训练，获得最优的神经网络参数，具有最优神经网络参数的设定深度学习模型即为最终要获得的模型。
具体的，在获得多张图像样本后，使用多张图像样本对设定深度学习模型进行训练，不断调整设定深度学习中的神经网络参数，使得设定深度学习模型具有在输入的图像中准确识别出满足识别条件的图像的能力，从而获得对应的深度学习模型。
上述技术方案的有益效果是：通过对深度模型进行训练，获取到已经训练好的眼部深度学习模型。
本发明实施例提供一种基于图像分析的眼部年龄检测方法，
基于预先存储的眼部建议数据库，并根据所获取的眼部年龄信息，获取到眼部年龄信息对应的眼部建议；
眼部建议包括：眼部治疗方案建议、用眼习惯建议、眼部训练内容建议和饮食建议中任一种或多种。
上述眼部建议数据库中，存储有多种不同年龄、性别的眼部建议，且眼部建议是综合眼部年龄信息获取到的，并预先存储的。
上述技术方案的有益效果是：便于获取到眼部建议，进一步提高用户护眼意识。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于图像分析的眼部年龄检测方法，其特征在于，包括：
获取用户的眼部图像；
对所获取的所述眼部图像进行图像分析，获得相应的眼部年龄信息。
2.如权利要求1所述的眼部年龄检测方法，其特征在于，
获取所述用户的眼部图像，并对所获取的所述眼部图像进行图像分析，获得相应的眼部年龄信息的具体步骤包括：
步骤S1：获取所述用户的人脸图像，并基于所述人脸图像进行矩形框标记，获得眼部图像，并基于所述眼部图像，生成单眼图像训练集；所述单眼图像训练集为左眼图像训练集或右眼图像训练集；
步骤S2：基于定位数据库，对所述单眼图像训练集中的所述眼部图像进行区域定位，获得眼部区域；
步骤S3：将所述眼部区域作为感兴趣区域，并基于眼部深度学习模型对所述感兴趣区域进行对比分析，获得所述眼部年龄信息；
其中，所述眼部年龄信息包括用户的眼部年龄，且所述眼部年龄信息是基于预先选取的用户年龄、用户性别、用户的眼部区域特征所构成的眼部深度学习模型，所获取的；
其中，所述用户的眼部区域特征包括：所述用户黑眼圈的大小、所述用户眼袋的深浅、所述用户眼纹的深浅。
3.如权利要求2所述的眼部年龄检测方法，其特征在于，基于眼部深度学习模型对所述感兴趣区域进行对比分析，获取到所述用户眼纹的深浅的步骤包括S11-S12：
步骤S11：根据明暗程度去除所获取的所述用户的眼部图像；
步骤S12：对剩余的所述用户的眼部图像进行眼纹提取处理，获得所述用户的眼纹信息；
步骤S13：基于所述眼部深度学习模型，对所获得的所述用户的眼纹信息进行深度学习处理，并将所述深度学习处理后的所述眼纹信息与预先存储的预设眼纹信息进行对比，确定所述用户的眼纹的深浅；
其中，基于眼纹深度判断规则，根据所获得的所述用户的眼纹的深浅，确定对应的眼纹年龄。
4.如权利要求2所述的眼部年龄检测方法，其特征在于，基于眼部深度学习模型对所述感兴趣区域进行对比分析，判断所述用户黑眼圈的大小的步骤包括S21-S22：
步骤S21：获取眼部深度学习模型中相应的肤色检测模型；
步骤S22：基于肤色检测模型，对所述感兴趣区域进行对比分析；
其中，所述肤色检测模型的颜色空间分布在椭圆区域中，通过对所述感兴趣区域的像素点进行判断，确定所述感兴趣区域的像素点所形成的像素区域在所述椭圆区域中所占的比例；
其中，基于黑眼圈判断规则，并根据所述感兴趣区域的像素点所形成的像素区域在所述椭圆区域中所占的比例，确定对应的黑眼圈的大小。
5.如权利要求2所述的图像分析方法，其特征在于，对所述单眼图像训练集中的所述眼部图像进行区域定位的步骤包括S31-S32：
步骤S31：对所述眼部图像上的所述眼部区域进行粗定位；
步骤S32：对所述眼部区域粗定位后，对所述粗定位的眼部图像进行滤波降噪，并通过计算垂直灰度投影对所述眼部区域进行精确定位；
其中，在对所述眼部图像进行区域定位之前，还对所述人脸图像进行区域定位，通过已训练好的人脸特征模型，对所获取的人脸图像进行定位，判断是有检测到所述人脸图像上的人脸，若否，向所述用户的移动设备发送警示信号，并重新获取所述用户的人脸图像。
6.如权利要求2所述的图像分析方法，其特征在于，
所述眼部深度学习模型中包括至少一种眼部类别深度学习模型；
基于眼部深度学习模型对所述感兴趣区域进行对比分析之前，对所述眼部类别深度学习模型进行训练；
其中，对所述眼部类别深度学习模型进行训练，是通过获取与至少一个眼部类别对应的多张眼部类别图像样本，并使用所述多张眼部类别图像样本，对至少一个设定的深度学习模型进行训练，获得与所述眼部类别对应的至少一个所述眼部类别深度学习模型。
7.如权利要求6所述的图像分析方法，其特征在于，
所述深度学习模型包括神经网络模型、最小二乘法模型、回归模型中的至少一种。
8.如权利要求1所述的图像分析方法，其特征在于，基于预先存储的眼部建议数据库，并根据所获取的所述眼部年龄信息，获取到所述眼部年龄信息对应的眼部建议；
所述眼部建议包括：眼部治疗方案建议、用眼习惯建议、眼部训练内容建议和饮食建议中任一种或多种。
CN201910438030.3A 2019-05-24 2019-05-24 一种基于图像分析的眼部年龄检测方法 Pending CN110287795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910438030.3A CN110287795A (zh) 2019-05-24 2019-05-24 一种基于图像分析的眼部年龄检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910438030.3A CN110287795A (zh) 2019-05-24 2019-05-24 一种基于图像分析的眼部年龄检测方法

Publications (1)

Publication Number Publication Date
CN110287795A true CN110287795A (zh) 2019-09-27

Family

ID=68002591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910438030.3A Pending CN110287795A (zh) 2019-05-24 2019-05-24 一种基于图像分析的眼部年龄检测方法

Country Status (1)

Country Link
CN (1) CN110287795A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862020A (zh) * 2020-07-13 2020-10-30 南方科技大学 一种眼前节生理年龄预测方法、装置、服务器及存储介质
CN112541394A (zh) * 2020-11-11 2021-03-23 上海诺斯清生物科技有限公司 黑眼圈及鼻炎识别方法、系统及计算机介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110222724A1 (en) * 2010-03-15 2011-09-15 Nec Laboratories America, Inc. Systems and methods for determining personal characteristics
CN106096366A (zh) * 2016-06-08 2016-11-09 北京奇虎科技有限公司 一种信息处理方法、装置和设备
CN106846734A (zh) * 2017-04-12 2017-06-13 南京理工大学 一种疲劳驾驶检测装置及方法
CN108171209A (zh) * 2018-01-18 2018-06-15 中科视拓（北京）科技有限公司 一种基于卷积神经网络进行度量学习的人脸年龄估计方法
CN108309311A (zh) * 2018-03-27 2018-07-24 北京华纵科技有限公司 一种列车驾驶员实时盹睡检测装置及检测算法
CN109285602A (zh) * 2017-07-19 2019-01-29 索尼公司 用于自我检查用户眼睛的主模块、系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110222724A1 (en) * 2010-03-15 2011-09-15 Nec Laboratories America, Inc. Systems and methods for determining personal characteristics
CN106096366A (zh) * 2016-06-08 2016-11-09 北京奇虎科技有限公司 一种信息处理方法、装置和设备
CN106846734A (zh) * 2017-04-12 2017-06-13 南京理工大学 一种疲劳驾驶检测装置及方法
CN109285602A (zh) * 2017-07-19 2019-01-29 索尼公司 用于自我检查用户眼睛的主模块、系统和方法
CN108171209A (zh) * 2018-01-18 2018-06-15 中科视拓（北京）科技有限公司 一种基于卷积神经网络进行度量学习的人脸年龄估计方法
CN108309311A (zh) * 2018-03-27 2018-07-24 北京华纵科技有限公司 一种列车驾驶员实时盹睡检测装置及检测算法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862020A (zh) * 2020-07-13 2020-10-30 南方科技大学 一种眼前节生理年龄预测方法、装置、服务器及存储介质
CN111862020B (zh) * 2020-07-13 2024-04-05 南方科技大学 一种眼前节生理年龄预测方法、装置、服务器及存储介质
CN112541394A (zh) * 2020-11-11 2021-03-23 上海诺斯清生物科技有限公司 黑眼圈及鼻炎识别方法、系统及计算机介质

Similar Documents

Publication Publication Date Title
Lee et al. Blink detection robust to various facial poses
CN105426827B (zh) 活体验证方法、装置和系统
CN109840565A (zh) 一种基于眼部轮廓特征点纵横比的眨眼检测方法
CN111460950B (zh) 自然驾驶通话行为中基于头-眼证据融合的认知分心方法
CN104123543B (zh) 一种基于人脸识别的眼球运动识别方法
CN107491740A (zh) 一种基于面部表情分析的新生儿疼痛识别方法
CN106980852B (zh) 基于角点检测与匹配的药品识别系统及其识别方法
CN106874830B (zh) 一种基于rgb-d相机和人脸识别的视障人士辅助方法
CN101390128B (zh) 脸部器官的位置的检测方法及检测系统
CN105389554A (zh) 基于人脸识别的活体判别方法和设备
CN107798318A (zh) 一种机器人识别面部快乐微表情的方法及其装置
CN106846734A (zh) 一种疲劳驾驶检测装置及方法
CN104008364B (zh) 人脸识别方法
CN106485222A (zh) 一种基于肤色分层的人脸检测方法
KR101700818B1 (ko) 얼굴 영상을 이용하여 나이 또는 성별을 추정하는 방법 및 장치
CN111008971B (zh) 一种合影图像的美学质量评价方法及实时拍摄指导系统
CN110110637A (zh) 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法
CN103268479A (zh) 全天候疲劳驾驶检测方法
CN110148092B (zh) 基于机器视觉的青少年坐姿及情绪状态的分析方法
CN104182723B (zh) 一种视线估计的方法和装置
CN110287795A (zh) 一种基于图像分析的眼部年龄检测方法
CN113887386A (zh) 基于深度学习和机器学习的多特征融合的疲劳检测方法
CN110222608A (zh) 一种自助体检机视力检测智能化处理方法
CN105809085B (zh) 人眼定位方法及装置
CN108108715A (zh) 基于生物启发和深度属性学习相结合的人脸美感预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927