CN110288567A - 一种针对眼部的图像分析方法 - Google Patents
一种针对眼部的图像分析方法 Download PDFInfo
- Publication number
- CN110288567A CN110288567A CN201910438053.4A CN201910438053A CN110288567A CN 110288567 A CN110288567 A CN 110288567A CN 201910438053 A CN201910438053 A CN 201910438053A CN 110288567 A CN110288567 A CN 110288567A
- Authority
- CN
- China
- Prior art keywords
- eye
- eyes
- image
- user
- deep learning
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种针对眼部的图像分析方法，包括：获取用户的眼部图像；对所获取的眼部图像进行图像分析，获得相应的眼部状态信息。通过对眼部进行图像分析，便于获取眼部信息。
Description
技术领域
本发明涉及图像分析技术领域，特别涉及一种针对眼部的图像分析方法。
背景技术
眼睛是心灵的窗户,健康的眼功能对个人的学习有着很大的帮助，但是一般人们都会选择性的去忽略健康这个问题，这就使得用户对不能对自身眼睛的情况有一个很好的认知。因此，获知眼部信息，就显得尤为重要。
发明内容
本发明提供一种针对眼部的图像分析方法，用以通过对眼部进行图像分析，便于获取眼部信息。
本发明提供一种针对眼部的图像分析方法，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，获得相应的眼部状态信息。
在一种可能实现的方式中，
所述获取用户的眼部图像，并对所获取的所述眼部图像进行图像分析，获得相应的眼部状态信息的步骤包括S1-S4：
步骤S1：获取用户的人脸图像；
步骤S2：在所述人脸图像上用矩形框标记眼部区域，将所述标记的眼部区域进行截取，形成眼部图像，并基于所述眼部图像，生成眼部图像训练集，其中，所述眼部训练集包括左眼训练集和右眼训练集；
步骤S3：基于定位数据库，对所述眼部图像训练集中的所述眼部区域进行定位；
步骤S4：将定位的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，获得所述眼部状态信息；
其中，所述眼部状态信息包括：用户的眼睛形状、眼睛大小、有无配戴眼镜、眼球有无光泽、眼睛有无红血丝、有无斗鸡眼、眼睛是否红肿。
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，判断所述用户眼睛有无红血丝的步骤包括S11-S12：
步骤S11：获取眼部深度学习模型中相应的肤色检测模型；
步骤S12：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是否有落在所述椭圆区域中；
若是，判定所述用户眼睛有红血丝；
否则，判定所述用户眼睛无红血丝；
当判定所述用户有红血丝时，向所述用户的移动设备发送第一警示信息。
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，判断所述用户眼睛有无有无斗鸡眼的步骤包括S21-S23：
步骤S21：获取眼部深度学习模型中斜视检测模型；
步骤S22：基于斜视检测模型，对所述感兴趣区域中的眼球的倾斜方向点进行判断，确定所述眼球的倾斜方向点与所述斜视检测模型中的预设方向点之间的差值绝对值是否小于预设差值；
若是，判定所述用户无斗鸡眼；
否则，判定所述用户有斗鸡眼；
当判定所述用户有斗鸡眼时，向所述用户的移动设备发送第二警示信息。
在一种可能实现的方式中，
对所述眼部图像训练集中的所述眼部区域进行定位的步骤包括S31-S32：
步骤S31：对所述人脸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。
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；
其中，眼部类别深度学习模型，是基于所述眼部状态信息获取的；
且眼部类别与所述眼部状态信息一一对应。
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状态信息，获取到所述眼部状态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针对眼部的图像分析方法的流程图；
图2为本发明实施例中一种针对眼部的图像分析方法的具体流程图。
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。
本发明提供一种针对眼部的图像分析方法，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，获得相应的眼部状态信息。
其中，眼部状态信息包括：用户的眼睛形状、眼睛大小、有无配戴眼镜、眼球有无光泽、眼睛有无红血丝、有无斗鸡眼、眼睛是否红肿。
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：用以通过对眼部进行图像分析，便于获取眼部信息。
本发明提供一种针对眼部的图像分析方法，
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，获得相应的眼部状态信息的步骤，如图2所示，包括S1-S4：
步骤S1：获取用户的人脸图像；
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。
步骤S2：在人脸图像上用矩形框标记眼部区域，将标记的眼部区域进行截取，形成眼部图像，并基于眼部图像，生成眼部图像训练集，其中，眼部训练集包括左眼训练集和右眼训练集；
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，眼部图像训练集中，例如可以包括不同类别的眼部图像，如针对判断用户有无佩戴眼镜这个类别的图像、针对判断用户眼睛有无红血丝这个类别的图像等。
步骤S3：基于定位数据库，对眼部图像训练集中的眼部区域进行定位；
定位数据库包括，对特征点进行提取的算法，例如当对用户的眼睛形状进行判断时，此时对眼部图像训练集中的眼部区域的眼睛轮廓的特征点进行提取，进而实现定位。
步骤S4：将定位的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，获得眼部状态信息；
其中，眼部状态信息包括：用户的眼睛形状、眼睛大小、有无配戴眼镜、眼球有无光泽、眼睛有无红血丝、有无斗鸡眼、眼睛是否红肿。
例如，通过步骤S3获得到眼部区域的眼睛轮廓，其眼睛轮廓构成的区域即为感兴趣区域，并基于眼部深度学习模型，调取与眼睛轮廓相应的形状深度学习模型对眼睛轮廓构成的区域进行对比分析，获得眼睛形状。
上述眼部深度学习模型是已经训练好的模型。
上述用户的眼睛形状包括：桃花眼、瑞凤眼、睡凤眼、柳叶眼、杏眼、狐狸眼、铜铃眼、龙眼、丹凤眼或小鹿眼。
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状态信息更加准确。
本发明实施例提供一种针对眼部的图形分析方法，
基于眼部深度学习模型对感兴趣区域进行对比分析，判断用户眼睛有无红血丝的步骤，包括S11-S12：
步骤S11：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红血丝是红色，便于识别。
步骤S12：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是否有落在椭圆区域中；
若是，判定用户眼睛有红血丝；
否则，判定用户眼睛无红血丝；
当判定用户有红血丝时，向用户的移动设备发送第一警示信息。
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；
上述第一警示信息，例如可以是，该用户存在红血丝，请注意休息。
上述技术方案的有益效果是：通过肤色检测模型，便于有效识别红血丝，并通过发送第一警示信息，便于及时提醒用户注意休息。
本发明实施例提供一种针对眼部的图像分析方法，
基于眼部深度学习模型对感兴趣区域进行对比分析，判断用户眼睛有无有无斗鸡眼的步骤，包括S21-S23：
步骤S21：获取眼部深度学习模型中斜视检测模型；
设置斜视检测模型，是由于针对斗鸡眼的用户而言，其的视线是偏移的。
步骤S22：基于斜视检测模型，对感兴趣区域中的眼球的倾斜方向点进行判断，确定眼球的倾斜方向点与斜视检测模型中的预设方向点之间的差值绝对值是否小于预设差值；
若是，判定用户无斗鸡眼；
否则，判定用户有斗鸡眼；
当判定用户有斗鸡眼时，向用户的移动设备发送第二警示信息。
上述预设方向点、及预设差值是人为设定的，或设备默认的。
上述第二警示信息，例如可以是，该用户存在斗鸡眼，注意调节。
上述技术方案的有益效果是：通过斜视检测模型，便于有效确定是否斗鸡眼，并通过发送第二警示信息，便于及时提醒用户注意调节。
本发明实施例提供一种针对眼部的图像分析方法，
对眼部图像训练集中的眼部区域进行定位的步骤包括S31-S32：
步骤S31：对人脸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。
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针对眼部的图像分析方法，
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；
其中，眼部类别深度学习模型，是基于眼部状态信息获取的；
且眼部类别与眼部状态信息一一对应。
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针对眼部的图像分析方法，
基于预先存储的眼部建议数据库，并根据所获取的眼部状态信息，获取到眼部状态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，存储有多种不同类别的眼部建议，且眼部建议是综合眼部状态信息获取到的，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)
1.一种针对眼部的图像分析方法，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，获得相应的眼部状态信息。
2.如权利要求1所述的图像分析方法，其特征在于，
所述获取用户的眼部图像，并对所获取的所述眼部图像进行图像分析，获得相应的眼部状态信息的步骤包括S1-S4：
步骤S1：获取用户的人脸图像；
步骤S2：在所述人脸图像上用矩形框标记眼部区域，将所述标记的眼部区域进行截取，形成眼部图像，并基于所述眼部图像，生成眼部图像训练集，其中，所述眼部训练集包括左眼训练集和右眼训练集；
步骤S3：基于定位数据库，对所述眼部图像训练集中的所述眼部区域进行定位；
步骤S4：将定位的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，获得所述眼部状态信息；
其中，所述眼部状态信息包括：用户的眼睛形状、眼睛大小、有无配戴眼镜、眼球有无光泽、眼睛有无红血丝、有无斗鸡眼、眼睛是否红肿。
3.如权利要求2所述的图像分析的方法，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，判断所述用户眼睛有无红血丝的步骤包括S11-S12：
步骤S11：获取眼部深度学习模型中相应的肤色检测模型；
步骤S12：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是否有落在所述椭圆区域中；
若是，判定所述用户眼睛有红血丝；
否则，判定所述用户眼睛无红血丝；
当判定所述用户有红血丝时，向所述用户的移动设备发送第一警示信息。
4.如权利要求2所述的图像分析的方法，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，判断所述用户眼睛有无有无斗鸡眼的步骤包括S21-S23：
步骤S21：获取眼部深度学习模型中斜视检测模型；
步骤S22：基于斜视检测模型，对所述感兴趣区域中的眼球的倾斜方向点进行判断，确定所述眼球的倾斜方向点与所述斜视检测模型中的预设方向点之间的差值绝对值是否小于预设差值；
若是，判定所述用户无斗鸡眼；
否则，判定所述用户有斗鸡眼；
当判定所述用户有斗鸡眼时，向所述用户的移动设备发送第二警示信息。
5.如权利要求2所述的图像分析方法，其特征在于，对所述眼部图像训练集中的所述眼部区域进行定位的步骤包括S31-S32：
步骤S31：对所述人脸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。
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；
其中，眼部类别深度学习模型，是基于所述眼部状态信息获取的；
且眼部类别与所述眼部状态信息一一对应。
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状态信息，获取到所述眼部状态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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910438053.4A CN110288567A (zh) | 2019-05-24 | 2019-05-24 | 一种针对眼部的图像分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910438053.4A CN110288567A (zh) | 2019-05-24 | 2019-05-24 | 一种针对眼部的图像分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110288567A true CN110288567A (zh) | 2019-09-27 |
Family
ID=68002530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910438053.4A Pending CN110288567A (zh) | 2019-05-24 | 2019-05-24 | 一种针对眼部的图像分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288567A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733570A (zh) * | 2019-10-14 | 2021-04-30 | 北京眼神智能科技有限公司 | 眼镜检测的方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108294759A (zh) * | 2017-01-13 | 2018-07-20 | 天津工业大学 | 一种基于cnn眼部状态识别的驾驶员疲劳检测方法 |
| 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 |
| US20180214087A1 (en) * | 2017-01-30 | 2018-08-02 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for detecting retinopathy |
| 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 |
-
2019
- 2019-05-24 CN CN201910438053.4A patent/CN110288567A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108294759A (zh) * | 2017-01-13 | 2018-07-20 | 天津工业大学 | 一种基于cnn眼部状态识别的驾驶员疲劳检测方法 |
| US20180214087A1 (en) * | 2017-01-30 | 2018-08-02 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for detecting retinopathy |
| 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 |
| 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733570A (zh) * | 2019-10-14 | 2021-04-30 | 北京眼神智能科技有限公司 | 眼镜检测的方法、装置、电子设备及存储介质 |
| CN112733570B (zh) * | 2019-10-14 | 2024-04-30 | 北京眼神智能科技有限公司 | 眼镜检测的方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104809445B (zh) | 基于眼部和嘴部状态的疲劳驾驶检测方法 | |
| Yan et al. | Real-time driver drowsiness detection system based on PERCLOS and grayscale image processing | |
| CN105426827B (zh) | 活体验证方法、装置和系统 | |
| CN108427503A (zh) | 人眼追踪方法及人眼追踪装置 | |
| JP6440952B2 (ja) | 低円柱乱視矯正の効果を実証するためのシステム | |
| CN109063671A (zh) | 用于智能化妆的方法及装置 | |
| CN106874830B (zh) | 一种基于rgb-d相机和人脸识别的视障人士辅助方法 | |
| CN108711407B (zh) | 显示效果调节方法、调节装置、显示设备及存储介质 | |
| CN106846734A (zh) | 一种疲劳驾驶检测装置及方法 | |
| CN108904163A (zh) | 轮椅控制方法及系统 | |
| CN103268479A (zh) | 全天候疲劳驾驶检测方法 | |
| Singh et al. | Lie detection using image processing | |
| 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 | |
| CN110148092A (zh) | 基于机器视觉的青少年坐姿及情绪状态的分析方法 | |
| CN110264670A (zh) | 基于客运车辆司机疲劳驾驶状态分析装置 | |
| CN110287795A (zh) | 一种基于图像分析的眼部年龄检测方法 | |
| CN110288567A (zh) | 一种针对眼部的图像分析方法 | |
| Dong et al. | A new sclera segmentation and vessels extraction method for sclera recognition | |
| CN114582003A (zh) | 一种基于云计算服务的睡眠健康管理系统 | |
| CN109308118B (zh) | 基于eog的中文眼写信号识别系统及其识别方法 | |
| CN110222608A (zh) | 一种自助体检机视力检测智能化处理方法 | |
| CN110232327A (zh) | 一种基于梯形级联卷积神经网络的驾驶疲劳检测方法 | |
| CN113297966A (zh) | 一种基于多重刺激的夜间学习方法 | |
| Gao et al. | Research on facial expression recognition of video stream based on OpenCV | |
| 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 |