CN110934565B

CN110934565B - 一种瞳孔直径的测量方法、装置及计算机可读存储介质

Info

Publication number: CN110934565B
Application number: CN201911095982.6A
Authority: CN
Inventors: 张玉楼; 蔚鹏飞; 黄康; 张佳佳; 王立平
Original assignee: Shenzhen Institute of Advanced Technology of CAS
Current assignee: Shenzhen Institute of Advanced Technology of CAS
Priority date: 2019-11-11
Filing date: 2019-11-11
Publication date: 2021-11-26
Anticipated expiration: 2039-11-11
Also published as: WO2021093744A1; CN110934565A

Abstract

本申请实施例公开了一种瞳孔直径的测量方法，该方法包括：获取待测视频，所述待测视频中存在至少一帧包含瞳孔的图像；使用深度卷积神经网络确定第一瞳孔的M个不同特征点的位置信息，所述第一瞳孔为所述至少一帧包含的瞳孔中的任一瞳孔，所述M为大于或等于2的正整数；根据所述位置信息计算所述第一瞳孔的直径。采用本申请实施例，极大的减少实验人员主观误差、测量仪器的造成的误差，同时计算简单，提升了测量的效率以及测量结果的准确性。

Description

一种瞳孔直径的测量方法、装置及计算机可读存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种瞳孔直径的测量方法、装置及计算机可读存储介质。

背景技术

瞳孔，是动物或人眼睛内虹膜中心的小圆孔，为光线进入眼睛的通道。虹膜上括约肌的伸缩，可以使瞳孔缩小或散大，即瞳孔的直径会发生变小或变大。测量并分析瞳孔直径的变化，可以有助于研究大脑中的神经环路调控行为的方式，也可以直接反应出是否患有某些疾病，因此，如何快速准确的测量出瞳孔直径已经成为了一个亟需解决的问题。

目前，一种常见的测量瞳孔直径的方法是通过拍摄多张瞳孔的照片，在拍摄的过程中在眼球一侧放置刻度尺，对照片进行边缘检测等处理，结合刻度尺上的刻度从而计算出瞳孔的直径。但是，这种方式测量耗费的时间长，容易造成人的主观误差，因此，测量的效率低，测量的结果不准确。

发明内容

本申请实施例提供一种瞳孔直径的测量方法、装置及计算机可读存储介质，可以极大的减少实验人员主观误差、测量仪器的造成的误差，同时计算简单，提升了测量的效率以及测量结果的准确性。

第一方面，本申请实施例提供了一种瞳孔直径的测量方法，该方法包括：

获取待测视频，所述待测视频中存在至少一帧包含瞳孔的图像；

使用深度卷积神经网络确定第一瞳孔的M个不同特征点的位置信息，所述第一瞳孔为所述至少一帧包含的瞳孔中的任一瞳孔，所述M为大于或等于2的正整数；

根据所述位置信息计算所述第一瞳孔的直径。

在一种可能的实现方式中，所述M个不同特征点包括所述第一瞳孔的圆心对应的特征点以及所述瞳孔圆周上的M-1个点；

所述使用所述深度卷积神经网络确定第一瞳孔的M个特征点的位置信息，包括：

将所述待测视频输入所述深度卷积神经网络，得到所述视频中的每帧所述至少一帧包含瞳孔的图像中每一个瞳孔的圆心的位置信息以及圆周上的M-1个点的位置信息，所述圆心的位置信息为所述深度卷积神经网络识别或预测出的被遮挡的圆心位置信息。

在一种可能的实现方式中，所述位置信息包括所述特征点的坐标以及所述坐标对应的置信概率；

所述根据所述位置信息计算所述第一瞳孔的直径，包括：

判断所述第一瞳孔的第一特征点坐标对应的置信概率是否大于或等于阈值，所述第一特征点为所述第一瞳孔的任一特征点；

在判断出所述第一特征点坐标对应的置信概率大于或等于所述阈值的情况下，将所述第一特征点确定为可用特征点，得到所述第一瞳孔对应的多个可用特征点；

根据所述多个可用特征点的坐标计算所述第一瞳孔的直径。

在一种可能的实现方式中，所述根据所述位置信息计算所述第一瞳孔的直径，还包括：

在判断出所述第一瞳孔的第一特征点坐标对应的置信概率小于所述阈值的情况下，将所述待测视频中与所述第一瞳孔所在图像相邻的前一帧图像中所述第一特征点坐标对应的可用位置信息，确定为所述第一瞳孔在所述第一瞳孔所在图像中对应的可用特征点的位置信息。

在一种可能的实现方式中，所述根据所述多个可用特征点的坐标计算所述第一瞳孔的直径，包括：

根据特征点数量与直径计算方法的对应关系获取所述多个可用特征点对应的计算方法，得到第一计算方法；

根据所述多个可用特征点的坐标以及所述第一计算方法计算所述第一瞳孔的直径。

在一种可能的实现方式中，所述方法还包括：

根据所述第一瞳孔在第一图像中对应的位置信息，在所述第一图像中标注所述第一瞳孔，所述第一图像为所述待测视频中包含所述第一瞳孔的图像中的任一图像。

在一种可能的实现方式中，所述方法还包括：

根据所述第一瞳孔在所述第一图像中的直径，绘制所述第一瞳孔的直径的变化曲线。

第二方面，本申请实施例提供了一种瞳孔直径的测量装置，包括：

获取单元，用于获取待测视频，所述待测视频中存在至少一帧包含瞳孔的图像；

确定单元，用于使用深度卷积神经网络确定第一瞳孔的M个不同特征点的位置信息，所述第一瞳孔为所述至少一帧包含的瞳孔中的任一瞳孔，所述M为大于或等于2的正整数；

计算单元，用于根据所述位置信息计算所述第一瞳孔的直径。

所述确定单元，具体用于：

所述计算单元，具体用于：

根据所述多个可用特征点的坐标计算所述第一瞳孔的直径。

在一种可能的实现方式中，所述计算单元，还用于：

在一种可能的实现方式中，所述计算单元，具体用于：

在一种可能的实现方式中，所述装置还包括：

标注单元，用于根据所述第一瞳孔在第一图像中对应的位置信息，在所述第一图像中标注所述第一瞳孔，所述第一图像为所述待测视频中包含所述第一瞳孔的图像中的任一图像。

在一种可能的实现方式中，所述装置还包括：

绘制单元，用于根据所述第一瞳孔在所述第一图像中的直径，绘制所述第一瞳孔的直径的变化曲线。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，该处理器和存储器相互连接。该存储器用于存储支持该终端设备执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序，该计算机程序包括程序指令，该处理器被配置用于调用上述程序指令，执行上述第一方面和/或第一方面任一种可能的实现方式所提供的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实现方式所提供的方法。

本申请实施例通过将包含至少一帧瞳孔图像的待测视频输入深度卷积神经网络得到图像中的瞳孔对应的特征点的位置信息，根据瞳孔对应的特征点的位置信息可以计算得到瞳孔的直径，通过将待测的视频输入网络中得到特征点位置信息可以极大的减少实验人员主观误差、测量仪器的造成的误差，提升了测量结果的准确性。同时通过位置信息计算直径，计算简单，提升了测量的效率。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1是本申请实施例提供的一种瞳孔直径的测量方法的流程示意图；

图2是本申请实施例提供的另一种瞳孔直径的测量方法流程示意图；

图3是本申请实施例提供的一种瞳孔直径的测量装置的结构示意图；

图4是本申请实施例提供的电子设备的结构示意图；

图5是本申请实施例提供的未被遮挡瞳孔特征点位置标记的示意图；

图6是本申请实施例提供的被部分遮挡瞳孔特征点位置标记的示意图；

图7是本申请实施例提供的连续两帧眼动的特征点位置标记的示意图；

图8是本申请实施例提供的未被遮挡瞳孔特征点拟合圆后标记瞳孔的示意图；

图9是本申请实施例提供的被部分遮挡瞳孔特征点拟合圆后标记瞳孔的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

请参阅图1，图1是本申请实施例提供的一种瞳孔直径的测量方法的流程示意图。如图1所示，该瞳孔直径的测量方法包括：

101、获取待测视频。

在一种可能的实现方式中，本申请实施例中的瞳孔直径的测量装置可以包括平板电脑、个人数字助理(Personal Digital Assistant，PDA)、个人电脑、移动互联网设备(Mobile Internet Device，MID)、等包括不限于上述提到的各种能够调用执行软件程序的电子设备。

其中，获取待测视频为存在至少一帧包含瞳孔图像的视频，具体地，获取待测视频的装置可以集成在上述瞳孔直径的测量装置中，通过摄像头等装置可以采集视频得到待测视频，也可以外接采集视频的终端设备，通过外接的终端设备获取待测视频，还可以是通过无线局域网或者互联网通过数据传输获取到的待测视频。

可选地，上述待测视频若是为一帧的话，则为一幅包括瞳孔的图像，图像的获取可以是装置采集到的，也可以是接收到的图像，还可以是在采集到或者接收到的视频中截取的图像，这里不做限定。

上述待测视频可以是多种类型的包含瞳孔图像的视频，可以是包含有被部分遮挡住的瞳孔眼动视频，也可以是未被遮挡的瞳孔眼动视频，还可以是移动的瞳孔视频，以及固定眼动的瞳孔视频，也可以是上述视频的结合，这里不做限定。并且上述瞳孔可以是人的瞳孔也可以是动物的瞳孔，这里也不做限定。本申请设计的瞳孔测量模型能够有效的测量人或动物在多种场景下的瞳孔直径，适用范围较广，能够满足各种场景下测量的需求。

在本申请实施例中，将获取到的视频输入训练后的深度卷积神经网络中进行预测和识别，得到待测视频中瞳孔特征点的位置信息，通过位置信息计算可得瞳孔的直径，待测视频中出现的瞳孔的每一段时间的视频可以得到瞳孔的直径。

102、使用深度卷积神经网络确定第一瞳孔的M个不同特征点的位置信息。

在一种可能的实现方式中，上述深度卷积神经网络可以是深度卷积网络和残差网络结合产生的变体网络，也可以是特定的目标检测网络，这里不做限定。本申请以深度卷积神经网络和残差网络结合产生的变体网络为例进行讲解，使用残差网络不仅能够提升网络效率，在卷积神经网络的层数过多的情况下，也能有效的避免梯度消失或者梯度爆炸的优点。将步骤101获取到的包含瞳孔视频或者瞳孔图像输入到深度卷积神经网络和残差网络结合产生的变体网络中，可以获取到视频中识别到的视频中的一个或多个瞳孔分别的多个特征点位置信息。其中，特征点包括圆心以及圆周上的点，其中，根据训练时标注的圆周上的特征点数量以及待测视频中某一帧被遮挡程度进行输出，则实际输出的特征点数量的方式与训练时标注方式一致。具体地，可以按照角度进行标注，例如，可以按照以圆心为基准标注瞳孔的0度、45度、90度、135度、180度、225度、270度、315度、360度这9个标记方式中可以选一个特征点位置的标记方式(例如在0度位置的特征点、或者选择180度位置的特征点，这里可以根据实际视频中瞳孔被遮挡程度进行标记)，也可以选择4个特征点位置的标注方式，还可以选择9个特征点位置的标记方式，这里不做限定，可以理解的是，获取到的特征点的数量不同，计算瞳孔直径的方法也不同。

在一种可能的实现方式中，在此之前，需要将深度神经网络与残差网络结合得到的变体网络对模型进行训练。其中，获取训练的图像集的方法有很多种，例如，可以获取包含标记了瞳孔的训练视频，首先，将训练视频进行镜头分割，得到该视频中包含的多帧图像，再通过聚类的方法，可以是通过k均值(k-means)聚类算法，将得到的每一帧图像按照彩色直方图进行聚类，得到多个类别下的图像，即每个类别代表瞳孔在不同状态下的图像。再从每个类别中抽取一定数量的图像进行标注并输入到上述深度神经网络与残差网络结合的变体网络中进行训练，则可以得到训练后的网络模型，则是本申请需要用到的模型。

其中，上述k-means聚类可以是首先将以训练视频中按照播放顺序获取到的第一帧图像彩色直方图(R，G，B直方图)为质心，获取到第一帧图像的R，G，B三幅图像的直方图，分别为1*256的矩阵；对比第二帧图像与第一帧图像为初始质心，即比较两个图像的RGB三种质心的距离，可以理解的是，这里预设了一个距离阈值，在判断出两个图像的三种质心的距离小于距离阈值的情况下，第二帧加入第一帧的聚类，同理，第三帧图像以及第四帧图像与初试质心比较在判断出距离大于距离阈值的情况下，生成新的质心，若不类似，则生成新的聚类。下次比较时新的帧图像将会与所有的聚类的质心进行比较，选择归属的聚类或者生成新的聚类。如此往复，将会生成一个或多个聚类，同时训练视频中的每一帧图像都会有所归属。上述按照直方图特征聚类仅为举例，实际可以根据图像中的人为划分的瞳孔状态进行聚类，得到各个状态下瞳孔的图像，还可以根据图像中的瞳孔其他特征进行聚类，这里不做限定。

进一步地，每个聚类代表瞳孔的不同状态，从每个聚类的图像中分别抽取一定数量的图像，按照一定比例分为训练集和验证集，其中比例可以是7:3，也可以是8:2，在划分出的训练集图像中标记，也可以将聚类得到的图像分为训练集、验证集以及测试集，具体的比例可以人为设置，这里也不做限定。

其中，可以有几种标记方式可以选择，其中可以标记圆心特征点和圆周上0度的特征点位置，也可以选择圆心特征点以及瞳孔0度方向，45度方向，-45度方向4个特征点位置标记，还可以是0度、45度、90度、135度、180度、225度、270度、315度、360度这9个特征点位置标记，可以理解的是，在训练的时候标记的特征点个数对应测量时输出的特征点个数。将标记好的图像输入上述深度卷积神经网络以及残差网络组合的变体网络中进行训练，在训练的过程中不断调整网络超参数，比如学习率，迭代次数，训练轮数，网络层数，卷积核大小，mini-batch等，训练过程中可以通过迭代的方式来调整权重，从而使得该网络能够准确识别、预测还有追踪瞳孔特征点的位置信息。

在一种可能的实现方式中，在训练完成之后，将上述训练好的模型在测试集上进行测试，如果测试集和训练集正确率相差不大，则说明训练出的模型比较稳定，泛化能力比较强。反之，说明模型不可用，需要分析查找原因，可以通过学习曲线，以及泛化能力的表现，判断模型遇到的问题，并采取相应方法加以解决。例如，遇到问题可能是模型的欠拟合和过拟合，如果模型发生过拟合，则可以通过增加数据量的方式进行调整，也可以通过使用批量归一化的方式进行调整，还可以通过降低网络复杂度等的方式进行调节。如果模型发生欠拟合，则可以向模型中添加特征项、使得模型变得更加复杂、减小正则化参数等方法进行调节。在调整之后，把训练集重新丢入深度卷积网络和残差网络结合产生的变体网络中，进行网络模型训练，直到训练出泛化能力好的模型为止。通过深度卷积神经网络以及残差网络的结合，既能够准确识别出瞳孔的特征点，又能够避免梯度消失。其中，该模型的程序可以打包为一个后缀为.py的文件，使得该模型可以在多个不同的系统上运行，增加了该方法的应用范围。例如，可以在Linux系统上运行，也可以在Windows系统上运行。提高了本方案的可移植性，满足多种使用者对系统的不同需求。

进一步地，可以根据待测的视频中瞳孔的类型，例如人的瞳孔视频与小老鼠的瞳孔视频以及小狗的瞳孔视频差异会比较大，则可以重新获取图像通过网络训练新的模型，利用多种模型分别进行检测和追踪瞳孔直径变化，以确保达到最好的效果，同时本申请提出的模型训练和调参也比较方便，从而大大提高了该模型的适用性。

在一种可能的实现方式中，将待测视频输入到该网络中，通过结合对象识别以及语义分割算法这两个关键成分，能够识别瞳孔的特征点，同时，因为训练网络模型的时候通过神经网络获取到瞳孔的位置信息、空间特征信息、直方图特征信息以及RGB特征信息对模型进行训练，模型可以根据视频中的瞳孔的这些特征预测出瞳孔的圆心位置信息。其中，如果视频样本量较小，遮挡情况不严重，可以采用标记瞳孔圆心、0度、45度、90度、135度、180度、225度、270度、315度、360度这9个特征点的标记方式，这种方式对计算机性能有一定的要求，但是能够得到精确度较高的瞳孔直径。

在一种可能的实现方式中，上述输入视频可以是一次输入一个视频，也可以一次性输入多个视频，输入的一个视频，则可以得到该视频中瞳孔的直径文件，若输入的多个视频，则可以分别得到每一个视频对应的瞳孔直径文件，其中，输入的视频可以是手动传入视频的文件，也可以是输入的视频文件的路径，将该路径下的视频文件都输入至训练好的模型。

进一步地，可以根据文件命名方式等方法进行判断多个视频是否可合并为同一视频，当判断出多个视频为同一个视频分割为成的多个视频时，可以将上述多个视频的瞳孔输出为一个瞳孔直径文件，这里对输出文件的数量和方式不做限定。

103、根据上述位置信息计算上述第一瞳孔的直径。

在一种可能的实现方式中，上述位置信息包括特征点的坐标以及每一个坐标对应的置信概率。根据特征点的个数，特征点为圆心以及圆周上的一个或多个点。其中，特征点的个数不同，可以采用的计算的方法也不同。特征点的个数与计算方法有一个对应关系，在确定了特征点的标记方式之后，可以根据特征点的个数确定瞳孔直径的计算方法，并将上述得到的特征点位置信息的文件输入到瞳孔直径的计算程序中，可以是输入到写好程序的matlab中直接运行，这里不做限定。可以理解的是，在计算得到了瞳孔直径后，可以将该瞳孔直径以文件的形式输出，也可以以可视化的界面输出，这里不做限定。

请参阅图2，图2是本申请实施例提供的另一种瞳孔直径的测量方法的流程示意图。如图2所示，该瞳孔直径的测量方法包括：

201、判断第一瞳孔的第一特征点坐标对应的置信概率是否大于或等于阈值，在判断出第一瞳孔的第一特征点坐标对应的置信概率大于或等于阈值的情况下，执行步骤202。

在一种可能的实现方式中，得到的瞳孔的位置信息包括瞳孔的特征点坐标以及每一个坐标对应的置信概率。其中第一瞳孔为待测视频中至少一帧包含瞳孔的图像中的任一瞳孔。其中，瞳孔直径的计算方法可以包括以下步骤：首先，根据置信概率剔除特征坐标离群点，然后选取置信概率大于阈值的坐标特征点出来，即判断上述每一帧图像中的每一个瞳孔特征点坐标对应的置信概率是否大于或等于阈值。其中，上述阈值可以是0.9，也可以是0.93，还可以是0.95，这个可以是技术人员设置的概率阈值，在这里不做限定。

202、将上述第一特征点确定为可用特征点，得到上述第一瞳孔对应的多个可用特征点。

在一种可能的实现方式中，根据瞳孔的被遮挡程度确定特征点的数量，若是遮挡比较严重，可以采用只标记瞳孔圆心和瞳孔正上方0度位置。如果视频数据量小，瞳孔遮挡情况不严重，可以采用标记瞳孔圆心，瞳孔0度方向，45度方向，-45度方向4个特征点，如果视频样本量较小，遮挡情况不严重，可以采用标记瞳孔圆心、0度、45度、90度、135度、180度、225度、270度、315度、360度这9个特征点的标记方式。在得到特征点的位置信息后，通过对位置信息中的置信概率进行判断，在判断出每个特征点对应的置信概率大于或等于阈值的情况下，则将该特征点确定为可用特征点，即在接下来计算瞳孔直径的时候通过可用特征点用于计算对应瞳孔的直径。若判断出该特征点对应的置信概率小于阈值时，根据特征点的个数，处理方式不同：在特征点的个数为2的情况下，即只标记了瞳孔圆心和瞳孔正上方0度位置，当确定有一个或一个以上的特征点置信概率小于上述阈值时，则用上一帧图像中瞳孔的直径确定为当前帧图像瞳孔对应的直径；在特征点的个数大于3的情况下，当判断出有一个或多个特征点的置信概率小于上述阈值时，则确定上述特征点为不可用特征点，即在计算瞳孔直径时，舍弃该点不用。

在一种可能的实现方式中，当该帧图像中的可用特征点的个数小于2的情况下，将该图像相邻的前一帧图像中所述第一特征点坐标对应的可用位置信息，确定为所述第一瞳孔在所述第一瞳孔所在图像中对应的可用特征点的位置信息，即将按照待测视频播放顺序的前一帧计算得到的瞳孔直径作为该帧图像的瞳孔直径。

在上述存在至少两个可用特征点的情况下，可以采用对应的计算方法计算出瞳孔的直径。

203、根据上述多个可用特征点的坐标计算上述第一瞳孔的直径。

在一种可能的实现方式中，特征点个数与瞳孔直径的计算方法有一个对应关系，可以是根据可用特征点的个数与计算方法对应关系获取到的计算直径的方法。

具体地，在可用特征点个数为2，即一个圆心特征点以及圆周上只有一个特征点的情况下，可以通过欧式距离计算两点之间的距离，得到的距离即为该瞳孔对应的直径。在可用特征点个数大于2的情况下，即一个圆心特征点以及圆周上识别到至少两个特征点最多9个特征点的情况下，可以还是通过欧式距离的计算方法计算得到多个圆心与圆周上的多个特征点之间的距离，得到多个距离，通过求平均的方式，得到该图像对应的瞳孔直径。在圆周上的可用特征点的个数至少为3时，即一个圆心特征点以及圆周上至少有3个可用特征点，可以选取其中3个圆周上的特征点可以按照三点拟合圆的方法计算瞳孔的直径，也可以分别计算圆心与圆周上的可用特征点来计算平均直径。

本申请中的计算方法简单高效，使得大大缩短了瞳孔直径的计算时间，提高了瞳孔直径的测量效率。

进一步地，对计算得到的瞳孔的直径进行去噪，可以采用滑窗函数去噪，也可以采用其他方式去噪，这里不做限定。

在一种可能的实现方式中，根据瞳孔在待测视频中某一帧图像中的位置信息，可以在对应的图像中标注出特征点的位置信息。如图5所示，图5为根据特征点位置标记后的图像，可以将特征点以预设的颜色以及标记方式标记出来，可以是标记每一个特征点的位置，图5为没有任何遮挡情况下的标记方式。如图6瞳孔被部分遮挡的标记方式，以及图7为连续两帧图像中眼睛瞳孔移动后分别标记的标记方式。

进一步地，得到了瞳孔的直径以及多个特征点的位置信息，可以在可视化的界面中进行验证，可以根据模型输出的标记好的视频进行直观的观察是否标记的准确进行验证，也可以通过计算出的瞳孔直径以及瞳孔的特征点坐标拟合一个圆，标记在图像中对应的瞳孔上，如图8所示，可以在原包含瞳孔的图像中绘制圆形，通过直观的观察进行验证。如图9所示，在瞳孔被部分遮挡时，也能够通过已有的特征点坐标以及直径绘制在图像上进行验证。还可以将待测视频中每一帧的瞳孔直径按照视频的播放顺序绘制有关时间和瞳孔直径的变化曲线进行验证，其中，瞳孔直径变化曲线可以是待测视频中的瞳孔直径的变化曲线，也可以是将其他方式测量得到的待测视频中的瞳孔直径与本申请测量得到的待测视频的瞳孔直径对比起来画在直径变化曲线中。上述标记的图像以及瞳孔直径变化曲线都可以显示在上述可视化界面中，可以只显示一种验证的方式，也可以显示几种验证的结合，这里不做限定。

请参阅图3，图3是本申请实施例提供的一种瞳孔直径的测量装置的结构示意图。如图3所示，该瞳孔直径的测量装置3000包括：

获取单元301，用于获取待测视频，上述待测视频中存在至少一帧包含瞳孔的图像；

确定单元302，用于使用深度卷积神经网络确定第一瞳孔的M个不同特征点的位置信息，上述第一瞳孔为上述至少一帧包含的瞳孔中的任一瞳孔，上述M为大于或等于2的正整数；

计算单元303，用于根据上述位置信息计算上述第一瞳孔的直径。

在一种可能的实现方式中，上述M个不同特征点包括上述第一瞳孔的圆心对应的特征点以及上述瞳孔圆周上的M-1个点；

上述确定单元302，具体用于：

将上述待测视频输入上述深度卷积神经网络，得到上述视频中的每帧上述至少一帧包含瞳孔的图像中每一个瞳孔的圆心的位置信息以及圆周上的M-1个点的位置信息，上述圆心的位置信息为上述深度卷积神经网络识别或预测出的被遮挡的圆心位置信息。

在一种可能的实现方式中，上述位置信息包括上述特征点的坐标以及上述坐标对应的置信概率；

上述计算单元303，具体用于：

判断上述第一瞳孔的第一特征点坐标对应的置信概率是否大于或等于阈值，上述第一特征点为上述第一瞳孔的任一特征点；

在判断出上述第一特征点坐标对应的置信概率大于或等于上述阈值的情况下，将上述第一特征点确定为可用特征点，得到上述第一瞳孔对应的多个可用特征点；

根据上述多个可用特征点的坐标计算上述第一瞳孔的直径。

在一种可能的实现方式中，上述计算单元303，还用于：

在判断出上述第一瞳孔的第一特征点坐标对应的置信概率小于上述阈值的情况下，将上述待测视频中与上述第一瞳孔所在图像相邻的前一帧图像中上述第一特征点坐标对应的可用位置信息，确定为上述第一瞳孔在上述第一瞳孔所在图像中对应的可用特征点的位置信息。

在一种可能的实现方式中，上述计算单元303，具体用于：

根据特征点数量与直径计算方法的对应关系获取上述多个可用特征点对应的计算方法，得到第一计算方法；

根据上述多个可用特征点的坐标以及上述第一计算方法计算上述第一瞳孔的直径。

在一种可能的实现方式中，上述装置3000还包括：

标注单元304，用于根据上述第一瞳孔在第一图像中对应的位置信息，在上述第一图像中标注上述第一瞳孔，上述第一图像为上述待测视频中包含上述第一瞳孔的图像中的任一图像。

在一种可能的实现方式中，上述装置3000还包括：

绘制单元305，用于根据上述第一瞳孔在上述第一图像中的直径，绘制上述第一瞳孔的直径的变化曲线。

本申请实施例的瞳孔直径的测量装置通过将包含至少一帧瞳孔图像的待测视频输入深度卷积神经网络得到图像中的瞳孔对应的特征点的位置信息，根据瞳孔对应的特征点的位置信息可以计算得到瞳孔的直径，通过将待测的视频输入网络中得到特征点位置信息可以极大的减少实验人员主观误差、测量仪器的造成的误差，提升了测量结果的准确性。同时通过位置信息计算直径，计算简单，提升了测量的效率。

可以理解的是，本实施例的服务器的获取单元301、确定单元302、计算单元303、标注单元304、绘制单元305的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

请参阅图4，图4是本申请实施例提供的电子设备的结构示意图。如图4所示，本实施例中的电子设备可以包括：一个或多个处理器401、输入设备402、输出设备403和存储器404。上述处理器401、输入设备402、输出设备403和存储器402通过总线连接。存储器402用于存储计算机程序，该计算机程序包括程序指令，处理器401用于执行存储器402存储的程序指令，输入设备402用于输入数据，输出设备403用于输出数据。其中，上述处理器401被配置用于调用程序指令执行以下步骤：

获取待测视频，上述待测视频中存在至少一帧包含瞳孔的图像；

使用深度卷积神经网络确定第一瞳孔的M个不同特征点的位置信息，上述第一瞳孔为上述至少一帧包含的瞳孔中的任一瞳孔，上述M为大于或等于2的正整数；

根据上述位置信息计算上述第一瞳孔的直径。

上述处理器401使用上述深度卷积神经网络确定第一瞳孔的M个特征点的位置信息，包括：

上述处理器401根据上述位置信息计算上述第一瞳孔的直径，包括：

根据上述多个可用特征点的坐标计算上述第一瞳孔的直径。

在一种可能的实现方式中，上述处理器401根据上述位置信息计算上述第一瞳孔的直径，还包括：

在一种可能的实现方式中，上述处理器401根据上述多个可用特征点的坐标计算上述第一瞳孔的直径，包括：

在一种可能的实现方式中，上述处理器401被配置用于调用程序指令执行以下步骤：

根据上述第一瞳孔在第一图像中对应的位置信息，在上述第一图像中标注上述第一瞳孔，上述第一图像为上述待测视频中包含上述第一瞳孔的图像中的任一图像。

根据上述第一瞳孔在上述第一图像中的直径，绘制上述第一瞳孔的直径的变化曲线。

应当理解，在一些可行的实施方式中，上述处理器401可以是中央处理单元(central processing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specificintegratedcircuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

该存储器402可以包括只读存储器和随机存取存储器，并向处理器401提供指令和数据。存储器402的一部分还可以包括非易失性随机存取存储器。例如，存储器402还可以存储设备类型的信息。

具体实现中，上述终端设备可通过其内置的各个功能模块执行如上述图1至图2中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

本申请实施例中的电子设备通过将包含至少一帧瞳孔图像的待测视频输入深度卷积神经网络得到图像中的瞳孔对应的特征点的位置信息，根据瞳孔对应的特征点的位置信息可以计算得到瞳孔的直径，通过将待测的视频输入网络中得到特征点位置信息可以极大的减少实验人员主观误差、测量仪器的造成的误差，提升了测量结果的准确性。同时通过位置信息计算直径，计算简单，提升了测量的效率。

在本申请的另一实施例中提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现：

上述计算机可读存储介质可以是前述任一实施例上述的终端的内部存储单元，例如终端的硬盘或内存。上述计算机可读存储介质也可以是上述终端的外部存储设备，例如上述终端上配备的插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(securedigital,SD)卡，闪存卡(flash card)等。进一步地，上述计算机可读存储介质还可以既包括上述终端的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述终端所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、服务器和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上上述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

1.一种瞳孔直径的测量方法，其特征在于，包括：

将所述待测视频输入深度卷积神经网络，得到所述视频中的每帧所述至少一帧包含瞳孔的图像中第一瞳孔的圆心的位置信息以及圆周上的M-1个点的位置信息，得到所述第一瞳孔的M个不同特征点的位置信息，所述位置信息包括所述特征点的坐标以及所述坐标对应的置信概率；

其中，所述圆心的位置信息为所述深度卷积神经网络识别或预测出的被遮挡的圆心位置信息，所述第一瞳孔为所述至少一帧包含的瞳孔的图像中的任一瞳孔，所述M为大于或等于2的正整数，所述M个不同特征点包括所述第一瞳孔的圆心对应的特征点以及所述瞳孔圆周上的M-1个点；

根据所述多个可用特征点的坐标计算所述第一瞳孔的直径。

2.根据权利要求1所述的方法，其特征在于，所述根据所述位置信息计算所述第一瞳孔的直径，还包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述多个可用特征点的坐标计算所述第一瞳孔的直径，包括：

4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

6.一种瞳孔直径的测量装置，包括：

确定单元，用于将所述待测视频输入深度卷积神经网络，得到所述视频中的每帧所述至少一帧包含瞳孔的图像中第一瞳孔的圆心的位置信息以及圆周上的M-1个点的位置信息，得到所述第一瞳孔的M个不同特征点的位置信息，所述位置信息包括所述特征点的坐标以及所述坐标对应的置信概率；

其中，所述圆心的位置信息为所述深度卷积神经网络识别或预测出的被遮挡的圆心位置信息，所述第一瞳孔为所述至少一帧包含的瞳孔中的任一瞳孔，所述M为大于或等于2的正整数，所述M个不同特征点包括所述第一瞳孔的圆心对应的特征点以及所述瞳孔圆周上的M-1个点；

计算单元，用于判断所述第一瞳孔的第一特征点坐标对应的置信概率是否大于或等于阈值，所述第一特征点为所述第一瞳孔的任一特征点；

根据所述多个可用特征点的坐标计算所述第一瞳孔的直径。

7.一种电子设备，其特征在于，包括处理器、存储器、输入设备、输出设备、摄像头，所述处理器、所述存储器、所述输入设备、所述输出设备、所述摄像头相互连接，其中，所述存储器用于存储支持所述瞳孔直径的测量装置执行上述进程识别方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项所述的瞳孔直径的测量方法。

8.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行如权利要求1-5任一项所述的瞳孔直径的测量方法。