CN113569655A - 基于眼部色彩监控的红眼病患者识别系统 - Google Patents
基于眼部色彩监控的红眼病患者识别系统 Download PDFInfo
- Publication number
- CN113569655A CN113569655A CN202110751701.9A CN202110751701A CN113569655A CN 113569655 A CN113569655 A CN 113569655A CN 202110751701 A CN202110751701 A CN 202110751701A CN 113569655 A CN113569655 A CN 113569655A
- Authority
- CN
- China
- Prior art keywords
- eye
- color
- image
- camera
- pinkeye
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 241000593989 Scardinius erythrophthalmus Species 0.000 title claims description 5
- 201000005111 ocular hyperemia Diseases 0.000 title description 4
- 208000031973 Conjunctivitis infective Diseases 0.000 claims abstract description 20
- 201000001028 acute contagious conjunctivitis Diseases 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 13
- 230000001149 cognitive effect Effects 0.000 claims description 7
- 210000001747 pupil Anatomy 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000004397 blinking Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 210000003128 head Anatomy 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 208000002111 Eye Abnormalities Diseases 0.000 claims 1
- 208000030533 eye disease Diseases 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009182 swimming Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T2207/30216—Redeye defect
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于眼部色彩监控的红眼病患者识别系统,包括摄像头、图像预处理模块、眼睛部位识别模块以及颜色识别模块;其中,摄像头与图像预处理模块连接,图像预处理模块分别与摄像头和眼睛部位识别模块连接,眼睛部位识别模块分别与图像预处理模块和颜色识别模块连接。本发明通过摄像头、图像预处理模块、眼睛部位识别模块以及颜色识别模块,扩大红眼病检测的范围,提高红眼病识别精确度。
Description
技术领域
本发明涉及智能识别技术领域,尤其涉及基于眼部色彩监控的红眼病患者识别系统。
背景技术
随着全球气候变暖日益加剧,国内的海滩,游泳场规模日益扩大,游客也越来越多,但是有些游客患有红眼病这种易传染的疾病却仍然要去公共场合,这么多人,如果靠人工检查是很难识别出来的,因此,需要寻找一种自主检测的识别系统。
发明内容
为解决现有技术所存在的技术问题,本发明提供基于眼部色彩监控的红眼病患者识别系统,通过摄像头、图像预处理模块、眼睛部位识别模块以及颜色识别模块,扩大红眼病检测的范围,提高红眼病识别精确度。
本发明采用以下技术方案来实现:基于眼部色彩监控的红眼病患者识别系统,包括摄像头、图像预处理模块、眼睛部位识别模块以及颜色识别模块;其中,摄像头与图像预处理模块连接,图像预处理模块分别与摄像头和眼睛部位识别模块连接,眼睛部位识别模块分别与图像预处理模块和颜色识别模块连接。
本发明与现有技术相比,具有如下优点和有益效果:
本发明通过摄像头、图像预处理模块、眼睛部位识别模块以及颜色识别模块,扩大红眼病检测的范围,提高了游泳馆、海滩等公共场所工作人员的工作效率,提高红眼病识别的精确度,使得红眼病患者不再抱有侥幸心理,进而减少传染性红眼病等眼部的发生,从源头杜绝红眼病等传染病在此人群密集场所大规模爆发的可能。
附图说明
图1是本发明的系统结构示意图;
图2a是认知活动指数不同水平按比例缩小后示意图;
图2b是瞳孔直径不同水平改变示意图;
图2c是NASA任务符合指数不同水平得分示意图;
图2d是表现对应的问题示意图;
图3是本发明HAAR特征模板。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例基于眼部色彩监控的红眼病患者识别系统,包括摄像头、图像预处理模块、眼睛部位识别模块以及颜色识别模块;其中,摄像头与图像预处理模块连接,图像预处理模块分别与摄像头和眼睛部位识别模块连接,眼睛部位识别模块分别与图像预处理模块和颜色识别模块连接。
本实施例中,各模块的详细情况分别如下:
摄像头,用于实时监控并获取进出人员的图像数据,利用小型防水摄像头,并植入人工智能算法,实现摄像头的追踪、检测以及报警功能,降低对电脑等电子设备的依赖,使得检测装备更加可靠、迅速。
具体地,通过采用植入认知活动指数(Index of Cognitive ActivityTM,ICA)的视线追踪算法使摄像头获取进出场所人员的眼睛眨眼频度变化,利用认知活动指数的视线追踪算法ICA滤除光对瞳孔信号的影响,只保留所需的测量信息,即眨眼的次数,所对应的频度变化等,实现进出场所人员的眼睛异常检测,通过检测瞳孔反应,眨眼以及头部位置,其中眨眼较多的可以初步判定为眼睛有所不适,具有嫌疑。其中,认知活动指数的视线追踪算法ICA可用一个摄像头实现完整的双模式摄像头应用(DMS 和Videocall视频通话工具)。
具体地,通过在摄像头中嵌入蜂鸣器,检测到红眼病患者后可及时进行报警。
图像预处理模块,用于对摄像头实时输入的图像进行采集处理和判断,通过OpenCV图像处理库函数,进行图像采集处理。
具体地,图像采集处理过程为:输入监控视频图像,利用高斯滤波、灰度化处理、二值化、边缘检测以及感兴趣区域检测等步骤对图像进行处理,输出元素均为0的矩阵并绘制掩膜图像。
眼睛部位识别模块,用于精确定位眼睛位置,通过使用HAAR特征的Adaboost 分类器算法进行分割定位,再经过若干次OpenCV图像处理库函数样本训练提高检测成功率。
具体地,HAAR特征分为:边缘特征、线性特征、中心特征和对角特征,将各特征组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。HAAR特征值反映了图像的灰度变化情况。
如图3所示,对于图中的A、B和D类特征,特征数值计算公式为:v=Sum白 -Sum黑;而对于C类来说,计算公式如下:v=Sum白-2*Sum黑;将黑色区域像素和乘以2,使两种矩形区域中像素数目一致。
本实施例中,通过改变特征模板的大小和位置,可在图像子窗口中列举出大量的特征。特征模板又称为“特征原型”;特征原型在图像子窗口中扩展,即平移或伸缩,获取的特征称为“矩形特征”;矩形特征的值称为“特征值”。
具体地,矩形特征可位于图像任意位置,大小也可以任意改变,因此,矩形特征值是矩形模板类别、矩形位置和矩形大小这三个因素的函数。故矩形模板类别、矩形位置和矩形大小的变化,使得很小的检测窗口含有非常多的矩形特征。
具体地,Adaboost分类器算法的具体实现过程如下:
其中,(x,y1)为第一张样本集的图片特征和对应的标签;(x2,y2)为第二张样本集的图片特征和对应的标签;(xm,ym)为第m张样本集的图片特征和对应的标签;wkm,为第 m个样本对应的权值,w1i为相对应的误差权重,初始化为1/m;m为训练样本集的图片特征和对应的标签;
S2、Adaboost分类器算法分类为二分类问题及其推广,设输出为[-1,1]时,加权误差率为:
其中,Gk为第k个弱分类器;xi为输入的第i个测试样本;yi为输入的第i个测试样本的标签值;wki为第i个样本对应的权值;
可见,该算法的误差率较小,使得对眼睛部位的捕捉更加精确;
S3、第k个弱分类器Gk(x)的权重系数为:
S4、Adaboost分类器算法采用加权表决法的集合策略,最终的强分类器为:
其中,k为输入的第k个数。
颜色识别模块,用于提取红色眼睛图像,将获取的眼睛图像转换成HIS空间,其中,H表示颜色的色调,取值为0度到360度;I表示颜色的明度,范围为0到255; S表示颜色饱和度0%到100%;转换公式如下:
I=(R+G+B)/3
其中,RGB为三种三色分量。
具体地,通过在HIS空间中分别设置红色的颜色阈值,将H取值在300到360,I 取值在200到255,S取值在60%到100%,红色由浅入深可推断出疑似患者的情况严重程度,最后将颜色属于红色的阈值提取出来,即可获取精确的图像。当检测到红色阈值过大后即及时进行报警。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.基于眼部色彩监控的红眼病患者识别系统,其特征在于,包括摄像头、图像预处理模块、眼睛部位识别模块以及颜色识别模块;其中,摄像头与图像预处理模块连接,图像预处理模块分别与摄像头和眼睛部位识别模块连接,眼睛部位识别模块分别与图像预处理模块和颜色识别模块连接。
2.根据权利要求1所述的基于眼部色彩监控的红眼病患者识别系统,其特征在于,摄像头,用于实时监控并获取进出人员的图像数据,利用小型防水摄像头,摄像头中嵌入蜂鸣器,并植入认知活动指数的视线追踪算法ICA,实现摄像头的追踪、检测以及报警功能。
3.根据权利要求2所述的基于眼部色彩监控的红眼病患者识别系统,其特征在于,摄像头通过认知活动指数的视线追踪算法ICA获取进出场所人员的眼睛眨眼频度变化,滤除光对瞳孔信号的影响,保留测量信息,通过检测瞳孔反应,眨眼以及头部位置,实现进出场所人员的眼睛异常检测。
4.根据权利要求1所述的基于眼部色彩监控的红眼病患者识别系统,其特征在于,图像预处理模块,用于对摄像头实时输入的图像进行采集处理和判断,通过OpenCV图像处理库函数,进行图像采集处理。
5.根据权利要求4所述的基于眼部色彩监控的红眼病患者识别系统,其特征在于,图像采集处理过程为:输入监控视频图像,利用高斯滤波、灰度化处理、二值化、边缘检测以及感兴趣区域检测的步骤对图像进行处理,输出元素均为0的矩阵并绘制掩膜图像。
6.根据权利要求1所述的基于眼部色彩监控的红眼病患者识别系统,其特征在于,眼睛部位识别模块,用于精确定位眼睛位置,通过使用HAAR特征的Adaboost分类器算法进行分割定位,再经过若干次OpenCV图像处理库函数样本训练,实现检测成功率的提高。
7.根据权利要求6所述的基于眼部色彩监控的红眼病患者识别系统,其特征在于,HAAR特征分为:边缘特征、线性特征、中心特征和对角特征,将各特征组合成特征模板,特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。
9.根据权利要求8所述的基于眼部色彩监控的红眼病患者识别系统,其特征在于,HIS空间中分别设置红色的颜色阈值,将H取值在300到360,I取值在200到255,S取值在60%到100%,红色由浅入深推断出疑似患者的情况严重程度,最后将颜色属于红色的阈值提取出来,即可获取精确的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751701.9A CN113569655A (zh) | 2021-07-02 | 2021-07-02 | 基于眼部色彩监控的红眼病患者识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751701.9A CN113569655A (zh) | 2021-07-02 | 2021-07-02 | 基于眼部色彩监控的红眼病患者识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569655A true CN113569655A (zh) | 2021-10-29 |
Family
ID=78163524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751701.9A Pending CN113569655A (zh) | 2021-07-02 | 2021-07-02 | 基于眼部色彩监控的红眼病患者识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569655A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518116A (zh) * | 2022-02-17 | 2022-05-20 | 广州大学 | 一种基于跟踪导引线的视觉导航方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105739127A (zh) * | 2016-05-06 | 2016-07-06 | 京东方科技集团股份有限公司 | 智能眼镜及眼疲劳识别方法 |
CN110287807A (zh) * | 2019-05-31 | 2019-09-27 | 上海亿童科技有限公司 | 一种人体信息获取方法、装置及系统 |
CN110428908A (zh) * | 2019-07-31 | 2019-11-08 | 广西壮族自治区人民医院 | 一种基于人工智能的眼睑运动功能评估系统 |
CN111259794A (zh) * | 2020-01-16 | 2020-06-09 | 苏州瓴图智能科技有限公司 | 一种基于图像的非接触式红眼病自动筛查方法 |
US20210035689A1 (en) * | 2018-04-17 | 2021-02-04 | Bgi Shenzhen | Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium |
CN112992304A (zh) * | 2020-08-24 | 2021-06-18 | 湖南数定智能科技有限公司 | 高分辨率红眼病案例数据生成方法、设备及存储介质 |
-
2021
- 2021-07-02 CN CN202110751701.9A patent/CN113569655A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105739127A (zh) * | 2016-05-06 | 2016-07-06 | 京东方科技集团股份有限公司 | 智能眼镜及眼疲劳识别方法 |
US20210035689A1 (en) * | 2018-04-17 | 2021-02-04 | Bgi Shenzhen | Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium |
CN110287807A (zh) * | 2019-05-31 | 2019-09-27 | 上海亿童科技有限公司 | 一种人体信息获取方法、装置及系统 |
CN110428908A (zh) * | 2019-07-31 | 2019-11-08 | 广西壮族自治区人民医院 | 一种基于人工智能的眼睑运动功能评估系统 |
CN111259794A (zh) * | 2020-01-16 | 2020-06-09 | 苏州瓴图智能科技有限公司 | 一种基于图像的非接触式红眼病自动筛查方法 |
CN112992304A (zh) * | 2020-08-24 | 2021-06-18 | 湖南数定智能科技有限公司 | 高分辨率红眼病案例数据生成方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张善文: "图像模式识别", 西安电子科技大学出版社, pages: 89 - 90 * |
贾文伟 等: "车载眼动追踪技术应用集成系统开发", 《汽车科技》, no. 1, 31 January 2019 (2019-01-31), pages 49 - 52 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518116A (zh) * | 2022-02-17 | 2022-05-20 | 广州大学 | 一种基于跟踪导引线的视觉导航方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adhikari et al. | Activity recognition for indoor fall detection using convolutional neural network | |
CN106980852B (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
CN110363140A (zh) | 一种基于红外图像的人体动作实时识别方法 | |
CN106682578B (zh) | 基于眨眼检测的弱光人脸识别方法 | |
CN110443102B (zh) | 活体人脸检测方法及装置 | |
CN114842397B (zh) | 一种基于异常检测的实时老人跌倒检测方法 | |
De Guzman et al. | Design and evaluation of a multi-model, multi-level artificial neural network for eczema skin lesion detection | |
CN112396011B (zh) | 一种基于视频图像心率检测及活体检测的人脸识别系统 | |
CN111666845B (zh) | 基于关键帧采样的小样本深度学习多模态手语识别方法 | |
Kavitha et al. | Hierarchical classifier for soft and hard exudates detection of retinal fundus images | |
Monwar et al. | Pain recognition using artificial neural network | |
CN109886086A (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
CN113569655A (zh) | 基于眼部色彩监控的红眼病患者识别系统 | |
Broussard et al. | Using artificial neural networks and feature saliency techniques for improved iris segmentation | |
Das et al. | Human face detection in color images using HSV color histogram and WLD | |
Jindal et al. | Sign Language Detection using Convolutional Neural Network (CNN) | |
Xu et al. | Efficient eye states detection in real-time for drowsy driving monitoring system | |
Navada et al. | Design of Mobile Application for Assisting Color Blind People to Identify Information on Sign Boards. | |
CN115294632A (zh) | 一种真假笑容辨别方法及系统 | |
Mei et al. | Optic disc segmentation method based on low rank matrix recovery theory | |
AthishMon et al. | Recognizing spontaneous emotion from the eye region under different head poses | |
Singh et al. | Face Mask Detection using an Automated Hybrid Deep Learning Method in the COVID Scenario | |
CN110110623A (zh) | 一种基于Android平台的人脸识别系统及设计方法 | |
Shamil et al. | Detection of Iris localization in facial images using haar cascade circular hough transform | |
Chakraborty | An illumination invariant face detection based on human shape analysis and skin color information |
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 |