CN116974370B - 一种防沉迷儿童学习平板电脑控制方法及系统 - Google Patents
一种防沉迷儿童学习平板电脑控制方法及系统 Download PDFInfo
- Publication number
- CN116974370B CN116974370B CN202310881158.3A CN202310881158A CN116974370B CN 116974370 B CN116974370 B CN 116974370B CN 202310881158 A CN202310881158 A CN 202310881158A CN 116974370 B CN116974370 B CN 116974370B
- Authority
- CN
- China
- Prior art keywords
- pupil
- eyeball
- eye
- image
- child
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 206010012335 Dependence Diseases 0.000 title claims abstract description 45
- 210000001747 pupil Anatomy 0.000 claims abstract description 143
- 210000005252 bulbus oculi Anatomy 0.000 claims abstract description 114
- 210000001508 eye Anatomy 0.000 claims abstract description 88
- 208000003464 asthenopia Diseases 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000001815 facial effect Effects 0.000 claims abstract description 34
- 238000009736 wetting Methods 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims abstract description 19
- 230000001360 synchronised effect Effects 0.000 claims abstract description 11
- 238000005206 flow analysis Methods 0.000 claims abstract description 10
- 230000004478 pupil constriction Effects 0.000 claims abstract description 4
- 230000010344 pupil dilation Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 64
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000004438 eyesight Effects 0.000 claims description 9
- 230000008602 contraction Effects 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000004087 cornea Anatomy 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002645 vision therapy Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/013—Eye tracking input arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2137—Time limited access, e.g. to a computer or data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及电脑控制管理的技术领域，特别是涉及一种防沉迷儿童学习平板电脑控制方法，其实现精准控制，能够有效地解决儿童学习平板电脑过程中的视觉疲劳问题；方法包括：利用平板电脑前置摄像头获取儿童面部图像信息；对儿童面部图像信息进行眼部特征提取，获得儿童眼部图像信息；对儿童眼部图像信息进行双通道同步处理，获得瞳孔动态变化信息和眼球湿润程度信息；对瞳孔动态变化信息进行光流分析，获得瞳孔收缩和扩张的瞳孔动态频率特征；对眼球湿润程度信息进行图像处理，获得能够反应眼球折射率的眼球图像灰度特征；将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据。
Description
技术领域
本发明涉及电脑控制管理的技术领域，特别是涉及一种防沉迷儿童学习平板电脑控制方法。
背景技术
儿童学习平板电脑是专为年幼孩童设计的电子设备，旨在提供有益于他们学习和发展的教育内容和工具；儿童学习平板电脑的主要目的是通过互动和视觉体验促进儿童的学习和思维能力的发展；它们通常是以游戏和趣味为基础，结合了教育课程和学习活动，帮助儿童学习字母、数字、形状、颜色等基础知识。为了确保孩子在使用平板电脑时得到适当的指导和监督，很多儿童学习平板电脑都提供了家长控制和监控功能；这些功能允许家长设置使用时间限制、监视孩子的学习进展等。
现有的防沉迷手段只是简单的设定使用时长，然而由于儿童的视力情况不同，家长难以精准的根据儿童自身状况来设定时间限制，因此亟需一种能够根据儿童自身情况进行精准控制的防沉迷儿童学习平板电脑控制方法。
发明内容
为解决上述技术问题，本发明提供一种实现精准控制，能够有效地解决儿童学习平板电脑过程中的视觉疲劳问题的防沉迷儿童学习平板电脑控制方法。
第一方面，本发明提供了一种防沉迷儿童学习平板电脑控制方法，所述方法包括：
利用平板电脑前置摄像头获取儿童面部图像信息；
对所述儿童面部图像信息进行眼部特征提取，获得儿童眼部图像信息；
对所述儿童眼部图像信息进行双通道同步处理，获得瞳孔动态变化信息和眼球湿润程度信息；
对所述瞳孔动态变化信息进行光流分析，获得瞳孔收缩和扩张的瞳孔动态频率特征；
对所述眼球湿润程度信息进行图像处理，获得能够反应眼球折射率的眼球图像灰度特征；
将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据；
利用预先构建的眼疲劳监测模型对疲劳特征数据进行识别，得出此节点下的眼疲劳程度；
将眼疲劳程度与预设阈值进行比较，若眼疲劳程度大于预设阈值，则对平板电脑进行防沉迷强制控制；若眼疲劳程度未大于预设阈值，则无动作。
另一方面，本申请还提供了一种防沉迷儿童学习平板电脑控制系统，所述系统包括：
面部图像获取模块，通过使用平板电脑前置摄像头获取儿童面部图像信息，并发送；
眼部特征提取模块，用于接收面部图像获取模块发送的儿童面部图像信息，并对儿童面部图像信息进行处理，提取眼部特征，获得儿童眼部图像信息，并发送；
双通道同步处理模块，用于接收儿童眼部图像信息，并对儿童眼部图像信息进行双通道处理，获得瞳孔动态变化信息和眼球湿润程度信息；一方面，对瞳孔动态变化信息进行光流分析，通过分析瞳孔收缩和扩张的动态频率特征来获得瞳孔动态频率特征；同时另一方面，对眼球湿润程度信息进行图像处理，以获得能够反应眼球折射率的眼球图像灰度特征，并发送；
疲劳特征提取模块，用于接收瞳孔动态频率特征和眼球图像灰度特征，并将同一时间点的瞳孔动态频率特征和眼球图像灰度特征结合起来，生成反映疲劳程度的疲劳特征数据，并发送；
眼疲劳监测模型模块，用于接收疲劳特征数据，并使用预先训练存储的眼疲劳监测模型对疲劳特征数据进行识别，得出眼疲劳程度，并发送；
防沉迷强制控制模块，用于接收眼疲劳程度，并将眼疲劳程度与预设阈值进行比较；如果眼疲劳程度超过预设阈值，则触发防沉迷强制控制措施；如果眼疲劳程度未超过预设阈值，则不采取任何措施。
第三方面，本申请提供了一种电子设备，包括总线、收发器、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，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
进一步地，所述对儿童面部图像信息进行眼部特征提取，获得儿童眼部图像信息的方法，包括：
对获取到的儿童面部图像进行预处理；
根据特定特征，定位并标定眼睛的位置；
根据瞳孔的颜色和亮度特征，将瞳孔区域由眼睛图像上分割出来；
分析获取瞳孔形状、大小和轮廓特征。
进一步地，对所述瞳孔动态变化信息进行光流分析，获得瞳孔收缩和扩张的瞳孔动态频率特征的方法，包括：
对瞳孔进行目标检测与跟踪；
通过应用图像处理技术,将瞳孔与眼部图像中的其他区域分离开来；
利用光流算法，对连续的瞳孔图像进行分析，计算瞳孔在时间上的运动特征；
将瞳孔动态频率特征编码成数据向量格式；该数据向量表示为：[x1,x2,x3]，数据向量中的每个元素代表瞳孔在相应时间点的收缩和扩张频率。
进一步地，其中，瞳孔动态频率特征还可以采用时间序列进行表示，时间序列表示为：（t1，x1），（t2，x2），（t3，x3），...，其中ti表示时间点，xi表示相应时间点时瞳孔的动态频率特征。
进一步地，对所述眼球湿润程度信息进行图像处理，获得能够反应眼球折射率的眼球图像灰度特征的方法，包括：
对眼球图像进行图像预处理；
使用计算机视觉的方法，检测和跟踪角膜反射点；
利用图像处理技术，从预处理的眼球图像中提取灰度特征；
将眼球图像灰度特征编码成数据向量格式；该数据向量表示为：[mean_value，std_deviation，max_value]；其中，mean_value为平均灰度值，std_deviation为灰度值标准差，max_value为最大灰度值。
进一步地，将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据的方法，包括：
将瞳孔动态频率特征的数据向量[x1,x2,x3]和眼球图像灰度特征的数据向量[mean_value，std_deviation，max_value]，进行加权平均，得到合并后的特征数据向量：[x1*w1+mean_value*w2,x2*w1+std_deviation*w2,x3* w1+max_value*w2]
其中，w1是瞳孔动态频率特征的权重参数，w2是眼球图像灰度特征的权重参数。
进一步地，将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据的方法，包括：
将瞳孔动态频率特征的数据向量[x1,x2,x3]和眼球图像灰度特征的数据向量[mean_value，std_deviation，max_value]排列成二维矩阵：{[ x1,x2,x3],[meanvalue,stddeviation,maxvalue]}。
与现有技术相比本发明的有益效果为：通过使用前置摄像头获得儿童面部图像信息，提取眼部特征并进行处理，可以获取瞳孔动态变化信息和眼球湿润程度信息，从而可以准确地反映儿童的视觉疲劳程度；通过结合瞳孔动态频率特征和眼球图像灰度特征，得出眼疲劳程度，以此作为防沉迷的指标，实现精准控制；能够有效地解决儿童学习平板电脑过程中的视觉疲劳问题，提供更精准、自动化的防沉迷控制方式。
附图说明
图1是防沉迷儿童学习平板电脑控制方法的流程图；
图2是眼部特征提取的流程图；
图3是瞳孔动态变化信息提取的流程图；
图4是眼球湿润程度信息提取的流程图；
图5是防沉迷儿童学习平板电脑控制系统的结构图。
实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
如图1至图4所示，本发明的一种防沉迷儿童学习平板电脑控制方法，包括以下步骤；
S1、利用平板电脑前置摄像头获取儿童面部图像信息；
在S1步骤中，防沉迷儿童学习平板电脑控制方法利用平板电脑前置摄像头获取儿童的面部图像信息；此步骤是为了获取儿童的眼部图像信息以进行后续的眼部特征提取和分析；现代平板电脑通常配备了前置摄像头，可用于捕捉用户的面部图像；在S1步骤中，通过调用平板电脑的摄像头功能，可以获取到儿童的面部图像；
为了实现这一步骤，可以使用平板电脑的操作系统或应用程序编程接口提供的图像采集功能；根据平台的不同如iOS、Android等，可以使用相应的开发工具和编程语言来编写代码；以下是S1步骤的详细流程：
S11、在平板电脑应用程序中，请求访问前置摄像头功能；这通常需要用户在应用程序中授予相应的权限；
S12、使用适当的编程语言和平台相关的API或开发工具，调用摄像头功能来捕捉儿童的面部图像；
S13、通过查询摄像头的缓冲区或采集回调函数，获取采集到的图像数据；
S14、对获取到的图像数据进行处理和分析，以确保它是清晰可见的面部图像；可以使用图像处理技术来增强图像质量；
值得注意的是，为了保护儿童的隐私和数据安全，平板电脑应该严格遵循相关隐私政策和法规，并采取适当的安全措施来保护采集到的面部图像数据；在本步骤中，利用平板电脑前置摄像头获取儿童的面部图像信息，并为后续的眼部特征提取和分析提供数据基础；通过调用摄像头功能，获取到的图像数据经过处理和分析，可以在后续的步骤中用于控制防止儿童沉迷于学习平板电脑的过程中。
S2、对所述儿童面部图像信息进行眼部特征提取，获得儿童眼部图像信息；
S2步骤涉及对儿童面部图像信息进行眼部特征提取；眼部特征提取是通过分析面部图像中与眼睛相关的区域，从中提取出能够表示眼睛特征的信息；眼部特征提取可以通过计算机视觉和图像处理的方法来实现；具体通过以下步骤实现：
S21、面部图像预处理：首先，需要对获取到的儿童面部图像进行预处理；预处理步骤可能包括图像去噪、图像增强、归一化等；这些预处理步骤有助于提高图像质量和眼部特征的提取效果；
S22、眼睛区域定位：在面部图像中，眼睛通常位于特定的区域；通过使用人脸检测或人眼检测算法，可以定位并标定眼睛的位置；这些算法可以根据一些特定的特征，如眼睛的形状、颜色、纹理等，来准确地确定眼睛的位置和轮廓；
S23、瞳孔区域提取：一旦眼睛的位置被确定，可以通过形态学操作和阈值分割等方法来提取瞳孔；这些方法可以根据瞳孔的颜色和亮度特征将其与其他眼部组织进行区分；
S24、瞳孔特征描述：提取到瞳孔后，可以进一步分析其形状、大小、轮廓等特征；这些特征可以通过边缘检测、形状分析和几何特征提取等方法来获取；例如，可以使用Hough变换来检测瞳孔的圆形轮廓；
S25、眼睛其他特征提取：除了瞳孔外，眼部图像还包含其他有用的特征，如眼睑轮廓、眼球眶区域等；这些特征可以通过边缘检测、形态学操作和颜色分割等技术来提取；这些特征可以作为眼部特征的补充，从而更全面地描述眼睛的状态和特征；
综合以上步骤，S2步骤的眼部特征提取可以得到儿童眼部图像中的关键特征信息，如瞳孔的位置、大小、形状，眼睛的轮廓，以及其他相关特征；这些特征可以用于后续步骤中的瞳孔动态变化信息的分析和眼球湿润程度信息的提取，以判断儿童的眼部状况和疲劳程度；需要注意的是，S2步骤的具体实现可以根据具体的技术和算法选择进行调整；目前有许多计算机视觉和图像处理的技术可供选择，如深度学习、特征提取算法、模式识别等；因此，详细的实现取决于具体的算法和工具的选择，以及对儿童眼部图像信息的需求和预期目标。
S3、对所述儿童眼部图像信息进行双通道同步处理，获得瞳孔动态变化信息和眼球湿润程度信息；对所述瞳孔动态变化信息进行光流分析，获得瞳孔收缩和扩张的瞳孔动态频率特征；对所述眼球湿润程度信息进行图像处理，获得能够反应眼球折射率的眼球图像灰度特征；
本步骤是对儿童眼部图像信息进行双通道同步处理，获得瞳孔动态变化信息和眼球湿润程度信息；具体包括以下步骤：
S31、瞳孔动态变化信息提取：使用眼部图像信息中的特定区域即瞳孔区域，进行瞳孔动态变化的分析；以下是此步骤的主要处理过程：
S31a、对瞳孔进行目标检测与跟踪：首先，利用计算机视觉的技术方法，如目标检测算法，如Haar级联检测器或深度学习模型，定位眼部区域，然后对瞳孔进行跟踪，以确保在连续的图像帧中准确地提取瞳孔区域；
S31b、瞳孔分割：通过应用图像处理技术，如阈值分割、边缘检测或基于机器学习的图像分割算法，将瞳孔与眼部图像中的其他区域分离开来；
S31c、瞳孔动态频率提取：利用光流算法，如Lucas-Kanade光流或稠密光流算法，对连续的瞳孔图像进行分析，计算瞳孔在时间上的运动特征；通过测量瞳孔在连续图像帧中的位移和速度变化，可以得到瞳孔的收缩和扩张的动态频率特征；
S31d、瞳孔动态频率特征数据化：将瞳孔动态频率特征编码成一个数据向量或时间序列，以描述瞳孔的运动变化情况；这个信息可以作为评估儿童眼部疲劳程度的重要指标之一，例如：
通过数据向量表示瞳孔动态频率特征：假设在一段时间内连续地记录了儿童眼部图像，并提取了瞳孔的动态频率特征；可以将这些特征表示为一个数据向量，其中每个元素代表瞳孔在相应时间点的收缩和扩张频率；例如，假设记录了10个时间点的瞳孔动态特征，数据向量可以表示为：[0.2,0.3,0.4,0.5,0.6,0.5,0.4,0.3,0.2,0.1]；这样的表示方式可以帮助分析和比较不同时间点的瞳孔动态变化；
通过时间序列表示瞳孔动态频率特征：将瞳孔的动态频率特征与时间点一起记录下来；例如，可以使用时间序列表示为：（t1，0.2），（t2，0.3），（t3，0.4），...，其中ti表示时间点，0.2、0.3、0.4等表示相应时间点时瞳孔的动态频率特征；这样的时间序列表示方式可以帮助观察瞳孔动态变化的趋势和模式；
S32、眼球湿润程度信息提取：此阶段旨在分析眼球湿润程度，并从眼部图像中提取与眼球折射率相关的特征；具体包括以下步骤：
S32a、眼球图像预处理：对于从眼部图像中提取眼球湿润程度信息，通常需要进行一些图像预处理步骤，如图像增强、噪声降低或颜色空间转换等；这些处理旨在提高后续处理步骤的准确性和可靠性；
S32b、角膜反射点检测：角膜反射点是眼球表面的反射点，通过检测这些反射点可以得到眼球的位置和姿态信息；使用计算机视觉的方法，如滤波器、边缘检测或特征基准点匹配等来检测和跟踪角膜反射点；
S32c、眼球图像灰度特征提取：通过图像处理技术，如直方图均衡化、纹理分析或局部二值模式等方法，从预处理的眼球图像中提取灰度特征；这些特征可以反映眼球的湿润程度，如角膜折射率；
S32d、眼球图像灰度特征数据化：将眼球图像灰度特征编码成一个数据向量，以表示眼球的湿润程度；这个信息可以与瞳孔动态频率特征结合使用，以更全面地评估儿童的眼部疲劳程度；例如：
通过数据向量表示眼球图像灰度特征：假设有一张眼球的灰度图像，可以将其表示为一个二维数组；为了表示眼球的湿润程度，可以根据图像中每个像素的灰度值提取特征；首先，计算图像的平均灰度值、标准差、最小灰度值和最大灰度值等统计特征；然后，我们可以将这些特征组合成一个数据向量，其中每个元素代表一个特征；假设提取了平均灰度值、标准差和最大灰度值3个特征，数据向量可以表示为：[mean_value，std_deviation，max_value]；这样的数据向量可以用来表示眼球湿润程度的定量特征；
通过以上的步骤，S3实现了对儿童眼部图像信息的双通道同步处理，从中提取出瞳孔动态变化信息和眼球湿润程度信息；这些信息将成为后续步骤中眼疲劳程度的评估依据，以实现对儿童学习平板电脑的防沉迷控制。
S4、将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据；
具体在本步骤中，将通过数据向量表示的瞳孔动态频率特征和通过数据向量表示的眼球图像灰度特征的两种向量相互结合，以得到疲劳特征数据。可以通过以下几种方式实现：
在S4中，可以将通过数据向量表示的瞳孔动态频率特征和眼球图像灰度特征的数据向量相互结合，以得到疲劳特征数据。这种结合可以通过以下几种方式实现：
一种方式是，可以将瞳孔动态频率特征的数据向量和眼球图像灰度特征的数据向量连接起来，形成一个更长的数据向量；例如，假设瞳孔动态频率特征的数据向量为[0.2,0.3,0.4]，眼球图像灰度特征的数据向量为[mean_value,std_deviation,max_value]，则连接后的疲劳特征数据向量为[0.2,0.3,0.4,mean_value,std_deviation,max_value]；这样的结合方式能够保留瞳孔动态频率和眼球图像灰度特征的所有原始信息，没有丢失。这样可以确保后续的模型训练和分析可以利用完整的特征信息，提高模型的准确性和性能；
另一种方式是，可以使用一些合并操作，如求和、加权平均或元素级相乘等，将瞳孔动态频率特征的数据向量和眼球图像灰度特征的数据向量合并成一个单一的特征数据；例如，假设瞳孔动态频率特征的数据向量为[0.2,0.3,0.4]，眼球图像灰度特征的数据向量为[mean_value,std_deviation,max_value]，可以对两个向量进行加权平均，得到合并后的特征数据向量[0.2*w1+mean_value*w2,0.3* w1+std_deviation* w2,0.4* w1+max_value* w2]；其中，w1和w2是权重参数，用于平衡两个特征的贡献程度；
第三种方式是，如果数据向量的长度相同，也可以将瞳孔动态频率特征的数据向量和眼球图像灰度特征的数据向量作为多维特征，形成一个矩阵或张量；例如，假设瞳孔动态频率特征的数据向量为[0.2,0.3,0.4]，眼球图像灰度特征的数据向量为[meanvalue,stddeviation,maxvalue]，可以将它们排列成一个二维矩阵如{[0.2,0.3,0.4],[meanvalue,stddeviation,maxvalue]}；这样的多维特征可以提供更多的信息，以便后续的模型训练和分析；
通过上述结合方式，将两种不同类型的特征数据相互结合，可以综合考虑瞳孔动态频率和眼球图像灰度两个方面的信息，从而提供更全面和综合的疲劳特征；通过结合不同特征的数据向量，可以获得更多的信息；瞳孔动态频率特征反映了瞳孔的微小运动和变化，而眼球图像灰度特征则提供了眼球湿润程度等图像信息；将它们结合在一起可以提供更多关于眼部疲劳状态的详细信息；通过连接数据向量、合并操作或者形成多维特征矩阵或张量来结合特征，灵活性较高，适应不同的数据和模型需求；
S5、利用预先构建的眼疲劳监测模型对疲劳特征数据进行识别，得出此节点下的眼疲劳程度；
具体在本步骤中，眼疲劳监测模型的构建包括以下步骤：
S51、数据采集：在儿童刚开始使用学习平板电脑的一定时间内，通过平板电脑的前置摄像头获取儿童的面部图像信息；这些图像包括儿童的眼部图像，用于后续的眼疲劳分析；
S52、特征提取：从采集到的眼部图像信息中，提取眼部特征以构建眼疲劳监测模型；具体的提取过程与S31步骤和S32步骤相同，获得数据向量表示的瞳孔动态频率特征和数据向量表示的眼球图像灰度特征；并采用与S4相同的方式将上述两种数据向量相互结合，得到训练模型用的疲劳特征数据；
S53、数据标注：通过专业人员在线检验、评估的方式对训练用疲劳特征数据进行标注；具体包括以下步骤：
S531、通过专家或领域专家讨论，确定眼疲劳程度的标注指标；根据研究目的和需求，可以选择设定离散的等级或连续的数值作为疲劳程度的标注标准；
S532、专业人员在线逐一观察每个样本的疲劳特征数据并进行疲劳程度的标注；专业人员将根据疲劳特征数据的特征和自身经验，给每个样本分配相应的离散等级，比如无疲劳、轻度疲劳、中度疲劳、重度疲劳等；
S533、为了确保标注的准确性和一致性，还可以采取一些质量控制措施，包括以下几个方面：
S533a、培训专业人员：提供专门的培训，帮助专业人员理解标注指标和标注过程，使得他们能够一致地应用标准进行标注；
S533b、评估标注一致性：从标注结果中随机选择一部分数据，让多个专业人员独立标注，并计算标注之间的一致性，例如通过计算准确度或Cohen'skappa系数等来评估；
S533c、反馈和讨论：对于标注结果存在不一致的样本，让专业人员们进行讨论，明确标准并修改标注，以确保一致性；
上述标注方式可以根据具体需求和实验设计进行相应的调整和优化；标注的准确性和一致性是关键，因此，与专业人员进行密切的合作和沟通对于获得高质量的标注数据是至关重要的；
S54、模型训练：利用采集和标注得到的数据，结合机器学习或深度学习等相关算法，构建眼疲劳监测模型；模型的训练过程中，将输入的眼部特征与对应的眼疲劳程度进行关联，并通过学习算法来建立特征与疲劳程度之间的关系模型；
S55、模型评估：训练完成后，需要对眼疲劳监测模型进行评估，以确保其准确度和可靠性；评估方法可以采用交叉验证、测试数据集等标准的机器学习评估方法；评估结果可以用来判断模型的性能，并进行必要的调整和优化；
S56、眼疲劳程度识别：在实际应用时，将实时采集到的瞳孔动态变化特征和眼球湿润程度特征输入到训练好的眼疲劳监测模型中，模型将输出对应的眼疲劳程度。
需要注意的是，在构建眼疲劳监测模型时，应该尽量考虑数据的多样性和覆盖性，以确保模型在实际使用中的鲁棒性和准确度；同时，这个方法也需要遵循相关的法律法规和伦理规范，保护儿童的隐私和权益。
S6、将眼疲劳程度与预设阈值进行比较，若眼疲劳程度大于预设阈值，则对平板电脑进行防沉迷强制控制；若眼疲劳程度未大于预设阈值，则无动作；
具体在本步骤中，通过预先构建的眼疲劳监测模型，对前面步骤中得到的疲劳特征数据进行识别；监测模型可以基于机器学习方法，使用已标注的眼疲劳数据进行训练；训练的目标是根据瞳孔动态变化频率和眼球湿润程度特征来准确预测眼疲劳程度；将预测得到的眼疲劳程度与预设阈值进行比较；若眼疲劳程度大于预设阈值，则触发防沉迷控制措施；防沉迷控制的具体操作可以有多种，例如：
S6a、提示休息：显示警示信息，提示孩子休息眼睛，暂停使用平板电脑，并进行眼部放松或视觉训练活动；
S6b、时间限制控制：根据孩子的眼疲劳程度动态调整使用时间限制，以确保适度的平板电脑使用时间；
S6c、眼保健提醒：根据孩子的眼疲劳程度提供眼保健建议，例如建议调节屏幕亮度、保持适当的眼睛距离、使用防蓝光眼镜等。
在本实施例中，通过使用前置摄像头获得儿童面部图像信息，提取眼部特征并进行处理，可以获取瞳孔动态变化信息和眼球湿润程度信息，从而可以准确地反映儿童的视觉疲劳程度；通过结合瞳孔动态频率特征和眼球图像灰度特征，得出眼疲劳程度，以此作为防沉迷的指标，实现精准控制；
该方法综合考虑了眼部特征的多个方面，如瞳孔动态变化和眼球湿润程度，通过眼疲劳监测模型进行综合判断；这样可以更全面地评估儿童的视觉疲劳程度，不仅仅局限于时间限制，有助于更好地保护儿童的视力健康；
综上所述，该方法利用面部图像信息和眼部特征进行实时、精准的眼疲劳监测，能够有效地解决儿童学习平板电脑过程中的视觉疲劳问题，提供了更精准、自动化的防沉迷控制方式；
实施例
如图5所示，一种防沉迷儿童学习平板电脑控制系统，所述系统包括：
面部图像获取模块，通过使用平板电脑前置摄像头获取儿童面部图像信息，并发送；
眼部特征提取模块，用于接收面部图像获取模块发送的儿童面部图像信息，并对儿童面部图像信息进行处理，提取眼部特征，获得儿童眼部图像信息，并发送；
双通道同步处理模块，用于接收儿童眼部图像信息，并对儿童眼部图像信息进行双通道处理，获得瞳孔动态变化信息和眼球湿润程度信息；一方面，对瞳孔动态变化信息进行光流分析，通过分析瞳孔收缩和扩张的动态频率特征来获得瞳孔动态频率特征；同时另一方面，对眼球湿润程度信息进行图像处理，以获得能够反应眼球折射率的眼球图像灰度特征，并发送；
疲劳特征提取模块，用于接收瞳孔动态频率特征和眼球图像灰度特征，并将同一时间点的瞳孔动态频率特征和眼球图像灰度特征结合起来，生成反映疲劳程度的疲劳特征数据，并发送；
眼疲劳监测模型模块，用于接收疲劳特征数据，并使用预先训练存储的眼疲劳监测模型对疲劳特征数据进行识别，得出眼疲劳程度，并发送；
防沉迷强制控制模块，用于接收眼疲劳程度，并将眼疲劳程度与预设阈值进行比较；如果眼疲劳程度超过预设阈值，则触发防沉迷强制控制措施；如果眼疲劳程度未超过预设阈值，则不采取任何措施。
在本实施例中，该系统通过面部图像获取模块和眼部特征提取模块获取儿童的面部图像和眼部特征；通过对瞳孔动态变化信息和眼球湿润程度信息的分析处理，能够精准地反映出儿童的眼疲劳程度，从而实现个性化的防沉迷控制；
通过双通道同步处理模块，系统能够同时获得瞳孔动态频率特征和眼球图像灰度特征；将这两种特征结合在一起，能够更全面地反映儿童的眼疲劳程度，提高防沉迷判断的准确性；
系统通过眼疲劳监测模型模块对疲劳特征数据进行实时识别，能够及时监测儿童的眼疲劳程度；这使得系统能够根据实际情况进行即时的防沉迷控制，避免了过度学习或过度使用平板电脑对儿童的眼睛造成的损害；
防沉迷强制控制模块能够根据眼疲劳程度与预设阈值的比较结果，触发相应的控制措施；如果眼疲劳程度超过预设阈值，系统可以强制中断儿童使用平板电脑的活动，推荐休息或进行其他非电子学习活动，保护儿童的视力健康；
儿童学习平板电脑通常提供家长控制和监控功能，以确保孩子在使用平板电脑时得到适当的指导和监督；该系统作为一种防沉迷控制手段，能够加强家长对孩子学习行为的监管，帮助家长更好地控制和引导孩子的学习和娱乐时间。
前述实施例一中的防沉迷儿童学习平板电脑控制方法的各种变化方式和具体实施例同样适用于本实施例的防沉迷儿童学习平板电脑控制系统,通过前述对防沉迷儿童学习平板电脑控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中防沉迷儿童学习平板电脑控制系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种防沉迷儿童学习平板电脑控制方法，其特征在于，所述方法包括：
利用平板电脑前置摄像头获取儿童面部图像信息；
对所述儿童面部图像信息进行眼部特征提取，获得儿童眼部图像信息；
对所述儿童眼部图像信息进行双通道同步处理，获得瞳孔动态变化信息和眼球湿润程度信息；
对所述瞳孔动态变化信息进行光流分析，获得瞳孔收缩和扩张的瞳孔动态频率特征；
对所述眼球湿润程度信息进行图像处理，获得能够反应眼球折射率的眼球图像灰度特征；
将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据；
利用预先构建的眼疲劳监测模型对疲劳特征数据进行识别，得出此节点下的眼疲劳程度；
将眼疲劳程度与预设阈值进行比较，若眼疲劳程度大于预设阈值，则对平板电脑进行防沉迷强制控制；若眼疲劳程度未大于预设阈值，则无动作；
对所述瞳孔动态变化信息进行光流分析，获得瞳孔收缩和扩张的瞳孔动态频率特征的方法，包括：
对瞳孔进行目标检测与跟踪；
通过应用图像处理技术,将瞳孔与眼部图像中的其他区域分离开来；
利用光流算法，对连续的瞳孔图像进行分析，计算瞳孔在时间上的运动特征；
将瞳孔动态频率特征编码成数据向量格式；该数据向量表示为：[x1,x2,x3]，数据向量中的每个元素代表瞳孔在相应时间点的收缩和扩张频率；
对所述眼球湿润程度信息进行图像处理，获得能够反应眼球折射率的眼球图像灰度特征的方法，包括：
对眼球图像进行图像预处理；
使用计算机视觉的方法，检测和跟踪角膜反射点；
利用图像处理技术，从预处理的眼球图像中提取灰度特征；
将眼球图像灰度特征编码成数据向量格式；该数据向量表示为：[mean_value，std_deviation，max_value]；其中，mean_value为平均灰度值，std_deviation为灰度值标准差，max_value为最大灰度值；
将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据的方法，包括：
将瞳孔动态频率特征的数据向量[x1,x2,x3]和眼球图像灰度特征的数据向量[mean_value，std_deviation，max_value]，进行加权平均，得到合并后的特征数据向量：[x1*w1+mean_value*w2,x2*w1+std_deviation*w2,x3* w1+max_value*w2]
其中，w1是瞳孔动态频率特征的权重参数，w2是眼球图像灰度特征的权重参数。
2.如权利要求1所述的一种防沉迷儿童学习平板电脑控制方法，其特征在于，所述对所述儿童面部图像信息进行眼部特征提取，获得儿童眼部图像信息的方法，包括：
对获取到的儿童面部图像进行预处理；
根据特定特征，定位并标定眼睛的位置；
根据瞳孔的颜色和亮度特征，将瞳孔区域由眼睛图像上分割出来；
分析获取瞳孔形状、大小和轮廓特征。
3.如权利要求1所述的一种防沉迷儿童学习平板电脑控制方法，其特征在于，其中，瞳孔动态频率特征还可以采用时间序列进行表示，时间序列表示为：（t1，x1），（t2，x2），（t3，x3），...，其中ti表示时间点，xi表示相应时间点时瞳孔的动态频率特征。
4.如权利要求1所述的一种防沉迷儿童学习平板电脑控制方法，其特征在于，将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据的方法，包括：
将瞳孔动态频率特征的数据向量[x1,x2,x3]和眼球图像灰度特征的数据向量[mean_value，std_deviation，max_value]排列成二维矩阵：{[ x1,x2,x3],[meanvalue,stddeviation,maxvalue]}。
5.一种防沉迷儿童学习平板电脑控制系统，其特征在于，所述系统包括：
面部图像获取模块，通过使用平板电脑前置摄像头获取儿童面部图像信息，并发送；
眼部特征提取模块，用于接收面部图像获取模块发送的儿童面部图像信息，并对儿童面部图像信息进行处理，提取眼部特征，获得儿童眼部图像信息，并发送；
双通道同步处理模块，用于接收儿童眼部图像信息，并对儿童眼部图像信息进行双通道处理，获得瞳孔动态变化信息和眼球湿润程度信息；一方面，对瞳孔动态变化信息进行光流分析，通过分析瞳孔收缩和扩张的动态频率特征来获得瞳孔动态频率特征；同时另一方面，对眼球湿润程度信息进行图像处理，以获得能够反应眼球折射率的眼球图像灰度特征，并发送；
疲劳特征提取模块，用于接收瞳孔动态频率特征和眼球图像灰度特征，并将同一时间点的瞳孔动态频率特征和眼球图像灰度特征结合起来，生成反映疲劳程度的疲劳特征数据，并发送；
眼疲劳监测模型模块，用于接收疲劳特征数据，并使用预先训练存储的眼疲劳监测模型对疲劳特征数据进行识别，得出眼疲劳程度，并发送；
防沉迷强制控制模块，用于接收眼疲劳程度，并将眼疲劳程度与预设阈值进行比较；如果眼疲劳程度超过预设阈值，则触发防沉迷强制控制措施；如果眼疲劳程度未超过预设阈值，则不采取任何措施；
其中，对所述瞳孔动态变化信息进行光流分析，获得瞳孔收缩和扩张的瞳孔动态频率特征的方法，包括：
对瞳孔进行目标检测与跟踪；
通过应用图像处理技术,将瞳孔与眼部图像中的其他区域分离开来；
利用光流算法，对连续的瞳孔图像进行分析，计算瞳孔在时间上的运动特征；
将瞳孔动态频率特征编码成数据向量格式；该数据向量表示为：[x1,x2,x3]，数据向量中的每个元素代表瞳孔在相应时间点的收缩和扩张频率；
对所述眼球湿润程度信息进行图像处理，获得能够反应眼球折射率的眼球图像灰度特征的方法，包括：
对眼球图像进行图像预处理；
使用计算机视觉的方法，检测和跟踪角膜反射点；
利用图像处理技术，从预处理的眼球图像中提取灰度特征；
将眼球图像灰度特征编码成数据向量格式；该数据向量表示为：[mean_value，std_deviation，max_value]；其中，mean_value为平均灰度值，std_deviation为灰度值标准差，max_value为最大灰度值；
将同一时间节点的瞳孔动态频率特征和眼球图像灰度特征进行结合，获得疲劳特征数据的方法，包括：
将瞳孔动态频率特征的数据向量[x1,x2,x3]和眼球图像灰度特征的数据向量[mean_value，std_deviation，max_value]，进行加权平均，得到合并后的特征数据向量：[x1*w1+mean_value*w2,x2*w1+std_deviation*w2,x3* w1+max_value*w2]
其中，w1是瞳孔动态频率特征的权重参数，w2是眼球图像灰度特征的权重参数。
6.一种防沉迷儿童学习平板电脑控制的电子设备，包括总线、收发器、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，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-4中任一项所述方法中的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310881158.3A CN116974370B (zh) | 2023-07-18 | 2023-07-18 | 一种防沉迷儿童学习平板电脑控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310881158.3A CN116974370B (zh) | 2023-07-18 | 2023-07-18 | 一种防沉迷儿童学习平板电脑控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116974370A CN116974370A (zh) | 2023-10-31 |
| CN116974370B true CN116974370B (zh) | 2024-04-16 |
Family
ID=88470585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310881158.3A Active CN116974370B (zh) | 2023-07-18 | 2023-07-18 | 一种防沉迷儿童学习平板电脑控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116974370B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201022648A (en) * | 2008-12-12 | 2010-06-16 | Inst Information Industry | Pupil position acquisition system, method thereof, and device containing computer software |
| JP2014061085A (ja) * | 2012-09-20 | 2014-04-10 | National Institute Of Advanced Industrial & Technology | 瞳孔部分を近似する楕円の検出を行う方法 |
| CN108720851A (zh) * | 2018-05-23 | 2018-11-02 | 释码融和（上海）信息科技有限公司 | 一种驾驶状态检测方法、移动终端及存储介质 |
| CN111857355A (zh) * | 2020-08-31 | 2020-10-30 | 中国科学院重庆绿色智能技术研究院 | 一种阅读状态监测反馈系统 |
| CN112434611A (zh) * | 2020-11-25 | 2021-03-02 | 中山大学 | 基于眼部运动细微特征的早期疲劳检测方法及系统 |
| CN112464829A (zh) * | 2020-12-01 | 2021-03-09 | 中航航空电子有限公司 | 一种瞳孔定位方法、设备、存储介质及视线追踪系统 |
| WO2021068256A1 (zh) * | 2019-10-12 | 2021-04-15 | 深圳海付移通科技有限公司 | 缓解眼疲劳方法及智能终端 |
| CN113693552A (zh) * | 2021-08-24 | 2021-11-26 | 东莞市东全智能科技有限公司 | 视觉疲劳监测方法、装置、电子设备及可读存储介质 |
| CN114816055A (zh) * | 2022-04-14 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 基于vr设备的眼球运动轨迹捕捉分析方法、装置及介质 |
| CN114926620A (zh) * | 2022-05-26 | 2022-08-19 | 西安星眸医疗科技有限公司 | 一种红外光照下瞳孔直径测量方法及系统 |
| CN115171024A (zh) * | 2022-07-25 | 2022-10-11 | 天津工业大学 | 一种基于视频序列的面部多特征融合疲劳检测方法及系统 |
| CN115624315A (zh) * | 2022-11-18 | 2023-01-20 | 北京中科睿医信息科技有限公司 | 眼动追踪方法、装置、电子设备、计算机存储介质及产品 |
| CN115984203A (zh) * | 2022-12-22 | 2023-04-18 | 上海交通大学 | 一种眼球突出度测量方法、系统、终端及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180125406A1 (en) * | 2016-11-08 | 2018-05-10 | International Business Machines Corporation | Mental state estimation using relationship of pupil dynamics between eyes |
| CN108596106B (zh) * | 2018-04-26 | 2023-12-05 | 京东方科技集团股份有限公司 | 基于vr设备的视觉疲劳识别方法及其装置、vr设备 |
| US10684681B2 (en) * | 2018-06-11 | 2020-06-16 | Fotonation Limited | Neural network image processing apparatus |
| JP7214986B2 (ja) * | 2018-06-25 | 2023-01-31 | 日本電信電話株式会社 | 反射性判定装置、反射性判定方法、プログラム |
-
2023
- 2023-07-18 CN CN202310881158.3A patent/CN116974370B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201022648A (en) * | 2008-12-12 | 2010-06-16 | Inst Information Industry | Pupil position acquisition system, method thereof, and device containing computer software |
| JP2014061085A (ja) * | 2012-09-20 | 2014-04-10 | National Institute Of Advanced Industrial & Technology | 瞳孔部分を近似する楕円の検出を行う方法 |
| CN108720851A (zh) * | 2018-05-23 | 2018-11-02 | 释码融和（上海）信息科技有限公司 | 一种驾驶状态检测方法、移动终端及存储介质 |
| WO2021068256A1 (zh) * | 2019-10-12 | 2021-04-15 | 深圳海付移通科技有限公司 | 缓解眼疲劳方法及智能终端 |
| CN111857355A (zh) * | 2020-08-31 | 2020-10-30 | 中国科学院重庆绿色智能技术研究院 | 一种阅读状态监测反馈系统 |
| CN112434611A (zh) * | 2020-11-25 | 2021-03-02 | 中山大学 | 基于眼部运动细微特征的早期疲劳检测方法及系统 |
| CN112464829A (zh) * | 2020-12-01 | 2021-03-09 | 中航航空电子有限公司 | 一种瞳孔定位方法、设备、存储介质及视线追踪系统 |
| CN113693552A (zh) * | 2021-08-24 | 2021-11-26 | 东莞市东全智能科技有限公司 | 视觉疲劳监测方法、装置、电子设备及可读存储介质 |
| CN114816055A (zh) * | 2022-04-14 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 基于vr设备的眼球运动轨迹捕捉分析方法、装置及介质 |
| CN114926620A (zh) * | 2022-05-26 | 2022-08-19 | 西安星眸医疗科技有限公司 | 一种红外光照下瞳孔直径测量方法及系统 |
| CN115171024A (zh) * | 2022-07-25 | 2022-10-11 | 天津工业大学 | 一种基于视频序列的面部多特征融合疲劳检测方法及系统 |
| CN115624315A (zh) * | 2022-11-18 | 2023-01-20 | 北京中科睿医信息科技有限公司 | 眼动追踪方法、装置、电子设备、计算机存储介质及产品 |
| CN115984203A (zh) * | 2022-12-22 | 2023-04-18 | 上海交通大学 | 一种眼球突出度测量方法、系统、终端及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于瞳孔定位技术的视觉跟踪系统的研究;张琴;;微型机与应用;20160225(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116974370A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101193008B1 (ko) | 홍채 인식 시스템 및 방법 | |
| JP6582604B2 (ja) | 瞳孔検出プログラム、瞳孔検出方法、瞳孔検出装置および視線検出システム | |
| JP7070605B2 (ja) | 注目範囲推定装置、その方法およびプログラム | |
| US11663845B2 (en) | Method and apparatus for privacy protected assessment of movement disorder video recordings | |
| KR20200044835A (ko) | 강건한 생체인식 애플리케이션들을 위한 세밀한 눈 형상 모델 | |
| EP3680794A1 (en) | Device and method for user authentication on basis of iris recognition | |
| CN109886080A (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 | |
| WO2019137538A1 (en) | Emotion representative image to derive health rating | |
| CN107590473A (zh) | 一种人脸活体检测方法、介质和相关装置 | |
| CN110348385B (zh) | 活体人脸识别方法和装置 | |
| CN111382672A (zh) | 在线考试的作弊监测方法和装置 | |
| CN114565957A (zh) | 基于微表情识别的意识评估方法及系统 | |
| CN114203300A (zh) | 一种健康状态评估方法及系统、服务端、存储介质 | |
| Naveed et al. | Eye tracking system with blink detection | |
| CN116313103A (zh) | 疼痛识别模型的训练方法、疼痛识别方法、装置和介质 | |
| CN110222608A (zh) | 一种自助体检机视力检测智能化处理方法 | |
| CN112861743B (zh) | 一种掌静脉图像防伪方法、装置和设备 | |
| CN116974370B (zh) | 一种防沉迷儿童学习平板电脑控制方法及系统 | |
| CN112507916B (zh) | 一种基于面部神态的人脸检测方法和系统 | |
| KR102616230B1 (ko) | 사용자 이미지에 기반하여 사용자의 집중력을 판단하는방법 및 이를 수행하는 운영 서버 | |
| JP2022042304A (ja) | ストレス推定装置、方法およびプログラム | |
| Charoenpong et al. | Accurate pupil extraction algorithm by using integrated method | |
| CN114708634A (zh) | 基于人脸图像的相对体重分析方法、装置及电子设备 | |
| Ghamen et al. | Positive and negative expressions classification using the belief theory | |
| Chin et al. | A facial pore aided detection system using CNN Deep Learning Algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |