[发明专利]一种基于级联卷积神经网络的斜眼检测方法

权利要求书

1.一种基于级联卷积神经网络的斜眼检测方法，其特征在于，包括以下步骤：

步骤1：获取相机拍摄的斜眼图像，并建立所述斜眼图像的斜眼图像库；

步骤2：利用已建立的人脸数据库训练一个级联卷积神经网络，并确定所述级联卷积神经网络中的学习参数；

步骤3：利用完成训练的级联卷积神经网络分割所述斜眼图像库中斜眼图像的眼睛；

步骤4：利用大津算法分割斜眼图像的眼睛虹膜；

步骤5：根据虹膜在眼睛中的相对位置关系输出斜眼检测的结果。

2.根据权利要求1所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，步骤2中，所述级联卷积神经网络的训练包括级联卷积神经网络的结构建立和级联卷积神经网络的参数学习。

3.根据权利要求2所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，所述级联卷积神经网络是由两个一样的卷积神经网络级联而成，第一个卷积神经网络用于完成对图像中眼睛的特征点定位，并把输出的信息输入到第二个卷积神经网络；第二个卷积神经网络用于完成对图像中眼睛的分割。

4.根据权利要求3所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，所述级联卷积神经网络的训练包括级联卷积神经网络的结构建立包括确定神经网络卷积层的层数和每个卷积层的特征图数、反卷积层的层数和每个反卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、反卷积层所用的反卷积核的大小、池化层所用的采样核的大小，还有训练步长。

5.根据权利要求4所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，所述级联卷积神经网络的参数学习是指通过不断降低损失函数的函数值来学习深度卷积神经网络的参数，其中，第一个卷积神经网络的损失函数为：

其中，g和分别表示真实值和预测值，真实值是指人为标记的眼睛图像，预测值是指用卷积神经网络标记的眼睛图像；每张图像的大小为N×W×H；

第二个卷积神经网络的损失函数为：

其中，N表示输出的类别数目，W和H表示图像的宽和高，g表示预测的输出类别，n表示像素(i,j)的真实标记。

6.根据权利要求5所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，所述步骤5具体包括：计算所述斜眼图像库中斜眼图像两个眼角的距离D，计算眼睛中心和眼睛虹膜中心的距离T，如果T>(D/6)，则输出患有斜眼信息，否则输出没有患斜眼信息。