[发明专利]一种基于级联卷积神经网络的斜眼检测方法

说明书

本发明实施例公开了一种基于级联卷积神经网络的斜眼检测方法，所述方法包括：整理相机拍摄的斜眼图像，并建立所述图像的斜眼图像库；利用人脸数据库：iBUG23,LPFW24,Helen25和AFW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；利用所述完成训练的级联卷积神经网络分割斜眼图像库中斜眼图像的眼睛；完成斜眼图像的眼睛分割后，利用大津算法分割斜眼图像的眼睛虹膜；根据虹膜在眼睛中的相对位置关系确定人是否患有斜眼。本发明充分利用级联卷积神经网络较强的识别和分割能力，并结合图像处理算法，可以高效准确地确定人是否患有斜眼，从而有助于医生对病人的斜眼诊断和治疗。

技术领域

本发明图像处理及模式识别领域，特别是涉及一种基于卷积神经网络的斜眼检测方法。

背景技术

斜眼是一种眼部疾病，且多发生在幼年时期，它一般是由于眼部神经，大脑或者眼外肌发生问题而产生。一般患有斜眼的患者若没有得到合理的医治，会恶化发展成弱视，且一旦退化可能导致失明。同时，斜眼严重影响美观，可能使斜眼患者产生孤僻、自卑及反常的心理。

从上可知，斜眼检测对预防和治疗斜眼十分重要。目前，主要是人工实施对受试者斜眼的检测，一般受过训练的临床医师常使用“赫斯伯格测试法(Hirschberg test)”对受试者的眼睛进行评估，“赫斯伯格测试法”是用于检查眼睛的虹膜在聚焦和注视到置于其正前方的目标上时是否对称的一项公认的、但是一种粗略的测试法。但是当受试者的每只眼睛具有很小的差异时，即使有经验的临床医师也容易将其忽视，而产生误判误诊等情况，且人工检测的方法效率不高。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于级联卷积神经网络的斜眼检测方法。可以帮助提高医生对斜眼疾病的诊断效率。

为了解决上述技术问题，本发明实施例提供了一种基于级联卷积神经网络的斜眼检测方法，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。

进一步地，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。

更进一步地，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。

更进一步地，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。

更进一步地，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：