一种计算人眼屈光度的方法、计算机程序产品、存储介质及电子设备与流程

本申请涉及人眼屈光度计算，尤其是一种计算人眼屈光度的方法、计算机程序产品、存储介质及电子设备。

背景技术：

1、在医疗、生物识别等领域，精确地定位人眼瞳孔位置并计算屈光度具有重要意义。现有的技术多采用基于图像处理的传统算法或深度学习网络模型来实现。

2、在现有技术中，yolo（you only look once）网络是一种流行的目标检测算法，它能够快速准确地检测图像中的目标。然而，现有的yolo网络在处理红外人眼图像时，可能在瞳孔定位精度和屈光度计算方面存在不足。例如：专利公开号为cn113989217a的中国专利公开了一种基于深度学习的人眼屈光度检测方法，该方法利用yolov4算法来识别人眼检测，利用densenet网络来学习计算人眼屈光度。

3、现有技术yolov4缺点：

4、1、对于小目标的检测能力不足，尤其是红外图像中的人眼瞳孔。

5、2、屈光度计算依赖于精确的瞳孔定位，而现有的方法可能无法达到所需的精度。

6、现有技术densenet缺点：

7、1. 计算成本：虽然densenet减少了参数数量，但由于每一层都需要接收前面所有层的特征图，这可能导致较高的内存和计算成本，尤其是在处理高分辨率图像时。

8、2. 特征图尺寸问题：在densenet中，由于特征图的拼接，特征图的尺寸会随着层数的增加而增大，这可能导致计算资源的浪费。

9、3. 训练时间：由于层与层之间的密集连接，densenet的训练时间可能会比其他网络更长。

10、4. 拼接操作：特征图的拼接可能导致特征的冗余，这可能会影响网络的效率和性能。

11、5. 网络深度限制：由于计算和内存的限制，densenet可能无法像其他网络那样扩展到非常深的层次。

12、其次，在实际应用中，眨眼可能会导致图像中瞳孔位置的短暂丢失，从而影响瞳孔定位的准确性。此外每台设备因为结构以及光学等器件差异会造成屈光度测量出现误差。

技术实现思路

1、本申请的目的在于克服现有技术中瞳孔位置检测准确性差、效率地，以及用户眨眼所导致瞳孔位置短暂丢失而影响瞳孔定位的准确性的问题，提供一种计算人眼屈光度的方法、计算机程序产品、存储介质及电子设备。

2、第一方面，提供了一种计算人眼屈光度的方法，包括：

3、s100、获取包含用户眼睛区域的图像；

4、s200、将所述图像输入到预先训练好的眨眼检测模型，以得到用户的眨眼检测结果；

5、s300、根据所述眨眼检测结果判断用户是否眨眼，若判断结果为是，则返回步骤s100；若判断结果为否，则执行下一步骤；

6、s400、将所述图像输入到预先训练好的人眼瞳孔检测模型，以得到用户的瞳孔位置预测结果；

7、s500、根据所述用户的瞳孔位置预测结果、图像拍摄时点光源中心到图像采集设备光阑刀口边缘的偏心距、以及用户眼睛主面到图像采集设备成像镜头主面的距离计算出用户的屈光度。

8、在一些可能的实现方式中，还包括：重复执行步骤s100-s500以获取多个屈光度并求取屈光度的平均值作为最终的屈光度。

9、在一些可能的实现方式中，眨眼检测模型的网络结构依次包括：数据输入层一、卷积层一、relu激活层一、池化层一、卷积层二、relu激活层二、池化层二、全连接层和输出层。

10、在一些可能的实现方式中，所述预先训练好的眨眼检测模型的训练方法包括：

11、获取闭眼人脸数据集，其中，所述闭眼人脸数据集包括多个测试者的睁眼与闭眼状态的图像；

12、利用所述闭眼人脸数据集对所述眨眼检测模型进行训练和调优；

13、当输出眨眼检测结果的准确率满足预设要求时，确定当前对应的眨眼检测模型为预先训练好的眨眼检测模型。

14、在一些可能的实现方式中，人眼瞳孔检测模型的网络结果依次包括：数据输入层二、卷积层三、批量归一化层、leaky relu激活层、池化层三、跳跃连接层、特征融合层、卷积层四、边界框预测层、类别预测层和瞳孔位置预测层。

15、在一些可能的实现方式中，所述预先训练好的人眼瞳孔检测模型的训练方法包括：

16、获取样本数据集，其中，所述样本数据集包括基本信息数据样本、与所述基本信息数据样本对应的瞳孔图像样本及瞳孔位置样本；

17、利用所述样本数据集对所述人眼瞳孔检测模型进行训练和调优；

18、当输出人眼瞳孔位置检测数据的准确率满足预设要求时，确定当前对应的人眼瞳孔检测模型为预先训练好的人眼瞳孔检测模型；

19、其中，所述人眼瞳孔检测模型的损失函数为多任务损失函数，具体包括边界框损失、类别损失和瞳孔位置损失。

20、在一些可能的实现方式中，所述屈光度的计算公式为：

21、；

22、其中，r为人眼的屈光度，β为系统放大倍数，l为用户眼睛主面到图像采集设备成像镜头主面的距离，h为图像拍摄时点光源中心到图像采集设备光阑刀口边缘的偏心距，为人眼眼瞳暗区高度,为图像传感器接收眼瞳像高度。

23、第二方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。

24、第三方面，提供了一种计算机可读存储介质，所述计算机可读介质存储用于设备执行的程序代码，该程序代码包括用于执行如上述第一方面中的任意一种实现方式中方法的步骤。

25、第四方面，提供了一种电子设备，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上述第一方面中的任意一种实现方式中的方法。

26、本申请具有如下有益效果：本申请能够实时的对用户进行眨眼检测，当检测到眨眼时，可以暂停瞳孔定位过程，等待眼睛完全睁开后再继续，利用预先训练好的人眼瞳孔检测模型能够更准确地定位图像中的人眼瞳孔位置，在瞳孔检测任务上提供更高的准确性和效率，并在此基础上计算屈光度，使得屈光度的计算不仅准确率得以提升，而且计算效率也能够大幅提高。

技术特征：

1.一种计算人眼屈光度的方法，其特征在于，包括：

2.根据权利要求1所述的计算人眼屈光度的方法，其特征在于，还包括：重复执行步骤s100-s500以获取多个屈光度并求取屈光度的平均值作为最终的屈光度。

3.根据权利要求1所述的计算人眼屈光度的方法，其特征在于，眨眼检测模型的网络结构依次包括：数据输入层一、卷积层一、relu激活层一、池化层一、卷积层二、relu激活层二、池化层二、全连接层和输出层。

4.根据权利要求3所述的计算人眼屈光度的方法，其特征在于，所述预先训练好的眨眼检测模型的训练方法包括：

5.根据权利要求1所述的计算人眼屈光度的方法，其特征在于，人眼瞳孔检测模型的网络结果依次包括：数据输入层二、卷积层三、批量归一化层、leaky relu激活层、池化层三、跳跃连接层、特征融合层、卷积层四、边界框预测层、类别预测层和瞳孔位置预测层。

6.根据权利要求5所述的计算人眼屈光度的方法，其特征在于，所述预先训练好的人眼瞳孔检测模型的训练方法包括：

7.根据权利要求1所述的计算人眼屈光度的方法，其特征在于，所述屈光度的计算公式为：

8.一种计算机程序产品，其特征在于，所述计算机程序产品内存储有计算机指令，所述计算机指令被处理器执行时实现权利要求1-7中任一项所述方法。

9.一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用于设备执行的程序代码，该程序代码包括用于执行如权利要求1-7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7中任一项所述方法。

技术总结本申请公开了一种计算人眼屈光度的方法、计算机程序产品、存储介质及电子设备，涉及人眼屈光度计算技术领域，解决了现有技术中瞳孔位置检测准确性差、效率地，以及用户眨眼所导致瞳孔位置短暂丢失而影响瞳孔定位的准确性的问题，该方法包括：通过预先训练好的眨眼检测模型检测是否存在眨眼，若不存在眨眼则利用预先训练好的人眼瞳孔检测模型检测瞳孔位置，进而计算出用户的屈光度，该方法能够在瞳孔检测任务上提供更高的准确性和效率，并在此基础上计算屈光度，使得屈光度的计算不仅准确率得以提升，而且计算效率也能够大幅提高。技术研发人员：熊明华,王双杰,李耀祖,洪炎烽,毛志德受保护的技术使用者：杭州爱华仪器有限公司技术研发日：技术公布日：2024/12/2