导读:本文包含了瞳孔中心论文开题报告文献综述及选题提纲参考文献，主要关键词:眼底筛查,瞳孔识别,圆近似,自动对准
瞳孔中心论文文献综述
王晶,高峰,李婉越,史国华[1]（2019）在《瞳孔中心点自动定位与对准装置》一文中研究指出为了辅助无人值守式眼底筛查设备在不同光照环境下自动进行眼底成像,搭建了瞳孔中心点自动定位与对准装置,并提出了一种基于圆近似模型的算法来实现瞳孔中心点的自动定位。首先,使用二值化、轮廓提取与填充等方法对图像进行了预处理,以消除噪声和光斑对后续处理的影响;接着,使用本文提出的新型的圆近似算法来实现瞳孔中心点的精准定位;最后,根据定位的瞳孔中心点位置,来控制步进电机移动平移台,从而实现图像采集视场中心和瞳孔中心的对准。为验证有效性,将文中算法、传统Hough圆算法及改进的Hough圆算法在定位精度、平均定位时间上进行了比较。本文算法的定位精度为93.33%,平均定位时间为95.67ms,比传统Hough圆检测定位精度提高了约3.5倍,定位时间减少了约68.86%,比改进的Hough圆算法检测定位精度提高了约2倍,定位时间减少了约63.11%。实验结果表明,该系统在光照参量无法严格控制的拍摄环境下,对瞳孔自动定位与对准的准确度和计算效率均有显着地提升。基本满足无人值守式眼底筛查设备的实时性、精确性、鲁棒性要求,有助于无人值守式眼底筛查设备的推广。(本文来源于《光学精密工程》期刊2019年06期）
张书强[2]（2019）在《近红外光下瞳孔中心提取算法研究》一文中研究指出眼球的运动决定了视线的方向,视线跟踪可以通过检测眼球来实现。基于视频图像的视线跟踪技术,主要有头戴式和桌面式视线跟踪系统两大类。所谓的头戴式视线跟踪系统就是将摄像头和红外光源固定在人眼周围,利用摄像头获取的人眼图像计算得到注视点的位置数据。为了实现视线跟踪,我们以头戴式视线跟踪系统为硬件基础,运用边缘检测等算法,并结合头戴式视线跟踪系统的特点,对瞳孔图像进行边缘提取、椭圆拟合等进行了研究与实验,取得了令人满意的测试数据。(本文来源于《科学技术创新》期刊2019年13期）
闫蓓,吴梦瑶[3]（2018）在《低分辨率图像中的瞳孔中心精确定位方法》一文中研究指出针对低分辨率图像中瞳孔边缘模糊、瞳孔受上下眼睑遮挡等问题,提出了一种由粗及精的瞳孔中心精确定位方法,该方法主要使用瞳孔的几何特征和人眼的方向信息进行定位。首先基于显式形状回归方法提取人脸特征点,根据人眼特征点粗定位瞳孔中心;其次根据半径搜索范围,采用射线法提取准确的瞳孔边缘,通过改进的随机抽样一致性算法剔除伪边界点,基于最小二乘法精确定位瞳孔中心。最后本文算法在自制人脸库和公开人脸库BioID上进行了验证,瞳孔中心精确定位准确率为82.2%。结果表明该算法能够克服头部姿势变化和眼睑遮挡等问题,与其他算法相比表现出良好的鲁棒性和准确性。(本文来源于《电子测量技术》期刊2018年16期）
朱青[4]（2018）在《近视眼瞳孔直径和瞳孔中心位移在明视与暗视下的变化研究》一文中研究指出目的:研究近视眼瞳孔中心在暗视与明视状态下瞳孔中心位移情况以及不同光照情况下瞳孔直径变化的特点。探究基于角膜缘标记法对于飞秒激光小切口透镜取出术(SMILE)手术前、术后高阶像差特征性变化。方法:1.前瞻性研究。随机选取2016年9月至11月之间在天津市眼科医院屈光手术中心就诊的近视散光患者70例(140眼),在暗视和明视两种状态下,使用KR-1W视觉质量分析仪(Topcon公司,日本)分别获得从暗视(0.017lx))到明视(10.4lx)下的瞳孔中心位移和轴向,并对其进行矢量分析,同时获得暗视和明视状态下的瞳孔直径参数。采用配对t检验及Pearson或Spearman相关分析进行对比分析。2.前瞻性研究。随机选取在天津市眼科医院屈光手术中行术前角膜缘标记的SMILE手术的患者60例(60眼)作为实验组,另设常规SMILE手术的患者52例(52眼)作为对照组,采用WaveScan波前像差仪(WaveScan,VISX,Santa,CA,USA)测量患者的波前像差,Pentacam眼前节分析系统(Oculus GmbH,Wetzlar,Germany)行角膜地形图测量。术前于裂隙灯下进行角膜缘3点与9点标记,在激活负压吸引前,眼球旋转补偿通过轻轻旋转头调整3点到9点的角膜缘标记点与飞秒激光机显微镜目镜中水平轴相对准,分别于术前以及术后1月进行Wavescan波前像差及视力的随访观察,以研究角膜缘标记对于SMILE术后高阶像差的影响。应用独立样本t检验、配对t检验进行对比分析。结果:1.暗视和明视状态下双眼瞳孔直径、从暗视到明视状态下瞳孔直径变化量均具有显着性差异(P<0.001),双眼瞳孔直径及瞳孔直径变化量均有相关性(r=0.85,0.85,0.75,P<0.001)。2.由暗视转变为明视状态,瞳孔直径变小的同时,瞳孔中心的位置也随之变化,主要向鼻侧方向位移为主。3.双眼瞳孔中心位移进行矢量分析发现,水平方向位移较垂直方向位移量大,水平位移(鼻侧)大约占89.29%,即朝向鼻侧位移最多见。双眼瞳孔中心位移量(矢量位移)及垂直方向位移量未见显着相关性(r=0.09,0.23,P>0.05),水平方向位移量具有显着相关性(r=-0.35,P=0.003)。4.在双眼瞳孔中心位移中,94.2%的受试者在0.2mm以内,95.72%的受试者右眼在0.2mm以内,92.8%的受试者左眼在0.2mm以内,绝大多数的受试者矢量位移在0.2mm以内。5.年龄与瞳孔直径、瞳孔直径的变化量及瞳孔中心位移之间无显着相关性(P>0.05);性别、瞳孔中心位移与瞳孔直径变化量之间无显着相关性(P>0.05);屈光度与瞳孔中心位移之间无显着相关性(P>0.05)。6.常规SMILE组术后1个月,总高阶像差(S_h)、水平彗差(C_3~(-1))、垂直彗差(C_3~1)、叁叶草(C_3~(-3))、球差(C_4~0)、C_4~2、二级彗差(C_5~(-1)、C_5~1)、二级球差(C_6~0)、C_6~(-2)、C_6~2和第叁阶(S_3)、第四阶(S_4)、第五阶(S_5)、第六阶(S_6)均较术前明显增加,差异具有统计学意义(P<0.05)。术前术后高阶像差变化量(C_3~(-3)、C_3~(-1)、C_3~1、C_4~0、S_h)较术前明显增加,差异具有统计学意义(P<0.05),垂直彗差变化量最大。7.角膜缘标记SMILE组术后1个月,总高阶像差(S_h)、垂直彗差(C_3~1)、球差(C_4~0)、C_4~2、四叶草(C_4~4)、二级彗差(C_5~(-1)、C_5~1)、二级球差(C_6~0)、C_6~(-2)和第叁阶(S_3)、第四阶(S_4)、第五阶(S_5)、第六阶(S_6)均较术前明显增加,差异具有统计学意义(P<0.05)。而叁叶草(C_3~(-3))、水平彗差(C_3~(-1))较前减小(P均<0.05)。8.高阶像差比较发现,两组总高阶像差(S_h)、第叁阶(S_3)、第四阶(S_4)、第五阶(S_5)、第六阶(S_6)叁叶草(C_3~(-3)、C_3~3)、水平彗差(C_3~1)、球差(C_4~0)等未见明显差异(P>0.05)。角膜缘标记SMILE组术后垂直彗差(C_3~(-1))较对照组明显减小,差异具有统计学意义(P<0.05)。结论:1.光照变化下的双眼瞳孔中心位移和瞳孔直径变化具有对称性。2.从暗视到亮视状态下,双眼瞳孔中心位移较小,绝大多数受试者瞳孔中心位移在0.2mm以内。瞳孔中心移向不同的方向,主要向鼻侧方向位移为主。3.对于瞳孔中心位移量较大的受术者,应有所警惕,避免以瞳孔中心为切削中心时,偏中心切削的产生。4.常规SMILE组术后全眼高阶像差及多项Zernike项较术前显着增高,垂直彗差变化量较术前显着增大,可能说明术后垂直彗差的显着增加可能与偏中心切削在垂直轴发、垂直彗差(C_3~(-1))较前明显减小。可能与角膜缘标记减小了眼球旋转误差所导致的偏中心切削,特别是偏中心切削发生在垂直子午线上。6.常规SMILE与角膜缘标记SMILE术后全眼高阶像像差及多项Zernike项未见显着差异,而角膜缘标记组术后垂直彗差(C_3~(-1))较常规组显着减小,而长期两组术后高阶像差的效果比较仍需要增加样本量及延长随访时间进一步观察。(本文来源于《天津医科大学》期刊2018-05-01）
周玉景[5]（2016）在《人脸检测及瞳孔中心定位研究》一文中研究指出目前,人眼检测已经成为了计算机视觉领域的一个研究热点,在视线追踪、人机交互、疾病诊断、工业工程与人因分析、心理学、生理学等方面都具有广泛的应用。当前视线追踪技术的应用对人眼定位的准确性的要求更加严格。本文的人眼检测及瞳孔中心定位是在人脸检测的基础上进行的,联合积分投影与径向对称变换算法对人眼进行由粗到细的定位,改进了传统的人脸及人眼检测方法,深入研究了人脸、人眼检测及定位,瞳孔中心定位的相关问题。本文主要完成的工作如下：1.人脸检测与定位对传统的YCbCr颜色空间下的椭圆肤色模型进行分析,提出了一种自适应亮度阈值的椭圆肤色模型。首先把RGB真彩色人脸图像转换到YCbCr色彩空间；然后利用自适应亮度阈值的椭圆肤色模型进行肤色分割；最后采用形态学开运算与面积滤波法进行背景中的伪肤色区域的滤除,用矩形框标出人脸区域。实验表明,本文提出的改进的肤色模型改善了肤色分割效果。2.人眼检测与定位针对直接利用水平垂直积分投影进行人眼检测时,投影曲线受噪声的干扰太大,曲线变化不规则,很难通过投影曲线直接对人眼进行精确位置定位等问题,提出了一种联合积分投影与径向对称变换对人眼进行由粗到精的定位算法。首先利用水平积分投影在检测出的人脸区域检测出大致的眼睛候选区域,对人眼进行粗略的定位；然后再利用径向对称变换在检测出的左右眼区域对瞳孔中心进行定位,即人眼的精定位。实验表明,本文提出的算法与传统积分投影算法相比,提高了人眼定位的准确率。(本文来源于《广西大学》期刊2016-05-01）
于振东[6]（2016）在《基于光流法的瞳孔中心跟踪算法》一文中研究指出通过人眼运动的信息可以获得并揭示大脑乃至人身体状况的一些重要信息,而瞳孔跟踪是人眼跟踪重要的一部分,是分析大脑状况及身体行为的重要方法之一。瞳孔跟踪技术的研究一直是一个热点,受到人们的广泛关注,是计算机视觉领域一个重要的研究课题,涉及到计算机视觉、图像分析与处理、心理学、生理学及工效学等领域,是最早随着表情,人脸检测与分析的发展而兴起的,其研究成果在军事、商业、工业等领域得到了广泛的认可。目前常用的瞳孔跟踪算法有:非线性滤波理论、模式和模板匹配等方法,基于模式和模板匹配的方法,只有在精确定位人眼后,先根据瞳孔的几何特征进行模式匹配,从而实现跟踪,但是该方法严重受到外界干扰环境的影响,难以保证该方法的鲁棒性以及精确性。本文首先对与跟踪有关的算法进行详细的研究,总结各个算法的优点和缺点,提出了一种基于光流法的瞳孔中心跟踪算法。首先简单介绍了与之相关的基本原理,并对瞳孔平面图象进行抽象建模。通过对源图像的去噪预处理,获得质量比较高的瞳孔图像,使用Adaboost算法对HAAR特征分类器进行训练以提取瞳孔感兴趣区域的瞳孔特征,采用金字塔光流法对视频流中的瞳孔边界特征进行逐帧跟踪,利用球面叁角基本公式和最小二乘法对这些特征点进行运算,找出新帧特征点与旧帧特征点之间的初步对应关系,接着对这些关系进行统计分析进而确定最终的对应关系并对瞳孔边界校准以及噪点修正,最后对瞳孔特征边界点进行拟合,根据拟合的结果计算瞳孔中心,从而实现瞳孔中心跟踪的目的。本人提出的瞳孔中心跟踪算法,实验结果与目前流行算法比较,降低了瞳孔跟踪算法的误识率、误拒率,提高了该算法领域的识别精确度。(本文来源于《兰州大学》期刊2016-05-01）
韩蕙佚[7]（2016）在《基于星射线模型和高密度连通区域聚类的瞳孔中心定位算法》一文中研究指出近年来,信息技术飞速发展,它的应用也遍布人们生活的各个领域。人们利用计算机领域内的前沿技术服务于社会、经济、资源、环境等各方面。而在这些活动中,人机交互都将是永远的主题。鉴于它对社会发展、人类进步如此重要,人们便开始研究如何实现自然、便利和无所不在的人机交互。它将会成为现代科技领域研究的至高目标,它的创新也必将引领新的技术潮流。而眼球跟踪定位算法在人机交互领域内具有很重要的应用,且存在很大的发展空间。另外,医学研究领域,瞳孔的准确定位,以及眼球运动的跟踪会对一些眼睛疾病和脑部神经疾病提供新的治疗方案,也会给医生带来更精准和更便捷的诊疗。乃至整个医学界,也必将带来重大的突破。并且,身份认证领域,生物识别系统成长迅速。网络世界的越发纷杂,导致客户私密信息的泄露越来越频繁,这就对各个场合的身份认证系统要求越来越高。近几年,虹膜识别系统的研究获得了大量研究者的关注,在此基础之上,他们也意识到,瞳孔中心定位算法的改进也是不可忽视的部分。就目前公开的算法而言,可以看出在此方面已经有很大的改进和突破,但是仍然存在一些不足,仍有很大的进步空间。像处理噪声,比如离轴畸变、生理畸变以及毛发和眼睑的遮挡,这些复杂条件往往会导致算法定位的不理想。然而,在此方面,虽然也有一些研究,但是还不能达到想要的理想效果,所以瞳孔中心定位算法仍然面临巨大的挑战。另外,算法中眼部图像的处理也是很重要的一点,想要保证算法的高性能,必须保证眼部图像的高质量。针对目前定位算法的不足,本文根据人体眼部的生理特征,结合信息技术领域内的先进技术,提出了一种高精度、高效率、高鲁棒性的瞳孔中心定位算法。算法运行时,首先采用本文第二章介绍的视频采集设备采集眼球运动视频,然后读取每段视频的每一帧图像,压缩成768*342像素,接着采用由图像的Haar特征训练的最佳Adaboost强分类器,圈定感兴趣区域(ROI)。然后进行眼部图像感兴趣区域反光点的检测和填充。对填充好的感兴趣区域采用星射线模型进行瞳孔边缘特征点的检测,同时对检测到的边缘候选特征点进行基于高密度连通区域的特征点聚类,最后采用随机抽样一致性(RANSAC)算法进行瞳孔边缘的椭圆拟合。实验结果部分,为了评估法算法的性能,我们对这些视频每帧图像定位的准确率和平均执行时间进行统计,并将结果与目前流行的算法比较,可知本文算法具有较高的性能。(本文来源于《兰州大学》期刊2016-05-01）
王德朋,娄震[8]（2016）在《一种融合Hough变换和ASM定位瞳孔中心点方法》一文中研究指出特征点的准确定位是机器视觉和模式识别的关键技术之一.主动形状模型(ASM)是一种传统的图像特征点定位算法,具有较高的精确性和鲁棒性.为了提高ASM人脸瞳孔特征点定位的精确度,提出了使用Hough变换方法来改进瞳孔特征点的定位.通过ASM算法,初步定位出瞳孔特征点,并使用Sobel算子对图像进行边缘检测,然后在人眼位置选择一个合适的窗口使用Hough圆检测,找出精确瞳孔点相对于ASM初步定位瞳孔点的偏移量.在实验室采集的人脸图像上的对比实验表明,该方法能够显着的改善ASM人眼瞳孔特征点定位准确性.由于使用了初定位进行了搜索范围的限制,计算量也得到了有效的控制.(本文来源于《计算机系统应用》期刊2016年03期）
贾彩琴,杨剑[9]（2015）在《基于HEIV算法改进的瞳孔中心定位》一文中研究指出针对瞳孔中心定位的精确度问题,采用基于AdaBoost的人脸检测算法确定人脸区域与初始眼睛位置,由于人眼轮廓具有的特征,以椭圆为模型,用Sobel算子边缘检测眼睛区域,进行椭圆拟合来获取眼睛的轮廓线,将椭圆拟合的中心点作为瞳孔的精确位置。为提高定位的精确度,提出异方差(heteroscedastic errors-in-variables,HEIV)方法来实现瞳孔中心定位,较最小二乘法更加精确。实验结果表明,在正面人脸的情况下,异方差椭圆拟合算法与最小二乘拟合算法相比,计算量小,可精确定位瞳孔中心,平均误差比最小二乘法提高了89.1%,该方法在速度和准确性方面均具有良好的性能。(本文来源于《计算机工程与设计》期刊2015年12期）
潘海生[10]（2014）在《镜框叁维一体定型标准及瞳孔中心叁维焦点定位配镜技术讨论》一文中研究指出目前,中华人民共和国国家标准GB13511-2011配装眼镜标准规范中,采取的是镜框模片垂直中心顶焦点1/2分配法。规定了对配装眼镜中的光学中心水平偏差值(见表1)、配装眼镜光学中心垂直互差(见表2)及配装眼镜柱镜轴位方向偏差(见表3)。表1定配眼镜的两镜片光学中心水平距离偏差(本文来源于《中国眼镜科技杂志》期刊2014年13期）
瞳孔中心论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
眼球的运动决定了视线的方向,视线跟踪可以通过检测眼球来实现。基于视频图像的视线跟踪技术,主要有头戴式和桌面式视线跟踪系统两大类。所谓的头戴式视线跟踪系统就是将摄像头和红外光源固定在人眼周围,利用摄像头获取的人眼图像计算得到注视点的位置数据。为了实现视线跟踪,我们以头戴式视线跟踪系统为硬件基础,运用边缘检测等算法,并结合头戴式视线跟踪系统的特点,对瞳孔图像进行边缘提取、椭圆拟合等进行了研究与实验,取得了令人满意的测试数据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
瞳孔中心论文参考文献
[1].王晶,高峰,李婉越,史国华.瞳孔中心点自动定位与对准装置[J].光学精密工程.2019
[2].张书强.近红外光下瞳孔中心提取算法研究[J].科学技术创新.2019
[3].闫蓓,吴梦瑶.低分辨率图像中的瞳孔中心精确定位方法[J].电子测量技术.2018
[4].朱青.近视眼瞳孔直径和瞳孔中心位移在明视与暗视下的变化研究[D].天津医科大学.2018
[5].周玉景.人脸检测及瞳孔中心定位研究[D].广西大学.2016
[6].于振东.基于光流法的瞳孔中心跟踪算法[D].兰州大学.2016
[7].韩蕙佚.基于星射线模型和高密度连通区域聚类的瞳孔中心定位算法[D].兰州大学.2016
[8].王德朋,娄震.一种融合Hough变换和ASM定位瞳孔中心点方法[J].计算机系统应用.2016
[9].贾彩琴,杨剑.基于HEIV算法改进的瞳孔中心定位[J].计算机工程与设计.2015
[10].潘海生.镜框叁维一体定型标准及瞳孔中心叁维焦点定位配镜技术讨论[J].中国眼镜科技杂志.2014