1 长春理工大学 机电工程学院, 吉林 长春 130022
2 长春理工大学 重庆研究院, 重庆 401135
3 郑州轻工业大学 电气信息工程学院, 河南 郑州 450002
4 中国烟草总公司 郑州烟草研究院, 河南 郑州 450001
针对瞳孔区域屈光度识别准确率低、检测效率低等问题, 本文提出一种基于改进Y0L0v3深度 神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络Y0L0v3-base,强化 对瞳孔特征的学习能力。然后通过迁移学习, 将训练模型参数迁移至 YOLOv3-DPDC(Deep Pupil Diopter Classify), 降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题, 最后采用 Fine-tuning调参快速训练YOLOv3多分类网络, 实现了对瞳孔屈光度快速检测。通过采集的1200张 红外瞳孔图像进行实验测试, 结果表明本文算法屈光度检测准确率达91.6%, 检测速度可达 45 fps, 优于使用Faster R-CNN进行屈光度检测的方法。
瞳孔屈光度检测 深度学习 YOLOv3网络 多尺度特征 机器视觉 pupil diopter detection, deep learning, YOLOv3, mu