使用计算机选配眼镜框的程序和眼镜框选配系统的制作方法

本发明涉及一种使用计算机选配眼镜框的程序和眼镜框选配系统。

背景技术：

近年，随着电子产品的发展与普及，我国近视人数越来越多，配一副合适的眼镜已经成为了近视人群必须正视的问题。眼镜框选配是对眼镜框进行挑选，以符合消费者矫正视力、美观、舒适等要求，要注意是否合光学和计量要求，是否匹配戴镜者的面部骨骼结构，尤其应通过眼镜架的镜框尺寸、瞳孔距离、脸型、性别来选择眼镜框。

而当前据我们在眼镜店实地调查，顾客在眼镜店的配框方式仅为简单的试戴挑选、费时费力，很难迅速找到适合脸型且舒适的镜框。并且，多数眼镜店缺少镜框尺寸的详细数据，且未对镜框进行尺寸分类，造成只能根据店员的经验来为顾客选择镜框的现状。

现有技术没有针对瞳孔距、脸型等来对消费者进行推荐眼镜框的装置或方法，消费者需要在海量的镜框库里面不断挑选、试戴，效率低。这是现有技术的不足之处。

技术实现要素：

本发明要解决的技术问题是提供一种眼镜框选配系统和使用计算机选配眼镜框的程序，它们可以通过瞳距、脸型比对，为消费者匹配合适的镜框，从而让消费者迅速地找到合适自己的镜框，带来更佳的用户体验。

本发明的使用计算机选配眼镜框的程序，包括多条指令，其特征是所述指令适于处理器加载并执行下述步骤：

对人脸图像信息并进行预处理；

用级联分类器算法对瞳孔分类；

用卷积神经网络算法对脸型分类；

针对脸型、瞳距匹配合适的眼镜框。

在用卷积神经网络算法对脸型分类的步骤中，采用opencl加速。

本发明的眼镜框选配系统，其特征是包括：连接于处理器的摄像头模块、激光测距模块和显示模块、键盘输入模块，还包括由下述步骤组成的程序：

用激光测距模块测量人脸到摄像头的距离；

摄像头模块读取人脸图像信息并进行预处理；

用级联分类器算法对瞳孔分类；

用卷积神经网络算法对脸型分类；

针对脸型、瞳距匹配合适的眼镜框。

所述处理器是fpga-soc芯片。

在用卷积神经网络算法对脸型分类的步骤中，采用opencl加速。

还包括网络模块，用于用户通过互联网上传消费者的面部照片，经由该眼镜架选配系统的指引，自行在线上选配眼镜架。

本发明的有益技术效果是：一、本发明可以依据人脸的图像，获得瞳距和脸型的分类，通过大数据库比对，为消费者推荐适配的镜框，让消费者更迅速地找到合适自己的镜框，并且在平台上生成用户带上眼镜的的效果图，提升购镜体验。二、本发明采用fpga来开发，利用其28-nm低功耗的工艺特点，极大地降低了系统成本，降低了系统功耗。同时，相比于通用处理器资源少，难以同时处理多项复杂问题的缺点，利用fpga并行运行的特点，使我们的系统更加灵活。三、本发明采用opencl对数据进行预处理，加快速度，能更迅速地得到脸型数据，更能减少消费者的配镜时间。

附图说明

图1是本发明的眼镜框选配系统的功能方框图。

图2是本发明的主流程图。

具体实施方式

现结合附图，对本发明的实施例作详细说明。

系统框图如图1，包括连接至fpga-soc开发平台10的摄像头模块11、键盘输入模块12、激光测距模块13和显示模块14。当开发平台收到从键盘发送的指令之后，打开摄像头获取人脸头像信息，并读取激光测距模块的数据，对数据进行综合处理，然后在显示模块上显示被测量者的图像与推荐的眼镜框。

该系统还包括网络模块101，用于用户通过互联网上传消费者的面部照片，经由该眼镜架选配系统的指引，自行在线上选配眼镜架。

软件程序框图如图2，首先，人脸图像数据通过摄像头读入开发平台，在实际应用中，由于客户拍照角度的不确定性，需要对其进行正脸检测，以保证瞳孔距测量、脸型识别的精度。正脸识别算法：正脸识别算法是根据人脸相对对称来实现的，我们利用两个激光测距仪来实现。当两个激光测量距离存在相关性的时候，说明测量到的是正脸。反之提示用户调整姿势。

然后进行图像预处理，包括灰度化和均衡化处理两个步骤，灰度化是将彩色图像转换为灰度图像，使得图像的大小减小三分之二，并且保持图像的位置不改变，是最常见的图像预处理的方法之一，灰度化的方法有很多，比如分量法、最大值法、平均值法等等。我们这里采用的是平均值法。直方图均衡化，使图像处理中利用图像的直方图对对比度进行调整，通过这种方法，使得亮度可以更好的在直方图上分布。这样有效改善了曝光过度或者暗光条件下图片的质量，与此同时扩大了图像的动态范围提高了图像的识别率。经过处理之后，人像的轮廓和脸部特征更加明显，虽然看起来人脸变难看了，但是对于机器来说更加容易识别人脸的特征。

经过图像预处理后，一部分数据送入级联分类器，对瞳孔分类以识别瞳孔，并结合激光测距仪测量数据得出瞳孔距等参数。另外一部分送入fpga进行cnn算法，结合瞳孔距等参数，最终匹配出合适的眼镜框。卷积神经网络，cnn，主要用于脸型检测和脸型识别，脸型检测：首先提取图像的haar特征，使用adaboost算法挑选出最能代表人脸型的矩形特征（弱分类器），按照加权投票的方式构造一个强分类器。经过大量的训练达到检测人脸型的目的。脸型识别：首先完成alex-net搭建和训练alex-net。训练使用的人脸库是cmu_pie人脸库。选取在训练中效果较好的模型，将卷积神经网络实现提取脸型特征的结构参数保存下来。最后调用已经训练好的参数完成人脸识别。

如果以上计算都是在通用计算器上完成，这样将导致程序运行非常的忙，而且好的通用计算器成本高、功率大。因此我们采用了fgpa-soc开发平台10，为了能充分利用其中的fpga-soc芯片102的资源，我们使用opencl来将以上算法移植到fpga中运行。我们的基于fpga的眼镜框选配系统在de10-nano平台上实现，此平台自带的fpga可以对算法进行加速。在图像处理方面，我们采用opencv图像处理库，并且使用opencl对它进行加速。

以上所述仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

技术特征：

技术总结
本发明主要涉及一种眼镜框选配系统，该系统包括连接于处理器的摄像头模块、激光测距模块和显示模块、键盘输入模块，还包括由下述步骤组成的程序：用激光测距模块测量人脸到摄像头的距离；摄像头模块读取人脸图像信息并进行预处理；用级联分类器算法对瞳孔分类；用卷积神经网络算法对脸型分类；针对脸型、瞳距匹配合适的眼镜框。所述处理器是FPGA‑SOC芯片。在用卷积神经网络算法对脸型分类的步骤中，采用OpenCL加速。还包括网络模块，用于用户通过互联网上传消费者的面部照片，自行在线上选配眼镜架。本发明可以通过瞳距、脸型比对，为消费者匹配合适的镜框，从而让消费者迅速地找到合适自己的镜框，带来更佳的用户体验。

技术研发人员：李尤鹏;李宇飞;钟怀;陈江涛;郭行格;谌海霞;王磊
受保护的技术使用者：塞伯睿机器人技术（长沙）有限公司
技术研发日：2019.05.25
技术公布日：2019.08.16