从眼睛区域的图像确定至少一只眼睛的眼科相关生物特征的制作方法

本发明涉及一种用于确定眼睛的生物特征数据的(计算机实现的)方法并且涉及一种考虑所确定的生物特征数据来制造眼镜镜片的对应方法。此外，本发明涉及对应的计算机程序产品和设备。

背景技术：

1、在计算眼镜镜片，特别是渐变眼镜镜片时，可以考虑眼镜佩戴者眼睛的生物特征，例如在文件us9,910,294b2中描述的。这些生物特征眼镜镜片提供了很大的优势，因为成像的质量不再在顶点球(简单模型的虚拟点)处评估，而是在成像实际发生的地方：眼睛的视网膜上。因此，在通过眼睛介质的折射和传播期间出现的个体像差之间的相互作用也被考虑在内。

2、然而，此方法的缺点是需要用复杂的装备和设备进行大量的测量。这导致巨大的努力和高成本。因此，高质量的生物特征眼镜镜片的优点仅可用于相对小部分的视力缺陷者。

技术实现思路

1、本发明的目的是广泛利用生物特征眼镜镜片的优点，而没有复杂测量的缺点。

2、该目的是通过用于确定眼睛的生物特征数据的计算机实现的方法、对应的设备和对应的计算机程序产品，以及用于制造具有在相应独立权利要求中规定的特征的眼镜镜片的方法和对应的设备来实现的。

3、本发明基于令人惊喜的发现，即使用从用户的眼睛区域的至少一部分的一个或多个图像产生的数据，可以确定或导出用户的至少一只眼睛的个体生物特征参数，这些参数用于改进眼镜镜片的个体计算或制造或调整。因此，可以计算和制造具有高成像质量和佩戴舒适性的个体生物特征眼镜镜片，而不需要为此对另外的生物特征数据进行复杂和高成本的测量。

4、本发明的第一方面涉及一种用于确定用户至少一只眼睛的个体生物特征参数的计算机实现的方法，其包括：

5、提供图像数据，该图像数据包括或包含：

6、用户的眼睛区域的至少一部分的至少一个图像；和/或

7、关于用户的眼睛区域的至少一部分的几何信息，其直接从用户的眼睛区域的至少一部分的至少一个图像中得到；

8、基于所提供的图像数据、使用描述图像数据和附加数据之间的关系的统计模型来确定包括用户的至少一只眼睛的至少一个个体生物特征参数的个体附加数据，并且。

9、本发明的特别有利之处在于，图像数据可以或已经用普通且非常简单的设备(相机)记录，特别是不必设计成使得可以直接从图像数据中确定附加数据。例如，如果个体附加数据不能直接从被测量人的个体图像数据中确定，则该方法提供了优势，因为在没有来自其他人的关于对应附加数据的附加信息的情况下，此类关系不能从所用测量方法中导出，例如因为提供图像数据的设备不能直接测量附加信息。

10、可以使用具有多个参考数据集的训练数据集的统计分析来导出或可能已经导出统计模型，参考数据集中的每一个参考数据集都包括图像数据和分配给图像数据的附加数据。该方法可以包括提供描述图像数据和附加数据之间的关系的统计模型。替代地或另外地，该方法可以包括提供训练数据集并且使用训练数据集的统计分析来导出统计模型。导出统计模型可以包括例如使用训练数据集训练原始(未训练)模型。例如，该模型可以包括在用训练数据集进行训练期间改变或调整的若干模型参数。

11、在本技术的含义中，术语“提供”包括“指定”、“传输”、“获得”、“读出”、“从存储器、数据库和/或表格中检索”、“接收”等。本技术含义内的术语“确定”还包括“指定”、“计算”、“识别”、“预测”等。

12、因此，在与人相关联的数据集中估计人的至少一个参数的值，该参数与人的一只眼睛或有利地两只眼睛的生物特征相关联，该数据集包括与眼睛区域的至少一部分的图像相关联的数据或已经从中确定的数据。使用如下的统计模型进行确定，在该统计模型中映射了所述参数和与至少适用于多个人的眼睛区域的一部分的至少一个图像相关联的数据之间的关系。

13、这样确定的值可以在计算眼镜镜片或其他眼科镜片诸如隐形镜片或眼内镜片时加以考虑。

14、图像数据

15、本说明书含义内的图像数据特别是与用户的眼睛区域的至少一部分的图像相关联的数据。这涉及例如至少一部分眼睛区域的直接图像，特别是相机图像，和/或关于用户的至少一部分眼睛区域的(特别是几何的)数据/信息，其直接地从用户的至少一部分眼睛区域的至少一个图像或可以从中得到，或此类数据/信息直接从用户的至少一部分眼睛区域的至少一个图像中得到。例如，在该方法中可以使用相机图像本身，以便从中确定瞳孔距离，例如，基于该瞳孔距离，然后使用统计模型确定附加数据，或将从相机图像确定的个体瞳孔距离作为图像数据提供，以便然后使用统计模型确定附加数据。也可以直接从个体相机图像中确定附加数据，而无需首先明确地确定瞳孔距离的个体值。

16、这些关于图像数据的陈述既适用于例如在个体订单的情况下用于确定个体生物特征数据的个体图像数据，也适用于统计图像数据(诸如在训练数据集的情况下可以是对应参考数据的一部分的图像数据)两者，基于该训练数据集已经或可以创建或训练统计模型。

17、在优选实施例中，图像数据包括以下参数中的一个或多个或图像数据由以下参数中的一个或多个组成：

18、在其中特别是从前面可以看到至少一只眼睛(优选两只眼睛)的一个或多个相机图像；

19、在其中特别是从侧面可以看到至少一只眼睛的一个或多个相机图像；

20、瞳孔距离；

21、角膜顶点到虹膜所在平面的距离；

22、角膜表面截面的几何路线(例如从侧面拍摄的相机图像中角膜的竖直截面)；

23、眼睛旋转中心的距离(特别是作为光学眼睛旋转中心)；

24、角膜直径(白到白，特别是水平测量)；

25、瞳孔或其部分的形状和/或位置(在给定的表示中，例如作为闭合或开放的多边形，作为样条系数等)；

26、虹膜或其部分的外边缘的形状和/或位置(在给定的表示中，例如作为闭合或开放的多边形，作为样条系数等)；

27、眼睛区域的3d模型(例如，三维点云、可以使用深度相机确定的三维边缘网络等)；

28、当前视线方向；

29、隐斜视的存在和/或优选隐斜视的形式/程度。

30、附加数据

31、附加数据是或包括用户的至少一只眼睛的生物特征数据，特别是不能从图像数据中直接读取或测量的生物特征数据(例如标记点之间的几何距离)，但是其例如是常规地确定的或已经确定的，特别是可选地(例如由眼镜商)与眼镜镜片的订单相关并且特别是在眼镜或中的至少一个眼镜镜片的个体选择和/或优化和/或调整的情况下被考虑。例如，附加数据可以包括(通常)可以用像差仪、地形图仪、沙姆相机、oct、生物计、眼底相机、(低相干)激光反射仪和/或另一个测量设备或另一个客观验光方法记录或已经记录的数据。

32、在优选实施例中，至少一个个体生物特征参数包括以下参数中的一个或多个：

33、眼睛长度(特别是眼睛的几何总长度)；

34、眼睛的光学长度(折射率沿通过视网膜上最清晰的视觉点和瞳孔中心的给定波长(诸如550nm)的光束的积分)；

35、眼睛的折射表面的顶点彼此之间或与另一个公共参考点(例如视网膜上视觉最清晰的点)之间的一个或更多几何距离和/或光程长度；

36、折射表面的形状(例如角膜或其中一个镜片表面的形状和/或倾斜)，其可以存在于给定的参数化中(例如经由主截面的曲率半径和它们的取向、顶点深度的zernike系数、几何曲率或等效表示，例如作为功率矢量或极坐标表示)并且折射表面的形状相对于坐标系(例如相对于其中视线取向与z轴线的负方向一致并且x轴线位于水平面中的坐标系)被理解；

37、眼睛的物理孔径(即虹膜的开口)或光学入瞳(通过角膜的虹膜图像)的直径或半径，其可以针对给定的照明条件(例如给定的或平均的室内照明)被给出，该照明条件特别地不同于记录图像数据时的主要照明条件；

38、眼睛光学介质的折射率；

39、视网膜的大小和/或形状，特别是中央凹的大小和/或形状；

40、视网膜(特别是中央凹)的取向，例如作为相对于光入射方向(例如光线穿过瞳孔中心和最清晰视觉点)的最清晰视觉点中垂直于视网膜的矢量方向；

41、受体在视网膜上的位置和取向；

42、视网膜感受野的大小。

43、用户的至少一只眼睛的生物特征数据可以特别地涉及单只眼睛的数据或一只或两只眼睛相对于头部的数据或两只眼睛相对于彼此的数据。

44、特别地，附加数据可以包括一个或多个以下参数：眼睛或至少角膜的高阶像差(诸如彗形像差、三叶形像差、二次散光、球面像差等)，角膜的低阶和高阶像差(球面(sph)、柱面(cyl)、轴线(或m、j0、j45)、彗形像差、三叶形像差、二次散光、球面像差等)、前房深度、远距和近距和/或在中间视觉和明视觉条件下的瞳孔大小。

45、除了图像数据之外，参考数据集中的附加数据可以是已经为较早订单的生物特征眼镜镜片记录或测量的数据，例如使用像差仪、地形仪、沙姆相机、oct、生物计、眼底相机、(低相干)激光反射仪和/或另一个测量设备。

46、基于用户的标准个体数据指定的个体附加数据和使用统计模型确定的附加数据可以但不需要与参考数据集中包括的并且用于导出统计模型的附加数据类型相同。

47、统计模型

48、统计模型可以是使用统计方法从现有数据集(训练数据集)导出的任何统计模型。示例性统计方法是回归(诸如特别是非线性特征的线性回归、非线性回归、具有注意机制的非线性回归、非线性多任务回归、非参数或半参数回归等)、分类方法和其他机器学习方法。机器学习算法例如在jeremy watt、reza borhani、aggelos katsaggelos：机器学习精炼：基础、算法和应用，剑桥大学出版社，2020年中描述。

49、统计模型接收至少一部分个体图像数据和/或从中导出的变量作为输入变量并且使用它们来计算另外的个体生物特征参数或附加数据的至少一部分。图像数据和由统计模型指定的图像数据之间的关系可以是线性或非线性关系。此外，该关系可以是多参数的。

50、在优选实施例中，至少统计模型包括以下模型中的一个或多个，或它优选地基于以下模型中的一个或多个：

51、线性模型(可能与非线性特征相关联，例如表示关于眼睛区域的几何信息的参数的非线性函数)；

52、高斯过程；

53、神经网络(例如深度神经网络)；

54、决策树或回归树(回归树)；

55、玻尔兹曼机(受限玻尔兹曼机)

56、支持向量机。

57、示例性统计模型是线性或非线性回归模型。例如，也包括深度神经网络的神经网络可以用作非线性回归模型。还可以使用机器学习领域已知的其他非线性回归模型。可以使用所提供的训练数据集来训练回归模型，诸如神经网络。

58、统计模型也可以是不同类型的若干统计模型的组合，诸如线性回归模型、非线性回归模型(诸如神经网络)、分类模型和/或另一个统计模型的组合。

59、优选地，随着新数据的增加，统计模型被进一步改进(例如，正在进行的用新数据训练神经网络)。为了改进统计模型的估计或预测，除了与眼睛区域的图像相关联的数据之外，还可以使用与眼睛区域不相关联的另外的参数，例如年龄、性别、种族、身高、体重、头围等。统计模型还可以包括约束(例如，预测的眼睛模型与已知的折射一致)。

60、从训练数据集导出的统计模型可以存储在合适的存储设备(诸如数据库、计算器、计算或数据云)中。用于推导的训练数据集的至少一部分可以与统计模型一起存储。

61、从训练数据集导出的统计模型也可以例如基于新的参考数据集被连续地或定期地检查和/或修改。因此，该方法可以包括修改统计模型。

62、训练数据集

63、描述图像数据和附加数据之间的关系的统计模型是基于具有多个个体数据集(参考数据集)的训练数据集使用统计方法导出的。参考数据集中的每一个可以包括例如使用合适的测量方法确定的特定用户的图像数据和附加数据。训练数据集中的不同参考数据集可以优选地包括来自多个不同用户(参考用户)的数据(图像数据和附加数据)。

64、为此，生物特征眼镜镜片的现有订单可以用于用数据集训练神经网络或另一个统计模型。在新的个体订单的情况下，可以使用训练的统计模型并且基于新订单中包括的个体图像数据来计算或预测另外的测量数据(附加数据)。因此，可以使用神经网络或其他统计模型，基于个体的图像数据和由此计算的附加数据来计算生物特征眼镜镜片。

65、参考数据集的数量可以变化。例如，可以使用超过10、100、1,000、10,000、100,000或1,000,000个参考数据集。参考数据集优选地覆盖大的范围，优选地覆盖随后可以订购眼镜镜片的整个范围。例如，参考数据集可以覆盖折射值的范围，例如球体为-20dpt至+20dpt，圆柱体为-8dpt至+8dpt。

66、此外，用于确定用户的至少一只眼睛的个体生物特征参数的方法可以包括将个体图像数据和所计算的个体附加数据传输到外部实体，诸如眼镜镜片制造商、制造单元、制造设备等。

67、本发明的第二方面涉及一种用于制造眼镜镜片的方法，包括：

68、根据这里描述的发明方法中的一个，特别是在这里描述的优选实施例中的一个中，基于所提供的图像数据，确定包括用户的至少一只眼睛的至少一个个体生物特征参数的个体附加数据；以及

69、基于所确定的个体附加数据计算眼镜镜片。

70、例如，可以使用美国专利no.9,910,294b2中描述的方法或使用另一个已知的方法来计算眼镜镜片，在该方法中，当计算眼镜镜片时，将个体生物特征参数考虑在内。该方法还可以包括制造计算出的眼镜镜片。例如，眼镜镜片可以是单视眼镜镜片、多焦点眼镜镜片或渐进眼镜镜片。

71、特别地，本发明涉及一种用于制造眼镜镜片的方法和/或一种用于提供用于制造眼镜镜片的制造数据集的方法，其包括：

72、提供图像数据，包括：

73、用户的至少一个眼睛区域的至少一个图像；和/或

74、关于用户的眼睛区域的至少一部分的几何信息，其直接从用户的眼睛区域的至少一部分的至少一个图像中产生；

75、基于所提供的图像数据并且使用描述图像数据和附加数据之间的关系的统计模型，确定个体附加数据包括用户的至少一只眼睛的至少一个个体生物特征参数；以及

76、基于所确定的个体附加数据计算眼镜镜片。

77、本发明的第三方面涉及一种用于确定统计模型的计算机实现的方法，该方法包括：

78、向训练数据集提供多个参考数据集，每个参考数据集包括图像数据和与图像数据相关联的附加数据；

79、使用训练数据集的统计分析推导出描述图像数据和附加数据之间关系的统计模型，

80、将统计模型存储在存储设备中。

81、本发明的第四方面涉及一种计算机程序产品，当该计算机程序产品被加载到计算机的存储器中并且在其上执行时，使得计算机执行根据上述方面中的一个所述的方法。

82、关于上面所描述的方法和计算机程序产品，前述优选实施例和前述优点类似地适用。

83、可以使用对应设计的设备来执行根据上述方面中的一个的方法。因此，本发明的第五方面涉及一种用于确定用户至少一只眼睛的个体生物特征参数的设备，该设备包括计算设备，该计算设备被设计成执行上述用于确定个体生物特征参数的方法。

84、特别地，本发明提供了一种用于确定用户的至少一只眼睛的个体生物特征参数的设备，该设备包括计算设备，该计算设备被设计成执行以下操作：

85、提供图像数据，包括：

86、用户的至少一个眼睛区域的至少一个图像；和/或

87、关于用户的眼睛区域的至少一部分的几何信息，其直接从用户的眼睛区域的至少一部分的至少一个图像中产生；

88、基于所提供的图像数据并且使用描述图像数据和附加数据之间的关系的统计模型，确定个体附加数据包括用户的至少一只眼睛的至少一个个体生物特征参数。

89、计算设备可以优选地包括：

90、图像数据输入接口，用于提供用户的个体图像数据，该图像数据包括：

91、用户的眼睛区域的至少一部分的至少一个图像；和/或

92、关于用户的眼睛区域的至少一部分的几何信息，其直接从用户的眼睛区域的至少一部分的至少一个图像中产生；

93、用于计算个体附加数据的附加数据计算设备，该个体附加数据包括用户的至少一只眼睛的至少一个个体生物特征参数，该计算基于个体图像数据并且使用统计模型来进行，该统计模型是使用具有多个参考数据集的训练数据集的统计分析来导出的，参考数据集中的每一个包括图像数据和与图像数据相关联的附加数据。

94、此外，该设备可以包括用于提供统计模型的模型输入接口。例如，统计模型可以存储在诸如数据库、计算器和/或数据或计算器云的设备中。此外，该设备可以提供用于提供训练数据集的训练数据集输入接口；以及模型计算设备，用于使用训练数据集的统计分析来导出或计算统计模型。例如，可以通过使用训练数据集训练原始(未训练的)模型来导出或计算统计模型。

95、本发明的第六方面涉及一种用于制造眼镜镜片和/或用于提供眼镜镜片制造数据的设备，其包括：

96、根据第五方面的用于确定用户的至少一只眼睛的个体生物特征参数的设备；

97、镜片计算设备，其被设计成至少基于所计算的个体生物特征参数来计算眼镜镜片。

98、制造设备还可以包括用于制造计算出的眼镜镜片的制造设备。

99、上述用于提供、确定、指定或计算数据(诸如(个体的)图像数据、(个体的)附加数据、统计模型、模型参数、权重等)的设备可以通过适当配置或编程的数据处理设备(特别是专门的硬件模块、计算机或计算机系统，诸如计算机或数据云)来实现，该数据处理设备具有适当的计算单元、电子接口、存储器和数据传输单元。该设备还可以包括至少一个优选的交互式图形用户接口(gui)，允许用户查看和/或输入和/或修改数据。

100、上述设备还可以具有合适的接口，使得数据(诸如训练数据集、参考数据集、(个体的)图像数据、(个体的)附加数据等)能够被传输、输入和/或读出。该设备还可以包括存储所用数据的至少一个存储单元，例如以数据库的形式。

101、制造设备可以例如包括至少一个受cnc控制的机器，用于根据确定的优化规格直接加工镜片毛坯。替代地，眼镜镜片可以使用铸造过程制造。成品眼镜镜片可以具有第一简单球面或旋转对称非球面表面和根据个体图像数据和计算的个体附加数据计算的第二个体表面。简单球面或旋转对称非球面可以是眼镜镜片的前表面(即，物体侧表面)。然而，当然可以将个体的表面布置成眼镜镜片的前表面。眼镜镜片的两个表面也可以单独地计算。

102、用于制造眼镜镜片的设备可以被设计成单件或独立的机器，即该设备的所有部件(特别是用于确定用户至少一只眼睛的个体生物特征参数的设备和镜片计算设备)可以是同一个系统的一部分或是同一个机器。然而，在优选实施例中，用于制造眼镜镜片的设备不是设计成一体的，而是通过不同的(特别是独立的)系统或机器来实现。例如，用于确定用户的至少一只眼睛的个体生物特征参数的设备和镜片计算设备可以实现为第一系统(特别地包括计算机)，而制造设备可以实现为第二系统。各种系统可以位于不同的位置，即它们可以在物理上彼此分离。例如，一个或多个系统可以位于前端并且一个或多个其他系统可以位于后端。例如，各个系统可以位于不同的公司位置或由不同的公司操作。这里，各个系统特别具有通信器件，以便彼此交换数据。优选地，设备的不同系统可以特别是经由网络(例如经由局域网和/或经由互联网)直接相互通信。关于用于制造眼镜镜片的设备的上述陈述不仅适用于此设备，而且一般适用于在本发明的范围内描述的所有设备。特别地，本文所描述的设备可以被设计成系统。特别地，该系统可以包括多个设备(可能是本地分离的)，这些设备被设计成执行对应方法的各个方法步骤。

103、本发明的另一个方面涉及根据上面所描述的制造方法制造的眼镜镜片。此外，本发明提供了根据上面所描述的制造方法制造的眼镜镜片在特定用户的眼睛前面的眼镜镜片佩戴的预定平均或理想或个体位置中的用途，用于矫正用户的视觉缺陷。