[0001] 本申请涉及人工智能技术领域，尤其涉及一种眼部注射点检测方法和控制器、眼科机器人及存储介质。

[0002] 人眼关键点检测是一种针对面部图像或视频进行检测，以识别出人眼关键点(如眼角、瞳孔、虹膜)的技术。人眼关键点检测可以应用在眼科诊断(例如眼部注射、眼科机器人)等场景。但目前的人眼关键点检测方法难以满足眼部注射对于检测精度的要求。并且，人眼关键点检测方法往往针对特定区域的用户眼球，而不同区域的眼球存在差异，无法很好适用于在特定区域以外的其它区域的用户眼球。可见，人眼关键点检测方法的检测精度较低，且适用范围较窄。

[0003] 因此，如何提高人眼关键点检测方法的检测精度和普适性，成为了亟待解决的技术问题。

[0058] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

[0059] 需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

[0060] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

[0061] 首先，对本申请中涉及的若干名词进行解析：

[0062] 眼部注射：也称眼内给药，是一种将药物直接注射到眼睛内部的治疗方法，能够应用在多种眼部疾病的治疗中。眼部注射包括玻璃体腔注射、视网膜下腔注射、脉络膜上腔注射。

[0063] 眼科机器人：眼科机器人是一种应用在眼部手术中的手术机器人。

[0064] 人工智能(Artificial Intelligence，AI)：是研究和开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。人工智能包括图像识别、机器人、神经网络、深度学习(deep learning)等。

[0065] 图像识别：是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。图像识别是深度学习算法的一种实践应用。

[0066] 神经网络(Neural Network，NN)：是人工智能领域中的一个关键技术，具体可以是一种模仿生物神经网络的结构和功能的数学模型或计算模型。卷积神经网络(Convolutional Neural Networks，CNN)是深度学习的代表算法之一。

[0067] 线性整流函数(Rectified Linear Unit,ReLU)：是一种在神经网络中常用的非线性激活函数，可以增强神经网络的非线性特性。

[0068] 批标准化(Batch Normalization，BN)：是指对数据进行规范化操作，是一种用于改善神经网络的性能和稳定性的技术，能够抑制深度神经网络的梯度消失或梯度爆炸。

[0069] Transformer模型：是一种基于自注意力机制的深度学习模型，能够用于处理序列数据。自注意力机制，又称内部注意力机制，是一种将单个序列的不同位置关联起来以计算同一序列的表示的注意机制。

[0070] 本申请实施例提供的眼部注射点检测方法和控制器、眼科机器人及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的眼部注射点检测方法。

[0071] 本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

[0072] 人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

[0073] 需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

[0074] 图1是本申请实施例提供的眼部注射点检测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤101至步骤107。

[0075] 步骤101，从预设的图像数据集获取样本初始眼部图像；图像数据集中的眼部图像均属于第一区域；

[0076] 步骤102，获取色差阈值；色差阈值表征属于第二区域的眼部图像的瞳孔与虹膜之间的差值，第一区域和第二区域为不同的区域；

[0077] 步骤103，根据色差阈值对样本初始眼部图像进行色差处理，得到属于第二区域的样本目标眼部图像；

[0078] 步骤104，根据样本目标眼部图像对预设的初始眼部图像检测模型进行训练，得到目标眼部图像检测模型；

[0079] 步骤105，获取属于第二区域的原始眼部图像；

[0080] 步骤106，通过目标眼部图像检测模型对原始眼部图像进行关键点识别，得到瞳孔关键点、虹膜关键点和眼角关键点；

[0081] 步骤107，根据瞳孔关键点、虹膜关键点和眼角关键点进行注射点检测，得到目标注射点。

[0082] 本申请实施例的有益效果包括但不限于：色差处理后得到的样本目标眼部图像属于第二区域，因此用样本目标眼部图像对预设的初始眼部图像检测模型进行训练后得到的目标眼部图像检测模型能够针对第二区域的眼球精确识别出眼部关键点，避免模型的识别准确性受到图像数据集中图像所属区域的影响，从而能够避免模型只能对第一区域的图像实现眼部关键点检测；不同区域对象的眼球可能存在差异，因此本申请实施例中可以基于不同区域对应调整色差阈值，普适性较高。针对属于第二区域的原始眼部图像，通过训练后的目标眼部图像检测模型能够精确地识别出瞳孔关键点、虹膜关键点和眼角关键点，然后进行注射点检测，因此检测得到的目标注射点也更加精准。可见，本申请实施例能够提高人眼关键点检测方法的检测精度和普适性。

[0083] 在一些实施例的步骤101中，图像数据集中的数据类型可以包括图像和视频。从预设的图像数据集获取样本初始眼部图像，可以是从图像数据集中获取视频，并且对视频按照预设的抽样间隔进行抽样，得到样本初始眼部图像。具体地，视频大小可以是200G左右，抽样间隔可以是每两秒采集一张图像。通过设置合适的抽样间隔，能够尽量减少重复样本，抽取视频中差异较大的视频帧作为初始眼部图像检测模型的训练样本，提高了训练模型的可靠性。也可以通过其他方式获取样本初始眼部图像，不限于此。

[0084] 需要说明的是，色差是指眼部图像中瞳孔与虹膜之间的色差。具体地，眼部图像(包括上述的样本初始眼部图像、样本目标眼部图像、原始眼部图像等)均为灰度图，在此情况下，色差是指眼部图像中瞳孔区域与虹膜区域之间的灰度值的差值绝对值。色差越大，瞳孔区域与虹膜区域之间的亮度差异越大。

[0085] 需要说明的是，色差阈值表征属于第二区域的眼部图像的瞳孔与虹膜之间的最大差值。

[0086] 在一些实施例的步骤102中，第一区域和第二区域为不同的区域，而不同区域的用户的眼球在虹膜色彩、虹膜与瞳孔的色差等方面可能存在较大的差异，这种差异往往会导致使用属于特定区域的眼部图像进行训练的模型无法精确地对属于其他区域的眼部图像进行关键点检测，甚至可能导致训练后的模型不适用于其他区域的眼部图像。在本申请实施例中，训练后的模型需要对属于第二区域的眼部图像进行关键点检测，而数据集中的眼部图像均属于第一区域，重新收集图像数据又需要耗费大量的人力和时间。针对上述情况，获取色差阈值，且色差阈值表征属于第二区域的眼部图像的瞳孔与虹膜之间的差值；之后在步骤103中根据色差阈值对样本初始眼部图像进行色差处理，得到样本目标眼部图像。

[0087] 在一些实施例的步骤103中，样本目标眼部图像属于第二区域，是指样本目标眼部图像的色差小于色差阈值，也就是说，样本目标眼部图像符合第二区域的眼球色差特征。

[0088] 在一些实施例的步骤104中，可以从图像数据集获取多张样本初始眼部图像并分别进行处理后得到多张样本目标眼部图像，用多张样本目标眼部图像对预设的初始眼部图像检测模型进行训练，得到目标眼部图像检测模型。通过获取大量样本来训练模型，能够提高训练后的目标眼部图像检测模型对属于第二区域的眼部图片进行眼部关键点检测的检
测精度，进而提高后续根据关键点检测得到的目标注射点的准确性。

[0089] 在一些实施例的步骤105中，原始眼部图像不带标签。可以通过图像采集设备获取原始眼部图像，例如通过摄像机拍摄属于第二区域的用户的眼睛，从而获取原始眼部图像。具体地，可以采用镜头的视场角(FOV)为30°，并且焦距为10cm的摄像机。为了保证光源稳定，还可以在拍摄时使用可调光的圆形补光光圈，从而确保拍摄时眼睛成像清晰。

[0090] 在一些实施例的步骤106中，目标眼部图像检测模型可以是Transformer模型，也即一种基于自注意力机制的深度学习模型。

[0091] 在一些实施例的步骤107中，在确定目标注射点之后，目标注射点可以为一些需要进行药物注射的场景提供参考。比如，在一些场景中，可以用注射器在目标注射点对应的眼球位置进行药物注射。需要说明的是，眼部药物注射是一种将药物直接注射到眼睛内部的治疗方法，本申请实施例主要针对玻璃体腔注射，也就是指将药物直接注射到眼睛玻璃体腔。并且，本方法可以应用于眼科机器人。目前，药物注射往往采用人工操作，可能会由于注射时存在手部抖动而对眼球造成损伤。相对于传统的人工注射操作，眼科机器人具有更高的控制精度，可以提高注射精度，从而减少注射对眼球造成的损伤。

[0092] 请参阅图2，在一些实施例中，样本初始眼部图像包括瞳孔区域图像和初始虹膜区域图像。步骤103可以包括但不限于包括步骤201至步骤203：

[0093] 步骤201，根据色差阈值和瞳孔区域图像对初始虹膜区域图像进行色彩迁移，得到迁移后虹膜区域图像；迁移后虹膜区域图像与瞳孔区域图像的色差小于色差阈值；

[0094] 步骤202，将迁移后虹膜区域图像和初始虹膜区域图像进行图像合成，得到目标虹膜瞳孔区域图像；

[0095] 步骤203，根据目标虹膜瞳孔区域图像对样本初始眼部图像进行更新，得到属于第二区域的样本目标眼部图像。

[0096] 该实施例的优点在于，根据色差阈值和瞳孔区域图像对初始虹膜区域图像进行色彩迁移得到迁移后虹膜区域图像，使得迁移后的虹膜与瞳孔的色差小于色差阈值，眼部图像中虹膜与瞳孔的色差符合色差阈值的约束，使得合成后的目标虹膜瞳孔区域图像更加贴近第二区域的色差特征。根据目标虹膜瞳孔区域图像对样本初始眼部图像进行更新，得到属于第二区域的样本目标眼部图像，从而能够用属于第二区域的样本对模型进行训练，使模型能够精确地对属于第二区域的眼部图像进行眼部关键点检测，提高了人眼关键点检测方法的检测精度和普适性。

[0097] 具体地，在步骤201之前，方法可以包括：通过预设的初始眼部图像检测模型对样本初始眼部图像进行图像分割，得到瞳孔区域图像和虹膜区域图像。在一些实施例中，图像数据集中的眼部图像(包括样本初始眼部图像)均带有标签，该标签可以是人工标注，或者是通过模型预测的，本申请实施例对此不做限定。标签的形式可以包括文本标注和视频标注。具体地，样本初始眼部图像带有分割标签和关键点预测标签。分割标签用于标注眼部图像的眼角区域、虹膜区域和瞳孔区域，关键点预测标签用于标注眼部图像的眼角预测关键点、虹膜预测关键点和瞳孔预测关键点。分割标签能够提高上述图像分割的准确性，关节点预测标签能够提高对样本目标眼部图像进行关键点检测的效率。

[0098] 请参阅图3，在一些实施例中，样本初始眼部图像带有分割标签、关键点预测标签和视角估计标签。如图3所示，每一行为同一图片及其对应的各种标签。左起第一列为原图，比如通过相机采集得到的灰度图。第二列为分割标签，其中红色区域为眼角区域，绿色区域为虹膜区域，蓝色区域为瞳孔区域。第三列为关键点预测标签，其中红色点为眼角预测关键点，绿色点为虹膜预测关键点，白色点为瞳孔预测关键点。第四列为视角估计标签，绿色圆为眼球预测范围，瞳孔到圆心的线段用于表示用户的视角。

[0099] 在一些实施例的步骤201中，对初始虹膜区域图像进行色彩迁移，是指对初始虹膜区域图像的灰度值进行更新，得到迁移后虹膜区域图像，以更新迁移后虹膜区域图像与瞳孔区域图像的色差。

[0100] 在一些实施例的步骤202中，将迁移后虹膜区域图像和初始虹膜区域图像进行图像合成，可以通过平均合成、加权合成等方法，本申请实施例对此不做限定。

[0101] 在一些实施例的步骤203中，根据目标虹膜瞳孔区域图像对样本初始眼部图像进行更新，是指用目标虹膜瞳孔区域图像更新样本初始眼部图像中的虹膜区域与瞳孔区域，得到一个新的完整眼部图像，也即样本目标眼部图像，该图像包括眼角区域等其他信息。

[0102] 例如，瞳孔区域图像、初始虹膜区域图像和迁移后虹膜区域图像均为灰度图，色差是指图中像素灰度值之间的差值绝对值。灰度值的取值范围为0到255，其中0表示黑色，255表示白色。对于属于第一区域的眼球，瞳孔呈黑色并且虹膜呈浅蓝色；对于属于第二区域的眼球，瞳孔呈黑色并且虹膜呈棕褐色。在一些实施例中，用红(R)、绿(G)、蓝(B)来表示色彩，黑色表示为RGB(0,0,0)，浅蓝色表示为RGB(0,204,255)，棕褐色表示为RGB(255,102,0)，灰度值的计算公式为(R+G+B)/3。则黑色对应的灰度值为0，浅蓝色对应的灰度值为153，棕褐色对应的灰度值为119。属于第一区域的样本初始眼部图像包括瞳孔区域图像和初始虹膜区域图像，瞳孔区域图像的灰度值为0，初始虹膜区域图像的灰度值为153，因此样本初始眼部图像的色差为153‑0＝153。迁移后虹膜区域图像的灰度值为119，假设迁移后虹膜区域图像和初始虹膜区域图像通过平均合成得到目标虹膜瞳孔区域图像，目标虹膜瞳孔区域图像中的虹膜区域灰度值为(119+153)/2＝136，目标虹膜瞳孔区域图像的色差为136‑0＝136。假设色差阈值为140，可见样本初始眼部图像的色差153大于色差阈值，而目标虹膜瞳孔区域图像的色差136小于色差阈值。色差阈值表征属于第二区域的眼部图像的瞳孔与虹膜之间的最大差值，因此目标虹膜瞳孔区域属于第二区域。在本申请实施例中，通过目标虹膜瞳孔区域图像更新样本初始眼部图像，得到的样本目标眼部图像也属于第二区域。因此用样本目标眼部图像训练模型，能够提高模型对属于第二区域的眼部图像进行眼部关键点检测的检测精度。用户还可以针对需要进行检测的眼部图像所属的区域，调整色差阈值，因此本方法提高了检测方法的普适性。

[0103] 请参阅图4，在一些实施例中，步骤201可以包括但不限于包括步骤401至步骤404：

[0104] 步骤401，基于瞳孔区域图像的亮度值进行直方图统计，得到瞳孔区域直方图；

[0105] 步骤402，基于初始虹膜区域图像的亮度值进行直方图统计，得到虹膜区域直方图；

[0106] 步骤403，对瞳孔区域直方图和虹膜区域直方图进行直方图匹配，得到亮度映射关系；

[0107] 步骤404，根据色差阈值和亮度映射关系对初始虹膜区域图像的亮度值进行亮度更新，得到迁移后虹膜区域图像。

[0108] 该实施例的优点在于，通过直方图来表示瞳孔区域图像与初始虹膜区域图像的亮度值，对瞳孔区域直方图和虹膜区域直方图进行直方图匹配，得到亮度映射关系；

[0109] 需要说明的是，由于图像均为灰度图，本申请实施例中的亮度值相当于是图像的灰度值。

[0110] 需要说明的是，直方图统计是指统计图像中各个灰度级别的频率分布，形成灰度直方图。

[0111] 在一些实施例的步骤403中，直方图匹配是指以瞳孔区域直方图为基础，使初始虹膜区域图像的灰度分布与瞳孔区域图像的灰度分布情况相近，得到亮度映射关系。

[0112] 在一些实施例的步骤404中，亮度映射关系可以是一种灰度变换关系。具体地，亮度映射关系是一种不连续的映射关系，例如将初始虹膜区域图像中灰度值为100的像素转换成灰度值为140的像素，将灰度值为50的像素转换成灰度值为80的像素，等等，从而得到迁移后虹膜区域图像。亮度映射关系可以通过统计历史数据等方法得出，本申请实施例对此不做限定。

[0113] 在一些实施例中，步骤202包括：

[0114] 获取初始虹膜区域图像的权重，得到第一权重；

[0115] 获取迁移后虹膜区域图像的权重，得到第二权重；第一权重与第二权重的总和为1；

[0116] 根据第一权重、初始虹膜区域图像、第二权重和迁移后虹膜区域图像进行加权融合，得到目标虹膜瞳孔区域图像。

[0117] 该实施例的优点在于，通过获取初始虹膜区域图像的权重以及迁移后虹膜区域图像的权重，对图像进行加权融合，得到目标虹膜瞳孔区域图像，从而可以通过第一权重和第二权重对目标虹膜瞳孔区域图像的色差大小进行调整，以使通过目标虹膜瞳孔区域图像中瞳孔与虹膜的色差更加接近属于第二区域的眼部图像的色差，提高了方法的灵活性。

[0118] 需要说明的是，眼部图像中的虹膜区域包含瞳孔区域，融合后的目标虹膜瞳孔区域图像包括虹膜和瞳孔。

[0119] 需要说明的是，第一权重用于调整初始虹膜区域图像在加权融合过程中的占比，第二权重用于调整迁移后虹膜区域图像在加权融合过程中的占比。

[0120] 在一些实施例中，通过以下公式确定目标虹膜瞳孔区域图像：

[0121] S×FM1+(1‑S)×FM2＝FM3,

[0122] 其中，S表示第一权重，(1‑S)表示第二权重，FM1表示初始虹膜区域图像，FM2表示迁移后虹膜区域图像，FM3表示目标虹膜瞳孔区域图像。

[0123] 具体地，S的取值范围可以是[0,1]，例如S＝0.5。如果S＝0，说明完全使用迁移后虹膜区域图像作为目标虹膜瞳孔区域图像。

[0124] 请参阅图5至图8，在一些实施例中，瞳孔区域图像如图5所示，初始虹膜区域图像如图6所示，迁移后虹膜区域图像如图7所示，目标虹膜瞳孔区域图像如图8所示。需要说明的是，迁移后虹膜区域的灰度值大于初始虹膜区域图像的灰度值，因此相较于初始虹膜区域图像，迁移后虹膜区域颜色更暗，迁移后虹膜区域与瞳孔区域图像的色差更小。在本申请实施例中，第一权重和第二权重都不为0，因此目标虹膜瞳孔区域图像中虹膜的灰度值介于初始虹膜区域图像的灰度值与迁移后虹膜区域的灰度值之间。

[0125] 在一些实施例中，通过目标眼部图像检测模型对原始眼部图像进行关键点识别，得到瞳孔关键点、虹膜关键点和眼角关键点，包括：

[0126] 对原始眼部图像进行归一化，得到标准眼部图像；

[0127] 在标准眼部图像上标注出预测关键点；

[0128] 根据预测关键点对标准眼部图像进行图像切割，得到瞳孔关键区域、虹膜关键区域和眼角关键区域；

[0129] 对瞳孔关键区域进行关键点提取，得到瞳孔关键点；

[0130] 对虹膜关键区域进行关键点提取，得到虹膜关键点；

[0131] 对眼角关键区域进行关键点提取，得到眼角关键点。

[0132] 该实施例的优点在于，对原始眼部图像进行归一化以便于后续的图像处理操作，通过图像切割和关键点提取的方法，得到瞳孔关键点、虹膜关键点和眼角关键点，从而实现了关键点识别，提高关键点检测方法的检测精度。

[0133] 需要说明的是，对图像进行归一化，包括对图像进行翻转、旋转、平移、放缩等操作，从而得到相同形式的标准眼部图像。

[0134] 需要说明的是，在标准眼部图像上标注出预测关键点，其中预测关键点可以是模型在训练过程中通过多张样本图像计算得到的平均眼部关键点，该预测关键点可能与当前的标准眼部图像中的实际眼部关键点存在偏差。为了得到更加精确的关键点，本申请实施例通过图像切割的方式，在预测关键点的周围切割出关键区域，并不断纠正偏差，缩小关键区域的面积，最终从关键区域中提取出关键点，从而得到瞳孔关键点、虹膜关键点和眼角关键点，能够提高本方法的检测精度。

[0135] 在一些实施例中，通过Transformer模型分别对瞳孔关键区域、虹膜关键区域和眼角关键区域进行特征提取，从而得到瞳孔关键点、虹膜关键点和眼角关键点。在特征提取的过程中，Transformer模型可以采用卷积神经网络(CNN)的提取方式，并按照预设的迭代次数(比如3次)进行迭代，以得到上述关键点。为了避免卷积神经网络进行特征提取时出现梯度消失或梯度爆炸以至于无法得到准确的关键点，可以对瞳孔关键区域、虹膜关键区域和眼角关键区域进行批标准化(BN)，也即对关键区域进行规范化操作，提高模型的稳定性。也可以将线性整流函数(ReLU)作为卷积神经网络的激活函数，从而提高模型的稳定性。

[0136] 在一些实施例中，每一次切割的关键区域(包括瞳孔关键区域、虹膜关键区域和眼角关键区域)的面积是上一次切割的四分之一。比如，图像中的最小可分辨单位为像素，第一次切割的关键区域面积为64*64，则第二阶段切割的关键区域面积为32*32。

[0137] 在一些实施例中，根据瞳孔关键点、虹膜关键点和眼角关键点进行注射点检测，得到目标注射点，包括：

[0138] 对虹膜关键点进行椭圆拟合，得到虹膜边缘椭圆；

[0139] 根据瞳孔关键点和眼角关键点，得到第一眼部线段；

[0140] 获取第一眼部线段和虹膜边缘椭圆的交点，作为眼部参考点；

[0141] 根据眼部参考点和预设的距离阈值在第一眼部线段进行点选取，得到目标注射点。

[0142] 该实施例的优点在于，根据瞳孔关键点、虹膜关键点和眼角关键点，确定出目标注射点，实现了目标注射点检测的功能，该方法能够应用于眼科机器人。

[0143] 具体地，眼部参考点是虹膜边缘上的一点。距离阈值的取值范围可以是3到4mm(毫米)、3.0到3.5mm或者3.5到4.0mm。例如，距离阈值为3.5mm，说明目标注射点与眼部参考点的距离为3.5mm。也可以采用其他方式设置距离阈值，比如距离阈值为20个像素点。在一些实施例中，目标注射点位于眼角区域。

[0144] 在一些实施例中，根据瞳孔关键点和眼角关键点，得到第一眼部线段，包括：

[0145] 根据瞳孔关键点计算得到瞳孔中心点；

[0146] 根据眼角关键点的位置和预设的位置约束条件，从多个眼角关键点中选取得到眼角边缘点；

[0147] 连接瞳孔中心点和眼角边缘点，得到第一眼部线段。

[0148] 该实施例的优点在于，根据瞳孔关键点和眼角关键点进行计算，得到第一眼部线段，从而能够在线段上确定出目标注射点，实现了目标注射点检测的功能，该方法能够应用于眼科机器人。

[0149] 请参阅图9，在一些实施例中，图9中的34个红色点表示眼角关键点，其中最右侧的红色圆点(也即红色线段的最右侧端点)表示眼角边缘点；8个绿色点表示虹膜关键点，绿色椭圆表示虹膜边缘椭圆；瞳孔区域边缘的8个白色点表示瞳孔关键点，瞳孔关键点中间的白色圆点(也即红色线段的最左侧端点)表示瞳孔中心点；红色线段表示第一眼部线段；灰色点为第一眼部线段与虹膜边缘椭圆的交点，表示眼部参考点；黄色点表示目标注射点。例如，在确定眼部参考点之后，可以沿着第一眼部线段，向靠近眼角边缘点的方向移动20个像素点，将线段上的对应点作为目标注射点。

[0150] 本申请实施例还提供一种控制器。该控制器包括存储器存储有计算机程序，处理器执行计算机程序时实现上述的眼部注射点检测方法。

[0151] 该控制器的具体实施方式与上述眼部注射点检测方法的具体实施例基本相同，在此不再赘述。

[0152] 本申请实施例还提供了一种控制器，控制器包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述眼部注射点检测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

[0153] 请参阅图10，图10示意了另一实施例的控制器的硬件结构，控制器包括：

[0154] 处理器1001，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

[0155] 存储器1002，可以采用只读存储器(Read‑Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1002可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1002中，并由处理器1001来调用执行本申请实施例的眼部注射点检测方法；

[0156] 输入/输出接口1003，用于实现信息输入及输出；

[0157] 通信接口1004，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

[0158] 总线1005，在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息；

[0159] 其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。

[0160] 本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述眼部注射点检测方法。

[0161] 存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0162] 本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

[0163] 本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

[0164] 以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

[0165] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

[0166] 本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0167] 应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

[0168] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0169] 上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0170] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0171] 集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read‑Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

[0172] 以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。