基于积分投影和瞳孔滤波器人眼检测.docVIP

基于积分投影和瞳孔滤波器人眼检测 　　实现人眼检测。该算法的优点是利用积分投影函数实现了人眼粗定位，又与瞳孔滤波器检测方法相结合确定人眼的精确位置，弥补了单一的积分投影、模板匹配等方法检测不精确的不足，从而快速准确的实现人眼检测。 　　关键词：积分投影；瞳孔滤波器；人眼定位 　　1.引言 　　人脸自动识别技术这些年来吸引了来自模式识别、图像处理、计算机视觉、人工智能等诸多领域研究者的关注。 　　目前眼睛的定位方法很多，归纳起来主要有区域分割法、边缘提取法、灰度投影法以及模版匹配等。主要的人眼定位算法有：Zhou等提出的泛化投影函数法[1]；Reinders等采用神经网络和眼睛的微特性来定位人脸的特征的方法[2]； Zhu等利用积分图像找到瞳孔候选点然后用SVM来校验的方法[3] ；Lin等利用虹膜的几何特点检测人眼，然后按一定规则配对，再用神经网络进行校验的方法[4]；Bala 等提出的一种基于遗传算法和决策树的眼睛定位方法[5]。 　　2.人脸检测 　　对于人脸的检测是利用肤色模型和径向基函数网络实现人脸检测，本算法可以实现动态和静态图像的检测，并实现人脸的快速检测。由于在图像中检测到的人脸方向不一定，为了提高人眼检测的精度，我们可以将图像进行归一化，首先进行人脸图像的旋转，旋转的角度由人的双眼连线与水平的夹角来确定。通过对图像的旋转可以得到人脸的正面图像，然后进行图像的缩放变成80*80大小的图片，在这种情况下瞳孔的大小通常是5*5，然后使用瞳孔滤波器就可以比较精确的定位人眼。 　　3.人眼定位 　　3.1人眼的粗定位 　　投影是一种有效提取图像特征的方法。设I（x，y）表示（x，y）处的像素灰度值，在区间[x1，x2]和[y1，y2]上的水平积分投影函数和垂直积分投影函数分别表示为： 　　平均积分投影函数分别表示为： 　　当图像某一列像素灰度均值发生变化时，这种变化会通过和的值表现出来。同理，当图像某一行像素灰度值发生变化时，这种变化会在和值上反映出来。因此，可通过积分投影找到图像特征部位，提取图像特征。人脸积分图像如图1和图2所示。 　　图1 人脸图像 　　图2 垂直积分投影曲线和水平积分投影曲线 　　由于人眼的灰度特征与人脸其它部位有明显不同，所以我们可以根据人眉毛、眼睛、鼻子和嘴巴部分的灰度明显比周围区域低，使水平积分投影曲线形成凹陷，从而通过搜索积分投影图得到人脸的大致水平位置，所以接下来要采用一定的方法进行人眼的精确检测。 　　3.2 人眼精确定位 　　人的眼睛大小不同，但是瞳孔的大小相差不是很大，并且人左右眼的瞳孔轮廓是精确的圆形，所以我们可以构造精确的瞳孔滤波器进行精确的定位人眼。下面将用神经网络构造瞳孔滤波器。我们把用肤色模型和径向基函数网络实现人脸检测出的人脸先归一化到60*60，然后下次实验图像变为65*65，依次增加到90*90，实验证明当图像大小为80*80时，瞳孔大小为5*5，此时检测结果最好，所以我们设计的神经网络的结构为：输入层为25个节点，每个节点的值和图像的像素值一一对应；隐含成为9个节点；输出层为1个节点，输出值越接近1表示与瞳孔越接近，若接近0就会和瞳孔相差越远。 　　训练的样本为Yale库和网上下载的一些图片，将检测出来的人脸图像以瞳孔为中心手工截取5*5大小的图像，一共截取50个正样本。然后截取50个5*5大小的非瞳孔图像作为负样本进行训练。 　　训练好的网络可以直接作为瞳孔滤波器进行精确的定位人眼。当检测到点（x，y）时，以（x，y）为中心，取5*5的图像送入滤波器。在检测过程中对图像进行从左向右、从上到下依次按2个像素进行扫描，但当检测完候选点后，滤波器输出的最大值所对应的坐标点是瞳孔中心，这样依瞳孔中心往外画矩形将得到人眼的精确定位。 　　4 实验结果和分析 　　为了验证算法的正确率、鲁棒性以及人眼定位的速度等性能做了大量的实验。实验的图片有Yale库、ORL库以及网上下载的图片，这些图片中包括戴眼镜的、不带眼镜的、不同光照情况下拍摄的、脸的角度旋转的等情况，在这些图像的人脸的位置是不定的，这样可以检测算法的鲁棒性能。实验结果如图3所示。 　　通过上面的实验测试发现此方法具有很好的检测结果，并且定位速度快，并且对侧光、旋转、戴眼镜都可以做到正确检测，证明了本文算法的鲁棒性特别好。 　　5 结论 　　由于积分投影函数值考虑了均值的变化，却不能反应均值相同情况下灰度值的变化，所以当图像出现较多的干扰因素时就会使检测结果不精确，所以本文提出了基于积分投影和瞳孔滤波器的人眼定位算法。实验证明本文算法既有较高的计算速度又有较高的定位精度。进一步的研究工作将定位在降低人脸旋转尺度较大时对检测精度造成的影响。 　　参考文献 　　[1]