人脸检测中眼睛定位算法研究论文.docVIP

人脸检测中眼睛定位算法研究论文 摘要眼睛是一个在人脸检测中极为重要的人脸特征，因此一种快速可靠的精确定位眼睛的算法对许多实际的应用是十分重要的。本文分析了几种常用的眼睛定位算法，并提出了一种基于肤色信息、人脸面部几何特征和人眼灰度信息的算法。算法采用由粗到细的检测策略，先对AnilK.Jain的Cb、Cr椭圆聚类方法进行了改进，用改进的算法进行肤色提取，经过肤色区域的分析，对人脸区域进行预检测，然后结合人眼几何特征进行初步定位，再利用人眼的灰度信息进行精确定位。该算法定位效率高，并对背景、尺寸等细节具有很好的适应性，在人脸实时检测系统中具有很好的应用价值。 关键词眼睛定位；肤色提取；几何特征；复杂度 1引言 双眼是人脸的突出特征，它们在人脸中占据比较固定的位置，双眼间的距离刻画了人脸的大小，是人脸识别中尺度归一化的依据。因此双眼的精确定位成为人脸识别前处理阶段非常关键的一步，绝大部分的人脸识别算法都强烈地依赖于双眼的准确定位。只要人眼被精确定位，则脸部其他特征，如眉、鼻、嘴等，可由潜在的分布关系比较准确地定位。人脸可以较好地归一化，预处理的效果也更明显，同时也可提高识别速度和降低识别算法的复杂度。 正因为眼睛定位在人脸识别中具有如此重要的地位，于是人们研究各种算法来实现眼睛定位，主要可以分为以下几类：霍夫变换法、变形模板法、边缘特征分析法和对称变换法等，本文结合人脸的肤色和几何特征以及人眼的灰度信息提出了一种快速、稳定的人眼定位算法。 2常用的几种眼睛定位算法 (1)霍夫变换法 假设经预处理已经得到包含眼球的图像Ep，为了节省检测眼球的时间并避免镜片反光点边缘产生的干扰，先用小灰度聚类法粗定眼球中心点，以此缩小检测范围，聚类的过程是将图像Ep中灰度值最小的n个像素，按列递增的顺序排序，若相邻的列数差值都未超过预先设定的门限T1，说明只有一个聚类中心，求出这些像素行列的平均值就是要找的眼球中心点；若超过了门限T1，说明这n个像素可以聚成两类，对左眼，因为阴影、镜脚集中在左边，所以取右边那类的平均值；对右眼，则取左边那类的平均值；n的选择可根据图像Ep的总像素数目及眼球占图像的大致百分比决定。 在用霍夫变换检测眼球前，先用Canny算法提取边缘。对于比较细长的眼睛，由于眼球的上半部分较多地被眼皮覆盖，所以改用检测下半圆，这样更可靠且省时。设图像空间为(i，j)，i和j分别表示行和列，三维变换空间为(ie，je，R)，其中ie、je分别代表眼球圆心的行和列，R为半径。下半圆表达式为： （1） 对于变换空间的每一个坐标点(ie，je，R)，在图像空间都对应一个半圆，在这个半圆上存在的边缘点数就是变换空间上坐标点(ie，je，R)对应的值。变换空间上的峰值点坐标即为所求的眼球半圆参数。实验证明，霍夫变换确实具有抗干扰能力强的优点。当眼球与眼白的对比度较低时，提取出来的边缘是断裂或不很规则的，即使如此，仍能根据变换空间中的峰值点准确地定位眼球圆心[2]。 (2)变形模板法 模板匹配法主要是模板的选择，根据所选模板的维数可分为二维可变形模板和三维可变形模板。图1为二维简单眼睛模板，由于人脸的旋转角度是任意的，当旋转角度比较大时，其中一部分眼白就会看不见，所以为了适应人脸向两侧作较大角度的旋转，就增加了两个单眼白的简单眼睛模板，当垂直旋转角度大于30°时，就使用仅有左眼白的简单眼睛模板，如图1a所示，当旋转角度大于-30°时，就使用仅有右眼白的简单眼睛模板，如图1b所示，若旋转角度介于-30°和30°之间，就使用正常的双眼白简单眼睛模板，如图1c所示。 图1眼睛的变形模板 简单二维眼睛模板可以用如下数学形式表示： （2） 在进行眼睛定位时，不断改变简单眼睛模板的尺寸参数S和眼球中心位置参数(x，y)，当模板与人脸图像取得最佳匹配时的对应的尺度S就是眼睛的大小，中心位置(x，y)就是眼睛在人脸图像中的位置。匹配时采用的能量函数与三维可变形模板中的能量函数类似。 三维可变形眼睛模板的生成源于人脸合成时用到的一般三维人脸模型。在一般三维人脸模型中，把眼睛特征点分截取出来，作为可变形眼睛模板的基本点。三维可变形眼睛模板是由10个基本三维点构成的，如图2所示，其中外部8个点组成了上、下眼睑，内部2个点，决定眼球的所有边界，其余的眼睑三维点是由外部8个基本点线性插值得来的，而眼球上的三维点是通过内部2点构成的空间来定的。 图2三维眼睛模板 三维可变形眼睛模板可以用以下的数学形式来表示： （3） 其中，参数X=（x1,x2,x3…,y1,