CN101615292A - 基于灰度信息的人眼精确定位方法 - Google Patents

Abstract

本发明涉及一种基于灰度信息的人眼精确定位方法，属信息技术领域。方法为：(1)人脸检测：从输入图像中定位人脸区域；(2)灰度直方图分析：对人脸图像进行灰度直方图分析，确定人脸中肤色区域的灰度范围；(3)图像增强：对图像进行灰度调整，使眼部特征更加明显；(4)Gabor小波滤波：对增强后的图像进行Gabor小波滤波操作，利用Gabor滤波后的实部图像进行合成，得到参考图像；(5)聚类分析：采用K－Means聚类的方法对合成的参考图像进行分析，得到二值化人眼候选窗口，对二值化后的每个人眼候选窗口中的白色区域进行分析，确定人眼的大致位置，得到人眼窗口；(6)邻域操作：使用两个邻域算子对人眼窗口进行扫描，确定瞳孔中心位置。本发明具有检测方法简单、眼睛定位精确的优点。

Description

基于灰度信息的人眼精确定位方法

技术领域：

本发明涉及一种基于灰度信息的人眼精确定位方法，属信息技术领域。

背景技术：

自动人脸识别系统的构建已经成为一个模式识别和计算机视觉中的热门研究领域。一般来说，自动人脸识别系统主要包括两个部分，即人脸检测和人脸识别，目前来看，两个部分都有了一些效果较好的方法，虽然人脸检测已经取得了比较好的效果，但是由于人脸存在各种大小和不同的旋转角度，使得我们在进行人脸识别前，必须对检测到的人脸图像进行归一化处理，在人脸各种面部特征中，眼睛是进行人脸归一化的首选特征，在人脸识别中，人眼定位的准确度对人脸识别的效果有着重要的影响，现有的人眼检测方法不能够精确的对眼睛进行定位，特别是在人脸图像分辨率较低，噪音干扰较大的情况下往往定位的误差较大，从而影响了后续的人脸识别系统的性能。

发明内容：

本发明的目的在于克服现有技术之不足，而提供一种基于灰度信息的人眼精确定位的方法。

本发明的技术方案是：

基于灰度信息的人眼精确定位方法，包括人脸检测、灰度直方图分析、图像增强、Gabor小波滤波、聚类分析及邻域操作步骤；具体如下：

(1)人脸检测：用Adaboost算法对输入的数字图像进行人脸检测操作，得到人脸的位置和尺寸；

(2)灰度直方图分析：将检测到的人脸图像统一缩放到130×150像素大小进行灰度化操作，选择人脸图像中央位置的一个大小为31×13像素的矩形区域作为肤色样本分析的对象，设I(i，j)是人脸图像中(i，j)处的灰度值，m是矩形区域的灰度平均值，如果m＜180，则在该矩形区域的灰度直方图中，找到[m-10，m+10]的范围内出现次数最多的一个灰度值作为肤色的灰度值si，对人脸图像进行灰度直方图分析，确定人脸中肤肤色区域的灰度范围；

(3)图像增强：确定的肤色的灰度值si，使用下式对图像进行增强操作，新的灰度图像在(i，j)处的灰度值记为I’(i，j)。

$I^{\&prime;}(i,j)=\left\{\begin{array}{cc}0& ,I(i,j)<I_{\min },I_{\min }=\mathrm{si}/c_1\\ 255,& ,I(i,j)>I_{\max },I_{\max }=\mathrm{si}/c_2\\ \frac{(I(i,j)-I_{\min })\&CenterDot;255}{(I_{\max }-I_{\min })},& \mathrm{others}\end{array}\right.$

c₁＝2c₂，c₂＝2.35

如果m≥180，则不对图像进行增强操作，即I’(i，j)＝I(i，j)；

(4)Gabor小波滤波：对于增强后的人脸图像，使用Gabor小波对图像进行滤波操作，使用公式为

${\mathrm{\&psi;}}_{\mathrm{\&mu;},v}\left(z\right)=\frac{\left|\right|k_{\mathrm{\&mu;},v}\left|\right|}{{\mathrm{\&sigma;}}^2}{e}^{(-{\left|\right|k_{\mathrm{\&mu;},v}\left|\right|}^2{\left|\right|z\left|\right|}^2/2{\mathrm{\&sigma;}}^2)}[e^{i{k}_{\mathrm{\&mu;},v}z}-e^{-{\mathrm{\&sigma;}}^2/2}]$

式中，z＝(x，y)表示像素点的空域坐标，||·||表示范数运算，

k_v＝k_max/f^v，v∈{0，1，...，4}和μ∈{0，1，...，7}分别表示Gabor滤波器的方向和尺度，在Gabor滤波后产生的40个实部图像中，选择μ＝0，v＝{2，3，4}，即水平方向上尺度最大的三个实部图像依照式：

G(x，y)＝q₁f(x，y)*ψ_2，0+q₂f(x，y)*ψ_3，0+q₃f(x，y)*ψ_4，0

$\left\{\begin{array}{c}{q}_1+q_2+q_3=1\\ q_3=2q_2=4q_1\end{array}\right.$

进行合成得到最后的参考图像；

(5)聚类分析：采用K-Means聚类的方法对合成的参考图像进行分析，得到人眼候选窗口，二值化人眼候选窗口，对二值化后的每个人眼候选窗口中的白色区域进行分析，得到人眼窗口；

(6)邻域操作：使用两个邻域算子对人眼窗口进行扫描，确定瞳孔中心位置。

本发明与现有技术相比，具有检测方法简单、眼睛定位精确的优点。

附图说明：

图1为本发明流程图示意图。

图2为人脸图像进行灰度直方图分析过程示意图。

图3为图像增强过程示意图。

图4为Gabor小波滤波后的参考图像。

图5为采用K-Means聚类的方法对合成的参考图像进行分析，得到的人眼窗口。

图6为用两个邻域算子对人眼窗口进行扫描，确定的瞳孔中心位置。

具体实施方式：

首先对输入的数字图像使用Adaboost算法进行人脸检测操作，得到人脸的位置和尺寸，把检测到的人脸统一缩放到130×150像素大小，对人脸图像进行灰度化操作，选择人脸图像中央位置的一个大小为31×13像素的矩形区域作为肤色样本分析的对象，设I(i，j)是人脸图像中(i，j)处的灰度值，m是矩形区域的灰度平均值，如果m＜180，则在该矩形区域的灰度直方图中，找到[m-10，m+10]的范围内出现次数最多的一个灰度值作为肤色的灰度值si，使用下式对图像进行增强操作，新的灰度图像在(i，j)处的灰度值记为I’(i，j)。

$I^{\&prime;}(i,j)=\left\{\begin{array}{cc}0& ,I(i,j)<I_{\min },I_{\min }=\mathrm{si}/c_1\\ 255,& ,I(i,j)>I_{\max },I_{\max }=\mathrm{si}/c_2\\ \frac{(I(i,j)-I_{\min })\&CenterDot;255}{(I_{\max }-I_{\min })},& \mathrm{others}\end{array}\right.$

c₁＝2c₂，c₂＝2.35

如果m≥180，则不对图像进行增强操作，即I’(i，j)＝I(i，j)，具体过程见图2。对于增强后的人脸图像，使用Gabor小波对图像进行滤波操作，使用公式为

${\mathrm{\&psi;}}_{\mathrm{\&mu;},v}\left(z\right)=\frac{\left|\right|k_{\mathrm{\&mu;},v}\left|\right|}{{\mathrm{\&sigma;}}^2}{e}^{(-{\left|\right|k_{\mathrm{\&mu;},v}\left|\right|}^2{\left|\right|z\left|\right|}^2/2{\mathrm{\&sigma;}}^2)}[e^{i{k}_{\mathrm{\&mu;},v}z}-e^{-{\mathrm{\&sigma;}}^2/2}]$

式中，z＝(x，y)表示像素点的空域坐标，||·||表示范数运算，

k_v＝k_max/f^v，

v∈{0，1，...，4}和μ∈{0，1，...，7}分别表示Gabor滤波器的方向和尺度。在Gabor滤波后产生的40个实部图像中，选择μ＝0，v＝{2，3，4}，即水平方向上尺度最大的三个实部图像依照下式进行合成得到最后的参考图像，见图3。

G(x，y)＝q₁f(x，y)*ψ_2，0+q₂f(x，y)*ψ_3，0+q₃f(x，y)*ψ_4，0

$\left\{\begin{array}{c}{q}_1+q_2+q_3=1\\ q_3=2q_2=4q_1\end{array}\right.$

根据人脸面部器官的分布规律，能粗略估计人眼区域的分布，设w＝130和h＝150分别代表参考图像的宽度和高度，左眼和右眼的坐标分别为e₁(x₁，y₁)和e₂(x₂，y₂)，x₁＝1.3w/4，y₁＝1.6h/5，x₂＝2.8w/4，y₂＝1.6h/5，以这两点为中心，得到大小为0.32w×0.32w的两个人眼预处理窗口E1和E2，见图4。对每个人眼预处理窗口E，把它划分为三个子集，初始化每一个子集的聚类中心为center₁＝min(E)，center₂＝max(E)，center₃＝(center₁+center₂)/2。通过K-means算法找到新的聚类中心center₁’，center₂’，和center₃’，把center₁’所表示的子集设定为白色，其它两个子集设定为黑色，如果一组白色像素组成的块满足如下条件之一，则该块被置为黑色。(1)：块的宽度小于块的高度。(2)：块的像素点总数小于T(T＝10)。计算白块的数量n，同时计算每个白块的中心位置，记为c₁(x，y)，c₂(x，y)，...，c_n(x，y)。对这n个中心位置按纵坐标排序得到新的中心序列c₁’(x，y)，c₂’(x，y)，...，c_n’(x，y)，这里c₁’(y)≤...≤c_n’(y)，如果n＝1，则e(x，y)＝c₁’(x，y)。如果n＞＝2，则e(x，y)＝c₂’(x，y)。

设得到的两只眼睛的中心位置分别为e_l(x，y)和e_r(x，y)，其中e_l(x，y)表示左眼中心位置，e_r(x，y)表示右眼中心位置。n_l表示左眼预处理窗口中白块的数目，n_r表示右眼预处理窗口中白块的数目，如果e_l(x，y)和e_r(x，y)两点所形成的水平夹角大于30度，且n_l＞n_r时，眼睛中心位置e_l(x，y)被移除，n_l＜n_r时，眼睛中心位置e_r(x，y)被移除，重新计算新的眼睛中心的位置，最后，以得到的眼睛位置e(x，y)为中心，在人脸灰度图像上切取31×13像素大小的矩形窗口作为人眼窗口EW，具体过程见图5。

对眼睛窗口EW中的每一个像素，求该像素周围的3×3邻域的像素值的和，然后用和值替代该像素的灰度值，见图6。用该领域算子对EW扫描一遍，把新得到的人眼窗口图像记为NI_(3，3)，在NI_(3，3)中，使用同样的方法获得该图像的5×5邻域图像，记为NI_(5，5)。找到NI_(5，5)中具有最小灰度值的位置，记为p_min(x，y)，则瞳孔中心位置p(x，y)＝p_min(x，y)。

Claims (1)

1、一种基于灰度信息的人眼精确定位方法，其特征在于该定位方法包括人脸检测、灰度直方图分析、图像增强、Gabor小波滤波、聚类分析及邻域操作步骤；具体如下：

(1)人脸检测：用Adaboost算法对输入的数字图像进行人脸检测操作，得到人脸的位置和尺寸；

(2)灰度直方图分析：将检测到的人脸图像统一缩放到130×150像素大小进行灰度化操作，选择人脸图像中央位置的一个大小为31×13像素的矩形区域作为肤色样本分析的对象，设I(i，j)是人脸图像中(i，j)处的灰度值，m是矩形区域的灰度平均值，如果m＜180，则在该矩形区域的灰度直方图中，找到[m-10，m+10]的范围内出现次数最多的一个灰度值作为肤色的灰度值si，对人脸图像进行灰度直方图分析，确定人脸中肤色区域的灰度范围；

(3)图像增强：确定的肤色的灰度值si，使用下式对图像进行增强操作，新的灰度图像在(i，j)处的灰度值记为I”(i，j)。

$I^{\&prime;}(i,j)=\left\{\begin{array}{cc}0& ,I(i,j)<I_{\min },I_{\min }=\mathrm{si}/c_1\\ 255,& ,I(i,j)>I_{\max },I_{\max }=\mathrm{si}/c_2\\ \frac{(I(i,j)-I_{\min })\&CenterDot;255}{(I_{\max }-I_{\min })},& \mathrm{others}\end{array}\right.$

c₁＝2c₂，c₂＝2.35

如果m≥180，则不对图像进行增强操作，即I’(i，j)＝I(i，j)；

(4)Gabor小波滤波：对于增强后的人脸图像，使用Gabor小波对图像进行滤波操作，使用公式为

${\mathrm{\&psi;}}_{\mathrm{\&mu;},v}\left(z\right)=\frac{\left|\right|k_{\mathrm{\&mu;},v}\left|\right|}{{\mathrm{\&sigma;}}^2}{e}^{(-{\left|\right|k_{\mathrm{\&mu;},v}\left|\right|}^2{\left|\right|z\left|\right|}^2/{2\mathrm{\&sigma;}}^2)}[e^{{\mathrm{ik}}_{\mathrm{\&mu;},v}z}-e^{-{\mathrm{\&sigma;}}^2/2}]$

式中，z＝(x，y)表示像素点的空域坐标，||·||表示范数运算，

k_v＝k_max/f_v，

v∈{0，1，…，4}和μ∈{0，1，…，7}分别表示Gabor滤波器的方向和尺度，在Gabor滤波后产生的40个实部图像中，选择μ＝0，v＝{2，3，4}，即水平方向上尺度最大的三个实部图像依照式：

G(x，y)＝q₁f(x，y)*ψ_2，0+q₂f(x，y)*ψ_3，0+q₃f(x，y)*ψ_4，0

$\left\{\begin{array}{c}{q}_1+q_2+q_3=1\\ q_3={2q}_2={4q}_1\end{array}\right.$

进行合成得到最后的参考图像；

(5)聚类分析：采用K-Means聚类的方法对合成的参考图像进行分析，得到人眼候选窗口，二值化人眼候选窗口，对二值化后的每个人眼候选窗口中的白色区域进行分析，得到人眼窗口；

(6)邻域操作：使用两个邻域算子对人眼窗口进行扫描，确定瞳孔中心位置。

Images