CN102657513A - 一种人眼红外图像瞳孔位置检测方法 - Google Patents
一种人眼红外图像瞳孔位置检测方法 Download PDFInfo
- Publication number
- CN102657513A CN102657513A CN2012101024593A CN201210102459A CN102657513A CN 102657513 A CN102657513 A CN 102657513A CN 2012101024593 A CN2012101024593 A CN 2012101024593A CN 201210102459 A CN201210102459 A CN 201210102459A CN 102657513 A CN102657513 A CN 102657513A
- Authority
- CN
- China
- Prior art keywords
- row
- value
- image
- residual error
- human eye
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种人眼红外图像瞳孔位置检测方法,包括如下步骤:一、采用常速模型对图像从上到下,从下到上,从左到右,从右到左,四个方向每行每列对应设置的一个卡尔曼滤波器设定初始像素值;二、利用步骤一中的初始像素值使用卡尔曼滤波器对图像进行四个方向的滤波,在对每行每列进行滤波的同时利用来自于每个滤波器在每个位置的测量残差μ(k)计算并保存该位置的残差权值ξ(k);三、将四个方向分别计算得到的相同位置的残差权值ξ(k)求和,将结果与由人工选取的域值进行二值化操作得到瞳孔模版。本方法只需人工根据经验和检测效果确定两个参数,使用简单。本方法计算量与使用阈值的方法在同一数量级,能够应用于实时在线的情况。
Description
技术领域
本发明涉及一种图像检测技术领域的一种方法,具体是一种可用于从人眼红外图像中检测瞳孔位置的方法。
背景技术
检测人眼瞳孔位置,就可以知道被测人的注意力放在那些物体上,这对于医学领域、产品设计以及人为因素研究等具有重大意义,非接触式的人眼瞳孔检测方法,即,使用图像检测技术获取人眼瞳孔位置的方法较为方便和被普通被测人员所接受。高效、准确的图像检测技术是不但能够降低眼位检测系统的硬件成本,同时能够增加检测的准确性和效率,因此,迫切需要高效、准确的从图像检测人眼瞳孔的方法。
从图像中快速检测人眼瞳孔是眼位检测系统中的关键且难度非常大的环节,其原因在于,人眼动作通常较快,因此捕捉人眼运动的图像设备通常具有较高的帧率,这意味着检测人眼瞳孔的位置的过程必须在极短的时间内完成,否则会造成检测的人眼瞳孔位置不连续。人眼的瞳孔会反射红外线,人眼的红外图像中瞳孔位置的像素通常比较明亮,因此通常采用红外图像来检测瞳孔位置。通过对相关技术文献检索发现,从红外人眼图像检测瞳孔位置的采用Xindian Long在文献《A High Speed Eye Tracking System with Robust Pupil Center Estimation Algorithm》(Engineering in Medicine and Biology Society,2007 Annual International Conference)人工根据环境设定阈值,对人眼红外图像进行二值化,然后进行一定的形态操作,最后得到瞳孔的位置。或者采用Chirayuth Sreecholpech在文献《Circular and Elliptical Modeling for Pupil Boundary in Closed-up Human Eye Images》(Electrical Engineering/Electronics,Computer,Telecommunications and Information Technology,ECTI CON 2008.5th International Conference,Volume 1,May2008)介绍的方法,根据人眼瞳孔是圆形这一特点,采用霍夫变换从图像中提取圆形目标,然后筛选掉半径较大和较小的圆形目标,剩下的就是人眼瞳孔。但是这两种方法都有一定的缺陷,第一种方法,需要大量人工干预,环境稍有变化就需要重新确定阈值。第二种方法,计算量比较大,需要精确定位瞳孔位置而采用高分辨率图像的情况难以做到实时处理。
发明内容
针对上述现有技术存在的问题,本发明的目的在于提供一种人眼红外图像瞳孔位置检测方法,该方法能够用于实时从人眼红外图像中检测人眼瞳孔位置,减少人工干预,且具有很高的精度和鲁棒性。
本发明是通过以下技术方案实现的。
一种人眼红外图像瞳孔位置检测方法,包括如下步骤:
步骤一,采用常速模型对图像从上到下,从下到上,从左到右,从右到左,四个方向每行每列对应设置的一个卡尔曼滤波器进行设定初始像素值;
步骤二,利用步骤一中的初始像素值使用卡尔曼滤波器对图像进行四个方向的滤波,在对每行每列进行滤波的同时利用来自于每个滤波器在每个位置的测量残差计算并保存该位置的残差权值ξ(k);
步骤三,将四个方向分别计算得到的相同位置的残差权值ξ(k)求和,将结果与由预设虚的警率计算得到的域值进行二值化操作得到瞳孔模版。
步骤一中的卡尔曼滤波器利用前一时刻地估计值和当前时刻的观测值来更新对状态变量的估计,得到当前时刻的估计值。
步骤一中采用常速模型的卡尔曼滤波器的参数设定为:状态向量 是对图像中某行某列的某个像素的灰度值的估计,η没有具体的意义,测量向量的值z(k)等于某个滤波器在第k时刻与该滤波器对应的行或列的第k个元素的像素值,测量矩阵H=(0 1),系统控制矩阵G=0,状态转移矩阵 T为采样时间,这里T=1,这里测量噪声方差R=50,状态噪声方差 初始方差
步骤一中卡尔曼滤波器设定初始像素值为:
a.从上到下沿着每一列分别滤波时第n(n=1,2,3,…)个滤波器初始状态值确定如下:x(0|0)=(0 I(1,n))T,I(1,n)为图像第1行,n列的像素值;
b.从下到上沿着每一列分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0,I(M,n))T,I(M,n)为图像第M行,n列的像素值;
c.从左到右沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,1))T,I(n,0)为图像第n行,1列的像素值;
d.从右到左沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,N))T,I(n,N)为图像第n行,N列的像素值,其中I表示图像的灰度值。
步骤二中的测量残差的公式为:μ(k+1)=z(k+1)-z(k+1|k),其中,k为时刻,测量向量的值z(k+1)等于某个滤波器的第k+1时刻与该滤波器对应的行或列的第k+1个元素的像素值;
步骤二中的残差权值ξ(k)是人为定义的一个量,是利用所得的残差和残差的方差经运算得到的。
所述的将结果与由人工选取的域值进行二值化操作,是指:当某一位置残差权值ξ(k)的和大于所设定的域值,将此位置的值设为1,当残差权值ξ(k)的和小于所设定的域值,将此位置的值设为0。
与现有技术相比,本发明具有以下有益效果:本方法只需人工根据经验和检测效果确定Kalman滤波器中的测量噪声的方差和获取模版时的域值两个参数,计算量与使用阈值的方法在同一数量级,具有较好的实时性和良好的检测效果。
具体实施方式
下面通过实施例进一步说明本发明是如何实现的。
实施例
人眼红外图像瞳孔位置检测方法:步骤一,采用常速模型对图像从上到下,从下到上,从左到右,从右到左,四个方向每行每列对应设置的一个卡尔曼滤波器设定初始像素值。
首先近距离拍摄人眼红外图像。设该人眼图像I大小为M*N像素(M为图像的宽度方向像素的个数,N为图像的高度方向像素个数),由于需要从四个方向进行滤波,即从上到下,从下到上,从左到右,从右到左,每行(列)对应一个滤波器,所以需要初始化2(M+N)个滤波器。
步骤一中的卡尔曼滤波器采用信号与噪声的状态空间模型,利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计,求出当前时刻的估计值。卡尔曼滤波器对于高斯噪声下对线性系统进行参数估计具有较好效果。给定状态方程和测量方程如下:
x(k+1)=F(k)x(k)+G(k)u(k)+v(k) (1)
z(k+1)=H(k+1)x(k+1)+w(k+1)
其中x,z为状态向量和测量向量;v,w为零均值高斯噪声,分别被称作状态噪声和测量噪声,Q,R分别其为方差;u是已知的输入向量,F,H为状态转移矩阵和测量矩阵;F,G,Q假设已知并且可能是时变的;这两个噪声序列和初始状态假设互不相关。
卡尔曼滤波方法可以描述如下:
x(k+1|k)=F(k)x(k|k)+G(k)u(k)
z(k+1)=H(k+1)x(k+1|k) (2)
μ(k+1)=z(k+1)-z(k+1|k)
P(k+1|k)=F(k)P(k|k)F(k)′+Q(k)
S(k+1)=R(k+1)+H(k+1)P(k+1|k)H(k+1)′
x(k+1|k+1)=x(k+1|k)+W(k+1)μ(k+1)
W(k+1)=P(k+1|k)H(k+1)′S(k+1)-1
P(k+1|k+1)=P(k+1|k)-W(k+1)S(k+1)W(k+1)′
其中A(k+1|k)表示在k时刻对k+1时刻A的值的估计;P,S为状态协方差矩阵和更新协方差矩阵;W,μ为滤波器增益和测量残差。
本实施例在滤波时采用常速模型(CV模型)的卡尔曼滤波器进行滤波。即使用CV模型来描述图像的变化情况。瞳孔区域的图像不满足CV模型,因而只要检测出这些不满足CV模型的区域就可以检测出瞳孔区域。在采用常速模型(CV模型)的卡尔曼滤波器中,步骤一中采用常速模型的卡尔曼滤波器的参数设定为:状态向量 是对图像中某行某列的某个像素的灰度值的估计,η没有具体的意义,测量向量的值z(k)等于某个滤波器在第k时刻与该滤波器对应的行或列的第k个元素的像素值,测量矩阵H=(0 1),系统控制矩阵G=0,状态转移矩阵 T为采样时间,这里T=1,这里测量噪声方差R=50,状态噪声方差 初始方差
把图像中的每行(列)看作是一个测量序列,即(1)式中的z,那么就可以使用上述CV模型的卡尔曼滤波器对图像的每一行(列)分别进行滤波。每一行(列)对应一个卡尔曼滤波器。由于将图像中的行(列)看作是测量序列,因此对应于某个滤波器的第k时刻的测量向量的值z(k)等于与该滤波器对应的行(列)的第k个元素的像素值。每个滤波器均采用上述相同的参数设置。步骤一中卡尔曼滤波器设定初始像素值为:
a.从上到下沿着每一列分别滤波时第n(n=1,2,3,…)个滤波器初始状态值确定如下:x(0|0)=(0 I(1,n))T,I(1,n)为图像第1行,n列的像素值;
b.从下到上沿着每一列分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0,I(M,n))T,I(M,n)为图像第M行,n列的像素值;
c.从左到右沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,1))T,I(n,0)为图像第n行,1列的像素值;
d.从右到左沿着每一行分别滤波时第n个滤波器初始状态值确定如下: x(0|0)=(0 I(n,N))T,I(n,N)为图像第n行,N列的像素值,其中I表示图像的灰度值。也可以将所有滤波器状态初始值设置为 为图像I的平均灰度值,但求取 会一定程度上降低检测速度。
步骤二,利用步骤一中的初始像素值使用卡尔曼滤波器对图像进行四个方向的滤波,在对每行每列进行滤波的同时利用来自于每个滤波器在每个位置的测量残差μ(k)计算并保存该位置的残差权值ξ(k);步骤二中的测量残差的公式为:μ(k+1)=z(k+1)-z(k+1|k),其中,k为时刻,测量向量的值z(k+1)等于某个滤波器的第k+1时刻与该滤波器对应的行或列的第k+1个元素的像素值;
这里的测量残差来自于卡尔曼滤波器,即(2)式中的μ。对于步骤一中的任意一个滤波器,在高斯条件下μ(k)□N(0,S(k)),N(0,S(k))为均值0,方差为S(k)的正态分布,并且残差权值
ξ(k)=μT(k)S-1(k)μ(k) (3)
沿自上而下的方向对对图片每一列进行滤波的同时利用来自于滤波器在的测量残差μ(k)计算该位置的残差权值ξ(k),将其保存矩阵∑up中。类似的沿自下而上的方向、自左而右、自由而左的方向对图片进行滤波时可以分别得到∑down,∑left,∑right。矩阵∑up,∑down,∑left,∑right用以在步骤三中确定瞳孔模版。
步骤三,将四个方向分别计算得到的相同位置的残差权值ξ(k)求和,将结果与由人工选取的域值进行二值化操作得到瞳孔模版。
所述的将结果与由人工选取的域值进行二值化操作,是指:当某一位置残差权值ξ(k)的和大于所设定的域值,将此位置的值设为1,当残差权值ξ(k)的和小于所设定的域值,将此位置的值设为0。
由于基于残差的χ2检测有一定的滞后性,仅采用从一个方向进行检测会造成检测到的瞳孔位置偏离真实位置,例如,仅采从上到下的检测会发生检测到的瞳孔比实际瞳孔的位置略微偏下,因此采用从四个方向分别滤波并计算残差权值ξ(k),然后将四个方向分别计算得到相同位置的残差权值ξ(k)分别相加,即,计算
∑=∑up+∑down+∑left+∑right (4)
∑如果残差权值ξ(k)的和超过了某个域值
Claims (7)
1.一种人眼红外图像瞳孔位置检测方法,包括如下步骤:
步骤一,采用常速模型对图像从上到下,从下到上,从左到右,从右到左,四个方向每行每列对应设置的一个卡尔曼滤波器设定初始像素值;
步骤二,利用步骤一中的初始像素值使用卡尔曼滤波器对图像进行四个方向的滤波,在对每行每列进行滤波的同时利用来自于每个滤波器在每个位置的测量残差计算,并保存该位置的残差权值ξ(k);
步骤三,将四个方向分别计算得到的相同位置的残差权值ξ(k)求和,将结果与由人工选取的域值进行二值化操作得到瞳孔模版。
2.根据权利要求1所述的人眼红外图像瞳孔位置检测方法,其特征是,步骤一中的卡尔曼滤波器是利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计,求出现时刻图像像素灰度变化快慢的估计值。
4.根据权利要求1或3所述的人眼红外图像瞳孔位置检测方法,其特征是,步骤一中卡尔曼滤波器设定初始像素值为:
a.从上到下沿着每一列分别滤波时第n(n=1,2,3,…)个滤波器初始状态值确定如下:x(0|0)=(0 I(1,n))T,I(1,n)为图像第1行,n列的像素值;
b.从下到上沿着每一列分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0,I(M,n))T,I(M,n)为图像第M行,n列的像素值;
c.从左到右沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,1))T,I(n,0)为图像第n行,1列的像素值;
d.从右到左沿着每一行分别滤波时第n个滤波器初始状态值确定如下:x(0|0)=(0 I(n,N))T,I(n,N)为图像第n行,N列的像素值,其中I表示图像的灰度值。
5.根据权利要求1所述的人眼红外图像瞳孔位置检测方法,其特征是,步骤二中的测量残差的公式为:
μ(k+1)=z(k+1)-z(k+1|k)
其中,k为时刻,测量向量的值z(k+1)等于某个滤波器的第k+1时刻与该滤波器对应的行或列的第k+1个元素的像素值。
6.根据权利要求1所述的人眼红外图像瞳孔位置检测方法,其特征是,步骤二中的残差权值ξ(k)是人为定义的一个量,是利用所得的残差和残差的方差经运算得到的。
7.根据权利要求1所述的人眼红外图像瞳孔位置检测方法,其特征是,步骤三所述的将结果与由人工选取的域值进行二值化操作,是指:当某一位置残差权值ξ(k)的和大于所设定的域值,将此位置的值设为1,当残差权值ξ(k)的和小于所设定的域值,将此位置的值设为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101024593A CN102657513A (zh) | 2012-04-10 | 2012-04-10 | 一种人眼红外图像瞳孔位置检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101024593A CN102657513A (zh) | 2012-04-10 | 2012-04-10 | 一种人眼红外图像瞳孔位置检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102657513A true CN102657513A (zh) | 2012-09-12 |
Family
ID=46767188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101024593A Pending CN102657513A (zh) | 2012-04-10 | 2012-04-10 | 一种人眼红外图像瞳孔位置检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102657513A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106073698A (zh) * | 2016-06-14 | 2016-11-09 | 江苏大学 | 一种基于安卓的眼底成像方法 |
CN109871909A (zh) * | 2019-04-16 | 2019-06-11 | 京东方科技集团股份有限公司 | 图像识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006006299A1 (ja) * | 2004-07-14 | 2006-01-19 | Matsushita Electric Industrial Co., Ltd. | 瞳孔検出装置および虹彩認証装置 |
WO2006013669A1 (ja) * | 2004-08-02 | 2006-02-09 | Matsushita Electric Industrial Co., Ltd. | 瞳孔検出装置および虹彩認証装置 |
CN101803928A (zh) * | 2010-03-05 | 2010-08-18 | 北京智安邦科技有限公司 | 基于视频的驾驶员疲劳检测装置 |
CN102368946A (zh) * | 2010-06-03 | 2012-03-07 | 松下电器产业株式会社 | 瞳孔遮蔽状态检测装置和具有它的车载照相机 |
-
2012
- 2012-04-10 CN CN2012101024593A patent/CN102657513A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006006299A1 (ja) * | 2004-07-14 | 2006-01-19 | Matsushita Electric Industrial Co., Ltd. | 瞳孔検出装置および虹彩認証装置 |
WO2006013669A1 (ja) * | 2004-08-02 | 2006-02-09 | Matsushita Electric Industrial Co., Ltd. | 瞳孔検出装置および虹彩認証装置 |
CN101803928A (zh) * | 2010-03-05 | 2010-08-18 | 北京智安邦科技有限公司 | 基于视频的驾驶员疲劳检测装置 |
CN102368946A (zh) * | 2010-06-03 | 2012-03-07 | 松下电器产业株式会社 | 瞳孔遮蔽状态检测装置和具有它的车载照相机 |
Non-Patent Citations (3)
Title |
---|
JOHAN H.L.OUD等: "Monitoring pupil development by means of the kalman filter and smoother based upon sem state space modeling", 《LEARNING AND INDIVIDUAL DIFFERENCES》 * |
MING ZHAI AND JIANMIN WU: "A fast and robust method for pupil center estimation using chi-square significance test of measurement residual", 《APSIPA ASC 2011》 * |
向洋等: "眼动跟踪系统中的检测算法", 《舰船电子工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106073698A (zh) * | 2016-06-14 | 2016-11-09 | 江苏大学 | 一种基于安卓的眼底成像方法 |
CN109871909A (zh) * | 2019-04-16 | 2019-06-11 | 京东方科技集团股份有限公司 | 图像识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105551064B (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
CN106097393B (zh) | 一种基于多尺度与自适应更新的目标跟踪方法 | |
US8706663B2 (en) | Detection of people in real world videos and images | |
EP2860696A1 (en) | Optical flow tracking method and apparatus | |
CN107292923B (zh) | 基于深度图挖掘的后向传播图像视觉显著性检测方法 | |
CN108230367A (zh) | 一种对灰度视频中既定目标的快速跟踪定位方法 | |
CN101443817A (zh) | 用于确定对应关系、优选用于场景的三维重建的方法和装置 | |
CN105809954B (zh) | 交通事件检测方法以及系统 | |
Deng et al. | Infrared small target detection based on the self-information map | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN103886606B (zh) | 基于联合广义伽玛分布参数的sar图像分割方法 | |
DE102015115789B4 (de) | An einem computer realisiertes verfahren und system zur verarbeitung eines bilds | |
Shand et al. | Automated detection of breaking wave height using an optical technique | |
CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
CN111199554A (zh) | 一种目标跟踪抗遮挡的方法及装置 | |
CN104574381A (zh) | 一种基于局部二值模式的全参考图像质量评价方法 | |
CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
Saini et al. | A comparative analysis on edge detection techniques used in image processing | |
CN104159104B (zh) | 基于多级梯度相似的全参考视频质量评估方法 | |
CN108961292B (zh) | 一种在脑部医学图像中检测msp的方法和装置 | |
EP3819815A1 (en) | Human body recognition method and device, as well as storage medium | |
CN102657513A (zh) | 一种人眼红外图像瞳孔位置检测方法 | |
Ye et al. | An improved algorithm for Harris corner detection | |
CN103093481B (zh) | 一种基于分水岭分割的静态背景下运动目标检测方法 | |
Chaivivatrakul et al. | Towards Automated Crop Yield Estimation-Detection and 3D Reconstruction of Pineapples in Video Sequences. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120912 |