CN104318212A - 一种基于边缘信息积分投影的人眼定位方法 - Google Patents

Abstract

本发明属于机器视觉与图像处理领域，具体为一种基于边缘信息积分投影的人眼定位方法，利用肤色特征确定出人脸区域，采用Kirsch算子建立边缘强度信息图像，对不同极角方向进行积分投影，确定出人眼角度方向，对人眼所在角度方向的边缘强度进行微分累加运算确定出人眼的极径，从而实现人眼的极坐标定位。本发明可应用于人眼识别领域中。

Description

一种基于边缘信息积分投影的人眼定位方法

技术领域

本发明属于机器视觉与图像处理领域，涉及一种人脸图像中的人眼定位方法，特别涉及一种在极坐标系下对边缘强度信息进行积分投影的人眼定位方法。

背景技术

人眼的检测与定位一直是机器视觉领域研究的热点问题，在视觉疲劳检测、视线跟踪、身份认证等系统中有着重要的应用价值。目前，常用的人眼检测方法大致可分为基于统计的检测方法、基于知识的检测方法以及基于投影函数的检测方法三大类。基于统计的方法是利用所获得的目标样本和非目标样本对分类器进行训练，实现人眼目标的检测。如神经网络方法、AdaBoost方法等，这类方法一般计算量较大，计算复杂度较高。基于知识的检测方法是根据特定环境中人眼的位置、几何特征以及亮度等知识信息实现人眼检测。这类方法一般需要较多的先验知识，通用性较差。基于投影函数的检测方法一般先根据肤色特征确定人脸区域，再将人脸图像的某种信息(如灰度)向水平和垂直方向进行投影，从而确定出人眼的位置，这类方法能够从不同的角度有效提高人眼定位精度，总体来说，具有机理简单、易于实现的优点，但在实际应用中也存在对人脸的姿态要求较为苛刻的缺点，当人脸发生一定角度的旋转而使双眼不在同一水平线上时，很容易造成人眼定位错误，另外，灰度信息在整幅图像中不均匀分布，也增加了人眼识别与定位的错误率。

针对这些问题，采用一种在极坐标系下对边缘强度信息进行积分投影的人眼定位方法，对边缘强度信息进行投影能够克服灰度信息不均匀分布造成人眼错误定位的缺点，在极坐标系下进行投影能够确保人眼定位结果具有旋转不变性，从而可有效提高人眼定位方法的适用范围，提高定位精度，降低错误定位率。

因此，设计一种能够克服因图像灰度信息不均匀分布造成人眼定位错误、对人脸的各种姿态变化具有良好适应性的人眼定位方法具有一定的应用价值。

发明内容

本发明所要解决的技术问题是，设计一种在极坐标系下对边缘强度信息进行积分投影的人眼定位方法，尤其适用于人脸旋转情况下的人眼定位的要求。

本发明所采用的技术方案是：一种基于边缘信息积分投影的人眼定位方法，根据肤色特征确定出人脸区域，采用Kirsch算子建立边缘强度信息图像，对不同极角方向进行积分投影，确定出人眼角度方向，对人眼所在角度方向的边缘强度进行微分累加运算确定出人眼的极径，从而实现人眼的极坐标定位，提高各种姿态人脸图像中人限定位的准确性，尤其对旋转人脸图像的人眼定位结果具有良好的适应性。

本发明的目的在于利用极坐标系下对边缘强度信息进行积分投影确定人脸图像中人眼的位置，以适应旋转人脸图像中人眼定位的要求，减小图像灰度分布不均匀对人眼定位产生的影响。

附图说明

图1是Kirsch算子模板图。

图2是原始人脸图。

图3是基于边缘强度的积分投影图。

图4是左眼方向的微分累加曲线图。

图5是右眼方向的微分累加曲线图。

图6是人眼定位结果图。

具体实施方式

下面结合实施例和附图对本发明作进一步详细说明。

在进行人眼定位之前，先要在给定图像中确定出人脸区域，然后再在人脸区域内进行人眼的定位。由于肤色是人脸的显著特征，根据肤色特征进行人脸区域的提取，结合人脸的几何特征进行人脸的检测可减少人脸姿态、表情等变化产生的影响，检测结果具有较好的稳定性。

RGB色彩空间是常用的色彩空间，但该空间中的色度与亮度信息不易分离，这使得光照等因素对肤色提取结果产生很大影响，不利于肤色的准确判断与提取。而YCrCb色彩空间中的亮度与色彩信息则是分离的，在该空间内进行肤色提取时，所得结果对光照的变化具有良好的鲁棒性。因此，将像素的颜色值从RGB空间转换到YCrCb空间后再进行肤色提取。采用式(1)的表达式实现两个空间的转换：

$\left[\begin{array}{c}Y\\ \mathrm{Cr}\\ \mathrm{Cb}\end{array}\right]=\left[\begin{array}{ccc}0.2990& 0.5780& 0.1140\\ 0.5000& -0.4187& -0.0813\\ -0.1687& -0.3313& 0.5000\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(1\right)$

肤色像素在YCrCb色彩空间的分布一般符合二维高斯分布。设肤色像素在YCrCb色彩空间的均值和所构成的向量M为：

$M={\left[\begin{array}{cc}\stackrel{\‾}{\mathrm{Cr}}& \stackrel{\‾}{\mathrm{Cb}}\end{array}\right]}^l---\left(2\right)$

像素点I(x，y)在YCrCb色彩空间的值Cr_l和Cb_l所构成的向量Z_l为：

$Z_l={\left[\begin{array}{cc}{\mathrm{Cr}}_l& C{b}_l\end{array}\right]}^l---\left(3\right)$

则可利用Cr，Cb二维色度平面上的高斯模型计算该像素与肤色的相似度P_l为：

其中，C为肤色相似度模型的协方差矩阵，其数值取为：

$C=\left[\begin{array}{cc}160.1301& 12.1430\\ 12.1430& 299.4574\end{array}\right]---\left(5\right)$

由此可计算出每个像素点属于肤色区域的相似度值，据此可建立衡量肤色相似度的灰度图像，其各点的灰度值按式(6)确定：

$G_l=255\frac{P_l}{P_{\max }}---\left(6\right)$

其中，G_l为像素点I(x，y)对应的肤色相似度图像的灰度值，P_max为最大相似度值。所得肤色相似度图像中，像素的灰度值越大，该像素点与肤色越相似。

采用最大类间方差法确定肤色分割阈值，将灰度图像转换为二值图像，用白色表示肤色区域，黑色表示非肤色区域。对二值化后的图像进行腐蚀、填充操作，即可确定出人脸区域。

为了有效检测非端正人脸图像中人眼位置，将积分投影改在极坐标系下完成。由于人脸区域内大部分像素为肤色像素，其色度相差不大，而非人脸区域的眉毛、眼睛等部位的色度与人脸区域的色度相差较大。因此，对衡量肤色相似度的灰度图像进行边缘强度检测，建立边缘强度图像，对边缘强度图像实现积分投影，从而实现人眼的检测与定位，避免了人脸区域内肤色分割阈值对人眼定位结果的影响，同时减少了图像色度分布不均对人眼定位产生的干扰。

采用Kirsch算子建立边缘强度图像，Kirsch算子由8个代表特定监测方向的3×3模板组成，如图1所示。

设像素点I(x，y)采用Kirsch算子计算得到的8个方向的边缘强度值分别为q_k(k＝0，1，...，7)，则该像素点边缘强度的灰度值最终确定为D_l：

$D_l=255\frac{\max \left\{q_k\right\}}{q_{\max }},k=\mathrm{0,1},...,7---\left(7\right)$

其中q_max是人脸区域边缘强度的最大值。由此可建立基于边缘强度的灰度图像。以人脸区域的中心为极点，以从极点水平向左的射线为极轴，以顺时针方向为正方向，在边缘强度的灰度图像中建立起极坐标系。将边缘强度的灰度图像在[0°，359°]的极角范围内进行灰度积分投影，得到积分投影分布结果，即：

其中，D_l(ρ，θ)为极径为ρ，极角为θ处像素点的边缘强度灰度值，由于极点选在人脸区域的中心，因此积分下限为0。ρ_θ为积分的上限，是在人脸范围内极角θ方向上的最大极径。由于从极点向人眼方向的积分投影经过皮肤、眼白、瞳孔、眼白、皮肤的变化过程，眼睛附近的色度变化较大，因此，该方向的边缘强度的积分值也很大，考虑到极点水平向左的射线为极轴，顺时针方向为正方向，结合人脸的特征，从0°开始的前两个主要的极大值点对应的就是左眼和右眼的极角角度θ₁和θ₂，第三个极值点对应的是人嘴的位置。

确定出双眼角度θ₁和θ₂后，需要进一步确定双眼位置的极径ρ₁、ρ₂，从而可有效定位出人眼位置。

由于人脸图像中眼睛位置的色度变化一般比其他位置大。根据人眼这个特征，在边缘强度图像上，对所确定的人眼极角角度θ₁和θ₂方向进行微分累加运算，其最大值对应的位置确定为人眼极径位置。

对于数字图像，可采用差分来代替微分运算：

ΔD_l(ρ，θ)＝D_l(ρ，θ)-D_l(ρ-1，θ)    (9)

左眼方向上点(ρ，θ₁)的微分累加值计算为：

$D_1(\mathrm{\ρ},{\mathrm{\θ}}_1)=\underset{h=\mathrm{\ρ}-5}{\overset{\mathrm{\ρ}+5}{\mathrm{\Σ}}}\left|\mathrm{\Δ}{D}_l(h,{\mathrm{\θ}}_1)\right|---\left(10\right)$

右眼方向上点(ρ，θ₂)的微分累加值计算为：

$D_2(\mathrm{\ρ},{\mathrm{\θ}}_2)=\underset{h=\mathrm{\ρ}-5}{\overset{\mathrm{\ρ}+5}{\mathrm{\Σ}}}\left|\mathrm{\Δ}{D}_l(h,{\mathrm{\θ}}_2)\right|---\left(11\right)$

D₁(ρ，θ₁)和D₂(ρ，θ₂)取最大值时所对应的极径ρ₁和ρ₂分别为左右眼所对应的极径，由此可确定出左右眼的极坐标位置(ρ₁，θ₁)和(ρ₂，θ₂)。

图2为原始人脸图像，该图像人脸位置并不十分端正，双眼高度不一致。图3为基于边缘强度的积分投影图，由图3可见，前两个明显的极大值对应的即为左右眼的方向。在人眼角度上对边缘强度进行微分累加运算，左眼方向的微分累加曲线图如图4所示，图4中极大值所对应的极径即为左眼极径。右眼方向的微分累加曲线图如图5所示，图5中极大值所对应的极径即为右眼极径。图6是人眼定位结果图，图6中标出了人眼定位结果，最终确定出的人眼极坐标为：左眼(50，48°)，右眼(42，128°)。

本发明的优点在于，对人脸区域的图像建立边缘强度的灰度图像，可较清晰地突出人眼的位置，采用基于极坐标的积分投影方法提高了人限定位的适用范围，对于不端正的人脸也能够准确地确定出人眼的位置，对于不同姿态的人脸图像能够得到良好的人眼定位结果。

Claims (4)

1.一种基于边缘信息积分投影的人眼定位方法，其特征在于，根据肤色特征确定出人脸区域，采用Kirsch算子建立边缘强度信息图像，对不同极角方向进行积分投影，确定出人眼角度方向，对人眼所在角度方向的边缘强度进行微分累加运算确定出人眼的极径，从而实现人眼的极坐标定位。

2.根据权利要求1所述的一种基于边缘信息积分投影的人眼定位方法，其特征在于，肤色像素在YCrCb色彩空间的均值和所构成的向量M为：

$M={\left[\begin{array}{cc}\stackrel{\‾}{\mathrm{Cr}}& \stackrel{\‾}{\mathrm{Cb}}\end{array}\right]}^I---\left(1\right)$

像素点I(x，y)在YCrCb色彩空间的值Cr_I和Cb_I所构成的向量Z_I为：

Z_I＝[Cr_I Cb_I]^T          (2)

利用Cr，Cb二维色度平面上的高斯模型计算该像素与肤色的相似度P_I为：

其中，C为肤色相似度模型的协方差矩阵，其数值取为：

$C=\left[\begin{array}{cc}160.1301& 12.1430\\ 12.1430& 299.4574\end{array}\right]---\left(4\right)$

由此可计算出每个像素点属于肤色区域的相似度值，据此可建立衡量肤色相似度的灰度图像，其各点的灰度值按式(5)确定：

$G_I=255\frac{P_I}{P_{\max }}---\left(5\right)$

其中，G_I为像素点I(x，y)对应的肤色相似度图像的灰度值，P_max为最大相似度值。

3.根据权利要求1所述的一种基于边缘信息积分投影的人眼定位方法，其特征在于，以人脸区域的中心为极点，以从极点水平向左的射线为极轴，以顺时针方向为正方向，在边缘强度的灰度图像中建立起极坐标系；将边缘强度的灰度图像在[0°，359°]的极角范围内进行灰度积分投影，得到积分投影分布结果，即：

其中，D_I(ρ，θ)为极径为ρ，极角为θ处像素点的边缘强度灰度值，由于极点选在人脸区域的中心，因此积分下限为0，ρ_θ为积分的上限，是在人脸范围内极角θ方向上的最大极径；从0°开始的前两个主要的极大值点对应的就是左眼和右眼的极角角度θ₁和θ₂，第三个极值点对应的是人嘴的位置。

4.根据权利要求1所述的一种基于边缘信息积分投影的人眼定位方法，其特征在于，在边缘强度图像上，对所确定的人眼极角角度θ₁和θ₂方向进行微分累加运算，其最大值对应的位置确定为人眼极径位置；对于数字图像，采用差分来代替微分运算：

ΔD_I(ρ，θ)＝D_I(ρ，θ)-D_I(ρ-1，θ)            (7)

左眼方向上点(ρ，θ₁)的微分累加值计算为：

$D_1(\mathrm{\ρ},{\mathrm{\θ}}_1)=\underset{h=\mathrm{\ρ}-5}{\overset{\mathrm{\ρ}+5}{\mathrm{\Σ}}}\left|\mathrm{\Δ}{D}_I(h,{\mathrm{\θ}}_1)\right|---\left(8\right)$

右眼方向上点(ρ，θ₂)的微分累加值计算为：

$D_2(\mathrm{\ρ},{\mathrm{\θ}}_2)=\underset{h=\mathrm{\ρ}-5}{\overset{\mathrm{\ρ}+5}{\mathrm{\Σ}}}\left|\mathrm{\Δ}{D}_I(h,{\mathrm{\θ}}_2)\right|---\left(9\right)$

D₁(ρ，θ₁)和D₂(ρ，θ₂)取最大值时所对应的极径ρ₁和ρ₂分别为左右眼所对应的极径，由此可确定出左右眼的极坐标位置(ρ₁，θ₁)和(ρ₂，θ₂)。