CN108229265A - 基于机器视觉的多场景虹膜区域定位方法 - Google Patents
基于机器视觉的多场景虹膜区域定位方法 Download PDFInfo
- Publication number
- CN108229265A CN108229265A CN201611213817.2A CN201611213817A CN108229265A CN 108229265 A CN108229265 A CN 108229265A CN 201611213817 A CN201611213817 A CN 201611213817A CN 108229265 A CN108229265 A CN 108229265A
- Authority
- CN
- China
- Prior art keywords
- eye
- iris
- image
- eye areas
- positioning
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于机器视觉的多场景虹膜区域定位方法,所述方法包括:S1面部图像获取,S2人脸区域判定,S3眼睛区域定位,S4虹膜区域定位;本发明方案利用眼睛区域引导特征点定位算法实现眼睛区域特征点的定位,在眼睛位置确定的眼睛区域图像内,使用虹膜的生理结构特性定位虹膜中心位置,克服眼睛图像在不同光照条件下的成像差异。
Description
技术领域
本发明属于视觉定位领域,涉及一种基于机器视觉的多场景虹膜区域定位方法。
背景技术
疲劳驾驶是指由于驾驶环境的单调性或者长时间、超强度的行车,驾驶人因精力消耗过多而产生生理、心理机能衰退,造成反应水平、操控效率下降,进而导致驾驶技能降低,并影响正常驾驶的现象。驾驶人在疲劳时,对交通环境的感知能力、危险的判断能力和对车辆的操控能力均有不同程度的下降,极易引发交通事故。
疲劳驾驶的主流检测方法是在驾驶人参与的情况下,对驾驶人的精神状态进行评定,最常用的是基于面部视频的疲劳检测法,该方法由经过训练的评分专家根据驾驶人的面部表情对其疲劳状态进行评估;该方法的准确率依赖于对眼睛区域的定位。受实际驾驶过程中的随机光照、驾驶人肢体动作、夜晚工况下成像模糊暗淡、墨镜工况下眼睛图像不可见等因素的影响,实现全天候、高鲁棒的眼睛区域定位依旧存在众多技术瓶颈。
夜晚工况下,驾驶室内的光照不足,弱化了面部图像中各器官之间的边界,极易受到环境光照的影响而出现偏光侧光等面部图像,由此产生非结构边缘(非人脸生理特性边缘),严重影响到驾驶人的眼睛区域定位。
为了减弱紫外线对于眼睛的伤害,以及环境中的眩光对于视觉观察的影响,驾驶人在白天光照强烈的情况下,倾向于佩戴墨镜,由此造成驾驶人眼睛区域图像的遮挡,无法捕捉到驾驶人的眼睛区域定位。
发明内容
本发明目的在于克服现有技术的不足,尤其解决现有的面部视频的疲劳检测法中,受实际驾驶过程中的随机光照、驾驶人肢体动作、夜晚工况下成像模糊暗淡、墨镜工况下眼睛图像不可见影响,导致眼睛区域定位失败的问题。提供一种基于机器视觉的多场景虹膜区域定位方法,使用CCD摄像机获取驾驶人的面部图像后,利用红外照明和红外滤光分别对于不同光照情况下和墨镜情况下,定位驾驶人的眼睛区域位置;在眼睛位置确定的眼睛区域图像内,根据虹膜的生理结构特性定位虹膜中心位置,克服眼睛图像在不同光照条件下的成像差异。
为解决上述技术问题,本发明采用如下的技术方案:一种基于机器视觉的多场景虹膜区域定位方法,所述方法包括:S1面部图像获取,采用红外照明和红外滤光的方式获取人脸面部图像;S2人脸区域判定,使用点分布模型检测驾驶人的正面人脸;S3眼睛区域定位,利用眼睛区域引导特征点定位算法实现眼睛区域特征点的定位;S4虹膜区域定位,在眼睛位置确定的眼睛区域图像内,根据虹膜的生理结构特性定位虹膜中心位置,克服眼睛图像在不同光照条件下的成像差异。
本发明与现有技术相比具有以下的有益效果:
本发明方案利用眼睛区域引导特征点定位算法实现眼睛区域特征点的定位,在眼睛位置确定的眼睛区域图像内,使用虹膜的生理结构特性定位虹膜中心位置,克服眼睛图像在不同光照条件下的成像差异。
附图说明
图1是本发明实施例的基于机器视觉的多场景虹膜区域定位方法的流程图。
图2是本发明实施例的红外照明方式获取面部图像效果图。
图3是本发明实施例的红外滤光片获取面部图像效果图。
图4是本发明实施例的虹膜定位效果图。
具体实施方式
下面结合附图及具体实施例对本发明进行更加详细与完整的说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。
参照图1,本发明实施例的一种基于机器视觉的多场景虹膜区域定位方法,所述方法包括:
S1面部图像获取。采用CCD摄像机采集驾驶人的面部图像,摄像机安装在车辆仪表盘附近。针对车辆的不同,摄像机焦距分别为8mm(乘用车)与12mm(商用车),本实施例中采用焦距为8mm的摄像机采集人脸图像。
参照图2,为了克服夜晚工况下的弱光与侧光问题,同时避免对驾驶人的正常驾驶产生干扰,采用红外照明(850nm)的方式获取面部图像;
参照图3,为了实现墨镜工况下的眼睛图像可见问题,采用红外滤光的方式获取红外光波段的面部图像。本实施例选用850nm红外滤光片获取面部图像,该滤光片可以获取波长大于800nm的面部反射光。
S2人脸区域判定。过程描述如下:
人脸图像训练样本集(总数为N)中第i个训练样本可表示为向量:Xi=(ui1,vi1,...,ui68,vi68)T,其中(uij,vij)表示第i个样本第j个特征点的坐标。对大量人脸图像中的特征点进行手动标记,对齐后的样本集均值为:
样本集的协方差矩阵ΦASM为:
其中,X表示训练样本矩阵。
设λk为ΦASM的特征值,pk为λk对应的特征向量,则:ΦASMpk=λkpk
将特征值由大到小排列,选取前m个特征值对应的特征向量组成新的主轴系PASM:PASM=[p1,p2,...,pm],λ1>λ2>...>λm
则任一人脸形状XASM均可在新的主轴系下表示为:
其中,bASM=(b1,b2,...,bm)T表示为新主轴系下的系数向量。
S3眼睛区域定位。参见图4,左眼ASEF滤波器的计算过程。图像m为人脸检测的人脸图像,图像n为以左眼为中心的二维高斯函数图像,如下式所示:
其中,(ue,ve)为为左眼中心坐标,参数σ决定了高斯函数的尖锐程度,直接影响到滤波器的检测灵敏度与抗噪声性能。
F表示傅里叶变换,F-1表示傅里叶逆变换,h为需要求解的滤波器,M,H分别为m与h的傅里叶变换,表示相关运算,即
式中,N为n的傅里叶变换,*表示共轭。
S4虹膜区域定位。参见图4,人眼虹膜具有径向对称的生理特性,因此利用径向对称变换,在人眼梯度图像中进行虹膜中心点的定位。设图像中任一像素点p(u,v)的梯度为Gp={Gpu,Gpv},定义像素点p(u,v)的映射像素点为:
式中,n为映射半径,round表示四舍五入取整。计算当前映射半径n下的梯度方向映射图θn与梯度幅值映射图An。
融合梯度方向映射图θn与梯度幅值映射图An得:
其中,kn为尺度参数,α为径向参数。对Sn进行高斯滤波,在高斯滤波器尺度范围内各向同性地拓展映射像素点的影响范围Rn,
Rn=Sn*Fn (8)
其中,Fn为各向同性高斯滤波器,变换映射半径n,得径向对称变换输出结果Rs:
在Rs中定位最大值,其坐标即为眼睛图像中的虹膜中心位置。
Claims (1)
1.一种基于机器视觉的多场景虹膜区域定位方法,其特征在于,所述方法包括:S1面部图像获取,采用红外照明和红外滤光的方式获取人脸面部图像;S2人脸区域判定,使用点分布模型检测驾驶人的正面人脸;S3眼睛区域定位,利用眼睛区域引导特征点定位算法实现眼睛区域特征点的定位;S4虹膜区域定位,在眼睛位置确定的眼睛区域图像内,根据虹膜的生理结构特性定位虹膜中心位置,克服眼睛图像在不同光照条件下的成像差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611213817.2A CN108229265A (zh) | 2016-12-15 | 2016-12-15 | 基于机器视觉的多场景虹膜区域定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611213817.2A CN108229265A (zh) | 2016-12-15 | 2016-12-15 | 基于机器视觉的多场景虹膜区域定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229265A true CN108229265A (zh) | 2018-06-29 |
Family
ID=62657212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611213817.2A Pending CN108229265A (zh) | 2016-12-15 | 2016-12-15 | 基于机器视觉的多场景虹膜区域定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229265A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934143A (zh) * | 2019-03-04 | 2019-06-25 | 深圳三人行在线科技有限公司 | 一种虹膜图像中美瞳的检测的方法和设备 |
-
2016
- 2016-12-15 CN CN201611213817.2A patent/CN108229265A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934143A (zh) * | 2019-03-04 | 2019-06-25 | 深圳三人行在线科技有限公司 | 一种虹膜图像中美瞳的检测的方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200192B (zh) | 驾驶员注视检测系统 | |
JP6442942B2 (ja) | ドライバ状態判定装置 | |
CN108875642A (zh) | 一种多指标融合的驾驶员疲劳检测的方法 | |
CN103824420B (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
CN102122357B (zh) | 一种基于人眼睁闭状态的疲劳检测方法 | |
CN103714659B (zh) | 基于双光谱融合的疲劳驾驶识别系统 | |
CN108734086A (zh) | 基于眼部区域生成网络的眨眼频率和视线估计方法 | |
CN104408462B (zh) | 面部特征点快速定位方法 | |
CN111062292B (zh) | 一种疲劳驾驶检测装置与方法 | |
CN109389806A (zh) | 基于多信息融合的疲劳驾驶检测预警方法、系统及介质 | |
CN103268479A (zh) | 全天候疲劳驾驶检测方法 | |
CN110728241A (zh) | 一种基于深度学习多特征融合的驾驶员疲劳检测方法 | |
CN109145864A (zh) | 确定视线区域的方法、装置、存储介质和终端设备 | |
CN104013414A (zh) | 一种基于移动智能手机的驾驶员疲劳检测系统 | |
CN107578008A (zh) | 基于分块特征矩阵算法和svm的疲劳状态检测方法 | |
CN106214166A (zh) | 一种戴眼镜驾驶员疲劳检测方法 | |
CN107669283A (zh) | 基于多特征融合的眼镜式驾驶疲劳监测预警装置及方法 | |
WO2023272453A1 (zh) | 视线校准方法及装置、设备、计算机可读存储介质、系统、车辆 | |
CN109344802A (zh) | 一种基于改进的级联卷积神经网的人体疲劳检测方法 | |
CN108256378A (zh) | 基于眼球动作识别的驾驶员疲劳检测方法 | |
CN107563346A (zh) | 一种基于人眼图像处理实现驾驶员疲劳判别的方法 | |
CN101615241A (zh) | 一种证件照片的筛选方法 | |
Sun et al. | Driver fatigue detection system based on colored and infrared eye features fusion | |
CN104992160B (zh) | 一种重型卡车夜间前方车辆检测方法 | |
CN106557745A (zh) | 基于最大类间方差及伽马变换的人体眼球检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180629 |