CN114429670A - 瞳孔检测方法、装置、设备及存储介质 - Google Patents
瞳孔检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114429670A CN114429670A CN202011182059.9A CN202011182059A CN114429670A CN 114429670 A CN114429670 A CN 114429670A CN 202011182059 A CN202011182059 A CN 202011182059A CN 114429670 A CN114429670 A CN 114429670A
- Authority
- CN
- China
- Prior art keywords
- eye image
- edge point
- pupil
- point set
- determining
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Abstract
本发明实施例公开了一种瞳孔检测方法、装置、设备及存储介质。包括:对当前帧眼部图像进行截取,获得第一眼部图像;对所述第一眼部图像进行过滤,获得第二眼部图像;对所述第二眼部图像进行边缘检测,获得第一边缘点集;根据上一帧眼部图像的瞳孔检测结果对所述第一边缘点集进行筛选,获得目标边缘点集;对所述目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。本发明实施例提供的瞳孔检测方法,根据上一帧眼部图像的瞳孔检测结果对当前帧眼部图像识别的边缘点集进行筛选,以确定当前帧眼部图像的瞳孔中心,可以实现对人眼瞳孔的检测,提高瞳孔检测的准确性。
Description
技术领域
本发明实施例涉及眼球追踪技术领域,尤其涉及一种瞳孔检测方法、装置、设备及存储介质。
背景技术
随着计算机视觉技术的快速发展,以模式识别和目标跟踪理论为基础的瞳孔跟踪技术开始广泛应用在交通安全监控、人机交互、身份识别、医疗等多个领域。目前瞳孔跟踪算法主要有光流法、卡尔曼滤波、均值漂移等。
光流法(Lucas-kanade)是针对外观模型对视频序列中的像素进行操作,通过利用视频序列在相邻帧之间的像素关系,寻找像素的位移变化来判断目标的运动状态,实现对运动目标的跟踪。卡尔曼滤波(Kalman filtering)是一种利用参数化的手段来对目标的非线性运动进行最优估计的算法。均值漂移(Mean-shift)是以颜色直方图为目标表示模型,通过迭代求解加权图的质心来跟踪目标。
光流法、卡尔曼滤波、均值漂移等跟踪方法主要是利用眼睛在外观、形状上来进行跟踪的,然而在复杂背景下实际拍摄的图像中,瞳孔的形状并不规则、光线不均匀、视角变化大、眨眼、闭眼等诸多因素,导致现有的瞳孔跟踪方法跟踪目标不精确、跟踪目标容易丢失、适用性差、瞳孔跟踪速度慢等缺点。
发明内容
本发明实施例提供一种瞳孔检测方法、装置、设备及存储介质,以实现对人眼瞳孔的检测,提高瞳孔检测的准确性。
第一方面,本发明实施例提供了一种瞳孔检测方法,包括:
对当前帧眼部图像进行截取,获得第一眼部图像;
对所述第一眼部图像进行过滤,获得第二眼部图像;
对所述第二眼部图像进行边缘检测,获得第一边缘点集;
根据上一帧眼部图像的瞳孔检测结果对所述第一边缘点集进行筛选,获得目标边缘点集;
对所述目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。
第二方面,本发明实施例还提供了一种瞳孔检测装置,包括:
第一眼部图像获取模块,用于对当前帧眼部图像进行截取,获得第一眼部图像;
第二眼部图像获取模块,用于对所述第一眼部图像进行过滤,获得第二眼部图像;
第一边缘点集获取模块,用于对所述第二眼部图像进行边缘检测,获得第一边缘点集;
边缘点集筛选模块,用于根据上一帧眼部图像的瞳孔检测结果对所述第一边缘点集进行筛选,获得目标边缘点集;
瞳孔中心确定模块,用于对所述目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。
第三方面,本发明实施例还提供了一种计算机设备,所述设备包括:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例所述的瞳孔检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如本发明实施例中所述的瞳孔检测方法。
本发明实施例公开了一种瞳孔检测方法、装置、设备及存储介质。首先对当前帧眼部图像进行截取,获得第一眼部图像,然后对第一眼部图像进行过滤,获得第二眼部图像,再然后对第二眼部图像进行边缘检测,获得第一边缘点集,再然后根据上一帧眼部图像的瞳孔检测结果对第一边缘点集进行筛选,获得目标边缘点集,最后对目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。本发明实施例提供的瞳孔检测方法,根据上一帧眼部图像的瞳孔检测结果对当前帧眼部图像识别的边缘点集进行筛选,以确定当前帧眼部图像的瞳孔中心,可以实现对人眼瞳孔的检测,提高瞳孔检测的准确性。
附图说明
图1是本发明实施例一中的一种瞳孔检测方法的流程图;
图2是本发明实施例一中的采集的眼部图像的示例性;
图3是本发明实施例一中的对眼部图像截取后获得的第一眼部图像;
图4是本发明实施例一中的对第一眼部图像过滤后获得的第二眼部图;
图5是本发明实施例一中的对第二眼部图像进行边缘检测的结果图;
图6a是本发明实施例一中的区域生长后获得的瞳孔区域;
图6b是本发明实施例一中的由瞳孔区域确定的第二边缘点集;
图6c是本实施例一种的确定目标边缘点的示例图;
图7是本发明实施例二中的一种瞳孔检测装置的结构示意图;
图8是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
视线追踪也可以称为眼动追踪,是通过测量眼睛运动情况来估计眼睛的视线方向和/或注视点的技术。具体可以通过实时捕捉待检测用户的眼部图像,并通过待检测用户的眼睛图像分析眼部特征的相对位置,获得待检测用户的注视点信息;或者通过眼球与电容极板之间的电容值来检测眼球运动,获得待检测用户的注视点信息;又或者通过在鼻梁、额头、耳朵或耳垂处放置电极,通过检测的肌电流信号模式来检测眼球运动,获得待检测用户的注视点信息。当然也可以采用其他的实时获取待检测用户的注视点信息的方法,这都应属于本发明的保护范畴。
对眼球进行追踪可以采用光学记录法实现。光学记录法的原理是,利用红外相机记录被测试者的眼睛运动情况,即获取能够反映眼睛运动的眼部图像,从获取到的眼部图像中提取眼部特征用于建立视线的估计模型。其中,眼部特征可以包括:瞳孔位置、瞳孔形状、虹膜位置、虹膜形状、眼皮位置、眼角位置、光斑位置(或者普尔钦斑)等。光学记录法包括瞳孔-角膜反射法。瞳孔-角膜反射法的原理是,近红外光源照向眼睛,由红外相机对眼部进行拍摄,同时拍摄到光源在角膜上的反射点即光斑,由此获取到带有光斑的眼部图像。
当然,除了光学记录法外,眼球追踪装置还可以是MEMS微机电系统,例如包括MEMS红外扫描反射镜、红外光源、红外接收器;又或者是电容传感器,其通过眼球与电容极板之间的电容值来检测眼球运动;更可以是肌电流检测器,其通过在鼻梁、额头、耳朵或耳垂处放置电极,通过检测的肌电流信号模式来检测眼球运动。
目前视线追踪技术有多种方法可以获取用户的注视信息,在这个不再一一举例。
实施例一
图1为本发明实施例一提供的一种瞳孔检测方法的流程图,本实施例可适用于对人眼的瞳孔进行追踪的情况,该方法可以由瞳孔检测装置来执行,该装置可由硬件和/或软件组成,并一般可集成在具有瞳孔检测功能的设备中,该设备可以是服务器或服务器集群等电子设备。如图1所示,该方法具体包括如下步骤:
步骤110,对当前帧眼部图像进行截取,获得第一眼部图像。
其中,眼部图像可以基于虚拟现实技术(Virtual Reality,VR)设备或者增强现实(Augmented Reality,AR)设备又或者基于遥测式眼动仪设备采集的。示例性的,图2为本实施例中采集的眼部图像的示例性。
可选的,对当前帧眼部图像进行截取,获得第一眼部图像的方式可以是:由于连续两帧图像的时间间隔很短(一般在0.5-2毫秒之间,优选1.2毫秒),因此认为当前帧眼部图像与上一帧眼部图像的位移会非常小,因此可以根据上一帧眼部图像的瞳孔中心的位置信息和瞳孔半径对当前帧眼部图像进行截取,获得第一眼部图像。
具体的,可以是以上一帧眼部图像的瞳孔中心的位置信息上的像素点为中心,以设定倍数的瞳孔半径为半径的区域进行截取,获得第一眼部图像。其中,设定倍数可以是2-3之间的值。示例性的,图3为本实施例对眼部图像截取后获得的第一眼部图像。如图3所示,截取后的眼部图像为包含有瞳孔的区域图像。
步骤120,对第一眼部图像进行过滤,获得第二眼部图像。
具体的,从图3可以看出,第一眼部图像中包含有亮斑,因此需要将第一眼部图像的亮斑过滤掉。
本实施例中,对第一眼部图像进行过滤,获得第二眼部图像的方式可以是:采用低值滤波技术或图像腐蚀技术对第一眼部图像中的亮度区域进行过滤,获得第二眼部图像。
其中,低值滤波技术和图像腐蚀技术可以采用现有的技术来实现,此处不再赘述。示例性的,图4为本实施例中对第一眼部图像过滤后获得的第二眼部图。如图4所示,第二眼部图像中不再含有亮斑区域。
步骤130,对第二眼部图像进行边缘检测,获得第一边缘点集。
其中,对第二眼部图像进行边缘检测的方式可以是采用设定边缘检测算法对第二眼部图像进行边缘检测,检测到的边缘的点构成第一边缘点集。其中,设定边缘检测算法可以是Sobel算子、Laplacian算子或者Canny算子。示例性的,图5为对第二眼部图像进行边缘检测的结果图。如图5所示,获得了当前眼部图像的瞳孔的第一边缘点集。
步骤140,根据上一帧眼部图像的瞳孔检测结果对第一边缘点集进行筛选,获得目标边缘点集。
其中,瞳孔检测结果可以包括如下至少一项:瞳孔中心的位置信息、瞳孔半径、区域生长的步长值及瞳孔边缘点集。瞳孔半径可以理解为瞳孔长轴的半径。步长值可以是灰度值的步长。
可选的,根据上一帧眼部图像的瞳孔检测结果对第一边缘点集进行筛选,获得目标边缘点集的方式可以是:将落入以上一帧眼部图像的瞳孔中心的位置信息上的像素点为中心,以设定阈值为半径的圆形区域内的第一边缘点确定为目标边缘点。
其中,设定阈值可以是上一帧眼部图像的瞳孔半径。具体的,首先获取第一边缘点集中的每个边缘点的位置信息,然后在当前帧眼部图像中确定出以上一帧瞳孔中心的位置信息上的像素点为中心,以上一帧眼部图像的瞳孔半径为半径的圆形区域,最后根据各边缘点的位置信息筛选出落入该圆形区域的第一边缘点,确定为目标边缘点,从而组成目标边缘点集。
可选的,根据上一帧眼部图像的瞳孔检测结果对第一边缘点集进行筛选,获得目标边缘点集的方式还可以是:根据上一帧眼部图像的瞳孔检测结果确定第二眼部图像的第二边缘点集;基于第二边缘点集对第一边缘点集进行筛选,获得目标边缘点集。
具体的,根据上一帧眼部图像的瞳孔检测结果确定第二眼部图像的第二边缘点集的方式可以是:以上一帧眼部图像的瞳孔中心的位置信息对应的像素点为种子点,按照上一帧的步长值进行区域生长,获得第二眼部图像的瞳孔区域;将瞳孔区域的边缘点确定为第二边缘点集。
其中,区域生长的原理可以是,以种子点作为生长的起点,然后将种子点周围邻域的像素点与种子点进行比较,对具有相似性质的点合并之后继续向外生长,直到没有满足条件的像素被包括进来为止。示例性的,假设上一帧眼部图像的瞳孔中心的位置信息对应的像素点的灰度值为15,步长值为10,以该种子点为起点,获取种子点周围领域内灰度值在5-25之间的像素点,并与种子点合并后继续向外生长,直到没有满足条件的像素被包括进来为止,从而获得瞳孔区域。示例性的,图6a为区域生长后获得的瞳孔区域,图6b为由瞳孔区域确定的第二边缘点集。如图6a所示,白色区域为瞳孔区域。
具体的,根据上一帧眼部图像的瞳孔检测结果确定第二眼部图像的第二边缘点集的方式可以是:遍历上一帧眼部图像的瞳孔边缘点集,获取遍历到的瞳孔边缘点的第一特征信息;基于第一特征信息确定第二眼部图像的第二边缘点。
其中,第一特征信息包括:位置信息、梯度值及灰度值。本实施例中,基于第一特征信息确定第二眼部图像的第二边缘点的过程可以是,遍历到当前瞳孔边缘点时,将当前瞳孔边缘点的第一特征信息用第一位置信息、第一梯度值及第一灰度值来表示,获取第二眼部图像中以在第一位置信息上的像素点为中心的设定区域内的像素点的梯度值,将最大的梯度值确定为第二梯度值,获取梯度值最大的像素点的第二灰度值,若第二梯度值与第一梯度值的偏差小于第一设定值,且第二灰度值与第一灰度值的偏差小于第二设定值,则将梯度值最大的像素点确定为第二眼部图像的边缘点,否则,遍历下一个瞳孔边缘点。
其中,设定区域可以是5*5的像素点矩阵。
具体的,基于第二边缘点集对第一边缘点集进行筛选,获得目标边缘点集的过程可以是:遍历第一边缘点集,判断第二边缘点集中是否存在满足第一设定条件的点;若存在,则将遍历到的第一边缘点确定为目标边缘点;或者,将遍历到的第一边缘点与满足设定条件的第二边缘点间的中点确定为目标边缘点;否则,遍历下一个第一边缘点。示例性的,图6c为确定目标边缘点的示例图,如图6c所示,点A为遍历到的第一边缘点,点B为满足设定条件的第二边缘点,将点A与点B连线后取中点C,将该中点C确定为目标边缘点。
其中,第一设定条件为与遍历到的第一边缘点的距离小于第三设定值。
具体的,基于第二边缘点集对第一边缘点集进行筛选,获得目标边缘点集的具体过程可以是:遍历第一边缘点集,判断第二边缘点集中是否存在满足第一设定条件的点;若存在,则获取遍历到的第一边缘点和满足第一设定条件的第二边缘点的第二特征信息;若遍历到的第一边缘点和满足设定条件的第二边缘点的第二特征信息满足第二设定条件,则将遍历到的第一边缘点确定为目标边缘点;或者,将遍历到的第一边缘点与满足设定条件的第二边缘点的中点确定为目标边缘点;否则,遍历下一个第一边缘点。
其中,第二特征信息包括梯度值和灰度值。将遍历到的第一边缘点的第二特征信息用第三梯度值和第三灰度值表示,将满足第一设定条件的第二边缘点的第二特征信息用第四梯度值第四灰度值表示。第二设定条件可以是第四梯度值与第三梯度值的偏差小于第四设定值,且第四灰度值与第三灰度值的偏差小于第五设定值。
步骤150,对目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。
其中,对目标边缘点集进行椭圆拟合的方式可以是采用设定椭圆拟合算法对目标边缘点集进行拟合。拟合椭圆的中心可以是椭圆长轴和短轴的交点。
具体的,在获得当前帧眼部图像的瞳孔中心后,将瞳孔中心的坐标映射至原图中。
本实施例的技术方案,首先对当前帧眼部图像进行截取,获得第一眼部图像,然后对第一眼部图像进行过滤,获得第二眼部图像,再然后对第二眼部图像进行边缘检测,获得第一边缘点集,再然后根据上一帧眼部图像的瞳孔检测结果对第一边缘点集进行筛选,获得目标边缘点集,最后对目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。本发明实施例提供的瞳孔检测方法,根据上一帧眼部图像的瞳孔检测结果对当前帧眼部图像识别的边缘点集进行筛选,以确定当前帧眼部图像的瞳孔中心,可以实现对人眼瞳孔的检测,提高瞳孔检测的准确性。
实施例二
图7是本发明实施例二提供的一种瞳孔检测装置的结构示意图。如图7所示,该装置包括:第一眼部图像获取模块210,第二眼部图像获取模块220,第一边缘点集获取模块230,边缘点集筛选模块240和瞳孔中心确定模块250。
第一眼部图像获取模块210,用于对当前帧眼部图像进行截取,获得第一眼部图像;
第二眼部图像获取模块220,用于对第一眼部图像进行过滤,获得第二眼部图像;
第一边缘点集获取模块230,用于对第二眼部图像进行边缘检测,获得第一边缘点集;
边缘点集筛选模块240,用于根据上一帧眼部图像的瞳孔检测结果对第一边缘点集进行筛选,获得目标边缘点集;
瞳孔中心确定模块250,用于对目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。
可选的,瞳孔检测结果包括瞳孔中心的位置信息、瞳孔半径、区域生长的步长值及瞳孔边缘点集。
可选的,第一眼部图像获取模块210,还用于:
根据上一帧眼部图像的瞳孔中心的位置信息和瞳孔半径对当前帧眼部图像进行截取,获得第一眼部图像。
可选的,第二眼部图像获取模块220,还用于:
采用低值滤波技术或图像腐蚀技术对对第一眼部图像中的亮度区域进行过滤,获得第二眼部图像。
可选的,边缘点集筛选模块240,包括:
第二边缘点集获取单元,用于根据上一帧眼部图像的瞳孔检测结果确定第二眼部图像的第二边缘点集;
目标边缘点集获取单元,用于基于第二边缘点集对第一边缘点集进行筛选,获得目标边缘点集。
可选的,根第二边缘点集获取单元,还用于:
以上一帧眼部图像的瞳孔中心的位置信息对应的像素点为种子点,按照步长值进行区域生长,获得第二眼部图像的瞳孔区域;
将瞳孔区域的边缘点确定为第二边缘点集。
可选的,第二边缘点集获取单元,还用于:
遍历上一帧眼部图像的瞳孔边缘点集,获取遍历到的瞳孔边缘点的第一特征信息;第一特征信息包括:位置信息、梯度值及灰度值;
基于第一特征信息确定第二眼部图像的第二边缘点。
可选的,目标边缘点集获取单元,还用于:
遍历第一边缘点集,判断第二边缘点集中是否存在满足第一设定条件的点;其中,第一设定条件为与遍历到的第一边缘点的距离小于第三设定值;
若存在,则将遍历到的第一边缘点确定为目标边缘点;或者,将遍历到的第一边缘点与满足设定条件的第二边缘点的中点确定为目标边缘点;
否则,遍历下一个第一边缘点。
可选的,在判断第二边缘点集中是否存在满足设定条件的点之后,还包括:
若存在,则获取遍历到的第一边缘点和满足第一设定条件的第二边缘点的第二特征信息;第二特征信息包括梯度值和灰度值;
若遍历到的第一边缘点和满足设定条件的第二边缘点的第二特征信息满足第二设定条件,则将遍历到的第一边缘点确定为目标边缘点;或者,将遍历到的第一边缘点与满足设定条件的第二边缘点的中点确定为目标边缘点。
可选的,边缘点集筛选模块240,还用于:
将落入以上一帧眼部图像的瞳孔中心的位置信息上的像素点为中心,以设定阈值为半径的圆形区域内的第一边缘点确定为目标边缘点。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
实施例三
图8为本发明实施例三提供的一种计算机设备的结构示意图。图8示出了适于用来实现本发明实施方式的计算机设备312的框图。图8显示的计算机设备312仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的瞳孔检测功能的计算设备。
如图8所示,计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于:一个或者多个处理器316,存储装置328,连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统334可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336,可以存储在例如存储装置328中,这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信,还可与一个或者多个使得用户能与该计算机设备312交互的设备通信,和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且,计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备312使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的瞳孔检测方法。
实施例四
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理装置执行时实现如本发明实施例中的注视点的映射方法。本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对当前帧眼部图像进行截取,获得第一眼部图像;对所述第一眼部图像进行过滤,获得第二眼部图像;对所述第二眼部图像进行边缘检测,获得第一边缘点集;根据上一帧眼部图像的瞳孔检测结果对所述第一边缘点集进行筛选,获得目标边缘点集;对所述目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种瞳孔检测方法,其特征在于,包括:
对当前帧眼部图像进行截取,获得第一眼部图像;
对所述第一眼部图像进行过滤,获得第二眼部图像;
对所述第二眼部图像进行边缘检测,获得第一边缘点集;
根据上一帧眼部图像的瞳孔检测结果对所述第一边缘点集进行筛选,获得目标边缘点集;
对所述目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。
2.根据权利要求1所述的方法,其特征在于,所述瞳孔检测结果包括瞳孔中心的位置信息、瞳孔半径、区域生长的步长值及瞳孔边缘点集。
3.根据权利要求2所述的方法,其特征在于,对当前帧眼部图像进行截取,获得第一眼部图像,包括:
根据上一帧眼部图像的瞳孔中心的位置信息和瞳孔半径对所述当前帧眼部图像进行截取,获得第一眼部图像。
4.根据权利要求1所述的方法,其特征在于,对所述第一眼部图像进行过滤,获得第二眼部图像,包括:
采用低值滤波技术或图像腐蚀技术对对所述第一眼部图像中的亮度区域进行过滤,获得第二眼部图像。
5.根据权利要求2所述的方法,其特征在于,根据所述上一帧眼部图像的瞳孔检测结果对所述第一边缘点集进行筛选,获得目标边缘点集,包括:
根据上一帧眼部图像的瞳孔检测结果确定所述第二眼部图像的第二边缘点集;
基于所述第二边缘点集对所述第一边缘点集进行筛选,获得目标边缘点集。
6.根据权利要求5所述的方法,其特征在于,根据上一帧眼部图像的瞳孔检测结果确定所述第二眼部图像的第二边缘点集,包括:
以上一帧眼部图像的瞳孔中心的位置信息对应的像素点为种子点,按照所述步长值进行区域生长,获得所述第二眼部图像的瞳孔区域;
将所述瞳孔区域的边缘点确定为第二边缘点集。
7.根据权利要求5所述的方法,其特征在于,根据上一帧眼部图像的瞳孔检测结果确定所述第二眼部图像的第二边缘点集,包括:
遍历上一帧眼部图像的瞳孔边缘点集,获取遍历到的瞳孔边缘点的第一特征信息;所述第一特征信息包括:位置信息、梯度值及灰度值;
基于所述第一特征信息确定所述第二眼部图像的第二边缘点。
8.根据权利要求5所述的方法,其特征在于,基于所述第二边缘点集对所述第一边缘点集进行筛选,获得目标边缘点集,包括:
遍历所述第一边缘点集,判断所述第二边缘点集中是否存在满足第一设定条件的点;其中,第一设定条件为与遍历到的第一边缘点的距离小于第三设定值;
若存在,则将遍历到的第一边缘点确定为目标边缘点;或者,将遍历到的第一边缘点与满足设定条件的第二边缘点间的中点确定为目标边缘点;
否则,遍历下一个第一边缘点。
9.根据权利要求8所述的方法,其特征在于,在判断所述第二边缘点集中是否存在满足设定条件的点之后,还包括:
若存在,则获取遍历到的第一边缘点和满足第一设定条件的第二边缘点的第二特征信息;所述第二特征信息包括梯度值和灰度值;
若所述遍历到的第一边缘点和满足设定条件的第二边缘点的第二特征信息满足第二设定条件,则将遍历到的第一边缘点确定为目标边缘点;或者,将遍历到的第一边缘点与满足设定条件的第二边缘点间的中点确定为目标边缘点。
10.根据权利要求2所述的方法,其特征在于,根据所述上一帧眼部图像的瞳孔检测结果对所述第一边缘点进行筛选,获得目标边缘点集,包括:
将落入以所述上一帧眼部图像的瞳孔中心的位置信息上的像素点为中心,以设定阈值为半径的圆形区域内的第一边缘点确定为目标边缘点。
11.一种瞳孔检测装置,其特征在于,包括:
第一眼部图像获取模块,用于对当前帧眼部图像进行截取,获得第一眼部图像;
第二眼部图像获取模块,用于对所述第一眼部图像进行过滤,获得第二眼部图像;
第一边缘点集获取模块,用于对所述第二眼部图像进行边缘检测,获得第一边缘点集;
边缘点集筛选模块,用于根据上一帧眼部图像的瞳孔检测结果对所述第一边缘点集进行筛选,获得目标边缘点集;
瞳孔中心确定模块,用于对所述目标边缘点集进行椭圆拟合,将拟合椭圆的中心确定为当前帧眼部图像的瞳孔中心。
12.一种计算机设备,其特征在于,所述设备包括:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-10任一所述的瞳孔检测方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如权利要求1-10中任一所述的瞳孔检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182059.9A CN114429670A (zh) | 2020-10-29 | 2020-10-29 | 瞳孔检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182059.9A CN114429670A (zh) | 2020-10-29 | 2020-10-29 | 瞳孔检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429670A true CN114429670A (zh) | 2022-05-03 |
Family
ID=81309728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182059.9A Pending CN114429670A (zh) | 2020-10-29 | 2020-10-29 | 瞳孔检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429670A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965653A (zh) * | 2022-12-14 | 2023-04-14 | 北京字跳网络技术有限公司 | 一种光斑追踪方法、装置、电子设备及存储介质 |
CN117373103A (zh) * | 2023-10-18 | 2024-01-09 | 北京极溯光学科技有限公司 | 一种图像特征提取方法、装置、设备及存储介质 |
-
2020
- 2020-10-29 CN CN202011182059.9A patent/CN114429670A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965653A (zh) * | 2022-12-14 | 2023-04-14 | 北京字跳网络技术有限公司 | 一种光斑追踪方法、装置、电子设备及存储介质 |
CN115965653B (zh) * | 2022-12-14 | 2023-11-07 | 北京字跳网络技术有限公司 | 一种光斑追踪方法、装置、电子设备及存储介质 |
CN117373103A (zh) * | 2023-10-18 | 2024-01-09 | 北京极溯光学科技有限公司 | 一种图像特征提取方法、装置、设备及存储介质 |
CN117373103B (zh) * | 2023-10-18 | 2024-05-07 | 北京极溯光学科技有限公司 | 一种图像特征提取方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086726B (zh) | 一种基于ar智能眼镜的局部图像识别方法及系统 | |
US10496163B2 (en) | Eye and head tracking | |
US11227158B2 (en) | Detailed eye shape model for robust biometric applications | |
US10278576B2 (en) | Behind-eye monitoring using natural reflection of lenses | |
Hosp et al. | RemoteEye: An open-source high-speed remote eye tracker: Implementation insights of a pupil-and glint-detection algorithm for high-speed remote eye tracking | |
US20220301217A1 (en) | Eye tracking latency enhancements | |
KR100949743B1 (ko) | 고글 형태를 갖는 착용형 시선 추적 장치 및 방법 | |
KR20230150397A (ko) | 눈 포즈 측정을 사용한 눈꺼풀 형상 추정 | |
US10311583B2 (en) | Eye motion detection method, program, program storage medium, and eye motion detection device | |
CN112732071B (zh) | 一种免校准眼动追踪系统及应用 | |
CN114429670A (zh) | 瞳孔检测方法、装置、设备及存储介质 | |
EP3918571A1 (en) | Eye tracking device and a method thereof | |
CN113177515A (zh) | 一种基于图像的眼动追踪方法和系统 | |
CN109634431B (zh) | 无介质浮空投影视觉追踪互动系统 | |
CN109144250B (zh) | 一种位置调节的方法、装置、设备及存储介质 | |
US20200193131A1 (en) | Method and device for determining iris recognition image, terminal apparatus, and storage medium | |
JP2021534948A (ja) | 眼底画像定量分析の前置処理方法および記憶装置 | |
CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
CN113534945A (zh) | 眼球追踪校准系数的确定方法、装置、设备及存储介质 | |
CN115624315B (zh) | 眼动追踪方法、装置、电子设备、计算机存储介质及产品 | |
CN110598635B (zh) | 一种针对连续视频帧中的人脸检测与瞳孔定位方法及系统 | |
Sadri et al. | Particle filtering in the design of an accurate pupil tracking system | |
EP4113255A1 (en) | An eye tracking system | |
US11156831B2 (en) | Eye-tracking system and method for pupil detection, associated systems and computer programs | |
US20240119594A1 (en) | Determining Digital Markers Indicative of a Neurological Condition Using Eye Movement Parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |