人眼定位
计算机人脸检测中的人眼定位算法研究
计算机人脸检测中的人眼定位算法研究【摘要】分析了几种常用的人眼定位算法，并提出了一种基于肤色信息、人脸面部几何特征和人眼灰度信息的算法。
该算法定位效率高，并对背景、尺寸等细节具有很好的适应性，在人脸实时检测系统中具有很好的应用价值。
【关键词】人眼定位；肤色提取；几何特征1 人眼定位的重要意义双眼是人脸的突出特征，它们在人脸中占据比较固定的位置，双眼间的距离刻画了人脸的大小，是人脸识别中尺度归一化的依据。
因此双眼的精确定位成为人脸检测与识别前处理阶段非常关键的一步，绝大部分的人脸识别算法都强烈地依赖于双眼的准确定位。
只要人眼被精确定位，则脸部其他特征，如眉、鼻、嘴等，可由潜在的分布关系比较准确地定位。
2 人眼定位的主要方法2.1霍夫变换法假设经预处理已经得到包含眼球的图像ep，为了节省检测眼球的时间并避免镜片反光点边缘产生的干扰，先用小灰度聚类法粗定眼球中心点，以此缩小检测范围，聚类的过程是将图像ep中灰度值最小的n个像素，按列递增的顺序排序，若相邻的列数差值都未超过预先设定的门限t1，说明只有一个聚类中心，求出这些像素行列的平均值就是要找的眼球中心点；若超过了门限t1，说明这n个像素可以聚成两类，对左眼，因为阴影、镜脚集中在左边，所以取右边那类的平均值；对右眼，则取左边那类的平均值；n的选择可根据图像ep的总像素数目及眼球占图像的大致百分比决定。
在用霍夫变换检测眼球前，先用canny算法提取边缘。
对于比较细长的眼睛，由于眼球的上半部分较多地被眼皮覆盖，所以改用检测下半圆，这样更可靠且省时。
2.2 变形模板法模板匹配法主要是模板的选择，根据所选模板的维数可分为二维可变形模板和三维可变形模板。
2.3边缘特征分析法此算法所处理的图像为单人灰度图像，是利用图像的垂直灰度投影曲线，根据凸峰宽度确定人脸的左右边界，然后利用人脸区域的水平灰度投影曲线确定头顶及鼻子中部形成的上下边界。
利用预测法先确定人眼在眉眼区域的大概位置，通过检测眉眼部位的边缘及边缘分组，确定双眼的坐标位置。
基于图像特征的人眼定位
内容摘要人脸识别是人类视觉最杰出的能力之一，它的研究涉及模式识别、图像处理、生理，心理学、认知科学，和基于其它生物特征的身份鉴别方法以及计算机人机感知学交互领域都有密切联系其中人眼的识别是计算机人脸识别和智能监控中的重要部分。
本文所研究的人眼识别对象都是针对单人正面或半侧面图像。
该文提出了一种基于最大类间方差阈值分割和灰度积分投影技术的眼睛定位方法。
首先通过图像预处理技术中的中值滤波方法去除图像噪声,并通过非线性变换消除人脸图像因为曝光条件不同而造成的模糊,得到灰度分配较为均匀的图像,然后利用最大类间方差阈值法对图像进行二值化处理,将特征点从人脸图像分割出来,并分别利用水平和垂直灰度积分投影曲线结合人脸的结构特征找到眼睛的位置坐标,实现了准确的眼睛定位,从而为进一步提取其它特征点打好了基础。
关键词: 特征提取；眼睛定位；积分投影；阈值分割AbstractComputer face recognition is a very active area of research in recent years. Its applications range is very wide, such as identity authentication in safety system, video surveillance, target identification and tracking, as well as facial expression analysis, age analysis, lip reading and so on. compared with mouth and nose, Eyes are the most significant features of the face. which can provide more reliable, more important message, so eye detection is often necessary to dispose in face recognition.An algorithm for eyes location is presented in this paper based on maximum variance between two classes and gray- level integration projection. First, median filter is used to eliminate the noise, then the image blur caused by deficient exposal is cleared up using non - linear transform. Maximum variance between two classes is provided to get the binary image, and then the features are extracted from the image. Finally, by the way of gray-levelinte gration projection and human face configuration, we can easily find that the location of eyes is determined by the coordinate of the minimum in the diagram. Further feature detection can be done based on this result.KEYWORDS: Feature extraction; Eye location; Integration projection; Threshold segment目录目录 (3)第一章绪论 (4)1.1 课题的背景和意义 (4)1.2 论文的主要内容 (7)第二章图像预处理基本知识 (9)2.1 图像灰度变换 (9)2.1.1 图像的灰度化 (10)2.1.2 图像灰度求反 (11)2.1.3 图像灰度拉伸 (12)2.2 图像平滑去噪 (13)2.2.1 概述 (13)2.2.2 图像噪声分类 (13)2.2.3 图像系统噪声的特点 (14)2.2.4 均值滤波 (14)2.2.5 中值滤波 (16)2.3 直方图均衡化 (17)2.4 图像二值化 (19)第三章人眼定位算法 (22)3.1 算法流程 (22)3.2 人脸识别的常用方法 (24)3.3 投影法原理 (24)3.4 人眼左右边界的判定 (25)3.5 眉眼区域的判定 (26)3.6 眉眼区域的处理 (27)3.7眼睛的精确定位 (28)第四章检测结果与分析 (29)第五章总结与展望 (30)5.1 总结 (30)5.2 算法的改进与前景 (31)参考文献 (32)致谢 (33)第一章绪论本章主要介绍了本文的研究背景和研究的意义，以及对本文的研究内容和各个章节的安排进行了介绍。
人类双眼定位原理分析
即 Ｊ ． Ｊ
计算出目标相对于人 （ 即世界坐标系 ） 的空间坐标 ，因此 实现 了人类双眼的目标定位 。
＾
巍 ’
，
，
，
魁
一
，
■
二 ‘ 一一 — ●
一
一 ， 一 — ， ｌ Ｏ
／ ０一
／ ቤተ መጻሕፍቲ ባይዱ
／
。 ￡
＼ 夕’
—
～
图 ２ 世 界坐 标 系与局 部 坐标 系
／ ／ ｌ
／ 一 ， ， ＼
／ 一 ／ ／ ／ … 一 辩 焉 ／
ＣＨ Ｉ Ｎ ＡＳ ＣＩ ＥＮＣ
，
Ｅ ９ Ｅ ｃ Ｎ Ｏ Ｌ ～ Ｏ Ｇ Ｙ ９ 。 ＿ 『 Ｉ Ｏ Ｎ Ｊ ａ ｎ ． ２ … ０ １ 。 阜 蟹 壤隼 璺２ Ｏ １ ５ 譬葶 舅
基础及前沿
Ｉ
ｌ
ｚ Ｊ
曲 Ｊ ｌ
～
～
ｌ
妇▲
，
由此 得
７ Ｌ ， Ｓ Ｌ ， Ｃ Ｌ ） ・ ●
目标定位分析 为了便于进行成像分析 ，将人眼的凸透镜成像简化为 小孔成像 。现 已知 眼球 的前后径长度 ｄ（ 即 ＝ ｉ ＝ ｄ） 和两眼之 间的距离 Ｌ（ 即 ＝ Ｌ），根据光线直线 传播特性和小孔成像原理 ，空间中的目标 Ｍ 在视网膜上 成缩小倒立的实像 ，则可 以得到 目标点 Ｍ在左 、右眼中
／ ｒ 、ｒ
界坐标系２ ＿ ｌ ￣ｆ ｆ Ｊ 变换 关系式 （ ３）、 （ ４） 得到 目标点 Ｍ 在世界坐标系下的齐次坐标为
ｆ ］
（ ］ ｆ 【 １ ｆ Ｊ Ｔ ， ， ， ， ｃ ， ・ ＾ ｄ ＼ ７ ， ／
复杂背景下的多姿态人眼定位
摘
磊
（ 重庆 大 学 通 信 工程 学院 ，重庆 ４ ０ ４ ） ００４ 要 ：针对彩 色图像 中人脸 在复 杂背景及 多姿 态下眼 睛定位 困难 的情况 ， 出了一 种基 于肤 色分割 与 Ｇ ｂｒ 提 ａｏ 滤
波的人 眼定位 方法。首 先采 用粒子群 算法优化 改进的 最大类 间方差 （ ｔ ） 图像进行肤 色分割 ， Ｏｓ 对 ｕ 找到人 脸 的候选 区域 ； 然后 构造 Ｇ ｂｒ滤波器对候 选区域进行 滤波 ； ａｏ 最后 经过灰度投 影得 到眼 睛的精 确位 置。仿真 结果表 明 ， 该分
Ｚ ｉｇｌ ｎ Ｅ ＧＪａ－ ｎ Ｙ Ｎ ｉ ｉ ｇ Ｚ Ａ Ｇ Ｌ ｉ ＨＵＢｎ —ａ ，Ｆ Ｎ ｉ ｊ ， Ａ Ｇ Ｊ ｘａ ， Ｈ Ｎ ｅ ｉ ｎｕ — ｎ
（ ｏｅｅｏ ｏ ｍｕ ｉ ｔ ｎＥ ｇｎｅｉ Ｃ ｌｇ Ｃ ｍ ｎｃ ｉ ｎ ｉｅｒ ｇ，Ｃ ｏｇ ｉ ｎ ｅ ｉ ，Ｃ ｏｇ ｉｇ４ ０ ４ ｌ ｆ ａｏ ｎ ｈｎ ｑｎ Ｕ ｉ ｒｔ ｈｎｑｎ ０ ０４，Ｃ ｉａ ｇ ｖ ｓｙ ｈｎ ）
０ 引 言
眼睛作为人脸的重要特征 ， 在人脸 检测 和人脸识别 中发挥 着 重要 的作用。准确的人 眼定 位是人 脸识别具 有 高识别率 的 重要保 障。 目前 常见的人眼定 位方法很多 ， 但大都是假设 已经
行肤色分割 ， 速搜 索到 最佳 阈值 ， 高了效率 。实验 结果表 快 提 明， 本文所 提出的肤 色分割方 法效果 良好 ， 为人眼定位 打下 了 良好的基础 ， 使得最 终定 位精 确度高 ， 尤其是 在复杂 背景和多
第２ ９卷 第 ５期
２１ ０ ２年 ５ 月
计 算 机 应 用 研 究
基于Eye Map和SIFT特征的人眼定位
基于Eye Map和SIFT特征的人眼定位谢春芝【摘要】人脸对齐是人脸识别的前提,精确的人眼定位是人脸对齐的主要手段,为此提出了一种基于eye map和SIFT特征的人眼定位方法.首先根据人眼眼球部分的像素灰度比周围像素灰度更黑的特点,在人脸图像中选出满足该特征的像素点,接着通过排序滤波器得到这些像素点的连续区域及它们的几何中心,然后根据人眼特征点的几何限制粗选出候选的眼球像素点,最后在候选点的特定区域内提取SIFT特征,并采用支持向量机回归的方法得到响应值最大的像素点,该点即为人眼的精确定位点.实验结果分析表明该方法既具有较高的定位精度又具有较快的计算速度.%Eye alignment is the precondition for face registration, and the accurate eye localization is the main method for eye a-lignment. In this paper, a novel eye localization method based on eye map and SIFT feature is presented. First, based on the fact that eyeball is dark and round; those pixels darker than their surroundings are those from a face image. Then, connected regions in the eye map and their geometric centers are obtained by a rank order filter. Once more, candidate suitable eyeball pairs are selected based on a set of geometric constraints. And finally, SIFT features are extracted from the area of candidate eyeball pairs, with which the corresponding values are obtained by the support vector machine regressor. The pixel corresponding to the maximal value is just the accurate eye localization expected. Experiments show that the method not only has higher location accuracy but also has faster computation speed.【期刊名称】《西华大学学报（自然科学版）》【年(卷),期】2012(031)003【总页数】4页(P7-10)【关键词】eye map;SIFT特征;支持向量机;人眼定位;排序滤波器;人脸识别【作者】谢春芝【作者单位】西华大学数学与计算机学院,四川成都 610039【正文语种】中文【中图分类】TP391.41人脸识别具有非接触、事后验证能力强等特点，而成为最具发展潜力的生物特征识别技术之一。
变化光照条件下人眼定位方法
变化光照条件下人眼定位方法宋浩东;林小竹【摘要】Face recognition is an advanced biology recognition technology. As an important feature on human face, eye positions are determined to generate normalized face so as to improve face recognition accuracy effectively. This paper implements an eye location to solve the eye location problem under varying illumination. Firstly,we utilize retinex theory to extract illumination invariant. Secondly, an edge histogram descriptor ( EHD) is used to obtain eye candidate detection on illumination on normalized image. At last, we employ the support vector machine ( SVM ) and eye probability map ( EPM ) to accurately locate eyes. In order to improve computation speed of the method, a multi-level selection strategy which consists of a binocular selection method based on haar-like feature and the EHD is proposed. This approach is able to reduce a plenty of non-eye areas to increase the speed of the SVM. Experiment demonstrates that the proposed method can achieve high detection accuracy and low consumption time at the same time.%人脸识别是一种前沿的生物识别技术，作为脸部的重要特征，通过对人眼的定位，可以获取标准人脸，有效地提高人脸识别率。
基于Gabor滤波的人眼定位算法_熊飞
,
但是使用单一 G abor滤波器存在一定的局限性 , 对 于一些人脸图像滤波得到的 GaborEye 模型并非很 明显。本文首先通过人眼图像水平方向的梯度复 杂度确定人眼区域的纵坐标, 再通过 Gabor 滤波器 得到的频率响应幅值投影 , 确定人眼区域的横坐标 范围。最终分割得到人眼区域。 2 . 1 纵坐标定位 由于人眼的人眼、 眼白、 眼角等部位象素灰度 反差强烈, 人眼区域图像具有水平方向灰度变化频 繁和剧烈的特点 , 而且与眉毛和鼻子区域相比人眼
图 1 人脸人眼定位及校正算法流程
的灰度变化更频繁, 因此将图像竖直方向的边缘做 水平投影可以确定人眼的纵坐标。为了去除原始 灰度图像中头发边缘等与人脸部器官图像无关的 灰度信息, 本文使用数 字形态学闭操 作 V= I B - I 其中 I 为原始灰度图像 , 大小为 H
[ 1]
针对 GaborEye 模型的缺陷和它所体现的 Ga bor小波抗干扰和非均匀光照的优势 , 本文采用了 Gabor 滤波方法定位人眼, 但是为了更加确切的分 割人眼区域 , 本文通过综合人眼区域竖直梯度复杂 程度和 Gabor 滤波结果投影确定人眼区域范围 , 并 提出投影增强算法增强投影的双峰特性, 算法流程 如图 1 所示。该算法能够精准的定位人眼 , 具有较
表 1 双眼定位概率 滤波器及融合法则 m= 2 m= 3 m= 4 左眼定位概率 79. 2% 95. 8% 88. 4% 右眼定位概率 78. 9 % 95. 1 % 87. 7 %
坐标定位算法定位人眼准确率做比较, 见表 2 。 从实验数据分析得到投影增强定位方法对定 位概率有很大的提高。经过本文算法得到的人眼 定位结果如图 4 所示。
( 2) ( 3)
2 . 2 基于 Gabor滤波的横坐标定位 使用二维 G abor 滤波器则能够计算任何方向 和频率的能量, 由于眼眉区域有明显强烈的竖直方 向的灰度变化, 因此使用水平方向的二维 Gabo r滤 波器得到眼眉部分图像特有频率的能量, 即频率响 应幅值。由于该频率为眼眉区域特有的特征, 所以 该区域的频率响应幅值较大, 可以与脸部其它区域 相区别。二维 Gabor滤波器的函数形式 G U, V ( z ) = ∃ kU, V ∃
人眼检测及瞳孔定位
ａ ｎ ｄ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ， ２ ０ １ ３ ， ４ ９ （ ３ ） ： １ ８ ６ — １ ８ ９ ．
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａ ｎ ｅ ｗ ａ ｐ ｐ ｒ ｏ ａ ｃ ｈ ｉ ｓ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ｔ ｏ ｌ ｏ ｃ ａ ｔ ｅ ｔ ｈ ｅ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｏ ｆ ｐ ｕ ｐ ｉ ｌ ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｃ ａ ｌ ｌ ｙ ． Ｉ ｔ ｓ ｅ ｔ ｓ ｈｅ ｔ ｅ ｙ ｅ ｓ ｓ ｅ ａ ｒ ｃ ｈ ｉ ｎ ｇ ａ ｒ ｅ ａ ｖ ｉ ａ ｈｅ ｔ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ —
Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ａ ｎ ｄ Ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ 计 算机 工程 与应用
人 眼检 测 及 瞳 孔 定 位
余龙 华 ， 王 宏， 钟 洪声
ＹＵ Ｌｏ ｎｇ ｈ ｕａ ， Ｗ ＡＮＧ Ｈｏ ｎｇ， ＺＨ ＯＮＧ Ｈｏ ｎｇｓ ｈｅ ｎｇ
ｏ ｆＣｈ ｉ ｎ ａ ， Ｃｈ ｅ ｎ ｇ ｄ ｕ ６１ １ ７ ３ １ ， Ｃｈ ｉ ｎ ａ
ＹＵ Ｌｏ ｎ ｇ ｈ ｕ ａ ， Ｗ ＡＮＧ Ｈｏ ｎｇ ，ＺＨ ＯＮＧ Ｈｏ ｎ ｇ ｓ ｈｅ ｎ ｇ ． Ｈｕ ｍａ ｎ ｅ ｙ ｅ ｓ ｄｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎｄ ｐ ｕｐ ｉ ｌ ｌ ｏ ｃ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ． Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｅｎｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
摘
要： 提 出 一种 自动 定 位 瞳孔 的 方 法 。该 方 法 利用 人 眼在 人 脸 的位 置分 布 设 置 人 眼 的搜 索 区域 ， 通 过 Ａｄ ａ ｂ ｏ ｏ ｓ ｔ （ Ｔ ｈ ｅ
基于数字图像处理的人眼定位算法的研究
基于数字图像处理的人眼定位算法的研究赵岩(衡水市交通运输局公路管理处，河北衡水053000)应用科技睛要]一般的人硷识别系统主要包括图像与处理、人脸定位、特征提取、样本学习和识别过程四部分。
其中人脸定位和特征提取的好坏直接影响到识别效果，文章研究的是特征提取方法中人限定位算法，该算法利用Ⅵsm l c++编写程序，在人睑相定位的基础上进行，缩小了搜索范围，实现^眠定艟。
p≤键词]^碾定位；’。
特征提取；方差滤波’1引言在过去的几十年中，对人眼检测和定位方法的研究取得了很大进展。
其中，使用红外光照明的主动监测方法在驾驶员疲劳监测系统中得到了广泛应用。
该方法充分利用人眼的基本生理特点，即视网膜对不同波长的红外光能够反射量的不同时所得的图像中突出显示瞳孔的位置，用于定位跟晴。
该方法的优点在于它的准确性和鲁棒性较好，但是它需要特殊的带有红外光源摄像机的硬件支持，对头部的深度旋转、人脸与摄像头的距离和外部光照相当敏感，在户外环境下误检率会增加。
对于在可见光和正常照明条件下得到的彩色图像和灰度图像中人眼的检测和定位技术的研究也吸引了大量研究者的注意。
常用的有区分割法、H ough变换法、灰度投影法乖哺科胡匹配法等。
2若干^睑识别方法的比较研究2．1PC A算法主元分析起源于K—L变换【K a rhunen Loe ve T r a ns form)，是一种经典的特征提取和数据表示技术，被广泛地应用于模式识别和计算机视觉等领域。
在人脸识别领域，P C A经常被用于人脸图像的特征提取和特征降维。
在基于P CA的人脸识别技术中，由二维人脸图像矩阵转化成一维向量的维数通常很高，相应的样本协方羞矩阵的维数也很高(n的数量级通常在10左右)，导致运算量过于庞大，不能满足应用的实时性要求。
另一方面，并非线性独立，故样本协方差矩阵很有可能非满秩。
而我们所关心的只是那些非零特征值所对应的特征向量，所以通常还需要通过奇异值分解(SV D)技术间接求出需要的特征值和特征向量。
人眼定位算法研究与实现
第28卷第4期 佛山科学技术学院学报(自然科学版) Vol.28No.4 2010年7月 Jour nal of Foshan University(Natural Science Edition)Jul.2010文章编号:1008-0171(2010)04-0030-05人眼定位算法研究与实现于昕梅,蒋业文(佛山科学技术学院电子信息工程系,广东佛山528000)摘要:基于2D Gabor函数与高等动物视觉皮层接受场的一致性,采用一种基于Gabor变换的眼睛定位方法:在对图像进行规一化处理以减少光照影响的基础上,利用Gabor变换后的图像在眼睛处的幅值较大的特点,通过投影方法得到眼睛的坐标。
算法运算时间较短,结合简单有效的灰度投影分析,大大提高了定位的速度。
实验结果表明,该算法能够精确地定位眼睛,并能克服非均匀光照、噪声以及饰件对眼睛定位的影响,对各种脸部姿势变化有较强的适应性。
关键词:Gabor变换;眼睛定位;灰度投影中图分类号:TP391.41 文献标志码:A近年来,人脸的自动识别技术在模式识别中是一个非常活跃的研究领域,眼睛与人脸的其他部分相比,具有灰度变化十分明显的特征,眼睛定位对人脸识别系统识别率的提高有重要的意义和影响。
眼睛作为人面部上最显著、最稳定的特征,可以被用于帮助定位人脸,提供人的注视信息,识别人脸动作(如表情变化)等。
有资料表明[1-2],高速公路上发生的交通事故50%以上是由于长时间驾驶造成疲劳或由所见目标单调而形成注意力不集中、甚至打瞌睡等原因造成的。
而驾驶员在车辆行驶过程中是否疲劳驾驶可以从眼睛的状态反映出来,利用驾驶员眼睛的状态信息来判断其疲劳状况是一种可行的方法。
在车辆上安装驾驶员疲劳监测系统,利用摄像头对驾驶员的驾驶行为进行监控,获取驾驶员脸部的一段连续图像,对每幅图像中的眼睛状态进行分析,综合每幅图像的数据来获得一个眨眼周期。
由于正常的眨眼频率与疲劳状态的眨眼频率有着明显的区别,从而可以判断出该图像序列获取时驾驶员的精神状态,在判断驾驶员疲劳时由系统适时地给出警告信号以避免事故发生。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Fast and Accurate Pupil Positioning Algorithm using Circular Hough Transform and Gray Projection
Author: Soltany, M.; Zadeh, S. T.; Pourreza. H. R.
Publisher: International Conference on Computer Communication and Management.
Publication Year :2011, Pagers:556-561.
一、背景知识
人眼在日常互动，交流以及其他的日常活动中起着非常重要的作用。
瞳孔定位可以用于生物鉴定、凝视估计、人机交互、角色动画等应用中。
将人眼定位用于人机交互系统中，可以帮助残疾人改善他们的日常生活。
眼动追踪现在被用在安全监测系统中，例如通过跟踪人眼，分析人眼的状态来判断驾驶人员是否疲劳驾驶，进而做出相应的操作来保护驾驶人员的安全。
现在人眼定位主要被分为两类，一类是基于head mounted eye location 的方法，另一类是基于remote (non-contact) eye location 方法。
其中基于head mounted eye location 方法是操作者需要佩戴特殊的装置，例如现在比较流行的是利用生物医学装置来获取眼睛的电信号即眼电图来定位人眼；而基于remote (non-contact) eye location 方法的是利用相关图像的知识来定位人眼，其大致可以分为3类，基于模板，特征，外观的。
基于模板的方法是根据人眼的几何关系来建立相应的人眼模板，然后利用这个模板来检测定位人眼；基于特征的方法是利用某种方法来提取人眼的特征，进而定位人眼，比如利用投影函数来定位人眼。
二、相关工作
2009 Lu 等人利用基于灰度投影的方法来定位人眼[1]，虽然这种方法有较低的计算复杂度，但是由于对噪声，眉毛、头部姿态等因素不鲁棒，所以其定位的精度不是很高。
2011 Timm 等人利用基于图像梯度的方法来检测定位人眼[2]。
这种方法定义一个目标函数，然后获得很多相应的梯度向量，选取使目标函数最大的那个梯度向量，那么这个向量对应的位置就认为是人眼的位置。
2008年Bacivarov等人利用基于外观的方法来定位人眼[3]，这种方法有着较高的定位精度，但是这种方法需要大量的训练时间，即当遇到新情况需要更新相关数据时，比如更新某种外观系数，就需要花费相应大量的时间。
在人眼定位系统中，检测简单的外形比如圆形是一种很直观并且很好的方法[4]。
但是利用边缘检测算子来进行圆检测的方法很容易丢失希望曲线上的点，即很容出现检测出的圆是断层的，那么Hough变换被提出，并用来解决上面的问题。
三、算法原理
因为本文最要是对人眼的定位，所以对人脸的定位没有详细的介绍。
(1) 瞳孔分割(Pupil Segmentation)
将已经获得人眼图像进行转换，将其转换成灰度图片，从灰度图片中我们可以看出瞳孔部分明显和其他部分不同。
这样我们首先利用灰度直方图来获得最佳的阈值。
从下图中我们可以再前面找到一个明显的峰值，我们可以以这个峰值对应的灰度值作为二值化的阈值。
得到最佳阈值以后，我们进行二值化，采用的公式如下所示
进过二值化后得到以下的一系列的处理图片，红色方框代表着瞳孔的大致范围。
(2) 利用灰度投影定位瞳孔大致位置(Primary Pupil Positioning Using Gray Projection)
利用下面的公式进行求解，能够求出相应区域水平和垂直方向的灰度投影
进过上面公式计算后得到的曲线见下图所示，这样以后便得到了瞳孔的大致位置
(3) 定位瞳孔的精确位置(Find Exact Pupil Position)
本文利用Hough 圆检测的方法来检测瞳孔圆。
首先在原始空间中圆的表达式为
，那么这个公式在其参数空间就可以表
达为。
具体的算法过程为：
●边缘检测，得到很多边缘
●将原始空间的像素点转换到参数空间中
●建立参数空间累加器
)
,
,
(θ
b
a
H,将对应的参数加一
●将累加器超过阈值所对应的参数
)
,
,
(θ
b
a
在原始空间中画成一个圆
(4)瞳孔的筛选
经过Hough 圆检测 (CHT)后，有很多的候选圆，我们利用一下准则来挑选出瞳孔 ● 首先选择一些比较大的圆。
● 在利用灰度投影定位瞳孔大致位置的处理中我们得到一个瞳孔的大致为),(cc cc y x , 利用欧拉距离来挑选出离),(cc cc y x 最近的圆，这个圆就被认为是瞳孔圆，具体的欧拉公式见下式所示
四、实验
(1) 数据库
本文采用的是Genius e-Messenger 310 camera 所拍摄的图片，图片的大小为640×480像素。
硬件为CPU IntelR CoreTM i3 2.4GHz , 2G 内存，显卡是ATI Mobility Radeon HD 5470，系统为Window7家庭版，软件编程环境为Matlab2009b (不是原作者的，而是我的硬件)
(2)评价标准
因为本文利用分类器是线性分类器(欧式距离)，所以采用以下的公式进行算法的评价：
其中MP 是平均被遗漏计算瞳孔中心，n 是测试图片的总数，分别是实际的瞳孔的位置和本文算法所计算出的瞳孔的位置，
是上面所提的欧式距离。
(3) 文章中的实验结果
二值化的结果：
灰度投影定位人眼大致位置的结果Hough圆检测的结果
经过筛选之后的结果
(4) 自己实现的实验结果
二值化结果
灰度投影定位人眼大致位置的结果Hough圆检测的结果
经过筛选之后的结果
利用自己建的人眼库又进行了测试
原图为
对图片进行灰度直方图统计见下图所示，
我们利用直方图得到二值化的阈值大约为80，而经过二值化后的结果为：
灰度投影定位人眼大致位置的结果Hough圆检测的结果
经过筛选之后的结果
五、结论分析
本文所提出的算法在自建的数据库中，有着较好的瞳孔定位精度，但是如果图片由于光照条件造成灰度值取值不均匀(见上面灰度直方图)，这样去得二值化阈值将不合理，就会出现上面二值化不理想的情况，也就是说本文所提出的方法还是对光照的变化不鲁棒。
此外如果人佩戴黑色边框眼镜时也会出现瞳孔定位不准确的情况。
参考文献
[1]Lu. L, Yang. Y, Wang. L, Tang. B. Eye location based on gray projection. IEEE Third Int. Symposium on. Nanchang, China. 2009, 3: 58-60.
[2]Valenti R, Gevers T. Accurate eye center location and tracking using isophote curvature[C] Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on. IEEE, 2008: 1-8.
[3]Bacivarov. I, Ionita. M, Corcoran. P. Statistical models of appearance for eye tracking and eye-blink detection and measurement. IEEE Trans. on Consumer Electronics. 2008. 54(3): 1312-1320.
[4] Lin D T, Yang C M. Real-time eye detection using face-circle fitting and dark-pixel filtering[C] Multimedia and Expo, 2004. ICME'04. 2004 IEEE International Conference on. IEEE, 2004, 2: 1167-1170.。