人眼定位

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