红外条件下人眼快速定位算法研究与实现.doc

红外条件下人眼快速定位算法研究与实现
徐柏科a，李春贵b，阳树洪b
（广西科技大学 a.电气与信息工程学院,b.计算机学院，广西 柳州 545006）

摘要：针对以往人眼定位易受背景、非均匀光照、人脸姿态及眉毛等诸多因素影响的缺陷，以AdaBoost_Cascade算法进行人脸检测的基础上，本文提出了一种快速、高效的人眼定位新方法。该算法以梯度复杂度粗略得到人眼区域，然后，通过Gabor滤波、积分投影及连通域增强算法精确定位人眼。实验表明，该算法不仅能克服以往人眼定位缺陷，并对人脸姿态、表情变化有较强的适应能力，精度达到99%及以上。
关键字：AdaBoost_Cascade算法；人眼定位；Gabor滤波；连通域；积分投影
中图分类号：TP391 文献标志吗：A

Research and Realization of Fast Eyes localization algorithm Based on the Infrared Condition
XU Bai-kea, LI Chun-guib,YANG Shu-hongb
College of Electrical and Information Engineering, b.College of Computer Engineering,
（a. Guangxi University of Science and Technology, Liuzhou 545006,China）
Abstract: In view of the defects of previous eye location algorithm, which has been vulnerable to background, the non-uniform illumination, facial gestures and eyebrow and so on, It has based on AdaBoost_Cascade algorithm to detect face, this paper proposes a new method of fast and efficient eye location. The algorithm gets roughly the eyes area based on complexity of the gradient, and accurately locate the eyes through the Gabor filter, integral projection and connected domain enhancement algorithm. Experiments show that the proposed algorithm not only can overcome the defects of previous eye location, and it has the strong ability to adapt the changes of face posture, facial expression, precision reached 99% or more.
Key words: AdaBoost_Cascade algorithm; Eye location; Gabor filter. Connected domain; Integral projection
1 引言
人眼定位在人脸识别、智能监控、视频跟踪、人眼状态分析等应用领域中具有重要的意义与影响，直接关系着其检测与定位的正确率。实际应用中，由于当前绝大部分人眼定位算法均受到非常明显的限制，如复杂光照条件导致的光照过强、过弱、及光照不均匀、脸部姿态变化等；另一方面，人脸特征多，不易分析，提取困难，计算复杂度相对较高。
到目前为止，已有国内外研究者提出众多卓有成效的人眼定位方法。其中文献[1]提出了使用通用投影函数（GPF）来进行眼睛定位，实现简单，计算量小，但波峰、波谷的分布对不同的人脸和姿态的变化非常敏感，单独使用定位效果差；文献[2]使用Gabor 滤波器检测眼睛的内眼角、外眼角和眼睛的中心位置，文献[3]提出Gabor小波滤波器和灰度积分投影技术的定位方法,但这两种方法并不适用于复杂的图像；文献[4][5]首先采用水平与垂直积分投影法粗定位眼睛窗口，综合运用动态阈值的模板卷积法和形态学操作来定位眼部黑块，通过黑斑精确定位出眼球中心,但是对于原图像的尺度、光照情况、旋转角度非常敏感，而且模板匹配方法的计算量太大；文献[6]应用了基于Hough 变换特征的人眼定位算法，其优点是实现起来简单，但算法没有考虑眼睛的微结构特征；文献[7]采用积分投影去眉毛部分，最后利用复杂度、灰度均值和结构居中度分析，将左右眼区域分割成若干小图像块不断纠正精确定位人眼，但此方法对姿态变化较明显时，无法去除眉毛的干扰，且实现繁琐；文献[8]提出一种基于知识的眉眼分割算法，能有效的排除眉毛干扰，但实现较为复杂；文献[9]基于复杂光照条件下采用自适应连续均值量化变换增强，结合连通域分析定位人眼，但对脸部偏转倾斜等眉毛干扰下适应性很差。因此人眼定位仍是一个极富挑战性的课题。
综上所述，本文提出了一种快速人眼定位新方法，该方法不仅速度快，且定位精度达99%及以上。首先用基于Adaboost_cascade算法检测出人脸块，然后利用复杂度分析、Gabor滤波、积分投影增强算法，有效克服了外部环境影响及眉毛等干扰，进而定位左右眼瞳孔坐标，除此之外，以连通域进行辅助修正定位坐标，相互弥补其漏洞，使定位更为精确。
2 人眼精确定位
通过Viola等人设计的人脸级联检测器检测出人脸后，利用梯度复杂度去除眉毛的干扰，确定人眼的大致区域，采用Gabor滤波、二值化及积分投影增强算法精确定位，然后，为了进一步加强的定位精确度，联合连通域进而辅助校正定位人眼，提高精确度。算法流程如图1所示。

图1 人眼精确定位联合算法流程图
2.1 人脸梯度复杂度分析
梯度复杂度是图像灰度梯度的累加值，反映了在某个方向上图像灰度的变化程度，在人脸图像中，眼睛所在的图像块灰度变化最为明显，其梯度复杂度最高。假设灰度图像为，其大小为，表示图像中第行第列像素点的灰度值，则是沿方向的梯度，可用差分来近似，同理可知沿方向的梯度。则图像的垂直与水平梯度复杂度、的计算公式如下：
，式中， 。 （1）
，式中， （2）
通过以上的双向梯度复杂度分析，可粗略定位出眼睛区域，并可去除眉毛的干扰，很大程度上为后续的精确定位奠定了基础。图2为其复杂度平滑后变化曲线。

图2 复杂度平滑后曲线
根据梯度复杂度变化平滑曲线对应找到左右眼大致中心，由于光照不均匀或姿态变化的影响，梯度复杂度变化最剧烈所对应的行列交叉点不一定是眼睛的中心，有时包含眼角和眼白部分或光照变化很大的位置复杂度比真正的眼睛中心图像块还大，故以此点作为人眼大致定位点，同时，按照左右眼的垂直梯度复杂度变化最大点为基准，上下延伸，进而得到只包含眼睛的人眼区域。
2.2 图像Gabor滤波及二值化增强
由于Gabor滤波器能够计算任何方向和频率的能量，又因眼眉区域在竖直方向上有明显的灰度变化，频率响应幅值和边界信息特别的丰富，即可与脸部其它区域相区别。因此，可以根据此特性去除复杂背景及眉毛区域的干扰。二维Gabor滤波器的函数表达形式如下：
（3）
其中，二维坐标向量定义如下：
，， （4）
，， （5）
而为滤波器频率，为滤波器的方向。
一般基础上，，借助确定具有明显差异的能够获取具有明显差异的滤波器，可以获取图像从确切频率还有方向等角度的数据。针对竖直方向的灰度变化响应，在这里设定进行水平Gabor滤波，如图3(1)所示。
在此，本文采用人工阈值分割的方法对图像进行二值化处理。Gabor滤波后，求取人眼区域的灰度最大值，设Gabor滤波后的图像为，二值化图像为，大于此灰度值倍为1，否则为0，其中范围内取值。判断准则如下：
（6）
根据式（5），即可得左右眼的高亮度区域。如图3(2)所示。

图3 人脸Gabor滤波及二值化
2.3 积分投影增强
面对背景复杂、光照不均匀及头像倾斜等因素，积分投影比较敏感，眉眼难以分离，对后续的眼睛精确定位会带来很大的影响。因此，本文对图像二值化后，再进行水平和垂直积分投影增强，假设二值图为，定义图像垂直、水平灰度投影为：
； （7）
当图像某一行或列像素的灰度值发生变化时，这种变化会在和的值上反映出来。因此，可通过积分投影增强对图3(2)处理，并结合梯度复杂度分析即可快速提取左右眼区域及精确坐标。其投影曲线与人眼精确提取区域如图4所示。

图4 人脸二值图投影曲线
综上所述，本文采用梯度复杂度、Gabor滤波及二值化和投影增强共同处理进行人眼精确定位，其定位精确度达99%及以上，
3 连通域增强
人脸图像经过Gabor滤波二值化及投影增强后，对图4(4)进行形态学重构，将人眼与其他部分连接断开，消除小的孤立点以及区域等干扰；计算所得疑似人眼区域长宽比，设定长宽比范围为1-3，将长宽比不满足此范围的区域判定为非人眼部分，排除包含头发在内的多种遮挡物干扰。本文应用连通域增强算法，且通过求最大连通域质心进行辅助校正，进一步提高定位精确度。
4 仿真结果分析
为了验证算法的有效性，在Matlab环境下对人脸数据库进行了仿真实验。人脸数据库选用800张红外人脸图像以及自举收集200张的人脸库进行了人眼定位准确率测试，测试的人脸包含不同光照、头部姿势以及表情条件下的图像。图5(a)(b)(c)分别为不同背景、光照、遮挡、头部姿势、表情的人眼定位结果。

(a) 不同背景、光照、倾斜及偏转的定位结果

(b) 佩戴眼镜（含墨镜）及遮挡的定位结果

(c) 不同表情、闭眼情况下的定位结果
同种实验条件下，对进行了对比实验。表1给出了不同人眼定位方法的定位率以及平均运算时间，可以看出，本文方法运算时间略长于文献[3][6][7]定位方法，但人眼定位率最高，其他四种方法精确定位率都相差较远。另外，为验证本文方法的有效性，根据文献[4]与文献[7]的测试对象，以CAS-PEAL与BioID图像库为标准开展实验测试与对比。通过MATLAB2013b测试条件下，表2与图6(a)(b) 分别给出了实验对比数据及人眼定位效果图。显而易见，本文方法虽然在CAS—PEAL图像库中的定位精确率比文献[7]稍差，但是，在BioID图像库中，其定位准确率都优于文献[4]与文献[7]；除此之外，对遮挡、偏光较暗与闭眼等情况下，都具有一定的适应能力。
表1 不同人眼定位方法的定位率（%）及平均运算时间（s）
对比文献
对比方法
准确定位数
定位率
平均运算时间
文献[3]
Gabor滤波与投影结合
826
82.6%
1.28
文献[6]
Hough变换圆检测
784
78.4%
1.16
文献[7]
投影与复杂度、灰度均值
875
87.5%
1.29
文献[9]
SMQT增强与连通域
907
90.7%
1.41
本文
方法
复杂度、Gabor滤波、投影与连通域相结合
994
99.4%
1.35

表2 CAS-PEAL与BioID图像库下测试结果
图像库
对比方法
CAS—PEAL图像库
BioID图像库
文献[4]
97.00%
89.46%
文献[7]
99.10%
92.80%
本文方法
98.84%
99.21%
CAS-PEAL与BioID图像库下，人眼定位效果如图6(a)与图6(b)所示：

图6(a) CAS-PEAL图像库定位结果

图6(b) BioID图像库定位结果
5 结束语
本文针对以往人眼定位对复杂光照、人脸姿态及眉毛等诸多因素干扰的缺陷下，提出以梯度复杂度分析，排除眉毛的干扰，进而粗定位人眼区域；同时，为了摆脱光照、姿态各方面的影响，采用Gabor滤波、积分投影及连通域增强算法，将左右眼分开处理。在克服了各项缺陷，提高了定位精确度的情况下，同时减低了计算复杂度，保证了人眼定位实时性。但对遮挡（佩戴墨镜），一般眼反光较大的情况下，有一定的局限性，定位出现稍微偏差，所以为提高此类情况人眼定位准确度，提高人脸识别等应用系统的精度，仍有待进一步研究。
参考文献：
[1] Wen G,Bo C,Shan Shi-guang,et al.The CAS-PEAL large-scale Chinese face database and baseline evaluations[J].IEEE Transactions on Systems，Man and Cybernetics，part A：Systems and Humans，2008，38（1）：149-161.
[2] Hanouz M,Kittler J，Kamarainen J K，et al.Feature-based affine-invariant localization of faces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27:1490-1495.
[3] 熊海涵.基于Gabor滤波与灰度积分的人眼快速定位方法[J].电子信息与计算机科学.2012,24:11-12.
[4] Gao Y,Leung M K H.Face recognition using line edge map[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24764-779.
[5] 胡德轩,冯玉田等.一种有效的用于疲劳驾驶检测的人眼定位算法[J].计算机技术与发展.2009,12(19):9-13.
[6] 张晓飞,赵瑞莲.基于Hough变换圆检测的人眼精确定位方法[J].计算机工程与应用，2005，41(27):43-45.
[7] 黄增喜,张海军等.一种快速的自动人眼定位方法[J].计算机工程与应 用.2011,47(7):183-186.
[8] 俞骋,彩色图像人眼定位中的眉眼分割算法[J].图形图像.2012,04:28-30.
[9] 王称意,王小鹏等.一种复杂光照条件下的人眼定位方法[J].电子测试.2013,3(5):25-27.