应用于静态图像中的人眼定位算法

韩静怡+王元臻

摘 要：眼球定位识别算法作为一种重要的图像处理方法对于图像的相关处理有很重要的作用使用精确的方法对人眼球进行定位可以方便人脸特征识别以及人机交互等一系列的应用，眼睛定位的准确度直接影响到了最终的识别率，因此人眼定位算法具有很重要的研究意义。本文利用Matlab开发算法，研究的主要内容包括三部分，主要是图像的二值化算法、人脸检测及人眼定位的原理及相关算法实现，详细展示了各种方法的具体原理，对比选择了最为合适的检测方法。

关键词：图像二值化；人脸检测；眼球定位；静态图像

中图分类号：TP391.41 文献标识码：A 文章编号：1671-2064（2017）17-0026-03

1 引言

在一幅图像中，人们往往只对图像中某些既定的特征感兴趣，这些目标常占据一定区域，并且在某些特征和周围图像有所区别，我们经常利用这些细微的区别使用图像处理技术，通过计算机来获取该区域的相关信息。眼睛作为人脸的特征部位，其位置重要并且对于人脸信息相关问题的处理检测有着很重要的意义，如果人眼位置定位准确可以提高识别和检测的准确性及检测速度，还具有降低识别算法复杂度的作用，可以提高处理速度，使得后续的检测操作更加容易，算法处理更加简便，所以实现较为精确地眼睛定位是至关重要的。

本文的算法是在二值化图像的基础上进行的，采用迭代法阈值分割的方法将图像进行二值化分割，关于人脸区域识别方法的选取，文章考虑到肤色分割受光线影响较大的问题，选用了基于图像网络分割的人脸识别，先将脸部图像分割成多个小块，将分割形成的各个小块单独进行处理，对每个小块完成相应的检测，从而可以识别出整个人脸区域。人眼定位算法的选取，本文使用了快速Hough圆检测变换方法，该方法在噪声较大的环境下也能有很好的检测结果，并且对于数据的处理量较低，计算时长较短，满足对人眼检测实时性的要求，通过检测图像来看，该方法实验效果较优，人眼的定位清晰，该方法满足本文所需，是一种优秀的人眼识别算法。

2 图像二值化分割算法

阈值分割法是一种简单有效的图像分割方法，可以将图像中所需的有意义的特征区域提取出来，利用阈值大小的不同区分物体及背景，阈值的选择需要根据具体问题来确定，对于给定的图像，通过分析直方图确定最佳阈值，以用来进行物体与背景的判定。

利用迭代法进行阈值分割首先选定一个近似的阈值，将原始图像分割成为两部分，计算两区域的均值，选择两区域均值的均值为新的阈值进行下一次分割，重复以上步骤的直至均值不再发生变化为止，迭代法以近似和逼迫的思想为主，该方法能区分物体和背景优于双峰法对细节的处理更加精细。该方法规定一个特定阈值作为初始的阈值估计值，按照一定的规律方法进行一步步的细化阈值，这个方法的关键在于如何选择合适的阈值进行迭代改进，正确的阈值选择有连个特征分别为首先能够快速的进行收敛，另外在迭代过程中新产生的阈值比上一次更优，其具体算法为：

利用闭值兀把图像分割成两个区域：和，用（1）（2）式计算区域和凡的灰度均值和。

重复上述步骤，直到和的差小于某个给定值。

通过该方法可知当图像中目标和背景像素灰度呈正态分布并且标准差相等，目标和背景的像素比例相等时， 可得到最佳分割阈值为目标和背景像素灰度均值的平均值。在本文的算法中，利用迭代阈值分割法的语句更加简洁更容易理解，可操作性较强，从实验所得的效果上来分析，该算法能较好地实现实验目的，并且迭代法抗干扰能力較强，迭代法每次运行所选阈值都比上一次更优，可根据具体环境的要求设定阈值大小，实验操作更加灵活。所以，在相同实验条件下，本文优先选用迭代式阈值分割算法对给定图像进行二值化分析，经过迭代法阈值分割算法得到的二值图像特征分割清晰，细节展示清楚，主要特征不会发生丢失。

3 利用图像网络分析进行人脸识别

本文采用了图像网络分析法来进行人脸的特征识别，首先将目标图像进行网络化分割，分割后图像变为小方块，要对这些小方块进行去噪声分析和灰度化常规预处理这些基本操作，对进行完基本操作的的小块图像进行人脸的识别，并且判断小方块图像是否位于人脸的相关区域，将识别成功的小方块进行整合就是整个的人脸区域。

首先，将图片进行二值化，利用中值滤波法对二值图进行去噪声处理和预处理的基本操作，使图像满足后续处理要求。其次，对图像进行分割，本文中对目标图像采取10*10的分割方法，将图像分割成100个小方块，对于不同的图像可以根据具体要求灵活的划分分割区域的大小，然后对于每个小方块单独进行分析检测，对黑色像素的比例进行统计，对满足面部的小方块进行标记，然后对小方块进行逐个的列变换和行变换，每个小方块进行相同的检测，最后把满足需求的小方块进行整合，这就是所得到的人脸识别区域。

下面图1、2、3、4分别展示了人脸的网络分割效果、人脸识别效果以及二值图下进行脸部识别的最终结果，可以看出识别的准确度较高。

4 利用快速Hough圆检测进行眼球定位

4.1 基于空间累加的圆心检测算法

快速Hough圆检测的核心思想是：在这个圆的三维空间中，垂直于圆的相应边界点的垂线最终会通过圆心，如沿着圆的边缘区域画出每个边界点的垂线，就会在圆区域的圆心处得到一个“亮点”，这些“亮点”是众多的垂线重叠最多的地方。

5图中为一个（a，b）的参数空间，该图像展示了将圆的边缘点对应的垂线变换成空间中的线段。

式中，，，其中，定义了圆半径的范围，空间矩阵用A表示，表达了边缘的强度。

在上述圆心检测算法中，这种变换在圆心处边缘点的垂线的重合较大，所以形成了很亮的“亮点”，这种检测方法对于目标的圆的圆度要求比较严格，如果目标圆是一个椭圆形，因为椭圆的圆度较小，那么此时这个“亮点”会迅速的扩散从而很难形成可以检测到的区域，故我们常使用滤波器使得“亮点”区域尽量集中，利用滤波器的聚合功能减小中心“亮点”的扩散速度，使得中心“亮点”的亮度更大。由于一副图像中可能存在若干个目标圆，目标圆的圆心在数学上可以用空间的局部极大值表示，采用递归算法找到区域局部最大值，从而找到所有可能存在的圆心。对于不同大小的圆来说，他们形成的边界点如果用相同的标准来累加这些圆，所形成的大圆“亮点”比小圆的“亮点”来说更亮，，所以必须给（a，b）空间的线段强度加一个约束，来限制两个不同半径的圆的亮度，使得圆的亮度约束在一个统一的条件下。endprint

该公式中的每个边缘点都倾向于将选票投给与它距离最近的圆心，这样不会使错误的传递的太远，以引起图像中的其他区域计算错误。

4.2 基于r空间累加的半径计算方法

上述方法将圆心定位之后，接下来介绍寻找圆的半径的方法，通过以半径为坐标的一维空间的累积来实现，对于区间上的每个半径r，它的总投票值R（r）就是以r为半径的圆上所有边缘点P的边缘强度E（P）之和。

这种方法在两个方面对检测方法进行了优化，该方法更倾向于检测大圆，将边缘强度E（P）增加一个约束1/r，以使该方法对不同大小的圆都合适。其次，该方法将所有处于半径r处的边缘点都计算在内，忽视了这些点的垂线并非都指向目标圆心，因而我们定义一个范围对这些点进行筛选，定义为边缘点與圆心连线的角度，对于所有处于半径r处的边缘点，我们只考虑垂线角度在范围内的点，这样就能极大减小假边缘点的影响，在各种情况环境的仿真实验中，我们通常采用或。

计算完r空间之后，我们对其进行阈值化就能找到可能的半径了，阈值的选取需要考虑相应的目标区域环境，如果目标圆只有一个，那么只需要选取r空间的极大值就能找到这个圆，如果目标圆是多个，那么阈值的选取与最后获得的圆的个数需要进行分别的测试。

下图展示了人眼识别的二值图像，图6展示了图像网络的分割检测出的人脸图像，图7和图8分别展示了经过快速Hough圆检测变换之后的眼睛图像，可以看出实验后所得到的实验结果较为清晰，易满足人们对于实验结果的要求。

5 结语

本文构建了一种可以较为精确地实现人眼定位的算法，能够实现对于一副静态图像的眼球进行较为精确地定位，本文实现的这种人眼定位的方法是比较精确地，并且这种人眼识别的对于抗噪声能力较强，受环境变化的影响较小，使用简便，所以人眼定位时常使用这种方法。本文讨论的算法在一定环境情况下能够较好的实现人脸的检测以及人脸相关特征识别检测，并且本文这种算法对于光照要求较低，受噪声影响小，本文讨论的这种算法主要针对静态图像，在后续的研究中，要做好动态图像的采集，研究开发面向动态的人脸图像识别，以便使该算法使用范围更为广泛。

参考文献

[1]张艳君，宋京伟.人脸识别中利用眼球进行人脸归一化[J].北京联合大学学报（自然科学版），2006，（02）：35-39.

[2]王磊，莫玉龙，戚飞虎.眼球的自动定位[J].红外与毫米波学报，1998，（05）：31-38.

[3]Zhou Z H， Geng X. Projection functions for eye detection[J]. Pattern Recognition，2004，37（5）：1049-1056.

[4]张欧平，丁志刚，彭娟春.组合型人眼识别方法及其应用[J].计算机工程，2011，37（9）：223～225.

[5]陶亮，庄镇泉.复杂背景下人眼自动定位[J].计算机辅助设计与图形学学报，2003，（1）：15-1.endprint