一种新型的带反馈的人眼检测方法
详细内容
1 引言
基于灰度投影模板方法中最常用的是积分投影函数 ，可以通过对积分投影函数值的分析提取图像中的特征。 K.Sobottka 等人和 Dieckmann等人在早期的研究中提出直接采用水平和垂直方向投影来定位眼睛。然而投影图中干扰噪声太大、曲线不规则，很难在此基础上直接找到特征点,只能大致地找到眼睛区域,不能实现精确定位。章玲等人提出了一种混合投影算法，即微分与积分投影相结合的眼睛定位方法：在传统积分投影的基础上，提出了一种微分投影算法与之相结合。采用混合投影的方法受噪声的影响仍然很大。
本文提出了一种带反馈的人眼检测方法，首先利用混合投影法检测到人眼的位置，然后通过人眼及其周围区域的灰度信息对人眼区域进行检测，判断是否是人眼区域，若是，则进行标记；否则，利用人脸边缘信息的积分投影重新检测人眼区域，本文所提出的方法克服了一种方法所固有的缺点，将灰度信息及边缘信息结合起来检测人眼，提高了检测精度。
带反馈的人眼检测方法算法流程如图1所示。
图1 带反馈的人眼检测的算法流程
2 混合投影法检测人眼区域
2.1积分投影函数
积分投影函数是最常用的投影函数，设I（x，y）表示点（x，y）处的像素灰度值，在区间[x1,x2]和[y1,y2]内的垂直积分投影函数和水平积分投影函数分别表示为Sv(x)和Sh(y)，则：
(1)
平均积分投影函数Mv(x)和Mh(y)分别表示为：
(2)
图像列灰度值发生变化体现在Sv(x)和Mv(x)上，行灰度值的变化体现在Sh(y)和Mh(y)上。
2.2 差分投影理论
积分投影函数只考虑了均值的变化，却不能反映均值相同的情况下灰度值的变化。方差则可以反映这种变化。设在区间[x1,x2]和[y1,y2]内的垂直方差投影函数和水平方差投影函数分别表示为和，则：
(3)
(4)
2.3 混合投影理论应用于人眼检测
眼睛区域有两个显著地特征：
（1） 眼睛区域与周围区域相比较暗，灰度值较低，故可以利用积分投影函数定位；
（2） 眼睛区域与周围区域相比灰度变化率比较大，故可以用方差投影函数。
垂直积分投影结果如图2所示。
图2 垂直积分投影结果
从垂直投影的灰度直方图可以看出：人眼区域在水平方向上大体位置为灰度值最大的区间，对于orl人脸库，每幅图像大小为92×110，假定人眼区域在水平方向上投影大小为60，则从左到右依次累加60个灰度投影，计算其最大值。累加和最大的区间被认定为人眼区域在垂直方向的投影。
水平积分投影如图3所示。
图3 水平积分投影
从图3中可以得出结论：除最后一幅图像外，其它图像在水平方向上的投影的最大点对应的纵坐标恰好是人眼区域的中点，于是可以检测水平投影的最大点，作为人眼区间的中点，对于92*110的标准图，人眼区域大小为60×20，结果如图4所示。
图4 积分投影法进行人眼检测得到的结果
观察水平积分投影可知，眉毛区域灰度值非常低，而眼睛中由于有白色的巩膜的存在，使得灰度值比较高，而眉毛上方的额头区域亮度也很高，这样就在眉毛区域构成了一个波谷，所以可以用差分投影来确定人眼的纵坐标，见公式(4)。
同时可以看到因为人脸图像中包含头发区域，且头发是黑色的，不难分析，从黑色的头发过渡到额头的肤色区域，其灰度的变化必然非常大，所以应该去除头发区域的影响。由于头发区域是黑色的，可以利用头发区域平均灰度值低这一特点来去除头发带来的影响。检测效果如图5所示。
图5 混合投影的检测结果
对于大部分人脸图像，混合投影可以得到较好的检测结果，但是仍然存在误检的情况。本文给出的带反馈的人眼检测方法会对检测结果进行验证，若不是人眼区域，则改用边缘信息投影进行检测。
3 利用人眼灰度信息进行验证
通过混合投影法检测到了人眼区域位置，然而，混合投影法检测人眼有着先天的不足：易受到噪声的影响。对于得到的人眼区域是否是真正的人眼区域还有待检测。本文给出了一种利用人眼区域的灰度信息来检测是否是人眼区域的方法。
图6 人眼区域的灰度信息
人眼区域的灰度信息如图6所示，将人眼区域分为图6 (b) (c) 所示的6个20×10的小区域，并且计算每个小区域的灰度值之和，眼睛区域的灰度信息应该满足以下两个条件：
(1)鼻子区域的亮度高于两侧，如图6(b)所示。设鼻子区域的灰度和为Vn，而左右两侧眼睛区域的灰度和分别为Vel和Ver，有如下的条件满足：
Vn > Ver (5)
Vn > Vel (6)
其中：
Vn = V2 + V5 (7)
Ver = V3 + V5 (8)
Vel = V1 + V4 (9)
(2)眼睛区域由于有眼睛和眉毛的存在，其灰度值比颧骨区域的灰度值低，如图6(c)所示。设眼睛区域的灰度值之和为Ve，颧骨区域的灰度值为Vc，有如下条件满足：
Vc > Ve (10)
其中：
Ve = V1 + V2 + V3 (11)
Vc = V4 + V5 + V6 (12)
对于混合投影法得到的人眼区域，用人眼的灰度信息进行验证，若满足条件(5)、(6)和(10)，则进行标记，否则利用边缘信息投影法重新进行人眼检测。
4 边缘信息投影法检测人眼区域
由混合投影的检测结果可知，误检主要出现在纵坐标上，因此可以首先利用灰度信息的水平积分投影获得人眼区域的横坐标范围。由于人眼区域有眉毛的存在，所以人眼区域的边缘信息比较丰富，可以利用图像的边缘信息对人眼区域的纵坐标进行定位。
4.1sobel算子提取边缘
表1 3×3邻域的图像块
Sobel算子是边缘检测中最常用的算子之一。Sobel算子是一种梯度幅值，表1所示的3×3邻域的图像区域中，梯度幅值M：
(13)
其中：sx=（a2+ca3+a4）-（a0+ca7+a6），sy=（a0+ca1+a2）-（a6+ca5+a4）
适当选取门限阈值T，满足M > T 的，认定为边缘信息，置为255，否则置为0。得到的边缘信息如图7所示。
图7 sobel算子检测边缘信息
4.2利用边缘信息检测人眼区域
利用sobel算子得到了人脸的边缘信息之后，可以利用边缘信息进行人眼区域纵坐标的定位。对得到的边缘图像，统计纵坐标大小为20的范围内的边缘信息，边缘信息最多的区域作为人眼区域纵坐标的范围。
检测结果如图8所示。
图8 边缘信息检测人眼的结果
对于混合投影误检的情况，如图9(a)，利用边缘信息投影法得到的检测结果如图9(b)所示。
（a）是混合投影法得到的结果（b）边缘信息投影法得到的结果
图9 边缘信息投影法修正混合投影的误检的情况，
5 实验结果
本文从orl人脸库中选择30个人，每人选择10幅图像，共300幅图像作为测试集，选取测试集包含男性和女性，包括戴眼镜的情况，以及不同的姿态，检测结果如表2所示。
表2 实验结果
实验表明，本文提出的反馈机制较混合投影法提高14个百分点，较边缘投影法提高检测精度4个百分点，错检数量减少。
6结束语
人脸识别是模式识别领域的研究热点问题，应用广泛，眼睛是面部最重要的特征，它们的精确定位是识别的关键。本算法对于人脸大小和姿态都有较强的适应能力，带反馈的人眼区域检测方法提高了检测精度，但是该算法消耗时间增加了，适用于对实时性要求不是很高但精度要求高的场合。下一步的努力方向是如何更好的融合混合投影法与边缘投影法，缩短检测时间。
作者简介
张长国（1987-） 男 硕士，就读于山东省济南市山东大学控制科学与工程学院，研究方向为图像处理与模式识别。
参考文献（略）