基于轮廓检测的眼睛定位算法

摘要：人脸识别是模式识别学科的一大研究热点，可以广泛地应用于保密系统、可视电话系统以及人机交互系统等领域；眼睛定位是人脸识别中必须首要解决的问题，如何快速，准确的定位眼睛，决定了后续的人脸识别能否取得好的效果；基于人脸中眼睛的灰度及轮廓特点，提出了一种基于轮廓检测的眼睛定位算法；实验结果表明此算法复杂度小，定位准确。

关键词：人脸识别；眼睛定位；灰度；轮廓检测；图像形态学

中图分类号：TP391文献标识码：A文章编号：1009-3044(2010)20-5572-02

Contour Detection Based on Eye Location Algorithm

TIE Jun-bo, ZHU Jun-xing, HUANG Jin, TANG Lan-jun

(School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610000, China)

Abstract: The face recognition is the subject of a major pattern recognition research focus, can be widely used in security systems, video telephone system and the areas of human-computer interaction system; eye location is the face recognition problem must be solved first, how fast and accurate positioning eyes, decided to follow-up of face recognition ability to obtain good results; in the eye on the gray face and profile features, a contour detection based on eye location algorithm; Experimental results show that the complexity of the algorithm is small and accurate positioning.

Key words: face recognition; eye location; gray; profile; image morphology

1 概述

人脸检测识别是今年来计算机图像处理的一大热点，人脸检测与识别的研究始于20世纪60年代中后期,主要包含人脸检测与跟踪、面部特征检测与提取、人脸属性分类及识别几个功能[1]。该技术已被广泛应用于公安刑侦、司法鉴定、访问控制、金融支付、医学应用、视觉监控、视频会议等众多领域。眼睛是脸部特征的重要组成部分，眼睛的检测对于人脸信息的处理具有重要的意义，不仅可以提高识别和检测的速度，而且能够降低识别算法的复杂度。在脸部器官定位方面，只要人眼被精确定位，眉毛、鼻子、嘴巴等其他特征就可以通过潜在的分布关系比较准确地进行定位。眼睛的定位还可以使人脸较好地归一化，预处理的效果也更加明显[2]。另外，眼睛在感情以及辅助语言交流中也发挥着巨大的作用[3]。

本算法根据眼睛的灰度及轮廓结构特征：1）在人脸中具有对称性；2)其灰度值集中在某个区域，提出了一种结合人脸中眼睛的灰度及面积信息的人眼定位新算法。

2 眼睛定位思想与算法

2.1 算法思想

眼睛在人脸中有两个主要的特点，首先眼睛是对称的结构，并且双眼的眼珠大小几乎是相同的，这是面部其他器官所不具有的一个突出特点，其次眼睛部分的颜色比起周围皮肤深很多，并且十分集中，本文正是基于眼睛的这两个特点，进行眼睛定位。首先利用眼睛在灰度上的特性，利用二值化将眼睛与其周围大部分皮肤及面部其它器官分离开，而后利用眼睛的对称性，在处理过后的图像中寻找对称的轮廓，以此实现眼睛定位。

2.2 算法流程图

算法流程图如图1所示。

3 算法实现及结果

3.1 滤除噪声

一般通过摄像头获得的图像中，一般含有一定的噪声，为了在后面的眼睛定位中得到更好的效果，在一开始，对读入的图像使用了中值滤波，滤除了一定的噪声。

3.2 基于整个图像的灰度值对图像进行二值化

图像二值化的目的是使眼部区域凸显出来，而图像二值化处理的关键是阈值的选择，阈值选择的原则是选择和眼睛较为接近的灰度值，本文选择一种可变的阈值。

如果将整幅灰度图像的灰度值从大到小排成数列：T={T-N,T-N+1,T-N+2,…,T0,T1,T2,…,TN}。其中，“T-N”代表最小的灰度值，“TN”代表最大的灰度值，我们定义T0为整幅图的平均灰度值，则为：。假设图像中白像素点的灰度值为255，黑像素点的灰度值为0，则眼睛的灰度值应该是低于整幅图像的平均灰度值的，所以我们在计算出图像平均值的基础上，乘上一个系数a(0

如图3所示，经过自适应的二值化后，我们发现，在面部区域，眼睛部分已经十分突出，为后续的眼睛定位做好了准备，但与此同时眉毛，鼻子，嘴巴等部位还有部分残留图像，这部分图像是对眼睛检测的噪声，必须消除。

3.3 对图像进行形态学操作

由于二值化并不能够完全的凸显出眼睛，因为眉毛，鼻子和嘴巴的某些部分灰度值与眼睛有些接近，在二值化之后，得到的脸部图像中，除了得到眼睛之外，还可能存在一部分的眉毛，鼻子和嘴巴的残余图像，为了消除这部分噪声对后续眼睛检测的影响，我们使用了膨胀和腐蚀两种形态学操作。在对图像使用膨胀操作之后，先前存在的眉毛等的残余图像明显消失，但是眼睛区域也变得十分小，接着我们再使用腐蚀操作，扩大眼睛的区域，使得在后续检测中，方便的检测出眼睛。

比较图3和图4，我们可以看到，在使用膨胀操作后眉毛，鼻子，眼睛等部分的噪声基本上完全消除，但此时眼睛部分的区域也几乎被消除掉了，所以在膨胀操作之后我们使用腐蚀操作，一方面可以扩大眼睛部分的轮廓面积，另一方面又可以减小图4中一些小的轮廓，减小轮廓检测时的程序运行时间。

3.4 寻找眼睛位置并定位

由于图像中的不仅仅有眼睛的轮廓，所以检测出的结果应该是一个轮廓的序列。

假设该序列为：P={P0,P1,P2,…,PN}由于本文使用opencv实现算法，在得到的轮廓序列结构中，包含着检测出的每一个轮廓的面积。利用冒泡排序法，将得到的N个轮廓的面积进行排序，可以得到关于轮廓面积大小的一个数列： area[]={area0,area1,…,areaN}.我们利用眼睛的结构特征，即两只眼睛的轮廓的面积是相近的，从最大的轮廓面积开始逐次比较两个面积数组元素，当它们的相似度超过相似度阀值时，可以认为找到了两只眼睛。

找到眼睛的判别依据：λ>areaai/areaaj>1(i>j，λ为阀值)

经过试验发现，λ取值在1.1~1.3时，可以得到较好的检测效果。

我们可以看到，对图5进行轮廓检测后，可以得到图6，在图7中我们可以看到，在图6中一共存在6个轮廓，面积依次是：198，2236，0，468，497，41514，由眼睛的对称性，我们不难知道面积为497和468的两个轮廓正是对应的双眼，通过轮廓定位，我们可以得到最后眼睛定位出的结果，如图8所示。

通过实验验证了本算法定位的准确性和可行性, 证明了本算法在人脸识别的眼睛定位上有一定的识别准确度,本算法还具有容易实现、运算量少、对不同光照条件下的人脸图像有较好的检测效果。

4 结束语

经过实验，这种算法占内存小，能简单、快速地应用到嵌入式系统中，并能对多幅图像进行眼睛定位，基本上每幅图像都能正确定位，取得了满意的效果，由此说明此算法具有较好的准确性和可行性。但本算法是基于面积的大小，对于戴眼镜的人脸图像，需要调节二值化的阀值；当图像中有多个人脸时,应事先对图像进行切割,使其成为单个人脸。通过这些处理，本算法能实现对不同人脸的眼睛定位。

参考文献：

[1] 杨强,黄地龙.基于帧间差分与静态特征相结合的人脸跟踪方法[J].苏州科技学院学报:工程技术版,2006,19(2):74-78.

[2] 张敏,陶亮.人脸图像中人眼的检测与定位[J].光电工程,2006,33(8):33-36.

[3] TIAN Ying-l,i KANADE T, JEFFREY FC. Eye-state action unite-rection by Gabor wavelets[C]//Proc of the 3rd International Conference on Advances in Multimodal Interfaces. London: Springer-Verlag, 2000: 143-150.

[4] 刘瑞安,靳世久,张希坤,等.眨眼检测与眼睛跟踪[J].计算机应用,2006,26(12):2835-2837.

[5] 唐Q,许海柱,王力.图像中人眼检测技术综述[J].计算机应用研究,2008,25(4):961-965.