本发明涉及一种在线追踪眨眼活动的方法，主要用于追踪实时视频中眨眼的动作。
背景技术：
目前，V-J算法和比较法是国内外常用于在线追踪眨眼活动的算法。V-J算法用于面部识别比较多，但是专门用于识别眼睛形状的话，该算法还有一定的欠缺。此算法必须将视频分割成每一个时间片段，然后一个一个的处理计算，运算量大，速度缓慢，还将造成短小的眨眼瞬间不被识别的错误。比较法原先运用于瘫痪者的眼动识别，头部的运动，甚至只是四肢的活动会导致这个算法的不准确性，并且会误将面部的其他部位误算成眼睛。就硬件而言，现有的方法对硬件的要求过高，所需设备昂贵。比如德国SMI的眼动眼镜，它以一套红外线摄像头追踪眼球运动轨迹，其动态通过热点图反映出来。但是造价昂贵，市场价格20多万人民币，不适于广泛推广。
技术实现要素：
本发明的目的是提供一种在线追踪眨眼活动的方法，主要用于追踪实时视频中眨眼的动作。
本发明采用Viola-Jones(V-J)算法来发掘眼部形状。它是建立在Haar的自动学习方法上的。Haar分类器实际上是Boosting算法的一个应用，Haar分类器用到了Boosting算法中的AdaBoost算法，只是把AdaBoost算法训练出的强分类器进行了级联，并且在底层的特征提取中采用了高效率的矩形特征和积分图方法。Haar分类器＝Haar-like特征+积分图方法+AdaBoost+级联。
Haar分类器算法的要点如下：
①使用Haar-like特征做检测。
②使用积分图(Integral Image)对Haar-like特征求值进行加速。
③使用AdaBoost算法训练区分人脸和非人脸的强分类器。
④使用筛选式级联把强分类器级联到一起，提高准确率。
采用的第二种算法为比较法，即：计算机系统等待一个时机，这个时机为非机动眨眼瞬间，这个瞬间发生的眨眼的方位被识别为眼睛的部位。这个瞬间的片段被储存在系统中，接下的瞬间通过比较的方法来识别眼睛部位动态的不同。这个算法比V-J优秀的方面有两点：1.所需运算的内容少很多，大大提高的速度；2.比较的内容是确实的眼睛部位，而非通过运算生成的眼睛部位。
本发明的算法是将现有的算法结合起来，即可以增加算法的准确性，又可以降低算法的运算成本。它只采用V-J算法的第一部分，然后将搜寻窗局限在一部分的视频图像中(而不是全频)，大大缩小了继续识别的区间，严格的规则也减少错误的产生。
附图说明
图1为步骤图。
具体实施方式
为了更好的理解本发明，下面结合具体实施步骤对本发明进行进一步的描述。本发明分为以下8个实施步骤：
1.显示别脸和鼻子：此步骤和V-J算法一样，识别脸和鼻子，如果有许多脸部，该步骤只识别最大的脸。
2.找出搜寻窗：当脸部被识别之后，整个面部作为搜寻窗口。
3.比较图像区别：下一个时间点的面部图像和刚刚确认的搜寻窗中的作对比，形成差别图。
4.寻找连续点：通过像素的区别连成一个区别的点图。
5.过滤不合法元素：此步骤可以将不符合眼部运算的噪音过滤掉(比如暗光造成的区别而不是眼动造成的区别)，其方法为探索法，规律为比较像素的垂直距离。比如：作为眼睛，像素区别点图大小必须差不多，垂直距离不能相差太大，眼部中点间距到眼睛横距离的比率必须在2-5之间。
6.建立眼部范式：当第五步骤确定的眼睛的位置之后，将“闭眼”作为基准图片，寻找“闭眼”运用1/6秒时间，此时的闭眼的图像被存储。
7.追踪眼部区域：此步骤建于眼睛部位的范式建立之后，每一个时间段的截图作一次眼部状态差别的更新。
8.识别眨眼：在眼部周围的区别也会同时被运算。如果连续的动作被发现，一个眨眼被识别并且记录。该动作必须为：当像素的连续点组成的图像位于两眼识别框的1/2-2/3以下，记录为不完全眨眼，2/3以上为完全眨眼。再加上时间的运算，可以计算出每分钟眨眼的频率。
如果头部运动过大，那么有可能识别会丢失。整个程序1-8会重新自动启动。