基于图像的人眼角检测的方法及系统的制作方法
【技术领域】
[0001] 本发明涉及的是一种图像处理领域的技术，具体是一种基于图像的人眼角检测的 方法及系统。
【背景技术】
[0002] 人脸关键点技术即定位人脸面部关键特征部位，比如眼睛、眼角、鼻子、嘴巴等。这 些关键点富含了大量?目息，可以为人脸识别、表情分析、人脸跟踪等研究工作提供相应的基 础数据。作为关键点的眼角在各个方面都有涉及，比如用作人眼视线估计Gaze应用中，或 者是用作人眼状态判断中眼睛区域提取的信息等。
[0003] 经过对现有技术的文献检索发现，Ρ. Ν. Belhumeur等人2011年在《IEEE Conference on Computer Vision and Pattern Recognition》（IEEE 计算机视觉和模式识 另1J会议）发表一篇名为Localizing parts of faces using a consensus of exemplars(使 用范例的一致性确定脸上的部分）中，使用滑动窗提取人面部特征，在使用大量的人脸数 据进行训练后，用训练好的模型预测人脸关键点的位置所在；Xudong Cao等人2012年在 ((IEEE Conference on Computer Vision and Pattern Recognition〉〉（IEEE 计算机视觉和 模式识别会议）上发表的Face Alignment by Explicit Shape Regression (直接形状回 归预测脸部特征点）中通过对矢量回归函数的学习，直接预测脸部特征点的位置。因为不 需要使用搜索窗进行扫描，这种方法更加有效率。
[0004] 也有一些学者以眼角为重点专门研究。Gil Santos等人在2011年于 《International Joint Conference on Biometrics》（计算生物学国际联合会议）中发表 了一篇名为 A robust eye - corner detection method for real - world data( 一种基 于现实生活数据的鲁棒眼角检测方法），在文章中，作者提取了虹膜、巩膜信息等，并在指定 区域内提取眼角候选点，根据一系列特征挑选最为符合的眼角点。与其它方法与众不同的 是，作者将内眼角点和外眼角点作为一组候选，而非一个点，这样可以加入内眼角与外眼角 的生物学特征，为更加精准地判断眼角位置提供了帮助；Xu等人在2008年《Proceedings of the 19th International Conference on Pattern Recognition〉〉（第 19 届模式识别国 际性会议）上发表了一篇名为 Semantic feature extraction for accurate eye corner detection(精确眼角检测的语义特征提取），文章中首先利用角点检测器选取眼角备选 点，利用逻辑回归和语义特征分析这些候选点，所谓语义特征即基于字面上定义：由眼睑构 成的角度特征。从备选点中最后检测出真正的眼角点。
[0005] 尽管上述方法都可以检测到眼角的位置，但在人脸关键点检测中，因为还需定位 脸上其它关键点的位置，眼角单独的信息常常会受到其它部分的限制，有时甚至会被其它 关键点错误的检测所拖累；而现有的直接检测眼角位置的方法少之又少，仅有的方法通常 无法应对于光线的变化、不同的人眼生物结构等。在一些特殊的情况下，人眼虹膜的移动也 会使得检测失准。
【发明内容】
[0006] 本发明针对现有技术存在的上述不足，提出一种基于图像的人眼角检测的方法及 系统，能够有效实现眼角检测。
[0007] 本发明是通过以下技术方案实现的：
[0008] 本发明涉及一种基于图像的人眼角检测的方法，包括：
[0009] 第一步：利用主动的外貌特征模型（AAM)或主动形状模型（ASM)方法定位眼睛大 致区域图和眼角区域图，并使用固定模板对眼睛大致区域图和眼角区域图像进行滤波；
[0010] 所述的AAM方法引自Timothy F. Cootes等在1998年发表在《European Conference on Computer Vision》（欧洲计算机视觉会议）一篇名为 Active Appearance Models (主动的外貌特征模型）一文。
[0011] 所述的ASM方法引自Timothy F. Cootes等在1995年发表在《Computer Vision and Image Understanding》（计算机视觉及图像认知）一篇名为Active shape models:Their training and application.(主动形状模型：它们的训练以及应用）一文。
[0012] 第二步：对于滤波后的眼角区域图使用自定义阈值的方法进行二值化，并取相同 阈值对滤波后的眼睛大致区域图进行二值化处理，分别获得眼角区域二值图和眼睛大致区 域二值图；
[0013] 第三步：提取第一步滤波前的眼睛大致区域图的类眼角点图和眼白图，利用类眼 角点图中最右侧点的坐标信息为边界，滤除第二步得到的眼睛大致区域二值图中对应该边 界右侧的连通区，获得一次修正的眼睛大致区域二值图，再将其与所述眼白图进行并集操 作，获得二次修正后的眼睛大致区域二值图；
[0014] 第四步：计算第二步得到的眼角区域二值图内最大两个连通区与第二步得到的眼 睛大致区域二值图的连通区关系，从而得到两个连通区在眼睛大致区域二值图中对应的连 通区，再计算这两个连通区与第三步获得的二次修正后眼睛大致区域二值图连通区关系， 判断是否需要重新定位眼睛大致区域和眼角区域。
[0015] 第五步：对眼角区域二值图进行修剪并输出眼角点信息。
[0016] 本发明涉及一种实现上述方法的系统，包括：滤波模块、二值化模块、类眼角点图 提取模块、眼白区域提取模块、连通区关系计算模块和二值图修剪模块，其中：滤波模块向 二值化模块输出图像的纹理特征，二值化模块将眼睛大致区域二值图和眼角区域二值图输 出至连通区关系计算模块，类眼角点提取模块将眼睛大致区域图中符合眼角点特征的点的 几何信息输出至连通区关系计算模块，眼白区域提取模块将眼睛大致区域图中的眼白区域 的几何信息输出至连通区关系计算模块，连通区关系计算模块综合图像信息输出连通区在 不同模块下的相互关系，二值图修剪模块根据相互关系对眼角区域二值图的眼角区域轮廓 进行修剪并提取得到眼角点信息。
[0017] 所述的纹理特征用灰度图中像素值，即0 - 255进行表征，该纹理特征包括但不限 于眼角的轮廓、眼睛区域轮廓。
[0018] 所述的眼睛大致区域图中符合眼角点特征的点的几何信息，即二值图中黑色的连 通区。
[0019] 所述的眼白区域的几何信息，即二值图中黑色连通区表征。 技术效果
[0020] 与现有技术相比，本发明的技术效果包括：
[0021] 1)在不同的光照、不同人群下，眼角信息都可以精确地被找到，本方法自由度高， 鲁棒性好；
[0022] 2)在眼睛正常移动的情况下，本方法都可以精确找到眼角位置，受到瞳孔区域影 响较小；在某些情况下（眼睛瞳孔偏向一侧），本方法依然可以找到眼角所在位置，而常规 方法找到的眼角误差较大；
[0023] 3)算法时间复杂度低，可以实时进行眼角定位，本方法利用价值高。
【附图说明】
[0024] 图1为本发明的流程图。
[0025] 图2为类眼角点扫描示意图。
[0026] 图3为计算连通区关系示意图。
[0027] 图4为修剪权重分布示意图及修剪前后二值图中连通区的对比。
[0028] 图5为本发明流程图中涉及的相关模块。
【具体实施方式】
[0029] 下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行 实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施 例。 实施例1
[0030] 如图1所示，本实施例包括以下步骤：
[0031] 第一步：利用主动的外貌特征模型或主动形状模型方法定位眼睛大致区域图和眼 角区域图，并使用固定模板对眼睛大致区域图和眼角区域图像进行滤波；
[0032] 所述的固定模板是指：尺寸为4x6的像素模板框，其数值如下所示：
[0033] 第二步，眼角区域灰度图像经滤波后采用自定义阈值的方法进行二值 化处理，具体为：对于单通道图像中的每一个像素点的值为I(x，y)，对于m*n大
小的图片，计算图像中的均值和标准差，即
;然后通过调节参数计算得到自定义阈值
其中：调节参数α优选为50 ;再根据自定义阈值对滤波 后的图像进行二值化处理：当像素值I (X，y)高于或等于阈值时，将像素值置为〇(黑色）， 反之置为255 (白色）。
[0034] 当得到上述自定义阈值Ithrashcild后，进一步使用该阈值对眼睛大致区域灰度图像 进行二值化操作，从而分别获得眼角区域二值图和眼睛大致区域二值图；
[0035] 第三步：提取第一步中滤波前的眼睛大致区域图的类眼角点图和眼白图，利用类 眼角点图中最右侧点的坐标信息为边界，滤除第二步得到的眼睛大致区域二值图中对应该 边界右侧的连通区，获得一次修正的眼睛大致区域二值图，再将其与所述眼白图进行并集 操作，获得二次修正后的眼睛大致区域二值图，具体包括以下步骤；
[0036] 所述的眼睛大致区域图的类眼角点图，通过以下方式提取得到：
[0037] 1)对眼睛大致区域的图像提取灰度通道，然后建立3*3尺寸像素的扫描框进行上 下左右扫描；
[0038] 所述的扫描的步长为2像素。
[0039] 2)对扫描框中的每一个像素，计算其梯度方向值Θ (X，y) = arctan(Gv(x, y)/ Gh (x，y))，其中：Gh (x,y)为该坐标下水平方向的梯度值 G;,(W) = /Cx+Ly)-/(.Y-l.j'）νχ,.ι'，为该坐标下竖直方向的梯度值 二/(戈，丨+ 1) -/(r，v-i(x，y)为灰度图中在坐标（x，y)的灰度值。
[0040] 3)计算扫描框中的所有像素的梯度方向值的标准差，替代该扫描框的中心位置像 素的灰度值，并重复步骤1和步骤2,直至完成整个眼睛大致区域的图像的扫描以及对应中 心位置像素值的更新。
[0041]