基于MATLAB的人眼检测.doc

目录 摘要 I ABSTRACT II 1 绪论 1 1 1 研究背景及意义 1 1 2 国内外疲劳驾驶研究现状 2 1 3 本文的主要研究内容及组织结构 3 2 人脸检测与定位技术 4 2 1 人脸检测与定位技术概述 4 2 1 1 基于图像的人脸检测方法 4 2 1 2 基于特征的人脸检测方法 5 2 2 Adaboost 算法介绍 6 2 2 1 AdaBoost 算法描述 7 2 3 AdaBoost 算法分类器 10 2 3 1 分类器级联策略 10 2 3 2 级联分类器误差分析 11 3 人眼定位技术 12 3 1 常见的几种人眼检测方法 12 3 2 矩形特征及积分图 14 3 2 1 矩形特征 14 3 2 2 积分图 15 3 3 AdaBoost 算法的改进 16 3 4 构建双层 AdaBoost 分类器进行人眼检测 18 3 4 1 人脸定位与人眼定位的差异 18 3 4 2 人眼定位预处理 19 3 4 3 人眼定位双层分类器的构建 20 3 5 人眼定位算法的设计与实现 20 4 人眼状态识别 21 4 1 基于椭圆拟合的人眼状态分析 21 5 基于 PERCLOS 标准的疲劳状态分析 23 5 1 PERCLOS 方法介绍 23 6 总结 25 参考文献 26 附录 A 28 摘要 随着汽车工业的不断发展 随之而来的社会问题也愈加严重 交通事故给人 们造成巨大伤害的同时 也给社会带来沉重的负担和影响 由于疲劳驾驶是引起 交通事故的一个主要原因 因此 研究一种合理有效 实时准确检测驾驶员疲劳 驾驶的非接触式车载装置对于减少交通事故 道路安全有重大意义 本文研究的主要内容包括 人脸检测 人眼定位 眼睛特征提取和状态识 别 疲劳程度的计算等算法的原理及实现 首先详细阐述了经典的 AdaBoost 算法 该算法涉及的内容包括 Haar Like 特征 弱分类器 级联的 AdaBoost 分类器等 然后利用 AdaBoost 算法 进行人脸检测 虽然 AdaBoost 算法的检测速度快 误识率低 但是在样本的权重更新过 程中 对于分类错误样本中的正 负样本没有加以区分 不利于提高正样本的 识别率 本文提出一种新的权重更新方法 对于分类错误的样本 对判断错误 的正样本给更高的权重 使得算法在下一轮迭代时 更加关注对分类错误的正 样本的学习 从而提高对正样本 人眼 的检测率 采用基于最小二乘法对眼 部的外轮廓进行椭圆拟合 根据拟合椭圆的参数来判断眼睛的睁闭状态 采用 结合 PERCLOS 和眨眼频率的方法 对疲劳状态进行检测 关键词 疲劳检测 AdaBoost 人眼定位 PERCLOS Abstract With the development of the automobile industry continuously the social problems are more and more severe The traffic accidents not only cause great harm to the people but also bring heavy burden and effect to society Because fatigue driving is a major reason that caused traffic accidents Therefore research a reasonable and effective real time and non contact device due to the detection of driver fatigue driving has great significance for reducing traffic accidents and raising road safety In this paper the main research contents are face detection eye location eye feature extraction principle and realization of the calculation of fatigue degree Firstly the classical AdaBoost algorithm is produced in detail which involves Haar Like features weak classifier cascade AdaBoost classifier etc Next face is detected based on AdaBoost algorithm Although the AdaBoost algorithm with a low false positive rate is fast there is no distinction between samples of error classification in the procedure of weight updating which ignores hit rate of positive samples In this paper a new method of weight updating is proposed to improve the hit rate of positive samples which pays more attention to positive samples of error classification After the region of driver s eyes is obtained the ellipse fitting algorithm based on least squares method is used to fit the eye contours and the eye state is identified according to parameters of ellipse Then the fatigue state could be detected based on PERCLOS and blink frequency Keywords fatigue detection AdaBoost eye location PERCLOS 1 绪论 1 1 研究背景及意义 所谓的疲劳驾驶 是指驾驶员在长时间持续驾驶或睡眠不足情况下而造成的 反应能力下降 其主要表现在驾驶员困倦 驾驶操作反应迟钝或完全丧失驾驶能 力 因疲劳驾驶而在全球每年导致数以万计的交通事故和大量人员伤亡 据公 安部交通管理局数据 2010 年全国共接报道路交通事故 3906164 起 同比 2009 年上升 35 9 其中 涉及人员伤亡的道路交通事故 219521 起 造成 65225 人 死亡 254075 人受伤 直接财产损失 9 3 亿元 其中疲劳驾驶被列为超速行驶 酒后驾车之后的第三大引发道路交通事故原因 引起驾驶员疲劳驾驶的原因除 上述的睡眠不足 长时间持续驾驶外 还与工作性质与时间 人的生理周期 酒 精以及药物 乃至不同人的生活习惯 身体状况 年龄差异有关 另外 即使驾驶 员状态良好或者在注意力高度集中的情况下 如果面对景色单一的高速公路 也容 易因公路催眠而产生驾驶疲劳 从而导致自我控制能力减弱 判断迟缓 动作僵 硬 视力下降 注意力分散以及视野变窄等不良反应从而发生交通事故疲劳驾 驶作为引发道路交通安全事故的重要原因 越来越引起人们的重视 由此可见 疲劳驾驶是一个比较严峻的问题 主要是由于它的隐蔽性很强 疲劳驾驶的发生很难预测和判定 因此 当驾驶员刚出现疲劳症状时 如果能 发出预警 或者自动降低车速甚至强制其停车休息 则可以有效地加强行车安 全 减少由于疲劳驾驶所引起的交通事故 避免因此产生的经济损失和人员伤 亡 在过去的几十年中 国内外专家和学者都在积极研究疲劳驾驶 对疲劳检 测的方法也做了各方面的探索 在一定程度上取得了很大的进步 但在实际应 用过程中 还存在较多的问题 因此 如何及时有效的检测出驾驶员的疲劳程 度 减少因疲劳驾驶而引发的交通事故已经成为当前智能运输系统的研究热点 为了降低因疲劳驾驶导致的交通事故发生率和人员伤亡数量 降低人为因素导致 的交通安全隐患 本文对人眼疲劳值算法进行了研究 1 2 国内外疲劳驾驶研究现状 目前国外的许多国家都对汽车安全方面投入了大量的资金 用来解决交通 安全的问题 许多高校和科研机构也都在该方面进行了大量的研究 并取得了 丰硕成果 日本一家公司利用装置在驾驶员头部上方的传感器来判定司机头部位置 传感器利用驾驶员头部与其之间的距离计算并跟踪头部在三维空间当中所处的 位置 然后依据不同时间下驾驶员头部产生的位移变化判断其是否处于疲劳状 态 利用装置在方向盘上的心跳感应器来检测驾驶员的心跳速度 该系统每隔 一段时间检测一次 当司机处于疲劳状态时心跳速度减慢 因此可以简单易行 的判断出驾驶员是否处于疲劳状态 英国科学家为司机研制的防瞌睡报警系统 可以监视司机开车时的眼睛和 肌肉运动 大脑活动及心率等 如发现异常 系统能及时发出报警 美国研制的疲劳检测系统 DDDS The Drowsy Driver DetectionSystem 此系统采用多普勒雷达和复杂的信号处理方法获取驾驶员烦躁不安的情绪活动 眨眼频率和持续时间等疲劳数据 判断驾驶员是否处于瞌睡状态 该系统可以 做成一个比较小的装置 放在驾驶员头顶上方 或头顶前方某个地方 以免影 响驾驶员的驾驶 2005 年 澳大利亚的研究人员推出一款眼镜 通过内置于眼镜中的红外线传 感器监测司机的眼睑活动和眨眼频率 并据此判断司机是否疲劳 国内在人脸识别技术和驾驶员疲劳检测的研究方面起步较晚 相关技术还 不成熟 同发达国家相比还有很大的差距 但一些高校和研究机构还是投入了 大量的精力进行研究 经过几十年的努力 在驾驶疲劳检测方面也取得了一系 列的成果 江苏大学也在研究 PERCLOS 算法的基础上 设计出一套系统 该系 统使用波长为 850 950mm 的红外图像仪及差分图像仪作为图像采集器 由于利 用红外光源成像 排除了环境光源的干扰 提高了装置的适用性 满足各种驾驶 情况下对驾驶员状态的监测要求 同时可以得到关于关键部位 眼部 的差分 图像 提高了系统的实时处理能力 有一定的实用价值 1 3 本文的主要研究内容及组织结构 本文主要研究了人脸检测和人眼定位基础上的疲劳驾驶检测方法 重点研究 了快速的 Adaboost 人脸检测算法 Mean shift 眼睛跟踪算法 主要目的是在经典的 人脸检测和定位算法的基础上寻求一种改进的算法从而提高疲劳驾驶检测的实 时性和准确性 具体工作如下 1 研究并实现了对于静态图像和视频流中快速的人脸检测定位的问题 采 用经典的 Adaboost 算法实现了人脸的快速检测定位 该方法对于单个图像的检测 率非常高且耗时很少 满足疲劳驾驶检测对于实时性的要求 2 研究并实现了基于 Mean shift 算法的人眼实时跟踪方法 通过在人脸检 测基础上眼睛粗定位的基础上 用灰度和颜色分布来表示人眼 将颜色的直方图作 为特征 实现了人眼轮廓的快速的实时跟踪定位 3 研究实现了眼睛特征提取和状态识别的算法 通过对人眼内外角点分别进 行检测定位和对人眼上眼睑中间点的定位 拟合上眼睑的轮廓曲线 利用上眼险与 人眼内外眼角点连线之间的距离实现了对眼睛状态的量化分析 4 结合 PERCLOS 标准和泛眼频率实现对疲劳状态的判决 本文共分为六章 第 1 章 主要介绍了疲劳驾驶检测课题的研究背景和研究现状以及发展趋 势和难点问题 第 2 章 对经典的 Adaboost 人脸检测方法进行详细阐述 并利用该方法实现 快速的人脸检测定位 并介绍利用其进行疲劳驾驶检测 第 3 章 首先介绍了常见人眼定位方法 分析了各自的优缺点 再具体阐 述了 AdaBoost 算法采用的 Haar Like 矩形特征 然后分析了 AdaBoost 算法 的一些不足 给出了改进方案 最后提出采用人脸检测 人眼定位的双层 AdaBoost 分类器进行人眼检测 第 4 章 研究实现了眼睛特征的提取和状态的识别 第 5 章 人眼状态的识别和疲劳判定模块 利用 PERCLOS 和眨眼频率对 驾驶员进行最终的疲劳判定 达到对疲劳驾驶的预警提示 第 6 章 对本文进行了总结与展望 对本文所做的工作进行总结 2 人脸检测与定位技术 对于人眼疲劳检测的研究 首先要检测到人脸 在此基础上提取眼睛的状态 参数作为特征信息来实现 因此疲劳驾驶检测基础是人脸以及人眼的检测定位 人脸检测旳方法有很多 使用特定的硬件设备 采用红外照明 可以直接检测出睛 孔的准确位置 从而定位出眼睛 进行后续的测量 其次可以先通过检测出人脸 减小图像中的搜索范围 再对检测的人脸区域进行搜索 找出眼睛的位置 前一 种利用硬件定位虹膜的方法 一旦眼睛识别失误 系统将不能运行 而后一种方法 只 要准确的检测出人脸 就可以定位人眼的位置 本文采用先检测出人脸的位置 然后在人脸区域进行眼睛定位的方案 2 1 人脸检测与定位技术概述 人脸检测是指在不同的背景条件中检测出人脸的所在 并将其从背景中分 割出来 确定出其位置 此过程主要受光照 噪声 头部摆动以及其他外部条 件的影响 人脸检测是我们进行疲劳驾驶检测的第一步也是基础 只有准确的检 测定位出图像中人脸的准确位置 才能进行后面的工作 而在实际生活中人脸检 测常用于门禁系统 图像检索 人机交互等方面 人脸检测的基础是建立人脸 模型 先遍历所有的待检测区域后与所建立的人脸模型的进行匹配 之后得到可能 存在人脸的区域 目前主要的人脸检测方法可以分为两大类 基于图像的人脸检 测方法以及基于特征的人脸检测方法 前者属于一般的模式识别问题 将待检测 图像作为人脸检测的输入 不需要对图像进行特征提取以及处理 直接进行训练后 将样本分为人脸和非人脸两种类别 而后进行人脸检测 后一种方法需要提取人脸 的各种特种 例如肤色信息 人脸的轮廓结构 表情信息等 这一种方法是大部分 人脸检测所采用的方法 采用经典的模式识别算法来实现 2 1 1 基于图像的人脸检测方法 基于图像的人脸检测一般不考虑图像的先验知识 不需要对图像进行特征提 取和处理 直接将图像作为系统的输入 利用一般的模式识别算法进行训练 将样 本图像分类为人脸类和非人脸类 而后将训练得到的人脸类和待检测区域进行匹 配 进行人脸检测 常见的基于图像的人脸检测方法有线性子空间法 神经网络 法 统计法等 1 线性子空间方法 可以将人脸图像看成处于整幅图像的一个子空间中 通常用神经学的方法 表示子空间 也可以用诸如主元分析以及线性判定分析等方法来表示 2 神经网络方法 神经网络方法是解决模式识别问题的重要方法 也经常被用来解决人脸识别 问题 其通过训练过程中样本进行自学习 具有一定的自适应性和鲁棒性 避免了 特征提取的环节 节省了运算时间 3 统计法 除以上两类统计方法外 还有基于贝叶斯决策方法的人脸检测和基于支撑 矢量机方法的人脸检测方法 2 1 2 基于特征的人脸检测方法 1 特征分析的方法 常见的有两种方法 其一将单个人脸特征的相对位置作为基础 进行序列特征 搜索 其二利用各种常见的人脸模型将人脸特征分类 建立不同的群类 例如 特 征搜索法和构象分析法就属于这种方法 2 利用活动模型的方法 所谓的活动模型是指模型本身是一种真实的身体特征 活动模型同局部特 征相互作用 最终逐渐的将形成所要检测特征的形状 当前常用的活动模型主要 有 Snake 模型点的分布模型以及变形模型它就会同局部特征相互作用 利用活动 模型解决人脸定位问题是近年来比较流行的方法 3 底层分析的方法 底层分析主要指对图像的边界 灰度 颜色 尺寸等信息进行分析比较 得 到所需要的检测特征 由于基于特征的人脸检测一般都考虑图像的先验知识 基 于图像边界的检测方法通过结合人脸图像尺寸的先验知识 对边界进行处理 提取 角点及其边缘点 舍去那些突起的点 对整个图像进行搜寻后进行匹配确认 观察 一个人的脸部图像 会发现眼睛 眉毛 嘴唇等处的灰度变化较之脸部的其他地 方灰度要小 利用这样的性质 可以通过基于灰度信息的方法进行人脸检测 如通 过水平方向和垂直方向的积分投影来定位眼睛和眉毛的位置 进行眼睛的检测以 及定位 2 2 Adaboost 算法介绍 分类是模式识别检测的关键 人们都希望研究出精度很高的机器学习算法 机器学习算法可以粗略的分为强学习算法和弱学习算法 强学习算法准确率很 高 但是往往结构复杂 计算开销很大 与算法本身的质量相比 成本过于庞 大 难以在实际生活中得到广泛的应用 弱学习算法结构简单 但准确率不高 仅比随机猜测略好 一个自然的想法就是能否将弱学习器 提升 或 集成 为强学习器呢 Schapire 最初提出的 Boosting 算法就是在这种思想下建立和 发展的 Boosting 算法是一种基于简单有效分类策略的机器学习方法 是集成 学习的核心内容和研究热点 Boosting 是推助 提升的过程 它是将一系列比 随机猜测略好的弱分类器加权组合为强分类器的算法 Boosting 这种特性受到 了越来越多学者的重视 成为图像处理等领域的研究热点之一 AdaBoost 算法最早起源于 Schapire 在 1990 年提出的 Boosting 算法 它是一种能够提高任意给定学习算法准确率的方法 AdaBoost 算法的基本思想 是利用大量的分类能力一般的弱分类器 Weaker Classifier 通过一定的方法叠加 Boost 起来 构成一个分类能力很强的强分类器 Stage Classifier 再将若干个 强分类器串联成为级联分类器 Classifier Cascade 完成目标的搜索检测 本文就 是利用 AdaBoost 算法将由 Haar Like 特征生成的弱分类器叠加成为强分类器 再将强分类器串联成为级联分类器 进行人眼检测 在众多的 Boosting 算法 中 AdaBoost 算法因其有以下优点而被广泛使用 1 算法速度快 2 不需要知道任何关于弱分类器的先验知识 3 对弱分类器的性能要求不高 只需要比随机猜测性能稍好即可 这种弱 分类器在实际情况下很容易获得 从而降低了算法的复杂度 提高了效率 4 在弱分类器的构成上可以兼容多种方法 这些弱分类器可以是神经网络 决策树 最近邻域分类器 经验规则等 5 训练数据可以是文本 数字 离散值等 并且 AdaBoost 算法很容易被 推广到多类目标的分类问题中去 2 2 1 AdaBoost 算法描述 根据假设第 i 个训练样本在第 t 次迭代时分布权重为 初始化时所有 权重归一化 1 m m 为样本数 然后调用弱学习算法进行 T 轮迭代 在 每一轮的迭代中 弱学习算法的目标就是根据训练样本的权重产生一个弱 分类器最简单的情况就是二值分类问题 即分类器性能的好 1 1 坏由 其误差率决定 2 1 1 jii n jjii hxyi t it i hxy 每次迭代后按训练结果更新样本的分布 对训练误判的样本赋予较大的权 重 也就是让学习算法在后续的学习过程中关注于这些分类困难的样本 再对 重新分布的训练集进行学习 T 次训练结束后 AdaBoost 算法得到一系列弱 分类器 并给每个弱分类器赋予一个权重 表示该弱分 1 2 1 2 类器的重要性 AdaBoost 算法是一种迭代方法 它是通过改变数据分布来实现的 它根据 每轮训练中每个样本的分类是否正确 以及上轮的总体分类准确率 来确定每 个样本的权重 然后将每次训练得到的分类器融合起来 作为最后的决策分类 器 在 AdaBoost 算法中 每一个训练样本都被赋予一个权重 表明它被某个 弱分类器选入训练集的概率 如果某个样本没有被正确的分类 那么在构造下 一个训练集时 它被选中的概率就会增加 相反 如果某个样本已经被正确的 分类 那么在构造下一个训练集时 它被选中的概率就会降低 通过这样的方 式 AdaBoost 算法能够 聚焦于 那些较困难的样本上 在具体的实现时 最 初令每个样本的权重都相等 对于第 t 次迭代操作 就根据这些权重来选取样 本 进而训练分类器 然后就根据这个分类器 来提高被它错分的那些样本 的权重 并降低被正确分类的样本权重 然后 权重更新后的样本集被用来训 练下一个分类器 整个训练过程如此循环下去 理论证明 若每个弱分 1 类器的分类能力比随机猜测好 那么当弱分类器的个数趋向于无穷时 强分类 器的错误率将趋近于零 对于二值分类问题 已知训练样本集 1 1 待分类样本有 k 个简单矩形特征 表示为 其中 1 1 1 对于第 i 个样本 它的特征为 对每一个输入特征 1 1 2 有一个简单的二值弱类器 第 j 个特征的弱分类器由一个阈值 一个特征 和指示不等式方向的偏置构成 2 2 1 1 可以看到 一个较低的阈值可以产生一个高检测率的分类器 但它的误识 率也相应很高 相反 较高的阈值可以产生一个低检测率 低误识率的分类器 AdaBoost 算法构建强分类器的具体过程如下 1 对所有样本初始化权重 2 3 1 1 2 经过 T 轮迭代训练 挑选出 T 个弱分类器组成强分类器 3 最后得到的强分类器为 2 4 1 0 11 1 2 TT ttt tt h x 其中为弱分类器的投票加权重 1 ln 2 tt 以上过程的意义可以简单的表述为 每一轮迭代过程在当前的概率分布上 找到一个具有最小错误率的简单分类器 然后调整概率分布 增大当前简单分 类器分类错误的样本的概率值 降低当前简单分类器分类正确的样本的概率值 以突出分类错误的样本 使下一次迭代更加针对 困难 的样本 使得那些被 错分的样本到进一步重视 后面训练得到的新的简单分类器就会更加强化对这 些分类错误样本的训练 这样经过多次迭代之后 产生的每一个新分类器基本 上可以解决已有分类器不能很好分类的样本 从而得到一个弱分类器序列 每 个弱分类器赋予一个权重 分类效果好的相应权重就大 T 轮迭代后 最终的 强分类器采用带权重的投票法产生 图 2 1 给出了 T 轮 AdaBoost 算法的流程 图 N Y 图 2 1 AdaBoost 算法流程图 开始 更新样本权重 给定训练样本 x y 1 y 初始化样本权重置 t 0 t0 12 时 驾驶员处于疲劳状态 6 总结 近年来由疲劳引发的交通事故越来越多 疲劳驾驶预警系统对于避免交通事 故实现道路安全有重要意义 本文通过使用计算机视觉的方法对驾驶员进行眼 睛定位和状态分析 分别研究了人脸检测 人眼定位和眼部状态识别几个方面 的内容 然后融合 PERCLOS 来判断驾驶员是否处于疲劳状态 本文首先介绍基于 AdaBoost 算法的人脸检测技术 结合 Haar Like 特征 分析了其实时检测方面的优点 并针对 AdaBoost 算法对困难样本不加以区分 的问题 采用一种结合正样本识别率的方法对权重更新进行了改进 在比较了 各种人眼检测方法后 采用基于 AdaBoost 算法构建双层分类器进行人眼检测 这种方法先检测到人脸区域 然后根据人脸的 三庭五眼 结构缩小人眼搜索的 区域 能够排除大部分被误识的非人眼区域 在对人眼成功进行定位以后 采用了基于最小二乘法的眼睛轮廓椭圆拟合 方法 用所拟合的人眼椭圆来表示人眼的形状特征 然后根据拟合椭圆的长短 轴比例来判断人眼的睁闭状态 最后采用结合 PERCLOS 的方法判断疲劳状态 使得疲劳检测系统更加的稳定 参考文献 1 林广宇 魏朗 基于数字图像的汽车驾驶员行驶状态判别 J 计算机工程 2007 33 22 193 194 2 梁路宏 艾海舟 基于人脸检测的人脸追踪算法 计算机工程与应用 2001 17 42 45 3 吴康华 基于 PERCLOS 的驾驶疲劳检测系统设计 D 杭州 浙江大学信息学院 2008 4 张劲 安全驾驶中的人脸表情识别技术研究 D 南京 南京理工大学计算机应用专业 200 5 贾永红 数字图像处理 M 武汉 武汉大学出版社 2003 6 朱振华 吴晓娟 王磊 等 基于眨眼持续时间的司机疲劳检测方法 计算机工 程 2008 34 5 201 206 7 Li Ying Lai Jianhuang Ruen Pongchi Muti template ASM and Its Application in FacialFeature Points Detection Computer Research and Development 2007 44 1 133 140 8 Gerry E Warning system for fatigued drivers nearing reality with new eye dataf J Seienee Dai y Agazine 1997 7 25 30 9 王荣本 郭克友 储江伟 适用驾驶员疲劳状态监测的人眼定位方法研究 J 公路交通 技术 2 003 20 5 111 114 10 夏芹 宋义伟 朱学峰 基于 PERCLOS 的驾驶疲劳监控方法进展 J 自动化技术 与应用 2008 27 6 43 46 11 郑培 机动车驾驶员驾驶疲劳测评方法的研究 D 北京 中国农业大学 2001 12 Ma Y Xiaoqing Ding Robust precise eye location under probabilistic framework C Proceedings of the sixth IEEE International Conference on Automatic Face and GestureRecognition 2004 339 344 13 Freund Y Boosting a weak Learning Algorithm by Majority J Information and Computation 1995 121 2 256 285 14 M Pilu A W Fitzgibbon R Fisher Ellipse Specific Direct Least Square Fitting C PatternAnalysis and Machine Intelligence 1999 599 602 15 R Lienhart A Kuranov and V Pisarevsky Empirical analysis of detection cascades ofboosted classifiers for rapid object detection C In DAGM 25th Pattern RecognitionSymposium 2003 附录 A clear all x imread C wuzun jpg 读取原始图像 figure 1 subplot 1 4 1 imshow x title 原图像 1 y rgb2gray x subplot 1 4 2 imshow y title 图像 1 的灰度图 图 1 灰度图 u1 imnoise y salt subplot 1 4 3 imshow u1 title 图像 1 加噪声图 给图 1 加椒盐噪声 zz medfilt2 u1 3 3 z medfilt2 zz 5 5 2 次中值滤波 subplot 1 4 4 imshow z title 图像 1 中值滤波 图 1 中值滤波 3 3 窗口 figure 6 subplot 1 2 1 imshow zz title 一次滤波 subplot 1 2 2 imshow z title 二次滤波 x1 imread C wuzun1 jpg figure 2 subplot 1 4 1 imshow x1 title 原图像 2 y1 rgb2gray x1 subplot 1 4 2 imshow y1 title 图像 2 灰度图 图 2 灰度图 u2 imnoise y1 salt subplot 1 4 3 imshow u2 title 图像 2 叫噪声图 图 2 加椒盐噪声 zz1 medfilt2 u2 3 3 z1 medfilt2 zz1 5 5 2 次中值滤波 subplot 1 4 4 imshow z1 title 图像 2 滤波图 图 2 中值滤波 figure 5 subplot 1 2 1 imshow zz1 title 一次滤波 subplot 1 2 2 imshow z1 title 二次滤波 figure 3 subplot 1 2 1 imshow z title 处理后图 1 figure 3 subplot 1 2 2 imshow z1 title 处理后图 2 f imsubtract z1 z 图 1 图 2 差 分 figure 4 subplot 1 1 1 imshow f title 差分后图像 agin medfilt2 f 3 3 figure 10 imshow agin f agin 差分图中值滤波 眼睛的粗定位 标注一只眼睛 h w size f Amax 0 m 0 n 0 for i 10 h for j 10 w if Amax f i j Amax f i j m i n j end end end 标另外一只眼睛 Bmax 0 m1 0 n1 0 for i1 10 m 10 for j1 10 w 10 if Bmax f i1 j1 Bmax f i1 j1 m1 i1 n1 j1 end end end for i2 m 10 h 10 for j2 10 w 10 if Bmax f i2 j2 Bmax f i2 j2 m1 i2 n1 j2 end end end 判断两眼的参数是否符合要求 figure 7 imshow z hold on plot n m n1 m1 title 标定眼睛图 给眼睛画上矩形框 figure 8 imshow z title 眼睛粗定位 hold on Bvertex n 25 m 15 n 25 m 15 矩形的左上顶点坐标和右下顶点坐标 plot Bvertex 1 1 Bvertex 2 1 Bvertex 1 2 Bvertex 1 2 r plot Bvertex 2 1 Bvertex 2 1 Bvertex 1 2 Bvertex 2 2 r plot Bvertex 2 1 Bvertex 1 1 Bvertex 2 2 Bvertex 2 2 r plot Bvertex 1 1 Bvertex 1 1 Bvertex 1 2 Bvertex 2 2 r hold on Bvertex n1 25 m1 15 n1 25 m1 15 矩形的左上顶点坐标和右下顶点坐标 plot Bvertex 1 1 Bvertex 2 1 Bvertex 1 2 Bvertex 1 2 r plot Bvertex 2 1 Bvertex 2 1 Bvertex 1 2 Bvertex 2 2 r plot Bvertex 2 1 Bvertex 1 1 Bvertex 2 2 Bvertex 2 2 r plot Bvertex 1 1 Bvertex 1 1 Bvertex 1 2 Bvertex 2 2 r 最大类间方差定二值化阈值 height width size z hist zeros 256 1 直方图 threshold 128 初始阈值 计算直方图 for i 1 height for j 1 width m z i j 1 zz i j 灰度值从 0 255 hist m hist m 1 某级灰度的像素数 end end hist hist height width 落在每一灰度级上的概率 avg 0 for m 1 256 avg avg m 1 hist m end temp 0 for i 1 256 p1 0 avg1 0 avg2 0 T current i 1 当前分割阈值 for m 1 T current 1 p1 hist m p1 低灰度级概率总和 end p2 1 p1 高灰度级概率总和 for m 1 256 if m temp finalT T current temp D end end 滤波后差分图二值化 f1 z for i 1 h for j 1 w if f1 i j finalT f1 i j 0 else f1 i j 255 end end end figure 13 imshow f1 title 差分后图二值化 提取眼睛轮廓 精确定位眼睛矩形 最高点 最低点 最左边 左右边四点