红外眼睛图像瞳孔检测新算法

红外眼睛图像瞳孔检测新算法电子与信息工程学院华南理工大学中国广州摘要本文提出了一种新的基于霍夫变换，用于检测边缘梯度信息的瞳孔检测算法，其作用主要是为了提高眼睛注视跟踪技术的准确性。该算法在计算参数空间离散变换点时根据光瞳的像素特点，在红外角膜反射的情况下，利用二维霍夫变换结合了边缘梯度方向和固定范围内离散瞳半径可定位瞳孔中心。该算法有效地过滤掉了噪音，降低了离散变换点统计，并可计算瞳孔的参数。实验结果表明，该算法跟以前的相比具有更高的精度和真实性。关键词：霍夫变换，瞳孔中心，梯度方向，参数空间 一、引言本文主要研究如何准确检测凝视、非侵入式可视化过程中运动状态下眼睛的识别。我们可以从瞳孔检测的研究中扫视获得位置信息和监测不同的人，并把它作为人机交互的通道。眼睛运动状态的形式有四种，其中包括：辐辏运动，VOR，扫视和光滑的追求，这表现为移动的瞳孔中心。因此，移动的瞳孔中心主要信息特点是视线跟踪以及直接影响视线跟踪系统的精度和准确度。瞳孔角膜反射向量方法是视线传输的一种主要趋势。红外瞳孔中心角膜反射的提取从生物特征信息来说具有很大优势，但是由于头部运动，环境影响和图案噪声，它在精度上缺乏保证。瞳孔检测是研究基于霍夫变换的参数并寻找出瞳孔三维空间的参数。这种方法可以保证瞳孔中心提取的高精确度，并且它的特征非常适合于提取运动的眼球。但是，它表现不佳的地方在于不能处理好噪声干扰，且涉及大量的统计计数，不能满足实时性的需求。在进行了对3的研究后，比较了两种光照条件下的图像差分算法（光明和黑暗的眼球效应），其中从一个特殊硬件电路设计得到了亮和暗的瞳孔交替图像，然后计算图像差分定位出瞳孔及瞳孔中心。这种方法需要复杂的硬件设计并且鲁棒性较差。瞳孔中心的计算在4说到利用圆边分割几何计算和局部阈值检测。该方法具有实时性能好但不能满足精度要求的视线跟踪。在5提到，利用面部结构的知识来检测眼睛区域，并且它的CDF通过自适应方法被用来提取眼睑和虹膜区域，以定位瞳孔中心。不过定位瞳孔中心的精度低。而6中，认为从阈值的瞳孔区域进行自适应的二值化，这会使得对瞳孔中心检测的高精确度，但是该系统是侵入式的。最近，瞳孔中心精确定位在 7 中也有提及，而它需要复杂的硬件。然而更重要的是随着视线跟踪技术的研究，运动眼球的信息提取已变得越来越重要，但是根据目前的研究现状来看，还没有一个完整的理论和方法有效地定位瞳孔中心。本文提出了一种基于霍夫变换与边缘梯度方向信息变换的新型瞳孔检测算法。首先，边缘检测方法是基于canny算子将可用于提取瞳孔的轮廓，并计算边缘梯度方向信息。其次，根据红外角膜反射背景下的圆形瞳孔边界，用二维霍夫圆变换结合边缘梯度方向信息的方法来搜索瞳孔中心的离散光瞳半径的固定范围。最后，就可以得到运动眼球瞳孔中心的信息。本文阐述的方法可以有效地滤除噪声，降低了离散变换点统计，显著提高了在计算瞳孔中心的准确性和实时性。二、研究方法从图1，瞳孔在红外光源的形状类似一个圆。基述暗瞳孔的几何和光度特性，在低分辨率条件下，检测瞳孔边缘的噪音。另一方面，霍夫变换的基本方法之一是几何识别在图像处理中的图像，其基本原理在于点和线的双重辨别。因此，基于霍夫变换检测瞳孔，结合边缘梯度方向信息可以有效地降低噪音干扰，提高精度和实时性。瞳孔中心检测方法通过以下步骤：首先，用高斯滤波器对虹膜图像进行预处理；其次，基于Canny算子的边缘检测算法进行了图像处理；第三，每个边缘点的梯度方向将制定；最后，根据梯度方向信息，瞳孔中心是由由于霍夫变换与的一系列离散的瞳孔的半径。流程图在图2显示 A.图像处理1) 图像平滑如图所示，在红外有很多噪音图像。因此，应该使用一个低通高斯滤波器结合霍夫变换之前找到瞳孔的中心以提高检测的准确性这个预处理步骤有节约瞳孔图像结构信息，同时可去除噪声。在实验中，我们采用的低通高斯滤波器（如式1）与=1.4。高斯滤波器的离散近似模板，如图3所示图3离散近似高斯低通滤波器模板2） 边缘检测和梯度方向计算从图2看出，因为边缘的性能检测算法和霍夫变换对梯度的方向有很大的影响，所以说边缘检测是定位瞳孔中心的前提。因此，Canny算子是选择和开发一个多层次的边缘检测算法，其目的是找到一个最优的边缘检测算法，达到标准：信号 - 噪声比，位置精度，单边缘响应。本文采用基于Canny算子相应的边缘检测算法主要有三个步骤： 步骤 1.使用22邻域的一阶差偏导数计算的数据阵列I（X，Y）的梯度的幅度和方向中的滤波处理后图像。在X轴的衍生物（DX）和Y轴（Dy）是：梯度和梯度方向步骤2.非极大值梯度的抑制，遍历整个眼睛的图像，如果一个像素点的灰度值小于前后的像素点，那么它不是边缘像素。步骤3.可能存在的孤立点中断后的图像非极大值抑制为了避免这种情况，可以应用双阈值设置处理两个延迟阈值。首先，1 T和低门槛高2应设置阈值T。1 T是用来去除在图像中的大部分噪声和获得清晰和更大的边缘。然而，一些有用的边缘信息也将被删除。T2是用来保护边缘的微小信息，因此可以得到一个理想的边缘信号。霍夫变换是基于三维瞳孔的参数计算。霍夫变换的原理在于对偶点之间并线，其关键是要找到一个合理的参数表达和参数空间适当的离散。标准霍夫变换可以被定义为一个公式。X1X2X3X4Xn表示特征点（边缘点）在图像中的空间。A（）在参数空间中的位置是霍夫变换的蓄电池. F（X，）是一个小区A（）的运算。因此，这种方法表现出良好抗噪声和具有改进的鲁棒性。图5出示了二维参数平面2）用边缘梯度方向定位瞳孔中心瞳孔边缘点的梯度方向偏离或朝向瞳孔中心如图6和图7所示。边缘梯度信息可用于预测中的瞳孔中心位置，参数空间造成局部有效的抑制在虚幻的瞳孔中心最大。因此，在对基于二维霍夫变换瞳孔的参数计算、方程组计算的过程中，它代表的边缘点梯度方向的点或偏离瞳孔中心，可以添加约束方程f（x，）为了减少边缘点统计。新增加的约束方程列出如下：图6.梯度方向偏离中心图7.梯度方向指向中心式（8）是对应于图6和公式9是对应于图7，其中是边缘点的梯度方向在边缘检测中获得的基于Canny算子。根据边缘的点（x，y）和它的梯度方向，对于半径范围（N，R1，R2，R3，.，Rn）在参数空间，相应的瞳孔的中心（Ai，Bi）可以通过约束方程8和方程9。然后，所有的离散参数（Ai，Bi，Ri）可以列举与数位于圆的参数边缘点（Ai，Bi，Ri）会由累加器计数（ Ai，Bi，Ri）。（A，B，R）对应的局部极大值A的（A，B，R）被取为在公式10和公式11所示的光瞳的参数。D是一组离散的参数满足约束方程公式（8）或公式9中的半径范围（ N1 R1）个，R和E是瞳孔的边缘点的公式（x-a）2+（y-b）2= R2。在瞳孔的参数的计算过程，边缘点方向决定的约束方程将被使用。在图8中，我们采用边缘梯度方向信息为了提高三维霍夫变换。然后，我们可以搜索本地在离散二维参数空间最大的的而不是在三维参数空间中的所有参数。图8显著所示统计处理降低，从而促进精度和实时性能。图8、二维霍夫变换与梯度方向三、结果与分析因为没有测试的瞳孔定位图像库算法，所以12人的眼睛在相同的红外光照条件下成相收集。所建立的形象库包括照明的干涉条件变化，不均匀的斑点，上下睫毛，运动模糊眼睛等。抽取1000个样品进行测试验证瞳孔中心检测算法的准确性。瞳孔中心检测模型基于二维霍夫变换结合瞳孔边缘的梯度信息储备的三维霍夫变换高精度的圆检测。只搜索瞳孔中心通过瞳孔边缘的约束条件下形成的块点和相应的梯度信息，也可以提高定位瞳孔中心的效率。在实验中瞳孔中心定位精度可以小于1个像素。如图9所示，与瞳孔中心相比基于霍夫变换在检测算法8，9时，此算法具有瞳孔定位的精确度更好。图9、定位瞳孔中心的一些样品结果本文模型和那些基于霍夫变换进行了对比见表1。通过边缘梯度信息和瞳孔参数离散半径范围搜索，大量离散变换的点在无效的参数空间中被拆除，在参数空间中的边界点的影响是虚幻的。因此，无效的处理大量减少，定位速度显著提高。这就是为什么提出的算法比基于霍夫变换计算瞳孔的参数具有更好的速度。表 精度和实时对比霍夫变换 8,9 椭圆拟合10,11用椭圆拟合随机抽样12本文的算法由角膜形成的亮点，在收集红外光线的反射下的人眼图像，红外照明条件被称为浦肯野点。浦肯野点是在瞳孔边缘的影响下对瞳孔的边缘检测。虚幻的边缘点会产生在参数空间中的一些错误离散变点，这影响了瞳孔参数的统计处理和导致在定位瞳孔中心的精度较差。在图10的瞳孔中心的位置是2像素距离，是真正的瞳孔中心所引起的浦肯野点。因此，提出的瞳孔参数计算模型将实现高性能相结合的补偿浦肯野点的