红外眼睛图像瞳孔检测新算法.docxVIP

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eehbqin@scut.edu.cn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σ=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2×2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