專(zhuān)利名稱(chēng)：基于Retinex理論的復(fù)雜光照下的人眼檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識(shí)別技術(shù)領(lǐng)域，主要涉及目標(biāo)檢測(cè)，尤其涉及從人臉圖像中進(jìn)行人眼檢測(cè)這一方向。具體是一種基于Retinex理論的復(fù)雜光照下的人眼檢測(cè)方法。本發(fā)明主要用于人臉交互系統(tǒng)實(shí)現(xiàn)人眼位置的獲取。
背景技術(shù)：
人臉檢測(cè)與識(shí)別的研究始于20世紀(jì)60年代中后期，主要包含人臉檢測(cè)與跟蹤、面部特征檢測(cè)與提取、人臉屬性分類(lèi)及識(shí)別幾個(gè)功能。目前已經(jīng)成為模式識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域中一項(xiàng)受到普遍重視且研究十分活躍的課題，已被廣泛應(yīng)用于公安刑偵、司法鑒定、訪問(wèn)控制、金融支付、醫(yī)學(xué)應(yīng)用、視覺(jué)監(jiān)控、視頻會(huì)議等眾多領(lǐng)域。作為臉部特征的重要組成部分，眼睛的檢測(cè)對(duì)于人臉信息的處理具有重要的意義，不僅可以提高識(shí)別和檢測(cè)的速度，而且能夠降低識(shí)別算法的復(fù)雜度。在臉部器官定位方面，只要人眼被精確定位，眉毛、鼻子、嘴巴等其他特征就可以通過(guò)潛在的分布關(guān)系比較準(zhǔn)確地進(jìn)行定位。眼睛的定位還可以使人臉較好地歸一化，預(yù)處理的效果也更加明顯。另外，眼睛在感情以及輔助語(yǔ)言交流中也發(fā)揮著巨大的作用。一般來(lái)說(shuō)，在圖像中檢測(cè)眼睛主要有兩種方式首先在圖像中檢測(cè)人臉，然后再在人臉區(qū)域內(nèi)尋找眼睛；直接在圖像中檢測(cè)眼睛。本發(fā)明屬于在第一種方式下的人眼檢測(cè)問(wèn)題。目前，人眼檢測(cè)的基本方法可以歸為以下幾類(lèi)1.基于模板匹配的方法2.基于統(tǒng)計(jì)的方法3.基于知識(shí)的方法。早期的基于統(tǒng)計(jì)的方法例如，支持向量機(jī)(support vector machine，SVM)在過(guò)去的眼睛檢測(cè)研究中占有重要的地位。SVM是由Vanpik領(lǐng)導(dǎo)的AT&TBell實(shí)驗(yàn)室研究小組在 1963年提出的一種分類(lèi)技術(shù)。它是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，主要應(yīng)用于模式識(shí)別領(lǐng)域。其核心思想是對(duì)于輸入空間中非線(xiàn)性可分的情形，選擇一個(gè)適當(dāng)?shù)姆蔷€(xiàn)性映射，將輸入空間中的樣本點(diǎn)映射到一個(gè)高維的特征空間，使對(duì)應(yīng)的樣本點(diǎn)在該特征空間中是線(xiàn)性可分的。實(shí)踐證明，該算法檢測(cè)精度較高，對(duì)于正面圖像或者旋轉(zhuǎn)較少的人臉圖像有著較高的檢測(cè)率。本發(fā)明項(xiàng)目組對(duì)國(guó)內(nèi)外專(zhuān)利文獻(xiàn)和公開(kāi)發(fā)表的期刊論文檢索，尚未發(fā)現(xiàn)與本發(fā)明密切相關(guān)和一樣的報(bào)道或文獻(xiàn)。

發(fā)明內(nèi)容
本發(fā)明是一種人眼檢測(cè)方法，能對(duì)不同光照下的人臉圖像中的人眼進(jìn)行定位，為人臉交互系統(tǒng)的其它處理提供了基本前提。本發(fā)明檢測(cè)速度快，并且能適用于多種復(fù)雜的光照環(huán)境，適應(yīng)性強(qiáng)。下面對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明本發(fā)明是一種基于Retinex理論的人眼檢測(cè)方法，其特征在于對(duì)正面人臉圖像進(jìn)行人眼檢測(cè)過(guò)程包括如下步驟步驟1對(duì)輸入的待檢測(cè)正面人臉圖像進(jìn)行光照標(biāo)準(zhǔn)化處理。步驟2人眼候選檢測(cè)，用10*20像素的窗口對(duì)光照標(biāo)準(zhǔn)化的圖像進(jìn)行掃描，掃描步長(zhǎng)為2像素，在每個(gè)10*20像素的窗口中統(tǒng)計(jì)5種邊緣模板出現(xiàn)的次數(shù)，得到該窗口的邊緣直方圖描述子(EHD)，對(duì)該直方圖描述子的5維求平均值，得到該窗口的邊緣復(fù)雜度E，對(duì)待測(cè)正面人臉圖像的所有窗口求得平均邊緣復(fù)雜度Em_，以Em_為閾值，大于該閾值的圖像塊，被選為候選人眼，等待進(jìn)一步驗(yàn)證，將所有候選的IOMO像素圖像塊展開(kāi)成一維向量Xi， 由此生成驗(yàn)證樣本集V。步驟3基于支持向量機(jī)的人眼驗(yàn)證，使用SVM分類(lèi)器對(duì)驗(yàn)證樣本集V中的樣本進(jìn)行驗(yàn)證，SVM分類(lèi)器需要通過(guò)訓(xùn)練過(guò)程得到一個(gè)人眼預(yù)測(cè)模型model，用該模型對(duì)驗(yàn)證樣本集進(jìn)行分類(lèi)，先后將人眼預(yù)測(cè)模型model和驗(yàn)證樣本集V輸入SVM分類(lèi)器，基于SVM進(jìn)行分類(lèi)，SVM分類(lèi)器的輸出是一個(gè)二值的標(biāo)簽y即人眼或非人眼，以及驗(yàn)證樣本與分類(lèi)超平面的距離f，執(zhí)行步驟3的結(jié)果得到樣本標(biāo)簽y及驗(yàn)證樣本與分類(lèi)超平面的距離f，其中y表示和區(qū)別該樣本為人眼或非人眼。步驟4確定人眼位置，用樣本與分類(lèi)超平面的距離f計(jì)算出待檢測(cè)正面人臉圖像的人眼概率分布/^,7)=1/^(-^^^-^1)，在該分布中，求出兩個(gè)最大的極大值點(diǎn)，確
權(quán)利要求
1.一種基于Retinex理論的復(fù)雜光照下的人眼檢測(cè)方法，其特征在于，對(duì)正面人臉圖像進(jìn)行人眼檢測(cè)包括如下步驟步驟1對(duì)輸入的待檢測(cè)正面人臉圖像進(jìn)行光照標(biāo)準(zhǔn)化處理；步驟2人眼候選檢測(cè)，用10*20像素的窗口對(duì)光照標(biāo)準(zhǔn)化的圖像進(jìn)行掃描，掃描步長(zhǎng)為 2像素，得到該窗口的邊緣直方圖描述子，對(duì)該直方圖描述子的5維求平均值，得到該窗口的邊緣復(fù)雜度E，對(duì)該待測(cè)正面人臉圖像的所有窗口求得平均邊緣復(fù)雜度E_n，以Em_為閾值，大于該閾值的圖像塊，被選為候選人眼，等待進(jìn)一步驗(yàn)證，將所有候選的10*20像素圖像塊展開(kāi)成一維向量Xi，由此生成驗(yàn)證樣本集V ；步驟3基于支持向量機(jī)的人眼驗(yàn)證，使用SVM分類(lèi)器對(duì)驗(yàn)證樣本集V中的樣本進(jìn)行驗(yàn)證，先后將人眼預(yù)測(cè)模型model和驗(yàn)證樣本集V輸入SVM分類(lèi)器，基于SVM進(jìn)行分類(lèi)，得到樣本標(biāo)簽y及驗(yàn)證樣本與分類(lèi)超平面的距離f，其中y表示該樣本為人眼或非人眼；步驟4確定人眼位置，用f計(jì)算出待檢測(cè)正面人臉圖像的人眼概率分布Pk^y) = IZexpC-iizTtll-izzI^)，在該分布中，求出兩個(gè)最大的極大值點(diǎn)，確定為人眼的位 />0 ^t ak置。
2.根據(jù)權(quán)利要求1所述的復(fù)雜光照下的人眼檢測(cè)方法，其特征在于步驟2所述的邊緣直方圖描述子，該描述子的具體計(jì)算方法包括以下步驟2. 1)使用2 像素的窗口在光照標(biāo)準(zhǔn)化后的圖像中進(jìn)行掃描； 2. 2)將2 像素的窗口與5種2*2的模板的對(duì)應(yīng)位相乘并求和； 2. 3)當(dāng)該和大于固定閾值時(shí)，該窗口與該和邊緣的模板相匹配，將與模板對(duì)應(yīng)的邊緣種類(lèi)的統(tǒng)計(jì)數(shù)加1，固定閾值根據(jù)光照標(biāo)準(zhǔn)化的圖像的特性選??；2.4)統(tǒng)計(jì)光照標(biāo)準(zhǔn)化的圖像中與5種邊緣匹配的次數(shù)，得到該圖像的邊緣直方圖描述子。
3.根據(jù)權(quán)利要求2所述的復(fù)雜光照下的人眼檢測(cè)方法，其特征在于光照標(biāo)準(zhǔn)化的步驟包括3. 1)計(jì)算輸入待檢測(cè)正面人臉圖像的梯度矩陣W(Xj)和局部不均勻度矩陣i(;c，>0作為不連續(xù)度的評(píng)價(jià)；3.2)通過(guò)傳導(dǎo)函數(shù)= 將這兩種對(duì)不連續(xù)度的評(píng)價(jià)方法結(jié)合起來(lái)，其中d為不連續(xù)度，K為閾值參數(shù)，轉(zhuǎn)化成自適應(yīng)濾波系數(shù)W(X，y) = α (χ, y) β (χ, y)，其中 a(x,y) = g{T(x,y),h)，= Vl(x,y) |,5)；3.3)然后使用該系數(shù)對(duì)圖像進(jìn)行迭代濾波，得到對(duì)光照的估計(jì)1^)0^，》；3.4)通過(guò)R' (x, y) = log(I (χ, y)+1)-log(L(t) (χ, y)+l)得到光照標(biāo)準(zhǔn)化后的圖像 R' (x，y)。
4.根據(jù)權(quán)利要求3所述的復(fù)雜光照下的人眼檢測(cè)方法，其特征在于步驟3所述的人眼預(yù)測(cè)模型model，通過(guò)SVM分類(lèi)器的訓(xùn)練獲得，其過(guò)程包括有，4. 1)對(duì)訓(xùn)練用的正面人臉圖像進(jìn)行光照標(biāo)準(zhǔn)化；4. 2)在標(biāo)準(zhǔn)化后的訓(xùn)練用正面人臉圖像中人工的選出人眼所在的IOMO的圖像塊，作為SVM分類(lèi)器的訓(xùn)練樣本，制作訓(xùn)練樣本集Γ = (Xtrn, Ytm)，其中，Xtm是一個(gè)Μ*200的矩陣，其每一行是一個(gè)訓(xùn)練樣本Xi，M為樣本個(gè)數(shù)，Ytrn是一個(gè)M*1的向量，其每一個(gè)元素是對(duì)應(yīng)Xtm中樣本的標(biāo)簽；·4. 3)使用十倍交叉驗(yàn)證法確定最優(yōu)參數(shù)g和C，其中g(shù)為徑向基核參數(shù)，C為軟閾值權(quán)衡參數(shù)；·4.4)將訓(xùn)練樣本集Γ以及最優(yōu)參數(shù)g和C輸入SVM分類(lèi)器進(jìn)行訓(xùn)練，得到人眼預(yù)測(cè)模型 model。
全文摘要
本發(fā)明公開(kāi)了一種基于Retinex理論的復(fù)雜光照下的人眼檢測(cè)方法，屬于模式識(shí)別技術(shù)領(lǐng)域。利用基于Rentinex理論以及自適應(yīng)模糊對(duì)人臉圖像進(jìn)行光照標(biāo)準(zhǔn)化處理；使用邊緣直方圖描述子為特征，以固定閾值在人臉圖像中進(jìn)行人眼候選檢測(cè)；在光照標(biāo)準(zhǔn)化后的人臉圖像中選取訓(xùn)練樣本，訓(xùn)練支持向量機(jī)分類(lèi)器，并用該分類(lèi)器進(jìn)行人眼驗(yàn)證；計(jì)算圖像的人眼概率分布，確定人眼位置。本發(fā)明對(duì)復(fù)雜光照下的圖像統(tǒng)一進(jìn)行光照標(biāo)準(zhǔn)化處理，并引入人眼候選檢測(cè)環(huán)節(jié)，用SVM分類(lèi)器對(duì)候選人眼進(jìn)行驗(yàn)證。提高了人眼檢測(cè)系統(tǒng)在復(fù)雜光照下的準(zhǔn)確率和檢測(cè)速度，更能適應(yīng)各種惡劣的光照條件下的檢測(cè)，可應(yīng)用于人臉交互系統(tǒng)，困倦檢測(cè)以及人臉識(shí)別系統(tǒng)。
文檔編號(hào)G06K9/62GK102314598SQ201110284428
公開(kāi)日2012年1月11日 申請(qǐng)日期2011年9月22日 優(yōu)先權(quán)日2011年9月22日
發(fā)明者侯彪, 公茂果, 孫天, 尚榮華, 焦李成, 鄭喆坤, 馬文萍, 馬晶晶 申請(qǐng)人:西安電子科技大學(xué)