论文部分内容阅读
瞳孔检测技术是计算机视觉领域里的一个研究热点。作为许多相关研究领域,如视线跟踪、人脸检测、身份识别等的研究基础。瞳孔检测技术一直以来非常受到国内外学者的关注。
传统的瞳孔检测技术大多数是基于红外式采集设备或佩戴式采集设备,由于这些设备的辅助,增强了检测精度并减小了检测的难度。但是,随着以瞳孔检测技术为基础的相关研究进一步的发展,上述方法仅适用于实验室环境中的科学研究,极大的制约了其上层技术的推广和应用。
本文目标为搭建一套使用普通非佩戴式摄像头完成瞳孔检测的算法解决方案,消除传统研究方法对其相关应用的约束和限制。
首先,本文研究利用一种改进型的ASM算法完成在全局图像中检测人脸,定位人脸特征点的任务。经过对样本检测结果的分析,提出了一个简单的人眼粗定位模型,在人脸偏转角度不太大时,可以很好的完成人眼粗定位。
其次,针对人眼图像的特点,本文研究了多种图像增强算法。结合人眼直方图的特点及双直方图均衡化算法的特点,提出了针对人眼图像的自适应双直方图均衡化算法。这一算法能有效增强虹膜区域和非虹膜区域的对比度。
然后,通过研究类Haar特征描述形状信息的功能,本文提出一个新型的基于类Haar特征的瞳孔检测算法。这一算法将类Haar特征的计算结果看作形状匹配程度的表示,较传统的二值化判断定位更准确。利用一个新型的类Haar特征,结合传统的金子塔模型进行搜索,可以很迅速的得出瞳孔粗定位的结果,经过测试,准确率为95.2%。
最后,在瞳孔粗定位的基础上,创造性的提出了选择性StarBurst算法。通过将传统StarBurst算法及一套的选择策略结合,使用于红外图像的传统算法很好的适应了普通光源下的图像,消除了遮挡的影响,提高了瞳孔检测的精度。