人眼输出信息是一种极其稳定的人体特征信息,很多学者在人眼检测及状态识别领域投入了大量且深入的研究。在日常生活、医疗、安全等各个场景下,人眼状态检测与模式识别等技术结合,给众多实际场景的应用提供了重要的特征信息,使鲁棒的人眼状态识别在应用工程中彰显出巨大的价值。过去的研究中,眼部状态识别方法大多结合专业设备采集的高分辨率眼部图像进行处理,而在移动场景逐渐成为主流的趋势下,研究成果无法很好地进行应用。因此,对“无约束”人眼状态识别方法的学术研究还值得更多探讨。本文基于图像处理和机器学习分类方法,围绕自然光图像中人眼状态识别的一系列问题进行了研究。本文主要工作如下:1.基于改进的Adaboost算法对人眼检测展开研究。Adaboost分类器进行训练时,临界处正负样本在迭代次数逐渐增多的情况下会因多次错分而存在权重紊乱现象。本文改进了Adaboost算法,并结合肤色分割设计了多层级分类器模型,有效解决了人眼检测中样本的漏检、误检问题,具备更好的鲁棒性。2.研究了瞳孔中心定位问题。针对眼图采用人眼区域粗定位结合中心点定位的方法实现快速获取瞳孔中心坐标。首先采用积分投影粗定位人眼区域,然后在其结果上,采用基于灰度值和圆特性的改进Hough变换快速定位瞳孔中心。与传统方法相比,系统的运算速度提升约40%,满足了应用场景的实时性响应需求。3.定义了8种眼动状态,将获取的瞳孔中心点坐标序列作为输入数据实现眼动状态识别。针对多状态的分类问题,利用支持向量机在多分类问题上的推广,釆用了纠错输出编码支持向量机分类算法进行数据的分类,结合纠错输出编码的容错性达到了很好的识别效果,所定义8类状态的识别率均能达到90%以上;并对眼晴的睁、闭眼和眨眼行为进行了判断。为了验证本文算法的性能,论文给出了详细的实验方法和结果分析。实验结果表明,本文提出的方法能够实现精确地人眼状态识别,检测与识别的结果可作为输出信号在各种场景发挥实际应用价值。