近实时效应的人眼检测与定位方法
【技术领域】
[0001] 本发明涉及计算机视觉领域，更具体的是一种具有近实时效应的人眼检测与定位 系统的实现。
【背景技术】
[0002] 人眼检测技术在当前的计算机视觉领域是最重要的发展趋势之一。随着裸眼3D技 术日趋成熟并逐渐走入我们的生活，如何让人们更好地达到视觉上的享受，让人们在全自 动的条件之下，得到最身临其境的感受；同时，随着计算机视觉领域的飞速发展，在人脸识 别研究中，眼睛作为重要的面部特征在人脸识别系统中也扮演着重要的角色。我们面临的 现实情况使得人眼检测与定位成为了我们研究的重要部分。
[0003] 然而，随着背景复杂度的增强，人眼定位系统的识别率极快的下降同时误检率极 大程度地上升。眼睛作为脸部特征的重要组成部分，它的检测对于人脸信息的处理具有重 要的意义，因此只要人眼被精确定位，脸部其他各器官的位置定位也就变得简单。眼睛的定 位还可以使人脸的归一化得以较好地实现，同时使得预处理的效果更加明显。因而眼睛的 定位与人脸分割和人脸识别的结果直接相关。
[0004] 人脸检测是一种非常复杂的模式识别技术，这是因为人脸是一类具有复杂变化的 自然结构目标，并且具有以下特征：（1)可变的模式，这是由于外貌、表情、肤色等的不同而 引起的；（2)人脸上可能存在眼镜、胡须等附属物；（3)人脸影像作为一种三维物体，很容易 受到光照产生的阴影的影响。目前人脸的检测方法主要有基于知识的方法、基于特征的方 法、基于模板匹配的方法和基于外观的方法。基于知识的方法，由于先验知识的不完备性， 而使检测能力受到限制;基于模板匹配的方法实现简单，但检测精度较低，且必须使用变形 模板才能检测尺寸不同的人脸，而变形模板的参数调整是一个优化的过程，耗时较长，实时 性差;基于外观的方法可以达到较高的检测精度，缺点是训练时间长，检测速度慢，同时对 训练样本的依赖性较强。
[0005] 人眼定位是人脸检测中的关键步骤，当前，对于人眼检测定位，主要有两种方式： 一种是首先在图像中检测人脸，然后在人脸区域中找到眼睛的位置，以此达到人眼检测的 目的；另一种则直接在图像中找到眼睛的位置。目前的人眼检测与定位方法主要分为参数 可调的模型法(如霍夫变换、可变形眼睛模板）、眼角检测法、特征眼法和对称性检测法。其 中参数可调的模型法需要定义一个能量函数，通过调整模型参数使能量函数最小化，这种 思想好，但能量函数中的加权系数只能由经验确定，难以推广，其次能量函数优化过程十分 耗时，难以实际应用。眼角检测法通过Gabor滤波器检测眼角，因此要求脸像尺寸较大，对图 像质量，尤其是眼角的对比度要求较高。特征眼检测法由于事先不知人眼(或人脸)位置（以 及人脸是否倾斜），因此对图像中对称点的搜索十分耗时。
[0006] 由于当前的人眼检测技术主要是依赖于人脸检测技术的发展，眼睛区域在整幅图 像中的面积较小，直接在图像中实施眼睛检测会因为目标过小，致使精度不高而且人脸检 测的效果将直接影响眼睛检测的准确性。与此同时，当前研究主要针对正面人脸图像比较 多，在人脸出现偏移和旋转时检测精度不高，因为此时图像中人眼的部分信息会发生变化， 很难鲁棒地检测眼睛。
[0007] 人眼检测涉及人脸检测，当前人脸检测算法存在着一定的局限性制约人眼检测， 本发明就此提出了一种将传统、经典的算法同先验知识结合起来的方法从而实现近实时检 测和定位人眼的目的。
【发明内容】
[0008] 本发明的目的是克服现有技术的上述不足，从鲁棒性和精确性两方面考虑，提供 一种基于Adaboost算法和模板匹配的人脸检测和定位方法。在现有有限资源的基础上，实 现对于人眼的正确检测率和定位率的提高。本发明的技术方案如下：
[0009] -种近实时效应的人眼检测与定位方法，首先利用Adaboost算法找到人脸区域， 并在此基础上运用先验知识缩小眼睛的位置范围，分别将左右眼睛的位置估计出来;然后 进行模板匹配，初步检测到人脸区域，并确定人眼的候选区域，通过计算人眼平均模板和待 检测图像之间的相关系数，通过相关程度来最终确定该候选区域是否为人眼区域；当相关 系数大于预先设定好的阈值判断该区域为人眼区域，框出此区域，否则便不是人眼的位置。 [0010] 其中的具体过程可以如下：
[0011]①用Haar特征的位置信息，对训练样本进行统计就可以得到对应的特征参数，一 个弱分类器h(x)包括一个类Haar特征的特征值b-个分类阈值~和一个分类方向Pj;
[0012] ②利用Adaboost算法训练强分类器，训练流程如下：
[0013] (1)给定一个训练集(叉1，71)(叉2,72)...^^)...(叉11，711)^是输入的训练样本， yi是分类的类别标志。其中h表示第i个样本，y = 〇时为负样本，y = l时为正样本，η为训练样 本总数，在人眼检测中，0和1分别表示非人眼与人眼。
[0014] (2)初始化权重：设Dt(i)为第t次循环中第i个样本的误差权重，对于负样本， A (0 = ，P为负样本个数;对于正样本，只的=，q为正样本个数；
[0015] (3)对于t = l，2,3...T，进行迭代训练，选取当轮中的最佳弱分类器，迭代T次即代 表选取T个最佳弱分类器；
[0016] ③通过Adaboost算法，得到弱分类器，以此训练得到强分类器，再利用分类器进行 人脸检测；
[0017] ④令找到的脸部框的上边缘中心为坐标原点，上边缘为X轴，纵向中心对称线为y 轴，则可以将左眼镜像的位置缩小为脸部左半边自原点四分之一到二分之一的地方，同理， 右眼镜像的位置缩小为脸部右半边自原点四分之一到二分之一的地方，初步确定人眼位 置，称之为候选区域；
[0018] ⑤基于模板匹配的方法，在图像灰度层次上直接比较目标模板和候选区域之间的 相似性，计算二者之间的相关系数，衡量T和S i」之间的误差，公式为：
[0019] 其中，T(m，n)为模板，Sij(m，n)为搜索图；
[0020] ⑥根据不同的匹配方向选取误差阈值Eo,当E(i，j)>Eo时停止该点的计算，继续下 一点的计算。
[0021] 本发明采用Adaboost训练强分类器的训练流程，将弱分类器提升为强分类器，极 大提高了分类器的分类性能。提出的基于Haar-like特征和Adaboost的人脸检测算法能够 有效地处理大多数的人脸检测问题，能够在一定角度和距离内较为准确定位人脸的位置。 在人眼定位的过程中，本发明采用几何分析和模板匹配相结合的方法可以极大程度的提高 检测效率及正确率。
【附图说明】
[0022] 图1人眼检测定位系统结构图
[0023] 图2 Adaboost算法训练示意图
[0024] 图3人脸识别过程 [0025]图4模板匹配过程
[0026]图5视频人眼定位，其中(a)为脸的位置，（b)为眼睛的确切位置
【具体实施方式】
[0027] 首先利用Adaboost算法找到人脸区域，并在此基础上合理运用先验知识缩小眼睛 的理论位置范围，分别将左右眼睛的位置估计出来。然后进行模板匹配，通过上面的工作， 己经初步检测到了人脸区域，并确定了人眼的大概位置，通过计算人眼平均模板和待检测 图像之间的相关系数，通过相关程度来最终确定该候选区域是否为人眼区域。当相关系数 大于预先设定好的阈值判断该区域为人眼区域，框出此区域，否则便不是人眼的位置。具体 过程如下：
[0028] 1、首先用Haar特征的位置信息，对训练样本进行统计就可以得到对应的特征参 数。一个弱分类器h(x)包括一个类Haar特征的特征值一个分类阈值~和一个分类方向 Pj(通常为+1或者-1)，它的形式为
[0029]
[0030] 其中，对于每一个特征，选择阈值~