一种眼睛定位图像处理方法技术

本发明专利技术涉及一种眼睛定位图像处理方法。本发明专利技术技术方案是捕获人脸图像；并检测，对两只眼睛和鼻子这三个构件分别建立概率支持向量机外观模型，对三者之间空间结构度量参数分别建立高斯分布模型，重定义三个边长并建立高斯分布模型，建立增强图模型，选取最大化外观特征相似度和结构相似度的候选点作为目标的最佳位置，依据建立的概率支持向量机外观模型，根据其呈现的外观特征ｕ↓［ｉ］而判定是人眼ｚ↓［１，２］或鼻子ｚ↓［３］的可能性大小，从而定位眼睛。解决了以往存在的对图像分辨率、光照和清晰度要求高，在现实复杂环境下难以实现人眼精确定位的缺陷。本发明专利技术从眼睛外观特征和眼睛与鼻子的空间分布结构特征入手，建立较鲁棒空间结构模型。提高了人眼定位的准确度。

【技术实现步骤摘要】

本专利技术属于模式识别和计算机视觉领域的一种生物特征识别方法，具体为非控条件下的鲁棒精确人眼定位技术。
技术介绍
人脸识别作为一种新的生物认证方法，由于其在公共安全、信息安全、金融等领域具有潜在的广泛的应用前景，而倍受关注。 一个完整的人脸图像信息处理系统，由以下几个关键模块组成人脸图像获取，人脸特征点定位，人脸规整化，人脸特征提取和特征匹配识别。规整化的人脸是人脸识别算法执行的重要条件，可以大大提高人脸识别的可靠性。但是，人脸检测只能得到人脸的大致区域和尺寸大小，所以人脸检测器所检测出的人脸不适合直接用于人脸识别。人眼是人面部的关键特征，根据两只眼睛的位置可以准确估计人脸的尺寸和位置，从而可以依据双眼的位置进行人脸图像的规整化，规整化后的标准人脸便于后续工作的进行。在本专利技术之前，有多种人眼定位方法，主要分为三类基于模板的方法、基于特征的方法、基于外^见的方法。基于模板和特征的这两种方法，通常都是利用人眼的几何特征或其它有助于人眼定位的相关典型特征，进行人眼定位。该类方法对图像的分辨率、光照和清晰度要求很高。而在复杂环境中这些条件很难满足，因此无法实现真实环境中的精确人眼定位。第三种基于外观的方法，可以利用完备的统计技术来分析人眼的外观特征，相对于前两种方法有很大优势。但是在复杂环境下，人眼表现形式变化丰富，很难提取有判别力的外观特征来区分人眼，因此仅依赖外观特征也很难实现复杂环境下的精确人眼定位。另外，图模型(Pictorial Model)结合对象的外观特征和对象的空间结构特征进行对象检测，因此可以利用更多的信息来检测对象。但是该模型中，简单的高斯分布外观模型不足以刻画人眼复杂变化的模式，同时基于特征间相对位置分布的结构模型对旋转、尺度缩放和平移变换不鲁棒，因此很难实现复杂环境下的人眼精确定位。综上，现实环境中，人眼的外观表现形式复杂，仅依据外观特征或结合简单的空间结构模型不易实现精确人眼定位。
技术实现思路
本专利技术的目的在于克服上述缺陷，设计、研制。本专利技术的技术方案是，其主要技术步骤包括(1) 摄像头捕获人脸图像；(2) 人脸检测器对人脸图^^测，截取出人脸；(3) 对两只眼睛和鼻子这三个构件分别建立概率支持向量^L外观;漠型；(4 )对选取的用来描述眼睛和鼻子之间的空间信息的三类空间结构度量参数分别建立高斯分布模型，重定义三个边长为^ ^^，6兰Z^，e3纟丄23 ，则最终的结构相似度函数可以表示成如下公式'—=1 'V=1,W Q,4=l i其中，q， ^和^分别表示对三种类型的结构约束变量建立的高斯分布模型，对模型参数的估计通过最大似然估计方法从训练样本上获得；(5)建立增强图模型根据最大化后验概率估计原则，在所有的候选点中，依据如下的目标优化函数选取同时最大化外观特征相似度和结构相似度的候选点作为目标的最佳位置，丄* =argr^in(S(_logO (z, 1/i,w,))) + E(e！ +e2 +e3)) B其中^(z'"，"')表示在图像中的位置A处，依据建立的概率支持向量机外观模型，根据其呈现的外观特征"'而判定是人眼212或鼻子23的可能性大小，从而定位眼睛。本专利技术的优点和效果在于，增强图模型同时从眼睛的外观特征和眼睛与鼻子的空间分布结构特征入手，建立判别能力较强的外观模型来应对人眼特征的丰富变化，同时建立了能够对常见的图像旋转、尺度放缩和平移等变换较鲁棒的空间结构模型。最后通过最大化外观特征相似度和结构相似度来判定最佳的眼睛位置，可以综合多种信息实现复杂环境变化下精确的人眼定位效果。另外，通过人脸图像预处理工作，可以排除大量背景区域信息的干扰，减少人眼的尺度变化，降低复杂光照对人眼定位性能的影响，提高人眼定位的准确度。本专利技术的人眼定位方法可以做到非控真实环境下的精确人眼定位，基本上能够满足现实环境中的人眼定位的需要。本专利技术中所设计的增强图模型可以扩展成包含更多面部特征的复杂模型，从而进一步提高人眼定位的鲁棒性和精确度。附图说明图1——本专利技术基于增强图模型的鲁棒精确人眼定位算法流程图。图2 — _本专利技术中依据鼻子和两只眼睛构成的三角形结构约束关系模型示意图。图3—_本专利技术中使用的光照预处理方法的效果图。图4——本专利技术中非控真实环境人脸数据库LFW上取得的数据示意图。具体实施方法
本专利技术提出了一种基于增强图模型的精确人眼定位方法，该方法可以分作两个阶段模型训练和模型测试。在模型训练阶段，首先选取两只人眼和鼻子作为增强图模型的三个关键构件。然后在训练样本上，依据每一个构件的外观特征，分别建立概率支持向量机外观模型。接着，基于鼻子和两只眼睛所构成的三角形结构约束关系，分别选取边长、边长比例和内角余弦值作为空间结构度量参数，具体形式如下面公式所示。其中，第一个公式表示构件i和构件j之间的距离，可以反映局部结构特征。另外两个公式分别表示边长比例和内角余弦值，可以反映全局结构特征。<formula>formula see original document page 5</formula>最后，对这些度量参数分别建立高斯分布模型，由此建立了基于全局约束和局部约束相结合的空间结构模型。如图2所示，其中q、 e2、 ^分别表示右眼与左眼、右眼与鼻子、左眼与鼻子之间的距离，a表示右眼与左眼连线和右眼与鼻子连线之间的内角夹角。在模型测试阶段，首先利用所建立的外观模型判定人眼和鼻子出现在每个位置的可能性大小。然后，对于人眼和鼻子所有可能出现的位置的三元组组合，判定其结构相似度。最后，遵照外观特征相似度最大化和结构相似度同时最大化的匹配原则，判定构件的最佳位置。同时可以对定位结果的可信度^f故出判断，并预测遮挡情况下人眼的可能位置。基于本专利技术提出的增强图模型的人眼定位算法的流程，如图l所示。其中，前两步是人脸图像预处理。首先通过人脸检测器确定人脸的大致位置和尺寸，然后扭4企测出的人脸归一化到统一的尺寸，最后进行光照预处理。训练和测试过程中使用相同的人脸图像预处理方法。接着，根据已经建立的增强图模型，进行人眼和鼻子的区域分割，提取一批候选点，再根据结构模型验证结构相似度，选取外观特征相似度和结构相似度都最大化的候选点作为人眼的最佳位置。最后，把定位出的人眼位置映射到原图中，从而可以依据定位出的人眼位置进行人脸图像的规整化，为人脸识别算法提供标准的人脸图像。具体实施例第一步使用人脸检测器进行人脸检测，获得从摄像头捕获的人脸图像的大致位置和尺寸，并截取出人脸，然后尺度归一化到IOO像素x IOO像素的大小。最后可以通过D0G (Difference of Gaussian)滤波进行光照预处理，对光照补偿，在尽量消除异常光照影响的同时保留大量的细节紋理特征，效果如图3所示。第二步'-候选点筛选。对两只人眼和鼻子这三个构件，分别建立概率支持向量机外观模型。其中涉及到几个关键问题1)人眼和鼻子图像块大小的选取。对人眼和鼻子这三个构件，在固定的人脸图像尺寸下，块的大小对定位性能的影响很大。本专利技术中使用穷举验证的方法在训练样本上优化选取人眼和鼻子块的最佳大小，即把训练样本分成两部分， 一部分用于训练模型，对于所有可能的块大小，分别训练出 一个外观模型，然后在另 一部分样本上测试本文档来自技高网...

【技术保护点】
一种眼睛定位图像处理方法，其步骤包括：　（１）摄像头捕获人脸图像；　（２）人脸检测器对人脸图像检测，截取出人脸；　（３）对两只眼睛和鼻子这三个构件分别建立概率支持向量机外观模型；　（４）对选取的用来描述眼睛和鼻子之间 的空间信息的三类空间结构度量参数分别建立高斯分布模型，重定义三个边长为ｅ↓［１］＊Ｌ↓［１２］，ｅ↓［２］＊Ｌ↓［１３］，ｅ↓［３］＊Ｌ↓［２３］，　则最终的结构相似度函数可以表示成如下公式：　Ｅ（ｅ↓［１］，ｅ↓［２］，ｅ↓［ ３］）＝－＊φ↓［１］（ｅ↓［ｉ］）－＊φ↓［２］（ｅ↓［ｉ］，ｅ↓［ｊ］）－＊φ↓［３］（ｅ↓［ｉ］，ｅ↓［ｊ］，ｅ↓［ｋ］）　Ａ　其中，φ↓［１］，φ↓［２］和φ↓［３］分别表示对三种类型的结构约束变量建立的高斯分布模型，对模 型参数的估计通过最大似然估计方法从训练样本上获得；　（５）建立增强图模型：根据最大化后验概率估计原则，在所有的候选点中，依据如下的目标优化函数选取同时最大化外观特征相似度和结构相似度的候选点作为目标的最佳位置，　Ｌ↑［＊］＝ａｒ ｇ＊（∑（－ｌｏｇ（ｐ（ｚ↓［ｉ］｜ｌ↓［ｉ］，ｕ↓［ｉ］）））＋Ｅ（ｅ↓［１］＋ｅ↓［２］＋ｅ↓［３］））　Ｂ　其中ｐ（ｚ↓［ｉ］｜ｌ↓［ｉ］，ｕ↓［ｉ］）表示在图像中的位置ｌ↓［ｉ］处，依据建立的概率支持向量机外观模型，根据其呈 现的外观特征ｕ↓［ｉ］而判定是人眼ｚ↓［１，２］或鼻子ｚ↓［３］的可能性大小，从而定位眼睛。...

【技术特征摘要】

【专利技术属性】
技术研发人员：宋凤义，李翼，谭晓阳，
申请(专利权)人：南京壹进制信息技术有限公司，
类型：发明
国别省市：84[中国|南京]