PDF《一种改进的基于模板匹配眼睛特征点定位算法》

3 倍至

4 倍.此外, 在 左眼瞳孔提取出来的情况下, 可以大大缩小右眼瞳孔搜索的范 围, 从而加速右眼的定位速度. 粗定位: 设置匹配步长, 让入选模板在制定区域内以适宜 的步长进行匹配搜索.本文中的步长一般设为

2 或3.每循环 一个步长, 以公式 ( 1) 在每个步长点计算模板与人脸图像相应 位置的相似度, 搜索到的图像上相似度最大的点 P1 ( x1, y1 ) .为 粗定位的输出结果. 细定位: 粗定位结束后, 在粗定位的输出位置周围进行细 定位, 定位面积 exactarea= ( 2step- 1)

2 , 例如 step=2 时, 精确定位 的面积如图

3 所示为 9.在该面积上再次使用公式 ( 1) 计算模 板与人脸图像相应位置的相似度, 搜索到的图像上相似度最大 的点 P ( x, y) 为最终的匹配定位结果. 在提高了匹配速度以后, 本文接下来解决的就是精确度的 问题.由于人脸个体差异和图片质量等原因, 导致眉毛与眼睛 的相似度较高, 如图

1 的第二行模板所示, 导致瞳孔常常定在 了眉毛上, 如图

4 所示. 因此本文在传统的眼睛模板上, 提出将模板扩大到包含眉 毛和眼睛部分, 如图

5 所示. 利用公式 ( 1) 将重新定义的模板和 人脸图进行匹配, 得到较精确的定位, 如图

6 所示.

3 实验过程 本文的实验环境为处理器 ( Centrino Duo, 1.83 GHz) , 操作 系统 ( WindowsXP, Professional) , 编程环境 ( Matlab2006a) .实验 使用的是 FERET 人脸数据库[9] 中 CD2\gray_feret_cd2\data\B 数 据库[9, 10] . 选取了

60 个人作为实验数据,

30 个男性,

30 个女性. 每 个人使用

5 种姿态的人脸图像 ( 参见图 7) , 分别为正面图, 左倾图, 右倾图, 表情图, 光照图.由此, 数据库总数据为300 张人脸图. 首先经过 Adboost 算法[10] 自动检测库中图片人脸, 形成图 片大小为 112*92.再将数据库里的人脸图片进行直方图均衡 化, 避免光照和肤色的原因影响定位结果.

208 2007, 43( 32) Computer Engineering and Applications 计算机工程与应用 表1在不同的相关系数阈值下的模板数量 相关系数 Threshold 0.45 0.50 0.55 0.60 0.65 0.70 眼睛模板数

13 22

35 57

81 124 眼眉模板数

18 22

30 41

60 99 眼睛模板数

22 35

52 78

123 179 眼眉模板数

22 29

40 58

80 118 左眼 右眼 表2实验一左右瞳孔定位结果 定位方式 眼睛模板 ( 同阈值) 眼睛模板 ( 同数量) 眼眉模板 模板数量

35 30

30 定位象素差 1.923

1 2.017

8 1.565

1 左眼 右眼 模板数量

52 40

40 定位象素差 3.408

8 3.505

5 1.854

2 表3实验二左右瞳孔定位结果 定位方式 人工随机选取眼眉模板 相关系数选取眼眉模板 模板数量

30 30 定位象素 1.608

0 1.565

1 模板数量

40 40 定位象素差 1.965

8 1.854

2 左眼 右眼 本文采用基于相似度的扩大模板距离选取快速匹配算法. 首先手工标定左眼右眼瞳孔坐标, 根据坐标截取数据库中

300 个左眼眉模板,

300 个右眼眉模板, 大小均为 18*21.同时根据 相同的参考坐标形成

300 个左眼睛模板,

300 个右眼睛模板, 大 小均为 10*21. 根据公式 ( 2) 自动筛选模板的方法选取一定阈值 获得冗余度较小的模板集进行实验. 3.1 实验一 从表

1 中, 为比较相同相似度阈值下模板的定位效果, 选 取相同阈值 ( 0.55) 下的眼睛模板和眼眉模板, 即左眼模板和右 眼模板分别为