机器学习实践系列之8 - 人眼定位

一. 人眼检测

       OpenCV自带的人眼检测，代码及教程都已比较普及，这里不再啰嗦，训练模板直接 load已经训练好的文件：

       haarcascade_eye_tree_eyeglasses.xml，直接看代码：

/* linolzhang 2014.10   基于OpenCV的人眼检测 - Cascade*/#include "opencv2/highgui/highgui.hpp"#include "opencv2/objdetect/objdetect.hpp"#pragma comment(lib,"opencv_core2410.lib")#pragma comment(lib,"opencv_objdetect2410.lib")#pragma comment(lib,"opencv_highgui2410.lib")using namespace cv;int main(int argc, char** argv){Mat src;if(argc != 2)  src = imread("1.png");else  src =  imread(argv[1]);CascadeClassifier eye_cascade;  eye_cascade.load("haarcascade_eye_tree_eyeglasses.xml"); std::vector<Rect> eyes;eye_cascade.detectMultiScale( src, eyes, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) ); for(int i=0; i<eyes.size(); i++)rectangle( src,eyes[i],Scalar(0,255,0) );imshow("源图像",src); cvWaitKey(0);return 0;}

       检测效果（基本能够满足需求）：

        

二. 中心点定位

       在确定人眼区域后，第二个目标就是眼球定位，眼球定位能够确定眼睛的中心位置，这在眼睛跟踪上非常有意义，一般来说，VR中基于眼动跟踪的控制，ADAS上用于疲劳检测都需要用到眼睛的中心点信息。

       能够直观想到的方法就是 Hough变换，这里有一个假设，眼睛的正中心是多个同心圆的圆心。

       正常情况下，该方案是work的，但实际上，由于眼球的部分遮挡（小眼睛）、光线反射、噪点 等问题会导致识别率下降。

       作者提出的方法主要基于下面两个假设：

       1. 梯度方向

           眼睛正中心 为梯度方向的汇聚交点；

        2. 对称性

        当然，也可以采用局部二值特征等纹理描述方式，这在一定情况下有效，对于反射比较重的情况下差异其实不大，因此，灰度特征一般都能够衡量。

        由于版权问题，算法细节及代码部分不便公开，大家可以就该问题的算法改进方向进行讨论！

三. 眨眼检测

       通常的眨眼检测方法有以下几种：

1. 基于阈值判断

     该阈值通常是时间，一段时间内无法检测到眼球，认为眼睛处于闭的状态；

     也有算法基于眼睛特征点的 宽高比，当低于一个阈值时，认为眼睛为闭，当然也有人说这种方法不准确，有很多人“眯缝眼”。

2. 根据特征点运动

     由于眼睛状态的闭合瞬间很难被捕捉到，因此大部分的眨眼过程都表现为特征点的瞬间运动，我们称为眼皮跳，这种情况下的运动通常是有规律的，根据研究人员观察，上眼皮下移、下眼皮上移，都是有规律可循。

3. 疲劳特征

     疲劳在眨眼情况下的表现是，上眼皮的缓慢下移以及眼睛中心的下移（可能伴随低头），当然眨眼检测只是疲劳的一个方面的特征。