基于YCbCr模型和形态学的瞳孔分割及人脸检测

该文提出了一种精确度高、抗干扰性强的人眼瞳孔分割方法,并利用这种方法定位人脸。先利用YCbCr模型提取人脸候选区域,然后根据人眼瞳孔的圆形特征,从形态学入手,先利用YCbCr模型提取人脸候选区域,然后根据人眼瞳孔的圆形特征,使用形态学方法增强瞳孔和其他区域的对比度,最后对瞳孔进行投影以确定瞳孔位置。当人脸候选区域和瞳孔区域的交集就是要找的人脸,最后对人脸进行归一化处理。该文提出的形态学方法同时保留了瞳孔的圆形形状和灰度对比度,并利用这种方法定位人脸。

基于ADEU-Net分割网络的瞳孔精确分割方法

当前通过图像处理的方法来进行瞳孔分割,导致鲁棒性不高、分割精度低以及运算量大无法满足实时性要求的问题,为此提出一种基于深度学习的人眼瞳孔精确分割方法。该方法采用基于ADEU-Net的快速人眼语义分割网络来获取瞳孔区域,实现对瞳孔的精准分割;该网络创新性地提出膨胀卷积与普通卷积双线并行的方式,在扩大感受野的同时可提升局部精细化能力,并且引入了注意力机制,以充分提取语义特征。实验结果表明,该瞳孔分割方法通过端到端学习,PA相对于U-Net、传统图像处理算法分别提高了5、35个百分点;均交并比MIoU达到94%,明显高于U-Net、传统图像处理算法90%和57%,同时保证了83 frame/s的高分割速度。

一种改进的基于人脸图像的瞳孔精确检测方法

针对当前瞳孔检测精度和效率不够高的问题,提出一种改进的基于人脸图像的瞳孔精确检测方法.该方法首先采用基于Open CV的快速人眼定位来获取人眼区域,在对该区域进行瞳孔中心定位的基础上,通过改进的星射线法提取瞳孔的边缘轮廓;然后在瞳孔拟合过程中,采用改进的最小二乘椭圆拟合方法,简化边缘样本点的选取过程,实现瞳孔的精确匹配;最后,设计了拟合率评价标准来选出最优的椭圆.实验结果表明,使用该瞳孔检测方法对单幅人脸图像进行瞳孔特征提取,能够精确高效地完成瞳孔的拟合和瞳孔参数的提取.

一种基于图像分割的视频眼震图记录新方法

传统眼震图记录技术是通过皮肤电极引导微弱的角膜、视网膜电位差以间接地观测眼球运动位移参数。本研究提出了一种基于图像分割的视频眼震图记录新方法,通过摄像单元对眼球震颤的视频采集,对运动图像进行瞳孔图像分割,而后获取瞳孔图像的一个定点在定坐标系下的坐标值,从而实现对眼球的运动轨迹的记录。实验结果表明,与传统的眼震图记录的方法相比,该方法使眼震图记录的准确性、精确度和可靠性方面具有明显优势,能为临床诊断提供更丰富的信息依据。

基于单位扇环灰度的虹膜定位算法

提出了基于单位扇环灰度的虹膜定位算法。利用投影法分割出一个包含瞳孔的矩形区域,通过最大类间方差法确定该矩形区域的阈值,完成瞳孔的分割。对于虹膜外边界的定位,需要基于瞳孔中心分割出某一方向上的扇形区域,以5个像素作为扇形区域的步长,计算每个扇环的平均灰度值,根据灰度变化情况就可以确定该方向上的虹膜外边界点。其他方向上的边界点也通过此方法确定。对这些边界点进行筛选并进行圆的拟合,最终实现虹膜的定位。实验结果表明,采用该方法所分割的虹膜图像可以获得良好的效果,具有良好的应用和参考价值。

自然光普通摄像头的眼部分割及特征点定位数据集ESLD

目的 眼部状态的变化可以作为反映用户真实心理状态及情感变化的依据。由于眼部区域面积较小,瞳孔与虹膜颜色接近,在自然光下利用普通摄像头捕捉瞳孔大小以及位置的变化信息是当前一项具有较大挑战的任务。同时,与现实应用环境类似的具有精细定位和分割信息的眼部结构数据集的欠缺也是制约该领域研究发展的原因之一。针对以上问题,本文利用在普通摄像头场景下采集眼部图像数据,捕捉瞳孔的变化信息并建立了一个眼部图像分割及特征点定位数据集(eye segment and landmark detection dataset, ESLD)。方法 收集、标注并公开发布一个包含多种眼部类型的图像数据集ESLD。采用3种方式采集图像:1)采集用户使用电脑时的面部图像;2)收集已经公开的数据集中满足在自然光下使用普通摄像机条件时采集到的面部图像;3)基于公开软件UnityEye合成的眼部图像。3种采集方式可分别得到1 386幅、804幅和1 600幅眼部图像。得到原始图像后,在原始图像中分割出眼部区域,将不同尺寸的眼部图像归一化为256×128像素。最后对眼部图像的特征点进行人工标记和眼部结构分割。结果 ESLD数据集包含多种类型的眼部图像,可满足研究人员的不同需求。因为实际采集和从公开数据集中获取真实眼部图像十分困难,所以本文利用UnityEye生成眼部图像以改善训练数据量少的问题。实验结果表明,合成的眼部图像可以有效地弥补数据量缺少的问题,F1值可达0.551。利用深度学习方法分别提供了眼部特征点定位和眼部结构分割任务的基线。采用ResNet101作为特征提取网络情况下,眼部特征点定位的误差为5.828,眼部结构分割的mAP (mean average precision)可达0.965。结论 ESLD数据集可为研究人员通过眼部图像研究用户情感变化以及心理状态提供数据支持。