[发明专利]一种视线跟踪系统中的瞳孔定位方法

说明书

本发明涉及图像处理和模式识别领域，公开了一种视线跟踪系统中的瞳孔定位方法。此算法基于红外光源的亮暗瞳技术，首先通过采集得到亮瞳和暗瞳图像，然后将这两幅图像分别逆二值化。接着再将逆二值化后的暗瞳和亮瞳图像做差分操作得到差分图像，进一步地在差分图像中提取轮廓，并用训练好的分类器对轮廓进行选择得到粗定位的瞳孔中心。最后根据粗定位的瞳孔中心在暗瞳中的位置选取感兴趣区域，并在感兴趣区域中进行椭圆合得到瞳孔中心。该瞳孔定位算法具有较高的鲁棒性和实时性，能满足视线跟踪系统中瞳孔定位的需要。

技术领域

本发明涉及图像处理和模式识别领域，是一种属于视线跟踪系统中的关键技术，即瞳孔定位方法。

背景技术

目前，业内常用的现有技术是这样的：瞳孔定位算法是在视线跟踪系统中一项重要技术，瞳孔定位算法的性能决定系统的性能，所以鲁棒且实时的瞳孔定位算法是很关键的。在视线跟踪系统中，瞳孔定位算法一直是研究的热点。近些年来，机器学习和深度学习方向非常火热，出现了一种使用单目摄像头快速定位人眼的方法。即通过改进的Adboost方法构造出强分类器先定位人脸，之后再检测人眼。先通过Harr特征检测出人脸，然后再训练分类器定位到瞳孔部位。这些基于机器学习的方法一方面需要制作大量的正负样本，当用户戴上眼镜后，眼周围噪声光斑较多，很难制作出具有代表性的样本。另一方面，Adboost算法比较耗时，很难满足高帧率的实时系统。这些算法虽然在一定程度上能够比较好的定位瞳孔，但是正确率依然不能令人满意，只有80％多。这样会使视线跟踪系统工作不稳定。还有通过积分投影的方法对瞳孔进行定位，这种方法在图像质量高的情况下，确实具有很好的实时性和鲁棒性，然后对于在戴眼镜情下，眼镜上会存在较多的干扰光斑，极大地影响了瞳孔提取成功率。除了上诉两种瞳孔定位方法外，还有多种瞳孔定位方法，但是它们基本都有缺陷，要么太耗时，要么准确率不高，总之适用场合有限。

综上所述，现有技术存在的问题是：现存在的视线跟踪系统中瞳孔定位算法，有的比较复杂，耗时多，有的面对质量低的图像，特别是当戴眼镜的图像中存在较多的干扰光斑点时，瞳孔定位的准确率会低很多，基本大多数瞳孔定位算法不能兼顾实时性和鲁棒性。

解决上述技术问题的难度和意义：面对目前大多数瞳孔定位算法不能兼顾实时性和鲁棒性的特点，研究出一种既实时又鲁棒的瞳孔定位算法是有具有挑战的，特别是对戴眼镜的图像进行瞳孔定位时富有挑战性，因为戴眼镜的图像中存在的大量的干扰光斑，这对目前大多数的瞳孔定位算法来说都是难点。如果能研究出一种既实时有鲁棒的瞳孔定位算法，那么能够极大地提高视线跟踪系统的性能，使视线跟踪系统工作更稳定。

发明内容

针对现有技术存在的问题，本发明提供了一种视线跟踪系统中瞳孔定位方法、视线跟踪系统。

2、本发明是这样实现的，一种视线跟踪系统中瞳孔定位方法，所述视线跟踪系统中瞳孔定位方法通过采集得到亮瞳和暗瞳图像，将图像分别逆二值化，逆二值化后的暗瞳和亮瞳图像做差分操作得到差分图像，进一步地在差分图像中提取轮廓，并用训练好的分类器对轮廓进行选择得到粗定位的瞳孔中心。最后根据粗定位的瞳孔中心在暗瞳中的位置选取感兴趣区域，并在感兴趣区域中进行椭圆合得到瞳孔中心。

进一步，所述视线跟踪系统中瞳孔定位方法包括以下步骤：

步骤一，从红外摄像头采集亮瞳图像和暗瞳图像；

步骤二，对亮瞳图像和暗瞳图像进行平滑处理；

步骤三，对亮瞳和暗瞳图像进行自适应逆二值化处理；

步骤四，用逆二值化的暗瞳图像减去逆二值化的亮瞳图像得到差分图像；

步骤五，在差分图像中提取轮廓，并计算轮廓的Hu矩；

步骤六，用分类器对轮廓进行选择，选择属于瞳孔的轮廓；