[发明专利]一种基于边缘滤波、椭圆评价和瞳孔验证的瞳孔检测方法

说明书

本发明公开了一种基于边缘滤波、椭圆评价和瞳孔验证的瞳孔检测方法，该方法主要包括：首先对输入的灰度图像进行归一化，之后对眼睛图像进行Canny边缘滤波并去除可能损害瞳孔周围边缘的噪声。基于眼睛图像的生理特性通过直线度、内部强度值、椭圆特性，对椭圆拟合并选择最佳的椭圆以及瞳孔验证检查来收集和评估连接的边缘，如果找到描述瞳孔的有效椭圆，则作为结果返回，否则进行下一步计算，将图像缩小，在对重新缩放的图像应用表面差分滤波器和均值滤波器之后，通过两个滤波器相乘积的结果并选择最大值来选择最佳位置。缩放图像中的像素位置会导致原始图像中瞳孔中心的距离误差。因此，必须基于对所选瞳孔位置的周围像素的分析，在原始图像上进行优化瞳孔位置。

技术领域

本发明涉及一种生物识别中瞳孔定位的方法，特别是涉及一种基于眼睛灰度图像进行边缘滤波、椭圆评价和瞳孔验证的瞳孔定位方法。

背景技术

现在，在许多生物识别、机器视觉、医疗领域都用到了眼睛瞳孔的定位，目前眼睛瞳孔的定位都是基于眼睛图像中自动检测的瞳孔的中心来映射场景的注视点。尽管在实验室条件下可以成功地完成定位，但是许多研究报告了在自然环境中定位瞳孔时出现困难，例如疲劳驾驶检测，虹膜识别，自动购物，医疗等。这些实验任务中的主要噪声源是非稳定瞳孔信号，其主要与瞳孔基于图像的检测中的算法有关。现在总结了定位眼睛瞳孔时出现的各种困难，例如改变照明、运动模糊、记录错误和覆盖瞳孔的睫毛、上下眼皮遮挡等。快速变化的照明条件主要出现在被摄物体快速移动的任务中，例如，在走动时，或相对于不均匀分布的光源旋转。此外，如果被摄体戴眼镜或隐形眼镜，则可能发生进一步的反射。因此，基于实验室外眼睛瞳孔定位的检测率一直很低，所以现在许多在这些研究中收集的数据必须人工后处理，这是一个费时费力的过程。此外，这种后处理对于依赖于瞳孔监控(例如，疲劳驾驶、虹膜识别或手术辅助)的实时应用是不可能的。这种实时应用也对算法施加了苛刻的限制，使得使用计算机密集型方法变得不可行，并导致基于阈值的方法的流行。

发明内容

为了克服现有技术的不足，本发明提供一种基于边缘滤波、椭圆评价和瞳孔验证的瞳孔定位方法，能解决目前在虹膜识别，疲劳检测方面，对于瞳孔定位的检测时间消耗和精准度，效率普遍不高的问题。

为解决上述技术问题，本发明提供如下技术方案：

一种基于边缘滤波、椭圆评价和瞳孔验证的瞳孔定位方法，具体步骤为：

步骤一：对经过归一化后的图像进行边缘滤波：用Canny-filter对眼部图像进行边缘滤波，会出现杂乱和包含了许多与瞳孔没有关系的边缘，比如，眼皮对眼睛的遮挡，睫毛直接穿插过瞳孔，所以，在边缘滤波后，同时要移除这些无用的像素。具体的就是相邻近的像素的角度超过80度的直接删除，只留下直的，弯曲的，或者两者相交的边缘，比如，瞳孔的睫毛边缘是直的，并且和瞳孔弯曲的边缘相连。使用灰度形态算法将直接和弯曲相交的线分成直线部分和弯曲的两部分。将边缘像素和模式进行匹配，有匹配的则进行删除，并在相交点将像素灰度值改成黑色的像素。经过形态算法细化之后，直线和曲线的相交部分就可以通过删除一个黑色的像素形成两部分线段。除了这里情况应该还有一些其他噪声影响模式的匹配查找，这样我们可以通过调整形态学中的模板形态，使之相匹配，来达到减少噪声的影响。

步骤二：检索最佳的椭圆：收集边缘图像中的所有连续边缘像素。用形态学方法，将所有连接的边缘像素组合成一条线来完成的。在算法中。这些线是根据它们的形状、椭圆拟合后的结果形状以及椭圆所包围的图像强度来评估的。

步骤三：粗略定位瞳孔的位置：