[发明专利]一种全局自适应优化参数的瞳孔定位方法

权利要求书

1.一种全局自适应优化参数的瞳孔定位方法，其特征在于，所述方法包括以下步骤：

S100、对眼部图像进行预处理，通过高斯滤波公式降低并消除眼部图像中的噪声，从而使眼部图像更加平滑；

S101、降低并消除眼部图像中的噪声所述的高斯滤波公式为，式中：μ为眼部图像像素值均值，无量纲量；δ为眼部图像像素值标准差，无量纲量；x为眼部图像中的单个像素值，无量纲量；f（x）为处理后的眼部图像中的单个像素值，无量纲量；e为自然对数的底数，常数；π为圆周率，常数；

S200、对处理完的眼部图像进行感兴趣区域以及初始搜索点的选定，对眼部图像进行感兴趣区域以及初始搜索点的选定具体分为以下步骤；

S201、采用Python编程语言，将高斯滤波公式处理后的眼部图像转换为二维矩阵；

S202、根据矩阵元素的最小值定位公式，定位眼部图像中的最小像素值点；所述最小值定位公式为，式中：为眼部图像的最小像素值点；X_{low_all}、Y_{low_all}为眼部图像中最小像素值点的横、纵坐标，无量纲量；min为最小取值函数；i、j为二维矩阵的行、列数，无量纲量；为眼部图像中横、纵坐标为X_i，Y_j所对应点的像素值，无量纲量；

S203、根据ROI选定公式，表征出ROI区域，ROI区域为感兴趣区域，所述ROI选定公式为，式中：（X_center，Y_center）是整个眼部图像的中心点横、纵坐标，无量纲量；RangeH是ROI区域高度，无量纲量；RangeW是ROI区域的宽度，无量纲量；A、B、C、D为ROI区域的四个顶点坐标，无量纲量；H为眼部图像的高度，无量纲量；W为眼部图像的宽度，无量纲量；

S204、利用初始搜索点选定公式，结合ROI区域以及整个眼部图像的最小像素值点来确定搜索起始坐标，所述初始搜索点选定公式为，式中：X_init、Y_init为初始搜索点的横、纵坐标，X_{low_all}、Y_{low_all}为眼部图像中最小像素值点的横、纵坐标，无量纲量；X_{low_roi}，Y_{low_roi}为ROI区域中最小像素值点的横、纵坐标，无量纲量；

S300、对眼部图像进行近L邻域的搜索，以此来求取眼部图像中瞳孔分离参数的最小像素值；所述求取瞳孔分离参数的最小像素值具体分为以下步骤；

S301、建立近L邻域搜索方式，搜索步长L设为20，建立跳跃界限条件公式，跳跃界限条件公式为，式中：P_{m_later}为搜索的下一个像素值，无量纲量；P_{m_last}为搜索的当前像素值，无量纲量；

S302、建立异常处理公式，包括初始搜索点的八个方向同时满足跳跃界限条件公式的异常处理公式及初始搜索点的八个方向搜索返回像素值相等的异常处理公式，所述初始搜索点的八个方向同时满足跳跃界限条件公式的异常处理公式为，式中为下一搜索点的横纵坐标；P_LT为起始搜索点的左上方像素值，无量纲量；P_T为起始搜索点的上方像素值，无量纲量；P_RT为起始搜索点的右上方像素值，无量纲量；P_L为起始搜索点的左方像素值，无量纲量；P_R为起始搜索点的右方像素值，无量纲量；P_LD为起始搜索点的左下方像素值，无量纲量；P_D为起始搜索点的下方像素值，无量纲量；P_RD为起始搜索点的右下方像素值，无量纲量；Point函数表示取像素值对应点的横纵坐标；所述初始搜索点的八个方向搜索返回像素值相等的异常处理公式为，式中：L_extra是附加的搜索步长，无量纲量；k是出现异常的数量，无量纲量；P_m和P_n是来自8个方向的搜索像素值，无量纲量；

S303、根据近L邻域搜索方式和跳跃界限条件公式，通过Python程序语言编程，利用瞳孔分离参数求取公式，结合最大像素值函数，选取八个方向搜索返回像素值中的相对最大值作为瞳孔分离参数的最小像素值，得到瞳孔分离参数的最小像素值，所述瞳孔分离参数求取公式为，式中P_m为8个方向的搜索像素值，无量纲量；P_{m_later}为搜索的下一个像素值，无量纲量；P_{m_last}为搜索的当前像素值，无量纲量；T_{L_nearest}搜索步长，初始取值为1.5，无量纲量；所述最大像素值函数为，式中：P_{L_nearest}为瞳孔分离参数的最小像素值，无量纲量；max为最大取值函数；

S400、根据获取的瞳孔分离参数的最小像素值，对眼部图像进行二值化参数优化，求取瞳孔分离参数的最大像素值，通过界限取值公式，得到最终用于瞳孔分离参数，具体分为以下步骤；

S401、设定瞳孔分离参数最大值跳跃判断公式，所述瞳孔分离参数最大值跳跃判断公式为，式中：P_{m_later}为搜索的下一个像素值，无量纲量；P_{m_last}为搜索的当前像素值，无量纲量；

S402、建立单方向参数搜索取值公式，结合初始点的八个方向搜索值及八个方向的像素点在矩阵中的行列坐标，通过Python程序语言编程，将初始点的八个方向像素点分别设置为新的起始搜索坐标进行搜索，根据瞳孔分离参数最大值取值公式，选取八个方向搜索返回值中的相对最小值作为瞳孔分离参数的最大像素值，求取瞳孔分离参数的最大像素值，所述单方向参数搜索取值公式为：，式中：P_m为搜索点8个方向的搜索像素值，P_{m_later}为搜索的下一个像素值，无量纲量；P_{m_last}为搜索的当前像素值，无量纲量；T_{L_optimization}为跳跃判断值，取值为10，无量纲量；所述瞳孔分离参数最大值取值公式为，式中：P_m为搜索点8个方向的搜索像素值，无量纲量；P_{L_optimization}为瞳孔分离参数的最大像素值，无量纲量；

S403、根据界限取值公式，求取最终的瞳孔分离参数，所述界限取值公式为，式中：P_pupil是瞳孔分离参数，无量纲量；P_{L_nearest}为瞳孔分离参数的最小像素值，无量纲量；P_{L_optimization}为瞳孔分离参数的最大像素值，无量纲量；M_bound是参数最大值的约束条件，取值为80；

S500、最后对眼部图像进行二值化处理并进行瞳孔连通域轮廓筛选，采用椭圆拟合的方式对瞳孔连通域进行拟合，最终实现对瞳孔的定位，具体分为以下步骤；

S501、根据图像二值化公式，通过Python语言编写程序，对眼部图像进行二值化处理，求取眼部图像的二值化图像，所述图像二值化公式为，式中：P_pupil是最终的瞳孔分离参数，无量纲量；P_(i,j)为二维矩阵第i行，第j列的元素；

S502、基于上述得到的二值化图像，建立瞳孔连通域筛选公式，求取瞳孔连通域，所述瞳孔连通域筛选公式为，式中D_i为轮廓点距离眼部图像中心的平均距离，无量纲量；N为轮廓个数，无量纲量；x_i，y_i为第i个轮廓点的横、纵坐标，X_center，Y_center为眼部图像的中心点的横、纵坐标，S_i为眼部轮廓的面积，X_R为瞳孔轮廓最右侧轮廓点横坐标，无量纲量；X_L是瞳孔轮廓最左侧轮廓点横坐标，无量纲量；Y_T为瞳孔轮廓最高轮廓点纵坐标，无量纲量；Y_D为瞳孔轮廓最低轮廓点纵坐标，无量纲量；O_i为满足条件的连通域轮廓点集合；M_D为距离约束条件值，无量纲量；M_S为面积约束条件值，无量纲量；C_i为所有连通域轮廓中下标为i的连通域轮廓点数，无量纲量；M_C为轮廓点个数的约束条件值，无量纲量；S_c为满足条件的连通域轮廓点集合中每一个轮廓的面积，无量纲量；c为满足条件的连通域轮廓点集合中的轮廓下标，无量纲量；C_pupil为瞳孔的连通域值，无量纲量；

S503、将瞳孔连通域轮廓坐标点代入椭圆拟合公式，对瞳孔连通域拟合，实现瞳孔定位，所述椭圆拟合公式为，式中x，y分别为瞳孔连通域轮廓点的横、纵坐标，A、B、C、D、E、F为椭圆拟合公式的常数，由瞳孔连通域轮廓点确定。

2.根据权利要求1所述的一种全局自适应优化参数的瞳孔定位方法，其特征在于：该方法中的所有参数，能根据实际眼部图像进行全局自适应调整优化，精确识别实际眼部图像的瞳孔位置。