[发明专利]一种近红外眼睛定位及眼睛状态识别方法

说明书

技术领域

本发明属于图像处理和模式识别领域，具体涉及一种近红外眼睛定位及眼睛状态识别方法。

背景技术

眼睛是人脸生物特征识别的重要组成部分，因此眼睛的精确位置信息及眼睛状态在驾驶员疲劳检测、视线跟踪等智能系统有广泛应用。

根据眼睛定位方法所采用的特征和模型可以分为以下三类：

第一类是基于眼睛外观特征的定位方法，如眼睛固有形状、瞳孔、虹膜和眼白的灰度分布、亮瞳效应。这类定位方法依赖于好的成像条件，在驾驶环境中，需克服光照、头部转动、戴眼镜等诸多不可控条件，才能有较好定位效果。

第二类是基于特征描述子的统计学习方法，即提取有用的视觉特征，在大量眼睛训练样本基础上建立眼睛定位模型。如通过Adaboost算法训练基于Haar特征的眼睛级联分类器，但是目前方法大部分只提取睁眼时的特征描述子，因此，定位睁眼的眼睛具有较好的性能，而闭眼时定位算法失效。

第三类方法是利用眼睛的空间结构信息建立眼睛定位模型。主动形状模型是一种具有代表性的图形结构模型，这种模型用形状向量来描述物体形状的变化，这类方法能同时定位睁眼和闭眼，但是计算复杂度高，不能满足实时性要求。

根据眼睛状态识别方法采用的特征和模型可以分为以下两类：

第一类是基于外貌特征的眼睛状态判别方法，利用眼睛的一些固有外观特征进行识别，比如眼睛虹膜的形状、眼睑的曲率、眼睛的灰度分布等。眼睛的一些固有外观特征会受到外界的环境影响而发生改变，在实际不可控的条件下，这种方法往往变得并不可靠。

第二类是基于统计学习的眼睛状态判别方法，这种方法往往需要大量不同变化模式下的训练样本，这样才能让学习模型能够有足够好的泛化能力，因此它在处理不确定样本数据时，比基于外貌特征的识别方法表现出更好的稳定性和鲁棒性。

在实际应用中，为了减少复杂光照的影响，同时满足夜间使用的要求，很多智能系统采用主动近红外光源和窄带滤光片相结合的图像采集系统。然而近红外眼睛图像中虹膜消失，图像噪声增大，与自然光谱下图像有较大差别，并且在实际应用环境中，眼镜反光、 睁闭眼、头部转动使得目前存在的眼睛定位及眼睛状态识别算法性能都出现大幅度下降，使用单一的特征或定位方法不能保证在所有应用环境下的鲁棒性。

发明内容

本发明的目的在于提出一种近红外眼睛定位及眼睛状态识别方法，在红外条件下，能够克服睁闭眼、眼镜反光、头部转动等因素的影响，实时地准确定位眼睛位置并输出眼睛状态，从而提高相应智能系统的鲁棒性。

实现本发明目的的技术解决方案为：

一种近红外眼睛定位及眼睛状态识别方法，包括如下步骤：

步骤1：获取一帧近红外图像，所述近红外图像由具有850nm主动近红外光源和窄带滤光片的图像采集系统获得，在获取的近红外图像上定位人脸区域，如果定位成功，获取人脸图像，执行步骤2，否则继续获取下一帧红外图像；

步骤2：在获取的人脸图像上利用基于级联结构的近红外眼睛定位算法定位眼睛区域，如果定位成功，获取眼睛图像，执行步骤3，否则执行步骤1；

步骤3：在获取的眼睛图像上利用基于HOG-LBP特征融合的近红外眼睛状态识别算法判定眼睛状态，输出眼睛状态识别结果；

步骤4：重复步骤1～3，实时输出眼睛状态识别结果。

进一步的，步骤2具体包括以下步骤：

步骤2.1：利用人脸三庭五眼的比例划分人脸图像获得眼睛感兴趣区域，在获取的眼睛感兴趣区域利用基于Haar特征的眼睛级联分类检测器定位眼睛区域，如果定位成功，即可输出眼睛精确位置，获取眼睛图像，否则执行步骤2.2；

步骤2.2：在获取的眼睛感兴趣区域利用基于形态学的方法定位眼睛区域，如果定位成功，即可输出眼睛精确位置，获取眼睛图像，否则这帧图像眼睛定位失败。

进一步的，所述步骤2.2中在获取的眼睛感兴趣区域利用基于形态学的方法定位眼睛区域包括以下步骤：

步骤2.2.1：对眼睛感兴趣区域进行对数变换，并利用基于最大熵的自适应阈值分割算法分割对数变换后的眼睛感兴趣区域，得到分割后的图像；

步骤2.2.2：利用形态学闭操作处理分割后的图像，并进行团块提取，根据团块的大小和的设定值，去除不在设定值范围内的团块；

步骤2.2.3：计算团块的包围盒，如果团块的包围盒的宽度大于长度，则去除该团块；

步骤2.2.4：计算团块的质心位置，并搜索质心坐标在眼睛感兴趣区域中心点附近的矩 形区域内的最大团块，该最大团块的包围盒即为眼睛所在矩形位置，完成眼睛精确定位。