[发明专利]一种高鲁棒性瞳孔定位方法

说明书

本发明公开了一种高鲁棒性瞳孔定位方法，包括：眼睛区域原始图像的旋转、滤波、搜寻标记点、计算映射坐标等操作方法，得到标记点映射坐标簇，计算质心坐标，并通过坐标转换得到瞳孔坐标；本发明优点在于所述高鲁棒性瞳孔定位方法能够灵活调整预设角度的疏密程度，有效权衡精度和实时性之间的关系，满足不同场景的多样化需求；像素标记点搜寻方法与旋转策略相结合，获得标记点映射坐标簇，较好地实现了对瞳孔边缘的定位，同时具备高鲁棒性；滤波操作能够有效地减弱图像噪声和普尔钦斑等的干扰，在保证精度的同时，进一步提升了鲁棒性；本方法通过计算机编程能够实现模块化应用，便于推广应用在各类视线追踪模型和嵌入式系统等场合。

技术领域

本发明属于人机交互技术领域，涉及视线追踪技术，具体是一种高鲁棒性瞳孔定位方法。

背景技术

元宇宙集5G、VR、AR、物联网、云计算、大数据、区块链、人工智能等前沿数字技术之大成，正在推动“全真互联网”时代的到来。元宇宙有8个要素：身份、朋友、沉浸感、低延迟、多元化、随地、经济系统、文明。为了实现舒适的沉浸感，低延迟和多元化的人机交互是元宇宙的基础技术之一；其中，视线追踪是人机交互领域的一项关键技术。

眼睛具有传递信息的重要功能，人的眼睛和视线包含了丰富的情感和意图信息。视线追踪主要是以眼睛图像或人脸图像作为处理对象，进而计算人眼的视线方向或注视点位置，在人机交互、汽车安全驾驶、市场研究等领域具有重要的理论意义和应用价值。

在人的眼睛中，瞳孔是一个非常重要的结构，瞳孔在眼睛中所处的位置则是影响视线方位的重要因素之一；鲁棒性高、实时性好、精度可靠的瞳孔定位方法对于视线追踪技术具有重要意义。

目前，瞳孔定位方法一般分为两类：基于特征提取的方法和基于统计学习的方法。基于特征提取的方法主要是利用瞳孔区域的灰度特征来检测瞳孔中心，例如，Hough变换检测圆方法、椭圆拟合方法、灰度投影方法、梯度方法和星射线方法等；基于统计学习的方法是将包含眼睛区域的图像作为输入数据，训练神经网络模型进行瞳孔位置检测。但是，这些方法往往在一些方面存在问题，比如：计算量大，实时性不好；要求较高的图像质量；仅能适用于红外光成像，而对于可见光场景下的人脸图像，检测精度不够、鲁棒性差；无法消除普尔钦斑的干扰。这些问题，限制了瞳孔定位方法在视线追踪系统中的应用。

发明内容

本发明目的在于解决现有技术中存在的上述不足，提出一种高鲁棒性瞳孔定位方法，有效权衡精度和实时性之间的关系，满足不同场景的多样化需求；较好实现对瞳孔边缘的定位，同时具备高鲁棒性；减弱图像噪声和普尔钦斑等的干扰，在保证精度的同时，进一步提升鲁棒性；通过计算机编程实现模块化应用，便于推广应用在各类视线追踪模型和嵌入式系统等场合。

实现本发明目的的技术方案为：

一种高鲁棒性瞳孔定位方法，其特征在于，包括：

从待测图像中获取人物面部的眼睛特征点坐标，根据所述眼睛特征点坐标截取得到眼睛区域原始图像；

所述眼睛区域原始图像进行旋转操作得到旋转图像，所述旋转操作根据预设角度确定旋转角度和旋转方向；

所述旋转图像通过滤波操作得到旋转滤波图像；

在旋转滤波图像中基于遍历规则搜寻一个像素值最小的标记点，得到最小像素标记点坐标；

通过旋转映射公式计算所述旋转滤波图像中的最小像素标记点坐标映射回到眼睛区域原始图像中的标记点映射坐标；

所述眼睛区域原始图像通过遍历预设角度中的每个角度，完成旋转、滤波、搜寻标记点、计算映射坐标等操作，从而得到多个标记点映射坐标；

所述多个标记点映射坐标围合组成一个标记点映射坐标簇，计算标记点映射坐标簇所围合区域的质心坐标，通过坐标转换得到所述待测图像中的瞳孔坐标。