眼球中心定位跟踪算法—eyelike

chaibubble

发布于 2019-05-26 20:01:37

2.7K0

发布于 2019-05-26 20:01:37

文章被收录于专栏：深度学习与计算机视觉

项目介绍

人眼中心定位是一个用于眼部追踪的算法，它来源于github中eyelike项目，C++语言实现，依赖OpenCV库。

关于代码的编译，作者提供了CMakeLists.txt文件，同时支持Windows，Linux和Mac OS X。

该项目只实现了简单的2维眼球跟踪功能，没有3维信息，也没有视线跟踪和估计功能。

作者提供了另一个博客链接Simple, accurate eye center tracking in OpenCV，其中有一段演示视频，可以看到跟踪效果。

项目主要的算法来源于剑桥大学的一篇文章：《Accurate eye centre localisation by means of gradients》。

算法介绍

该项目从网络摄像头读取视频，进行人脸检测，再根据检测到的人脸图像截取左眼和右眼的ROI区域，最后根据截取到的ROI进行眼球中心检测与跟踪。所以算法的主要包含三个部分：人脸检测，ROI截取，眼球中心定位。

人脸检测

这里面用的人脸检测方法就是OpenCV中集成好的级联分类器，这是一种非常古老的人脸检测方法，利用Haar特征或LBP特征训练多个弱分类模型，组成最终的分类器，进行人脸检测。

OpenCV中提供了多个已经训练好的模型，考虑到侧脸的情况下左右眼将出现遮挡，所以在项目中目前只用到了正面脸检测。

眼部ROI截取

得到整个人脸图像后，截取出左右眼部区域的ROI图像，这个截取过程就是简单的根据先验知识，对于如下的一张人脸图像（注：该图片来源于互联网）：

那么，左右眼的区域大小和位置大概是固定的，整幅图像的长宽分别为wIwIw_{I}，hIhIh_{I}。眼部区域的长宽为wEwEw_{E}，hEhEh_{E}，则有：

wE=35100wIwE=35100wI

w_{E}=\frac{35}{100}w_{I}

hE=30100hIhE=30100hI

h_{E}=\frac{30}{100}h_{I}

对于左右眼ROI图像左上角像素点位置：

yL=yR=25100hIyL=yR=25100hI

y_{L}=y_{R}=\frac{25}{100}h_{I}

xL=13100wIxL=13100wI

x_{L}=\frac{13}{100}w_{I}

xR=wI−wE−13100wIxR=wI−wE−13100wI

x_{R}=w_{I}-w_{E}-\frac{13}{100}w_{I}

眼球中心定位

现在截取出了眼部ROI图像，就到了之前提到的那个论文的方法了，《Accurate eye centre localisation by means of gradients》。其实它用到的方法很好理解，一副图像，每个像素点都可以计算出梯度，而梯度包含了幅值和方向。对于眼部图像而言，越是靠近眼球中心的位置，灰度值就越低，就会有更多的梯度方向的连线交于那个点。

所以，中心位置的确定，就是在找梯度方向上的直线相交最多的那个点。

补充

除了眼球定位，这个项目还做了眼睑的定位，是在眼球中心位置与眼部ROI区域确定后，增加了简单的后处理，我没有把这个作为重点。

性能评价

最后，根据梯度方向的眼球定位算法在某些方面还是有可取之处的。它很简单，非常容易理解，然后没有使用边缘之类的纹理特征，这使得在较低分辨率的图像和视频下也能做到定位，因为即便是分辨率很低，起码梯度的特征相比边缘的特征，受到的影响更小，算法在这方面的鲁棒性很好。但是它毕竟是一种基于纹理特征的定位算法，这意味着，当眼部图像的纹理受到外部影响而改变时，算法的定位效果会变得很差。比如我测试的图像是一款头戴式设备采集到的，里面为了照明增加了光源，光源反射到眼球位置后出现了亮点，而这个亮点的存在改变了眼部原来的纹理特征。