于明鑫等：基于灰度信息和支持向量机的人眼检测方法 807 像向量从原来的48×24维降到K维.本文使用主成 b 分分析算法计算后，取前32个特征值，即前32个特征 人险区域 200x200 向量包含了整个样本空间的数据信息量的97% 为了达到最高的分类准确率，应该选择最佳的支 特向量机参数.需要确定两个参数：惩罚因子C和高 斯核参数6.如果用手动方式调整参数C和δ，一方面 不容易确定初始参数值，另一方面随着训练图像数量 人眼方差 滤波器 增加，参数需要重新调整，既浪费时间，又不利于提高 分类性能。采用优化算法优化支持向量机参数可以达 (c) 到自动调整的效果.为了更准确选择支持向量机参 支持向量机 数，研究了遗传优化算法、粒子群优化算法和网格优化 算法，分别对人眼支持向量机参数进行优化.这里需 要从人眼数据库中抽取300幅人眼图像和300幅非人 眼图像作为测试集（不同于训练集使用的图像）.用三 种优化支持向量机参数后，支持向量机所对应的分类 图5人眼检测流程图 Fig.5 Flowchart of detecting a rough eye window 准确率，如表1所示.从表1中可以看出，遗传优化算 法获得了最高的准确率 2 人眼中心定位 表1支持向量机参数优化 Table 1 Results of SVM optimal parameters 提出了一种图像灰度信息率的方法来确定人眼中 优化算法 准确率/% 心（虹膜中心）.该方法是基于图像灰度熵比率和图像 遗传算法 0.0359 灰度值比率 9.832 97.50 粒子群算法 8.278 0.0527 96.50 图像熵表示图像中灰度分布的聚集特征所包含的 信息量，令P,表示图像中灰度值为I的像素所占的比 网格算法 8.891 0.0385 95.75 例，图像熵定义如下： 1.5人眼区域检测流程 H=- ∑P,logaPr (10) 综合上述理论和算法，人眼区域检测步骤如下 (1)采用级联人脸检测器(boosted cascade face 式中，P,≥0， detector)检测出人脸位置a.通过实验发现，该人脸 P=1. 依据式(10)，图像信息量越少，熵值也越小.由于 检测器不能保证100%人脸检测正确率，因此当发现 虹膜区域灰度分布比较平均，因此在人眼区域中寻找 有非人眼区域时，通过手动方式给予校准.其中FE- 熵值最小的区域，即最为可能的虹膜区域.但是，由于 RET人脸数据库只提供了人脸区域，故该数据库不需 皮肤区域灰度分布也较均匀，同时因为熵值信息只反 要人脸检测器确定人脸区域，如图5(a)所示. 映了图像像素值的变化，所以仅使用熵值信息判断人 (2)提取人脸区域，并将其归一化为大小200× 眼区域是不够的.为了提高检测率，提出结合人眼区 200像素的人脸图像，如图5(b)所示. 域中虹膜区域灰度值相对其他区域灰度值较低的特征 (3)为了降低人眼检测计算量，根据人脸符合 来判断虹膜位置，即灰度值较小的区域，也是最有可能 “三庭五眼二比例”的结构特点，将人眼搜索区域缩小 的虹膜区域。因此，使用统计局部图像熵值比率和灰 到人脸上半部分，如图5(c)中横竖白色线所包围的区 度值比率的方法来判断虹膜区域，具体过程如下 域.然后设置大小48×24的搜索框，根据式(2)和式 首先，需要对人眼图像中值滤波，其目的是去除虹 (3)计算出对应搜索框图像方差.同时，该搜索框以3 膜图像上的白色光斑和噪点，以提高人眼中心定位准 像素（子块宽度）为单位移动，计算方差滤波器与每个 确度.如图6所示，由于虹膜形状近似圆形，依据数据 搜索框图像方差的相关系数，依据阈值0.3，祛除大部 库中人眼虹膜半径大小的统计，选定半径R的圆形作 分非人眼图像，完成候选人眼图像检测，如图5() 为搜索区域，在获得的人眼图像中分别以2像素在行 所示. 和列上移动 (4)候选人眼图像中，包含少量的非人眼图像，例 搜索区域定义为 如眉毛和不完整人眼图像，使用训练过的支持向量机 rH,=H。-2R, 对候选人眼图像进行分类，确定出人眼图像准确位置， (11) 如图5(d)所示. lW.=W。-2R于明鑫等: 基于灰度信息和支持向量机的人眼检测方法 像向量从原来的 48 × 24 维降到 K 维． 本文使用主成 分分析算法计算后，取前 32 个特征值，即前 32 个特征 向量包含了整个样本空间的数据信息量的 97% ． 为了达到最高的分类准确率，应该选择最佳的支 持向量机参数． 需要确定两个参数:惩罚因子 C 和高 斯核参数 δ． 如果用手动方式调整参数 C 和 δ，一方面 不容易确定初始参数值，另一方面随着训练图像数量 增加，参数需要重新调整，既浪费时间，又不利于提高 分类性能． 采用优化算法优化支持向量机参数可以达 到自动调整的效果． 为了更准确选择支持向量机参 数，研究了遗传优化算法、粒子群优化算法和网格优化 算法，分别对人眼支持向量机参数进行优化． 这里需 要从人眼数据库中抽取 300 幅人眼图像和 300 幅非人 眼图像作为测试集(不同于训练集使用的图像)． 用三 种优化支持向量机参数后，支持向量机所对应的分类 准确率，如表 1 所示． 从表 1 中可以看出，遗传优化算 法获得了最高的准确率． 表 1 支持向量机参数优化 Table 1 Results of SVM optimal parameters 优化算法 C δ 准确率/% 遗传算法 9. 832 0. 0359 97. 50 粒子群算法 8. 278 0. 0527 96. 50 网格算法 8. 891 0. 0385 95. 75 1. 5 人眼区域检测流程 综合上述理论和算法，人眼区域检测步骤如下． (1) 采用级联人脸检 测 器( boosted cascade face detector)检测出人脸位置［10］． 通过实验发现，该人脸 检测器不能保证 100% 人脸检测正确率，因此当发现 有非人眼区域时，通过手动方式给予校准． 其中 FE￾RET 人脸数据库只提供了人脸区域，故该数据库不需 要人脸检测器确定人脸区域，如图 5(a)所示． (2) 提取人脸区域，并将其归一化为大小 200 × 200 像素的人脸图像，如图 5(b)所示． (3) 为了降低人眼检测计算量，根据人 脸 符 合 “三庭五眼二比例”的结构特点，将人眼搜索区域缩小 到人脸上半部分，如图 5(c)中横竖白色线所包围的区 域． 然后设置大小 48 × 24 的搜索框，根据式(2)和式 (3)计算出对应搜索框图像方差． 同时，该搜索框以 3 像素(子块宽度)为单位移动，计算方差滤波器与每个 搜索框图像方差的相关系数，依据阈值 0. 3，祛除大部 分非人眼图像，完成候选人眼图像检测，如图 5 ( c) 所示． (4) 候选人眼图像中，包含少量的非人眼图像，例 如眉毛和不完整人眼图像，使用训练过的支持向量机 对候选人眼图像进行分类，确定出人眼图像准确位置， 如图 5(d)所示． 图 5 人眼检测流程图 Fig． 5 Flowchart of detecting a rough eye window 2 人眼中心定位 提出了一种图像灰度信息率的方法来确定人眼中 心(虹膜中心)． 该方法是基于图像灰度熵比率和图像 灰度值比率． 图像熵表示图像中灰度分布的聚集特征所包含的 信息量，令 PI 表示图像中灰度值为 I 的像素所占的比 例，图像熵定义如下［11］: H = － ∑ m I = 1 PI log2PI ． (10) 式中，PI≥0，∑ m I = 1 PI = 1． 依据式(10)，图像信息量越少，熵值也越小． 由于 虹膜区域灰度分布比较平均，因此在人眼区域中寻找 熵值最小的区域，即最为可能的虹膜区域． 但是，由于 皮肤区域灰度分布也较均匀，同时因为熵值信息只反 映了图像像素值的变化，所以仅使用熵值信息判断人 眼区域是不够的． 为了提高检测率，提出结合人眼区 域中虹膜区域灰度值相对其他区域灰度值较低的特征 来判断虹膜位置，即灰度值较小的区域，也是最有可能 的虹膜区域． 因此，使用统计局部图像熵值比率和灰 度值比率的方法来判断虹膜区域，具体过程如下． 首先，需要对人眼图像中值滤波，其目的是去除虹 膜图像上的白色光斑和噪点，以提高人眼中心定位准 确度． 如图 6 所示，由于虹膜形状近似圆形，依据数据 库中人眼虹膜半径大小的统计，选定半径 R 的圆形作 为搜索区域，在获得的人眼图像中分别以 2 像素在行 和列上移动． 搜索区域定义为 Hs = He － 2R， {Ws = We － 2R． (11) ·807·