于明鑫等：基于灰度信息和支持向量机的人眼检测方法 ·805· 同时得到人眼的位置和形状信息，但定位速度慢，需要 高对比度图像，而且其中包含的寻优过程依赖于初始 定位的准确度和参数初始值的选择.边缘提取法是使 用边缘检测算子提取人脸边缘图像，然后用霍夫变换 检测虹膜或者瞳孔确定人眼中心.该方法需要大量的 预处理数据，并且设置参数过多，因此不适用于个体差 异太大的人眼.基于外貌特征方法主要有滤波器响应 法因、灰度投影法田等。滤波器响应法主要使用人眼 特征点和外貌特征两种方式，两者都是使用滤波器响 应值检测人眼，用于正面人脸检测效果比较好：但是都 图1训练支持向量机的人眼/非人眼图像 需要在整幅人脸图像中根据预定义的特征进行搜索， Fig.I Examples of used eye/non-eye images for training 计算时间比较长，同时内存消耗也比较大.灰度投影 眼睛边缘具有很好的边界，但是由于眼眉对眼睛区域 法是根据波峰和波谷的分布信息检测人眼，定位速度 的影响，所以很难获得较好的眼晴边缘图像.不过，人 快：但是很容易受到不同的人脸姿态、光照强度的影 眼区域灰度变化比人脸其他部位灰度变化明显，因此 响，而且容易陷入寻找局部最小值的问题中而导致人 可以采用灰度二阶矩（方差）来描述人眼区域与其他 眼检测失败.基于混合方法是结合两种或两种以上方 区域灰度变化的区别.基于这些特征，Feng和Yuen 法在人脸区域中检测人眼.这种方法的目的是结合几 开发了人眼方差滤波器估计人眼候选区域 种方法的优点，来降低计算量，提高人眼检测正确率. 假设I(x,y)为像素灰度值，2区域内人眼图像方 目前，应用比较多的方法是人眼局部特征与外貌混合 差定义为仞 法可、人眼区域颜色特征与外形混合法圆等. 尽管上述方法取得了较好的人眼检测效果，但是 =流品u-i小 (1) 没有充分考虑人眼佩戴眼镜、光照强度变化和面部旋 式中，Aa和I。分别为2区域的面积和灰度平均值. 转情况下的人眼检测.因此，本文提出了一种有效的 大小为48×24的人眼图像划分为16×8个无重 混合人眼检测方法，即利用人眼图像灰度信息与支持 向量机确定人眼区域.该混合方法优点在于使用少量 叠的子块，每块像素大小为3×3像素，定义人眼方差 图像建立的人眼方差滤波器可以简单有效地祛除大量 图像为 非人眼区域，保留少量潜在人眼区域，提高了支持向量 V(xy）=√9n' (2) 机分类准确率，并降低了计算量：同时，在检测的人眼 2={(i-1)l+1≤x≤il,G-1)l+1≤y≤ 区域基础上，使用本文提出的灰度信息率定位人眼中 (3) 心.该方法在BiolD、MM和FERET三个人脸数据库 中分别对没有佩戴眼镜和佩戴眼镜、光照变化与旋转 其中，1为图像的宽度和高度（宽度=高度=3像素）， 的人脸图像进行了测试，得到了较高的人眼区域检测 2为每个小块的区域面积大小. 率和人眼中心定位正确率 每个子块的方差图像通过式(2)和式(3)计算得 到，且每个子块具有不同的灰度特征.图2给出一副 1人眼区域检测 人眼图像及其对应的方差图像 1.1人眼图像数据库建立 a (bl 本文使用的人眼数据中的人眼图像取自PICS、 JAFFE和MUCT人脸数据库，以及互联网上搜集的人 脸图像.数据库中包含1500幅人眼图像和1500幅非 人眼图像，其中人眼图像集包含了不同姿态、不同大 图2人眼方差图像示意图.()人眼图像：(b)人眼方差图像 小、佩戴眼镜和没有佩戴眼镜的人眼图像，非人眼图像 Fig.2 Eye variance image sketch:(a)eye image:(b)eye vari- ance image 集包含了眉毛、不完整人眼以及眼睛周围皮肤的非人 眼图像，图像大小归一化为48×24.这里使用1000幅 下面构建方差滤波器.首先从人眼数据库中手动 人眼图像作为正图像集和1000幅非人眼图像作为负 抽取30幅人眼图像(10幅佩戴眼镜和20幅没有佩戴 图像集.图1列出了一些人眼和非人眼图像例子. 眼镜).然后根据式(4)计算人眼方差滤波器上每个 1.2人眼方差滤波器 子块(i,》上的子方差滤波器F。(i,》,即30幅图像上 眼睛是由眼球和上、下眼皮构成的活动模型，尽管 相同子块(i,》方差图像的平均值，公式如下：于明鑫等: 基于灰度信息和支持向量机的人眼检测方法 同时得到人眼的位置和形状信息，但定位速度慢，需要 高对比度图像，而且其中包含的寻优过程依赖于初始 定位的准确度和参数初始值的选择． 边缘提取法是使 用边缘检测算子提取人脸边缘图像，然后用霍夫变换 检测虹膜或者瞳孔确定人眼中心． 该方法需要大量的 预处理数据，并且设置参数过多，因此不适用于个体差 异太大的人眼． 基于外貌特征方法主要有滤波器响应 法［3］、灰度投影法［4］等． 滤波器响应法主要使用人眼 特征点和外貌特征两种方式，两者都是使用滤波器响 应值检测人眼，用于正面人脸检测效果比较好;但是都 需要在整幅人脸图像中根据预定义的特征进行搜索， 计算时间比较长，同时内存消耗也比较大． 灰度投影 法是根据波峰和波谷的分布信息检测人眼，定位速度 快;但是很容易受到不同的人脸姿态、光照强度的影 响，而且容易陷入寻找局部最小值的问题中而导致人 眼检测失败． 基于混合方法是结合两种或两种以上方 法在人脸区域中检测人眼． 这种方法的目的是结合几 种方法的优点，来降低计算量，提高人眼检测正确率． 目前，应用比较多的方法是人眼局部特征与外貌混合 法［5］、人眼区域颜色特征与外形混合法［6］等． 尽管上述方法取得了较好的人眼检测效果，但是 没有充分考虑人眼佩戴眼镜、光照强度变化和面部旋 转情况下的人眼检测． 因此，本文提出了一种有效的 混合人眼检测方法，即利用人眼图像灰度信息与支持 向量机确定人眼区域． 该混合方法优点在于使用少量 图像建立的人眼方差滤波器可以简单有效地祛除大量 非人眼区域，保留少量潜在人眼区域，提高了支持向量 机分类准确率，并降低了计算量;同时，在检测的人眼 区域基础上，使用本文提出的灰度信息率定位人眼中 心． 该方法在 BioID、IMM 和 FERET 三个人脸数据库 中分别对没有佩戴眼镜和佩戴眼镜、光照变化与旋转 的人脸图像进行了测试，得到了较高的人眼区域检测 率和人眼中心定位正确率． 1 人眼区域检测 1. 1 人眼图像数据库建立 本文使用的人眼数据中的人眼图像取自 PICS、 JAFFE 和 MUCT 人脸数据库，以及互联网上搜集的人 脸图像． 数据库中包含 1500 幅人眼图像和 1500 幅非 人眼图像，其中人眼图像集包含了不同姿态、不同大 小、佩戴眼镜和没有佩戴眼镜的人眼图像，非人眼图像 集包含了眉毛、不完整人眼以及眼睛周围皮肤的非人 眼图像，图像大小归一化为 48 × 24． 这里使用 1000 幅 人眼图像作为正图像集和 1000 幅非人眼图像作为负 图像集． 图 1 列出了一些人眼和非人眼图像例子． 1. 2 人眼方差滤波器 眼睛是由眼球和上、下眼皮构成的活动模型，尽管 图 1 训练支持向量机的人眼/非人眼图像 Fig． 1 Examples of used eye /non-eye images for training 眼睛边缘具有很好的边界，但是由于眼眉对眼睛区域 的影响，所以很难获得较好的眼睛边缘图像． 不过，人 眼区域灰度变化比人脸其他部位灰度变化明显，因此 可以采用灰度二阶矩(方差) 来描述人眼区域与其他 区域灰度变化的区别． 基于这些特征，Feng 和 Yuen ［7］ 开发了人眼方差滤波器估计人眼候选区域． 假设 I(x，y)为像素灰度值，Ω 区域内人眼图像方 差定义为［7］ φΩ = 1 AΩ (x ∑，y)∈Ω ［I(x，y) － IΩ］． (1) 式中，AΩ 和 IΩ 分别为 Ω 区域的面积和灰度平均值． 大小为 48 × 24 的人眼图像划分为 16 × 8 个无重 叠的子块，每块像素大小为 3 × 3 像素，定义人眼方差 图像为 V(x，y) = 槡φΩij ， (2) Ωij = {(i － 1)l + 1≤x≤il，(j － 1)l + 1≤y≤jl}． (3) 其中，l 为图像的宽度和高度(宽度 = 高度 = 3 像素)， Ωij为每个小块的区域面积大小． 每个子块的方差图像通过式(2)和式(3)计算得 到，且每个子块具有不同的灰度特征． 图 2 给出一副 人眼图像及其对应的方差图像． 图 2 人眼方差图像示意图． (a) 人眼图像; (b) 人眼方差图像 Fig． 2 Eye variance image sketch: ( a) eye image; ( b) eye vari￾ance image 下面构建方差滤波器． 首先从人眼数据库中手动 抽取 30 幅人眼图像(10 幅佩戴眼镜和 20 幅没有佩戴 眼镜)． 然后根据式(4) 计算人眼方差滤波器上每个 子块(i，j)上的子方差滤波器 Fe ( i，j)，即 30 幅图像上 相同子块(i，j)方差图像的平均值，公式如下: ·805·