基于canny的人臉眨眼檢測

摘 要：基于canny邊緣檢測與積分圖相結(jié)合的方法，進行眨眼檢測。通過canny邊緣檢測，計算出人眼區(qū)域的邊緣，然后對具有噪聲的干擾的邊緣進行分析，判定是否屬于眨眼，進行檢測之前，分別計算眼睛區(qū)域在當(dāng)前的光照條件下眨眼和睜眼的積分圖，并計算判定為眨眼的閾值。積分圖的核心思想是針對一塊圖像區(qū)域，計算像素值的和。其具體實現(xiàn)要先計算出人臉在圖像中的區(qū)域和人眼在人臉圖像中的區(qū)域，使用了ASM（Active Shape Model）算法作為人眼區(qū)域的檢測方法。這種眨眼檢測算法取得98.9%的準(zhǔn)確率，錯檢的部分主要為睜眼檢測為眨眼，基本沒有漏檢，并且能夠達到視頻的實時計算。

關(guān)鍵詞：canny；邊緣檢測；眨眼檢測；積分圖

中圖分類號：TP391.41

眼睛作為人臉器官的重要組成部分，其生理活動為很多領(lǐng)域提供了參考的依據(jù)，如駕駛員疲勞駕駛檢測、人機接口等方向。眨眼的頻率和每次眨眼的時間受個人情感、眼睛疲勞程度、疾病等因素影響。在正常的身體條件下，使用眨眼分析對駕駛員駕駛的疲勞檢測可以作為重要的方法。本文提出了一種基于canny邊緣檢測與積分圖相結(jié)合的方法，進行眨眼檢測，取得了良好的效果。

1 本文算法

基于光照、計算速度的要求，本文的人臉眨眼檢測算法，邊緣檢測經(jīng)過驗證使用canny算法比其他方法如拉普拉斯變換方法能得到更好的效果。

本文的主要思想：

（1）通過canny邊緣檢測，計算出人眼區(qū)域的邊緣，然后對具有噪聲的干擾的邊緣進行分析，判定是否屬于眨眼，一般情況下，眨眼能夠正確檢測，但是會有多檢，不會有誤檢。

（2）進行檢測之前，分別計算眼睛區(qū)域在當(dāng)前的光照條件下眨眼和睜眼的積分圖，并計算判定為眨眼的閾值。對canny檢測的眨眼，計算人臉區(qū)域的積分圖，如果滿足閾值條件，則判定為眨眼。

1.1 canny邊緣檢測

JohnCanny于1986年提出Canny算子，它與Marr（LoG）邊緣檢測方法類似，也屬于是先平滑后求導(dǎo)數(shù)的方法，其主要思想如下：

（1）用高斯濾波器平滑圖象，邊緣檢測的算法主要是基于圖像強度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)通常對噪聲很敏感，因此必須采用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。常見的濾波方法主要有高斯濾波。

（2）用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向；關(guān)于圖像灰度值得梯度可使用一階有限差分來進行近似，這樣就可以得圖像在x和y方向上偏導(dǎo)數(shù)的兩個矩陣。本文使用了如下算子：

其x向、y向的一階偏導(dǎo)數(shù)矩陣，梯度幅值以及梯度方向的數(shù)學(xué)表達式為：

（3）對梯度幅值進行非極大值抑制，圖像梯度幅值矩陣中的元素值越大，說明圖像中該點的梯度值越大，在Canny算法中，非極大值抑制是進行邊緣檢測的重要步驟，這樣可以剔除掉一大部分非邊緣的點。

（4）用雙閾值算法檢測和連接邊緣， 在高閾值圖像中把邊緣鏈接成輪廓，當(dāng)?shù)竭_輪廓的端點時，該算法會在斷點的8鄰域點中尋找滿足低閾值的點，再根據(jù)此點收集新的邊緣，直到整個圖像邊緣閉合。

1.2 積分圖計算

積分圖的核心思想是針對一塊圖像區(qū)域，計算像素值的和。在算法進行之前，對人眼區(qū)域，計算約30幀的睜眼積分圖和眨眼積分圖，使用30幀的積分圖均值作為訓(xùn)練參數(shù)，并取兩積分圖差值的一定比例，作為閾值。因在灰度圖像中，睜眼的積分圖要小于眨眼的積分圖，因此大于閾值的被判定為眨眼。

2 實現(xiàn)

本文使用了matlab工具進行邊緣檢測的計算，實際的實現(xiàn)采用vs.net做為開發(fā)環(huán)境，c++語言為工具，然后移植到dsp中，本文中在眨眼檢測前需要先計算出人臉在圖像中的區(qū)域和人眼在人臉圖像中的區(qū)域，經(jīng)驗表明，adaboost方法在人臉區(qū)域檢測方面能夠取得很好的效果，但是在人眼區(qū)域檢測中，我們需要的人眼區(qū)域的精確度較高，不能產(chǎn)生錯檢和飄忽的區(qū)域，因此使用了ASM（Active Shape Model）算法作為人眼區(qū)域的檢測方法。

本文算法的過程如下：

（1）使用haar+adaboost檢測出圖像中的人臉；

（2）使用ASM（Active Shape Model）算法計算去人臉圖像中人眼的區(qū)域；

（3）使用canny算子計算出人眼的邊緣輪廓；

（4）計算出人眼區(qū)域的積分圖；

（5）通過邊緣進行初次的眨眼判定，對檢測出的眨眼用積分圖方法進行二次判定。

2.1 canny邊緣檢測

通過canny邊緣檢測，我們檢測的人眼睜眼邊緣如圖1，眨眼邊緣如圖2。

圖1 睜眼邊緣

圖2 眨眼邊緣

通過對大量的人眼睜眼和眨眼的邊緣進行分析，觀察到眨眼和睜眼有很大的差異性：

（1）睜眼邊緣輪廓會填充整個人眼區(qū)域，會伴隨有大量的噪聲。

（2）眨眼邊緣輪廓會呈一條彎曲的細條帶狀，從左到右延伸，中間會有斷開，也有噪聲。

（3）在相同的條件下，基于上述特征，眨眼邊緣比睜眼邊緣更加穩(wěn)定。

因此，本文基于眨眼的邊緣，在y方向上做投影，并計算邊緣的間隔，剔除掉人眼區(qū)域邊緣的間隔，進行分析，并獲得邊緣間隔的經(jīng)驗值，在人眼x方向上1/3-2/3的整個區(qū)域人眼邊緣的間隔較為穩(wěn)定，因此，我們?nèi)∪搜蹍^(qū)域[1/3，2/3]區(qū)域的間隔作為判定條件，取人眼區(qū)域Y方向上的范圍的1/3作為判定閾值，進行眨眼判定，能夠得到良好的效果。在此算法基礎(chǔ)上，能夠檢測準(zhǔn)眨眼，但是在有睜眼會被誤檢為眨眼。

2.2 積分圖方法進行二次判定

對所有使用canny算子檢測的眨眼，使用積分圖方法進行二次判定，剔除誤檢的部分，本文中，采用了灰度圖像像素值X方向投影積分作為判定方法，取訓(xùn)練的眨眼和睜眼積分圖差值的0.6作為判定間隔閾值，新檢測的積分圖與訓(xùn)練的眨眼參數(shù)求差值，小于上述閾值則判定為眨眼。

2.3 使用haar特征

進行算法前，使用haar特征，adaboost方法先檢測視頻圖像中的人臉區(qū)域。對于正臉和偏轉(zhuǎn)角度不大的人臉圖像，adaboost能夠取得非常好的檢測效果。并使用asm（Active Shape Model）算法檢測出人眼的區(qū)域，asm算法在人眼器官定位方向能夠取得非常好的效果，因此本文使用它作為我們?nèi)搜蹍^(qū)域的檢測。

3 實驗結(jié)果

本文基于Windows平臺進行試驗，前期使用matlab作為仿真工具，進行了大量的邊緣檢測驗證、分析，歸納出算法的主題思想，使用vs.net/c++平臺作為編碼平臺進行實現(xiàn)驗證并移植到DSPDM642平臺，使用作為相機的智能算法模塊進行應(yīng)用，在不同光照環(huán)境和不同參數(shù)的相機上進行驗證，本文的眨眼檢測算法取得98.9%的準(zhǔn)確率，錯檢的部分主要為睜眼檢測為眨眼，基本沒有漏檢，并且能夠達到視頻的實時計算。

4 結(jié)論

在科學(xué)與技術(shù)不斷進步的環(huán)境下，人臉的眨眼檢測的應(yīng)用也越來越廣泛，特別是在駕駛員疲勞駕駛方面，本文通過實驗，提出了一種新的基于canny邊緣檢測和積分圖相結(jié)合的人臉眨眼檢測算法，取得了非常好的應(yīng)用效果。

參考文獻：

[1]Anil K.Jain.Face Detection in Color Images.IEEE TRANS. PAMI，2002，5（24）：696-706.

[2]ZHU ZW，JI Q. Eye and gaze tracking for interactive graphic display[J].Machine Vision and Applications，2004，15（3）：139-148.

[3]H.S.Ling，L.M.Ang，K.P.Seng.Eye Detection in Face Images.IEEE，2005：1160-1163.

[4]ERIKSSON M，PAPANIKOLOPOULOS N. Eye-tracking for detection of drive fatigure[A].Proceedings of Conference Intel.Transport Sys[C].1997：314-319.

[5]Wang J G，Tan T N.A new face detection method based on shape information[J].Pattern Recognition，2000，21（67）：463-471.

[6]Zhi chao Tian，Hua biao Qin.Real-time Driver.S Eye State Detection[J].IEEE，2005：285-289.

[7]王磊.基于計算機視覺的駕駛員疲勞瞌睡檢測方法的研究[D].山東大學(xué)，碩士學(xué)位論文，2005-4.

[8]石堅，吳遠鵬，卓斌.汽車駕駛員主動安全性因素的辨識與分析[J].上海交通大學(xué)學(xué)報，2000，34（4）：441-444.

[9]曲培樹，董文會.基于眼瞼曲率及模糊邏輯的人眼狀態(tài)識別[J].計算機工程與科學(xué)，2007，29（8）：50-51.

[10]朱振華，吳曉娟，王磊等.基于眨眼持續(xù)時聞的司機疲勞檢鍘方法[J].計算機工程，2008，34（5）：201-206.

作者簡介：李小青（1980.7.5-），女，山西省原平市人，審查員，主任科員，碩士研究生。