摘 要：基于canny邊緣檢測(cè)與積分圖相結(jié)合的方法，進(jìn)行眨眼檢測(cè)。通過canny邊緣檢測(cè)，計(jì)算出人眼區(qū)域的邊緣，然后對(duì)具有噪聲的干擾的邊緣進(jìn)行分析，判定是否屬于眨眼，進(jìn)行檢測(cè)之前，分別計(jì)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(jì)算判定為眨眼的閾值。積分圖的核心思想是針對(duì)一塊圖像區(qū)域，計(jì)算像素值的和。其具體實(shí)現(xiàn)要先計(jì)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(cè)方法。這種眨眼檢測(cè)算法取得98.9%的準(zhǔn)確率，錯(cuò)檢的部分主要為睜眼檢測(cè)為眨眼，基本沒有漏檢，并且能夠達(dá)到視頻的實(shí)時(shí)計(jì)算。

關(guān)鍵詞：canny；邊緣檢測(cè)；眨眼檢測(cè)；積分圖

中圖分類號(hào)：TP391.41

眼睛作為人臉器官的重要組成部分，其生理活動(dòng)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(cè)、人機(jī)接口等方向。眨眼的頻率和每次眨眼的時(shí)間受個(gè)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(duì)駕駛員駕駛的疲勞檢測(cè)可以作為重要的方法。本文提出了一種基于canny邊緣檢測(cè)與積分圖相結(jié)合的方法，進(jìn)行眨眼檢測(cè)，取得了良好的效果。

1 本文算法

基于光照、計(jì)算速度的要求，本文的人臉眨眼檢測(cè)算法，邊緣檢測(cè)經(jīng)過驗(yàn)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(cè)，計(jì)算出人眼區(qū)域的邊緣，然后對(duì)具有噪聲的干擾的邊緣進(jìn)行分析，判定是否屬于眨眼，一般情況下，眨眼能夠正確檢測(cè)，但是會(huì)有多檢，不會(huì)有誤檢。

（2）進(jìn)行檢測(cè)之前，分別計(jì)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(jì)算判定為眨眼的閾值。對(duì)canny檢測(cè)的眨眼，計(jì)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(cè)

JohnCanny于1986年提出Canny算子，它與Marr（LoG）邊緣檢測(cè)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(cè)的算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)通常對(duì)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(cè)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(jì)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(jìn)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(gè)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(dá)式為：

（3）對(duì)梯度幅值進(jìn)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(diǎn)的梯度值越大，在Canny算法中，非極大值抑制是進(jìn)行邊緣檢測(cè)的重要步驟，這樣可以剔除掉一大部分非邊緣的點(diǎn)。

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

1.2 積分圖計(jì)算

積分圖的核心思想是針對(duì)一塊圖像區(qū)域，計(jì)算像素值的和。在算法進(jìn)行之前，對(duì)人眼區(qū)域，計(jì)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(shí)現(xiàn)

本文使用了matlab工具進(jìn)行邊緣檢測(cè)的計(jì)算，實(shí)際的實(shí)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(cè)前需要先計(jì)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(yàn)表明，adaboost方法在人臉區(qū)域檢測(cè)方面能夠取得很好的效果，但是在人眼區(qū)域檢測(cè)中，我們需要的人眼區(qū)域的精確度較高，不能產(chǎn)生錯(cuò)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(cè)方法。

本文算法的過程如下：

（1）使用haar+adaboost檢測(cè)出圖像中的人臉；

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

（3）使用canny算子計(jì)算出人眼的邊緣輪廓；

（4）計(jì)算出人眼區(qū)域的積分圖；

（5）通過邊緣進(jìn)行初次的眨眼判定，對(duì)檢測(cè)出的眨眼用積分圖方法進(jìn)行二次判定。

2.1 canny邊緣檢測(cè)

通過canny邊緣檢測(cè)，我們檢測(cè)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(duì)大量的人眼睜眼和眨眼的邊緣進(jìn)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(huì)填充整個(gè)人眼區(qū)域，會(huì)伴隨有大量的噪聲。

（2）眨眼邊緣輪廓會(huì)呈一條彎曲的細(xì)條帶狀，從左到右延伸，中間會(huì)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(jì)算邊緣的間隔，剔除掉人眼區(qū)域邊緣的間隔，進(jìn)行分析，并獲得邊緣間隔的經(jīng)驗(yàn)值，在人眼x方向上1/3-2/3的整個(gè)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(jìn)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(cè)準(zhǔn)眨眼，但是在有睜眼會(huì)被誤檢為眨眼。

2.2 積分圖方法進(jìn)行二次判定

對(duì)所有使用canny算子檢測(cè)的眨眼，使用積分圖方法進(jìn)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(cè)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(jìn)行算法前，使用haar特征，adaboost方法先檢測(cè)視頻圖像中的人臉區(qū)域。對(duì)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(cè)效果。并使用asm（Active Shape Model）算法檢測(cè)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(cè)。

3 實(shí)驗(yàn)結(jié)果

本文基于Windows平臺(tái)進(jìn)行試驗(yàn)，前期使用matlab作為仿真工具，進(jìn)行了大量的邊緣檢測(cè)驗(yàn)證、分析，歸納出算法的主題思想，使用vs.net/c++平臺(tái)作為編碼平臺(tái)進(jìn)行實(shí)現(xiàn)驗(yàn)證并移植到DSPDM642平臺(tái)，使用作為相機(jī)的智能算法模塊進(jìn)行應(yīng)用，在不同光照環(huán)境和不同參數(shù)的相機(jī)上進(jìn)行驗(yàn)證，本文的眨眼檢測(cè)算法取得98.9%的準(zhǔn)確率，錯(cuò)檢的部分主要為睜眼檢測(cè)為眨眼，基本沒有漏檢，并且能夠達(dá)到視頻的實(shí)時(shí)計(jì)算。

4 結(jié)論

在科學(xué)與技術(shù)不斷進(jìn)步的環(huán)境下，人臉的眨眼檢測(cè)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(shí)驗(yàn)，提出了一種新的基于canny邊緣檢測(cè)和積分圖相結(jié)合的人臉眨眼檢測(cè)算法，取得了非常好的應(yīng)用效果。

參考文獻(xiàn)：

[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(jì)算機(jī)視覺的駕駛員疲勞瞌睡檢測(cè)方法的研究[D].山東大學(xué)，碩士學(xué)位論文，2005-4.

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

[9]曲培樹，董文會(huì).基于眼瞼曲率及模糊邏輯的人眼狀態(tài)識(shí)別[J].計(jì)算機(jī)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(shí)聞的司機(jī)疲勞檢鍘方法[J].計(jì)算機(jī)工程，2008，34（5）：201-206.

作者簡(jiǎn)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。