為了降低光照和鏡面反射對(duì)檢測(cè)算法的影響程度,文中提出一種基于結(jié)構(gòu)特征和邊緣特征的瞳孔檢測(cè)算法。利用雙重Haar-like特征檢測(cè)器進(jìn)行瞳孔粗定位,針對(duì)瞳孔區(qū)域中存在眼睫毛等影響瞳孔邊緣檢測(cè)的問題,使用形態(tài)像素模型進(jìn)行邊緣去噪,提出瞳孔邊緣最長假設(shè)以確定邊緣像素。在LPW瞳孔數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,雙重Haar-like特征在提升粗定位精度的基礎(chǔ)上,結(jié)合形態(tài)學(xué)像素模型和邊緣假設(shè)進(jìn)行邊緣去噪,采用易受干擾的最小二乘橢圓擬合算法,提升了復(fù)雜環(huán)境下眼部圖片的瞳孔檢測(cè)效果。與Swirski和ExCuSe算法相比,文中算法在精確度上與ExCuSe共同取得最佳,整體檢測(cè)性能比上述2種算法分別高6%和14%。 

【文章來源】：西安工業(yè)大學(xué)學(xué)報(bào). 2020,40(05)

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 雙重Haar-like特征瞳孔檢測(cè)器的粗定位過程

瞳孔粗定位效果圖

圖2 瞳孔粗定位效果圖本文在對(duì)瞳孔范圍內(nèi)邊緣進(jìn)行形態(tài)學(xué)處理時(shí)使用的像素模型如圖4所示,其中白色和灰色方塊皆代表邊緣像素。模型匹配時(shí),灰色方塊位置內(nèi)像素移出邊緣,黑色方塊內(nèi)像素則加入邊緣。上述模型基于文獻(xiàn)[6]提出的像素移動(dòng)模型,但與該團(tuán)隊(duì)對(duì)整個(gè)瞳孔圖片做處理的方式不同,本文僅對(duì)瞳孔范圍進(jìn)行處理,在進(jìn)行“邊緣細(xì)化”和“直線標(biāo)準(zhǔn)化”操作后基于瞳孔邊緣最長假設(shè),消除與瞳孔邊緣無關(guān)的所有像素,提高邊緣擬合精度。


本文編號(hào)：3519564