CN109145821A - 一种对人眼图像中瞳孔图像进行定位的方法及装置 - Google Patents
一种对人眼图像中瞳孔图像进行定位的方法及装置 Download PDFInfo
- Publication number
- CN109145821A CN109145821A CN201810959954.3A CN201810959954A CN109145821A CN 109145821 A CN109145821 A CN 109145821A CN 201810959954 A CN201810959954 A CN 201810959954A CN 109145821 A CN109145821 A CN 109145821A
- Authority
- CN
- China
- Prior art keywords
- marginal point
- credible
- ellipse
- point
- sampled
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/19—Sensors therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Ophthalmology & Optometry (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了定位瞳孔图像的方法及装置,方法包括:确定瞳孔图像的多个边缘点以拟合初始椭圆模型;选择至少三个采样边缘点,确定其分别对应在初始椭圆模型的采样切线,根据采样边缘点及采样切线确定采样瞳孔中心;根据非采样边缘点及其对应在初始椭圆模型的切线、采样边缘点及采样切线确定校准瞳孔中心;当校准瞳孔中心与采样瞳孔中心的距离不大于设定距离时,将对应的非采样边缘点确定为可信边缘点;确定可信边缘点总量与边缘点总量之间的比值;根据可信边缘点拟合目标椭圆模型,并标记瞳孔图像的位置。本发明的技术方案,可更为准确的对瞳孔图像进行定位。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种对人眼图像中瞳孔图像进行定位的方法及装置。
背景技术
在实现人脸识别或虹膜识别时,通常需要对人眼图像携带的瞳孔图像进行定位,即在人眼图像中标记出瞳孔图像的位置。
目前,对人眼图像携带的瞳孔图像进行定位时,通常需要在人眼图像中确定出瞳孔图像的若干个边缘点,根据瞳孔中心及各个边缘点拟合出椭圆模型,通过拟合的椭圆模型在人眼图像上标记出瞳孔图像的位置。
上述技术方案中,确定的各个边缘点中可能存在睫毛、眼睑所造成的大量噪声点,根据确定的各个边缘点拟合椭圆模型时,拟合的椭圆模型上可能包括有较多的噪声点,无法对人眼图像携带的瞳孔图像进行准确定位。
发明内容
本发明提供一种对人眼图像中瞳孔图像进行定位的方法及装置,可更为准确的对人眼图像中携带的瞳孔图像进行定位。
第一方面,本发明提供了一种对人眼图像中瞳孔图像进行定位的方法,包括:
S0:在人眼图像中确定出瞳孔图像的若干个边缘点,并根据各个所述边缘点拟合初始椭圆模型;
S1:从各个所述边缘点中随机选择至少三个采样边缘点,确定至少三个所述采样边缘点分别对应在所述初始椭圆模型上的采样切线,并根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心;
S2:针对未被选择为采样边缘点的每一个非采样边缘点,根据所述非采样边缘点、所述非采样边缘点对应在所述初始椭圆模型上的切线、各个所述采样边缘点及各条所述采样切线确定校准瞳孔中心;
S3:针对每一个所述校准瞳孔中心,当所述校准瞳孔中心与所述采样瞳孔中心的间隔距离不大于设定距离时,将所述校准瞳孔中心所对应的非采样边缘点确定为可信边缘点;
S4,确定各个所述可信边缘点的第一总量与各个所述边缘点的第二总量之间的比值,并检测所述比值是否小于设定阈值,若是,则执行S1;否则,执行S5;
S5:根据各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
优选地,
所述根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心,包括:
根据所述初始椭圆模型,确定每两个相邻的所述采样边缘点之间的中点;
针对于每一个所述中点,确定对应于所述中点的两个所述采样边缘点所分别对应的所述采样切线的交点,并确定出所述中点及所述交点所在的直线;
根据最小二乘法计算出所述人眼图像中距离各条所述直线距离最近的极距点,并将所述极距点确定为采样瞳孔中心。
优选地,
所述根据各个所述可信边缘点拟合目标椭圆模型,包括:
A0:利用各个所述可信边缘点形成可信集合;
A1:根据所述可信集合中包括的各个所述可信边缘点拟合过渡椭圆模型;
A2:计算所述可信集合中包括的每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离;
A3:根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,并利用未被确定为可疑边缘点的各个所述边缘点形成新的可信集合;
A4:检测本次形成的可信集合与前次形成的可信集合是否完全相同,若是,则执行A5;否则,执行A1;
A5:将本次形成可信集合时所对应的过渡椭圆模型确定为目标椭圆模型。
优选地,
所述根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,包括:
根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离以及所述可信集合中的可信边缘点的可信总量计算平均拟合偏差;
根据所述平均拟合偏差确定偏差阈值;
针对于每一个所述边缘点,检测所述边缘点与所述过渡椭圆模型之间的代数距离;
当所述边缘点与所述过渡椭圆模型之间的代数距离大于所述偏差阈值时,将所述边缘点确定为可疑边缘点。
优选地,
还包括:
记录每一次确定的所述比值,以及记录连续确定的各个所述比值连续小于所述设定阈值的循环次数;
当所述循环次数达到设定数值时,从记录的各个所述比值中选择出数值最大的目标比值;
根据确定所述目标比值时所对应的各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
第二方面,本发明提供了一种对人员图像中瞳孔图像进行定位的装置,包括:
预处理模块,用于在人眼图像中确定出瞳孔图像的若干个边缘点,并根据各个所述边缘点拟合初始椭圆模型;
采样处理模块,用于从各个所述边缘点中随机选择至少三个采样边缘点,确定至少三个所述采样边缘点分别对应在所述初始椭圆模型上的采样切线,并根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心;
校准处理模块,用于针对未被选择为采样边缘点的每一个非采样边缘点,根据所述非采样边缘点、所述非采样边缘点对应在所述初始椭圆模型上的切线、各个所述采样边缘点及各条所述采样切线确定校准瞳孔中心;
可信处理模块,用于针对每一个所述校准瞳孔中心,当所述校准瞳孔中心与所述采样瞳孔中心的间隔距离不大于设定距离时,将所述校准瞳孔中心所对应的非采样边缘点确定为可信边缘点;
检测处理模块,用于确定各个所述可信边缘点的第一总量与各个所述边缘点的第二总量之间的比值,并检测所述比值是否小于设定阈值,若是,则触发所述采样处理模块;否则,触发标记处理模块;
所述标记处理模块,用于根据各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
优选地,
所述采样处理模块,具体用于执行:
根据所述初始椭圆模型,确定每两个相邻的所述采样边缘点之间的中点;
针对于每一个所述中点,确定对应于所述中点的两个所述采样边缘点所分别对应的所述采样切线的交点,并确定出所述中点及所述交点所在的直线;
根据最小二乘法计算出所述人眼图像中距离各条所述直线距离最近的极距点,并将所述极距点确定为采样瞳孔中心。
优选地,
所述标记处理模块,包括:预处理单元、模型拟合单元、计算单元、更新处理单元、检测单元及确定单元;其中,
所述预处理单元,用于利用各个所述可信边缘点形成可信集合,并触发所述模型拟合单元;
所述模型拟合单元,用于在所述预处理单元或所述检测单元的触发下根据所述可信集合中包括的各个所述可信边缘点拟合过渡椭圆模型;
所述计算单元,用于计算所述可信集合中包括的每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离;
所述更新处理单元,用于根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,并利用未被确定为可疑边缘点的各个所述边缘点形成新的可信集合;
所述检测单元,用于检测本次形成的可信集合与前次形成的可信集合是否完全相同,若是,则触发所述确定单元;否则,触发所述模型拟合单元;
所述确定单元,用于将本次形成可信集合时所对应的过渡椭圆模型确定为目标椭圆模型。
优选地,
还包括:记录处理模块及选择处理模块;其中,
所述记录处理模块,用于记录每一次确定的所述比值,以及记录连续确定的各个所述比值连续小于所述设定阈值的循环次数;
所述选择处理模块,用于当所述循环次数达到设定数值时,从记录的各个所述比值中选择出数值最大的目标比值,并触发所述标记处理模块;
则,所述标记处理模块,进一步用于在所述选择处理模块的触发下根据确定所述目标比值时所对应的各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
本发明提供了一种对人眼图像中瞳孔图像进行定位的方法及装置,该方法通过在人眼图像中确定出瞳孔图像的若干个边缘点之后,根据各个边缘点首先拟合出一个初始椭圆模型,然后则可从各个边缘点中随机选择出至少三个采样边缘点,并确定出各个采样边缘点分别对应在初始椭圆模型上的采样切线,进而根据各个采样边缘点及各条采样切线确定出各个采样边缘点所对应的采样瞳孔中心;后续过程中,针对于各个边缘点中未被选择为采样边缘点的每一个非采样边缘点,可根据该非采样边缘点、非采样边缘点对应在初始椭圆模型上的切线、各个采样边缘点及各条采样切线确定校准瞳孔中心,校准瞳孔中心与采样瞳孔中心之间的间隔距离越小,则说明当选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点时,该校准瞳孔中心所对应的非采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率越高,反之,则说明该校准瞳孔中心所对应的非采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率越低,因此,针对确定的每一个校准瞳孔中心,当校准瞳孔中心与采样瞳孔中心的间隔距离不大于设定距离时,则可将校准瞳孔中心所对应的非采样边缘点确定为可信边缘点,显而易见的,未被确定为可信边缘点的非采样边缘点即为相对于各个采样边缘点的噪声点;由于确定的各个边缘点中噪声点数量应当远少于人眼图像中瞳孔图像的真实边缘点数量,因此,在确定出相对于各个采样边缘点的全部可信边缘点的第一总量与各个边缘点的第二总量之间的比值时,该比值越大,则说明选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率越高,反之,则说明选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率越低,相应的,当确定的比值小于设定阈值时,即选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率过低时,则可对采样边缘点进行重新选择并执行前述相似的方法以滤除各个边缘点中的噪声点,直到确定的比值不小于设定阈值时,才根据去除噪声点后剩余的各个可信边缘点拟合目标椭圆模型以标记人眼图像中瞳孔图像的位置,从而更为准确的对人眼图像中的瞳孔图像进行定位。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种对人眼图像中瞳孔图像进行定位的方法的流程图;
图2为本发明一实施例提供的一种根据选择的采样点以及初始椭圆模型确定采样瞳孔中心的示意图;
图3为本发明一实施例提供的另一种对人眼图像中瞳孔图像进行定位的方法的流程图;
图4为本发明一实施例提供的一种对人眼图像中瞳孔图像进行定位的装置的结构示意图;
图5为本发明一实施例提供的另一种对人眼图像中瞳孔图像进行定位的装置的结构示意图;
图6为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种对人眼图像中瞳孔图像进行定位的方法,包括:
S0:在人眼图像中确定出瞳孔图像的若干个边缘点,并根据各个所述边缘点拟合初始椭圆模型;
S1:从各个所述边缘点中随机选择至少三个采样边缘点,确定至少三个所述采样边缘点分别对应在所述初始椭圆模型上的采样切线,并根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心;
S2:针对未被选择为采样边缘点的每一个非采样边缘点,根据所述非采样边缘点、所述非采样边缘点对应在所述初始椭圆模型上的切线、各个所述采样边缘点及各条所述采样切线确定校准瞳孔中心;
S3:针对每一个所述校准瞳孔中心,当所述校准瞳孔中心与所述采样瞳孔中心的间隔距离不大于设定距离时,将所述校准瞳孔中心所对应的非采样边缘点确定为可信边缘点;
S4,确定各个所述可信边缘点的第一总量与各个所述边缘点的第二总量之间的比值,并检测所述比值是否小于设定阈值,若是,则执行S1;否则,执行S5;
S5:根据各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
如图1所示的实施例,在人眼图像中确定出瞳孔图像的若干个边缘点之后,根据各个边缘点首先拟合出一个初始椭圆模型,然后则可从各个边缘点中随机选择出至少三个采样边缘点,并确定出各个采样边缘点分别对应在初始椭圆模型上的采样切线,进而根据各个采样边缘点及各条采样切线确定出各个采样边缘点所对应的采样瞳孔中心。
进一步地,针对于各个边缘点中未被选择为采样边缘点的每一个非采样边缘点,可根据该非采样边缘点、非采样边缘点对应在初始椭圆模型上的切线、各个采样边缘点及各条采样切线确定校准瞳孔中心;其中校准瞳孔中心与采样瞳孔中心之间的间隔距离越小,则当选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点也进一步说明该校准瞳孔中心所对应的非采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率越高,反之,则说明该校准瞳孔中心所对应的非采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率越低。
因此,针对确定的每一个校准瞳孔中心,当校准瞳孔中心与采样瞳孔中心的间隔距离不大于设定距离时,则可将校准瞳孔中心所对应的非采样边缘点确定为可信边缘点。显而易见的,未被确定为可信边缘点的非采样边缘点即为相对于各个采样边缘点的噪声点;由于确定的各个边缘点中噪声点数量应当远少于人眼图像中瞳孔图像的真实边缘点数量。进而在确定出相对于各个采样边缘点的全部可信边缘点的第一总量与各个边缘点的第二总量之间的比值时,该比值越大,则说明选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率越高,反之,则说明选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率越低。当确定的比值小于设定阈值时,即选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率过低时,则可对采样边缘点进行重新选择并执行前述相似的方法以滤除各个边缘点中的噪声点,直到确定的比值不小于设定阈值时,才根据去除噪声点后剩余的各个可信边缘点拟合目标椭圆模型以标记人眼图像中瞳孔图像的位置,从而更为准确的对人眼图像中的瞳孔图像进行定位。
如图1所示的实施例中,从确定的各个边缘点中随机选择至少三个采样边缘点继续进行后续的业务处理时,选择的采样边缘点的数量越多,则涉及的计算量越大。因此,为了减少计算量,以便更为快速而准确的对人眼图像中携带的瞳孔图像进行定位,从确定的各个边缘点中随机选择采样边缘点时,所选择采样边缘点的数量可以是3个。
需要说明的是,本发明实施例中所述的采样边缘点对应在初始椭圆模型上的采样切线,具体存在如下两种情况A和B:
A,采样边缘点位于拟合的初始椭圆模型上,此时,采样边缘点对应在初始椭圆模型上的采样切线指的是该采样边缘点在初始椭圆模型上的切线。
B,采样边缘点并非位于拟合的初始椭圆模型上,此时,需要确定出拟合的初始椭圆模型上距离该采样边缘点的代数距离最近的一个近距点,采样边缘点对应在初始椭圆模型上的采样切线指的是与该采样边缘点对应的近距点在初始椭圆模型上的切线。
本发明一个实施例中,所述根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心,包括:
根据所述初始椭圆模型,确定每两个相邻的所述采样边缘点之间的中点;
针对于每一个所述中点,确定对应于所述中点的两个所述采样边缘点所分别对应的所述采样切线的交点,并确定出所述中点及所述交点所在的直线;
根据最小二乘法计算出所述人眼图像中距离各条所述直线距离最近的极距点,并将所述极距点确定为采样瞳孔中心。
通过该实施例提供的方法具体实现步骤S1中根据各个采样边缘点及各条采样切线确定采样瞳孔中心时,若选择的各个采样边缘点均为人眼图像中携带的瞳孔图像的真实边缘点,确定的采样瞳孔中心则应极为趋近或重合于瞳孔图像的真实瞳孔中心,以便后续过程中去除各个边缘点中的噪声点而提取出较大概率为瞳孔图像的真实边缘点的可信边缘点。
具体地,后续过程中以选择的各个采样边缘点为基础通过相似的方法确定每一个非采样边缘点所分别对应的校准瞳孔中心时,非采样边缘点所对应的校准瞳孔中心与该采样瞳孔中心之间的距离越近,则说明该采样边缘点是瞳孔图像的真实边缘点的概率越高,反之,则说明非采样边缘点是噪声点而不是可信边缘点的概率越高。
举例来说,请参考图2,以从各个各边缘点中提取三个采样边缘点M1、M2、M3为例,在确定出M1、M2、M3分别对应在初始椭圆模型上的采样切线之后,可确定出M1与M2所分别对应的采样切线的交点P2、M1与M3所分别对应的采样切线的交点P1以及M2与M3所分别对应的采样切线的交点P3;根据初始椭圆模型可确定出M1与M2相邻、M2与M3相邻、M1与M3相邻,可进一步确定出相邻的采样边缘点M1与M2之间的中点X点、相邻的采样边缘点M1与M3之间的中点Y点以及相邻的采样边缘点M2与M3之间的中点Z点;相应的,针对于中点X,可确定对应于中点X的两个采样边缘点M1、M2所分别对应的采样切线的交点P2,进而确定出中点X及交点P2所在的直线L2,通过相似的方法可确定出中点Y及交点P1所在的直线直线L1以及中点Z及交点P3所在直线L3;后续过程中,则可通过最小二乘法或其他算法计算出人眼图像中距离直线L1、L2及L最近的极距点,该极距点即为采样边缘点M1、M2、M3所对应的采样瞳孔中心O。
需要说明的是,图2中瞳孔中心为L1、L2、L3的交点,在实际业务场景中,L1、L2、L3可能并不存在共同交点,此时,即需要通过最小二乘法或其他算法计算出人眼图像中距离直线L1、L2及L最近的极距点。
本发明一个实施例中,所述根据各个所述可信边缘点拟合目标椭圆模型,包括:
A0:利用各个所述可信边缘点形成可信集合;
A1:根据所述可信集合中包括的各个所述可信边缘点拟合过渡椭圆模型;
A2:计算所述可信集合中包括的每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离;
A3:根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,并利用未被确定为可疑边缘点的各个所述边缘点形成新的可信集合;
A4:检测本次形成的可信集合与前次形成的可信集合是否完全相同,若是,则执行A5;否则,执行A1;
A5:将本次形成可信集合时所对应的过渡椭圆模型确定为目标椭圆模型。
各个可信边缘点的第一总量与各个边缘点的第二总量之间的比值大于设定阈值时,仅表征随机选择的各个边缘点为人眼图像中瞳孔图像的真实边缘点的概率极高,并不能绝对排除选择的各个采样边缘点中并不存在噪声点,因此,确定的各个可信边缘点中可能仍然存在极少数的噪声点,同时,也可能因瞳孔图像本身存在变形而导致部分真实边缘点被认定为噪声点(即真实边缘点未被确定为可信边缘点)。
该实施例中,首先利用确定的各个可信边缘点形成可信集合,然后根据可信集合中包括的各个可信边缘点拟合过渡椭圆模型,并计算可信集合中包括的每一个可信边缘点分别与过渡椭圆模型之间的代数距离;进一步地,还可根据各个代数距离独立衡量每一个边缘点是否为噪声点(即独立衡量每一个边缘点是否为可疑边缘点),以便将未被确定为可信边缘点的瞳孔图像的真实边缘点重新确定为可信边缘点,进而能够检测出被错误确定为可信边缘点的噪声点,从而利用违背确定为可疑边缘点(未被确定为噪声点)的各个边缘点形成新的可信集合。
针对可信集合循环执行前述方法,直到相邻两次形成的可信集合完全相同时,则说明得到的可信集合中已经完整去除了各个边缘点中的噪声点,本次形成的新的可信集合中的各个可信边缘点则均应当为人眼图像中瞳孔图像的真实边缘点,相应的,将本次形成可信集合时所对应的过渡椭圆模型确定为目标椭圆模型,并通过该目标椭圆模型标记人眼图像中携带的瞳孔图像时,则可更加准确的对人眼图像中携带的瞳孔图像进行定位。
基于上述实施例,具体的,本发明一个优选实施例中,所述根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,包括:
根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离以及所述可信集合中包括的可信边缘点的可信总量计算平均拟合偏差;
根据所述平均拟合偏差确定偏差阈值;
针对于每一个所述边缘点,检测所述边缘点与所述过渡椭圆模型之间的代数距离;
当所述边缘点与所述过渡椭圆模型之间的代数距离大于所述偏差阈值时,将所述边缘点确定为可疑边缘点。
该实施例中,每一次形成可信集合时,根据可信集合中每一个可信边缘点分别与过渡椭圆模型之间的代数距离以及可信集合中包括的可信边缘点的可信总量计算平均拟合偏差,该平均拟合偏差可以与本次形成的过渡椭圆模型进行稽核以独立衡量每一个边缘点相对于该本次形成的过渡椭圆模型是否为噪声点。
具体地,可根据平均拟合偏差确定偏差阈值之后,可计算出每一个边缘点分别与本次形成的过渡椭圆模型之间的代数距离之后,当一个边缘点与过度椭圆模型之间的代数距离大于该偏差阈值时,则说明该边缘点相对于本次形成的过渡椭圆模型是噪声点,可将其确定为可疑边缘点,反之,则可将其确定为可信边缘点(即将其确定为人眼图像中瞳孔图像的真实边缘点)。
该实施例中,平均拟合偏差具体指的是本次形成的可信集合中每一个可信边缘点分别与本次形成的过渡椭圆模型之间的代数距离的平均值。
该实施例中,每一次形成变差阈值时,本次形成的变差阈值通常是本次计算的平均拟合偏差的1至2倍,具体倍数可集合实际业务场景进行调整。
为了防止确定的各个边缘点中噪声点过多时,无法快速选择出多个具有较高概率是人眼图像中瞳孔图像的真实边缘点的采样边缘点,从而导致无法对人眼图像中携带的瞳孔图像进行快速定位,本发明一个优选实施例中,还包括:
记录每一次确定的所述比值,以及记录连续确定的各个所述比值连续小于所述设定阈值的循环次数;
当所述循环次数达到设定数值时,从记录的各个所述比值中选择出数值最大的目标比值;
根据确定所述目标比值时所对应的各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
该实施例中,通过记录确定的各个比值,并记录连续确定的各个比值连续小于设定阈值的循环次数,当连续未能选择出多个具有较高概率是人眼图像中瞳孔图像的真实边缘点的采样边缘点的次数达到设定数值时,即连续确定的各个比值连续小于设定阈值的循环次数达到设定数值时,由于每一次确定的比值大小,直接反应本次确定比值时所对应选择的各个采样边缘点为人眼图像中瞳孔图像的真实边缘点的概率高低,因此,可从记录的各个比值中选择出数值最大的目标比值,根据确定该目标比值时所对应的各个可信边缘点拟合目标椭圆模型,进而通过目标椭圆模型标记人眼图像中瞳孔图像的位置,避免在较长的时间内无法选择出合适的多个采样边缘点而导致无法对人眼图像中携带的瞳孔图像进行快速定位。
为了更加清楚的说明本发明的技术方案,下面具体集合图2对本发明提供的对人眼图像中瞳孔图像进行定位的方法进行进一步的说明,实施本发明提供的对人眼图像中瞳孔图像进行定位的方法时,如图3所示,具体可以包括如下各个步骤。
步骤301,在人眼图像中确定出瞳孔图像的若干个边缘点,并根据各个边缘点拟合初始椭圆模型。
需要说明的是,在人员图像中确定的通开工图像的边缘点的数量可相对较多,通常应当不小于20个。
本领域技术人员应当理解的,根据图像上已知的多个边缘点拟合椭圆模型的具体方法可以由本领域技术人员集合实际业务场景进行选择,一般的,在已知多个边缘点的前提下,可采用代数距离法拟合椭圆模型。
步骤302,从各个边缘点中随机选择三个采样边缘点M1、M2、M3,确定M1、M2、M3分别对应在初始椭圆模型上的采样切线。
步骤303,根据初始椭圆模型,确定每两个相邻的采样边缘点之间的中点。
请参考图2,本发明实施例仅以确定出相邻的采样边缘点M1与M2之间的中点X点、相邻的采样边缘点M1与M3之间的中点Y点以及相邻的采样边缘点M2与M3之间的中点Z点为例。
步骤304,针对于每一个中点,确定对应于中点的两个采样边缘点所分别对应的采样切线的交点,并确定出中点及交点所在的直线。
请参考图2,针对于中点X,可确定对应于中点X的两个采样边缘点M1、M2所分别对应的采样切线的交点P2,进而确定出中点X及交点P2所在的直线L2,通过相似的方法可确定出中点Y及交点P1所在的直线直线L1以及中点Z及交点P3所在直线L3。
步骤305,根据最小二乘法计算出人眼图像中距离各条直线距离最近的极距点,并将极距点确定为采样瞳孔中心。
请参考图2,可通过最小二乘法或其他算法计算出人眼图像中距离直线L1、L2及L最近的极距点O,该极距点即为采样边缘点M1、M2、M3所对应的采样瞳孔中心。
步骤306,针对未被选择为采样边缘点的每一个非采样边缘点,根据非采样边缘点、非采样边缘点对应在初始椭圆模型上的切线、各个所述采样边缘点及各条采样切线确定校准瞳孔中心。
步骤306具体可以采用与步骤303至步骤305相似的方法来实现。
步骤307,针对每一个校准瞳孔中心,计算校准瞳孔中心与采样瞳孔中心的间隔距离,当校准瞳孔中心与采样瞳孔中心的间隔距离不大于设定距离时,将校准瞳孔中心所对应的非采样边缘点确定为可信边缘点。
显而易见的,针对于本次选择的各个采样边缘点,当校准瞳孔中心与采样瞳孔中心的间隔距离大于设定距离时,该校准瞳孔中心所对应的非采样边缘点相对于选择的各个采样边缘点即为噪声点。
步骤308,确定各个可信边缘点的第一总量与各个边缘点的第二总量之间的比值,并检测该比值是否小于设定阈值,如果是,则执行步骤309;否则,执行步311。
步骤309,记录确定的比值,以及记录连续确定的各个比值连续小于设定阈值的循环次数,并检测循环次数是否达到设定数值,若是,则执行310;否则,执行302。
步骤310,从记录的各个比值中选择出数值最大的目标比值,并根据确定目标比值时所对应的各个可信边缘点拟合目标椭圆模型,通过目标椭圆模型标记人眼图像中瞳孔图像的位置。
需要说明的是,步骤310中根据确定目标比值时所对应的各个可信边缘点拟合目标椭圆模型,通过目标椭圆模型标记所述人眼图像中瞳孔图像的位置,具体可以通过执行步骤311至317中相同或相似的方法来实现。
步骤311,利用各个可信边缘点形成可信集合。
步骤312,根据可信集合中包括的各个可信边缘点拟合过渡椭圆模型。
步骤313,计算可信集合中包括的每一个可信边缘点分别与过渡椭圆模型之间的代数距离。
步骤314,根据每一个可信边缘点分别与过渡椭圆模型之间的代数距离以及可信集合中包括的可信边缘点的可信总量计算平均拟合偏差,并根据平均拟合偏差确定偏差阈值。
步骤315,针对于每一个边缘点,检测边缘点与过渡椭圆模型之间的代数距离,当边缘点与过渡椭圆模型之间的代数距离大于偏差阈值时,将边缘点确定为可疑边缘点;利用未被确定为可疑边缘点的各个边缘点形成新的可信集合。
步骤316,检测本次形成的可信集合与前次形成的可信集合是否完全相同,若是,则执行317;否则,执行313。
需要说明的是,在步骤316之后再次循环执行步骤313之后的各个步骤时,是针对步骤316形成的新的可信集合执行与步骤313之后的各个步骤相同或相似的方法。
步骤317,将本次形成可信集合时所对应的过渡椭圆模型确定为目标椭圆模型,通过目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
基于与本发明方法实施例相同的构思,本发明实施例还提供了一种对人眼图像中瞳孔图像进行定位的装置,如图4所示,该装置包括:
预处理模块401,用于在人眼图像中确定出瞳孔图像的若干个边缘点,并根据各个所述边缘点拟合初始椭圆模型;
采样处理模块402,用于从各个所述边缘点中随机选择至少三个采样边缘点,确定至少三个所述采样边缘点分别对应在所述初始椭圆模型上的采样切线,并根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心;
校准处理模块403,用于针对未被选择为采样边缘点的每一个非采样边缘点,根据所述非采样边缘点、所述非采样边缘点对应在所述初始椭圆模型上的切线、各个所述采样边缘点及各条所述采样切线确定校准瞳孔中心;
可信处理模块404,用于针对每一个所述校准瞳孔中心,当所述校准瞳孔中心与所述采样瞳孔中心的间隔距离不大于设定距离时,将所述校准瞳孔中心所对应的非采样边缘点确定为可信边缘点;
检测处理模块405,用于确定各个所述可信边缘点的第一总量与各个所述边缘点的第二总量之间的比值,并检测所述比值是否小于设定阈值,若是,则触发所述采样处理模块;否则,触发标记处理模块;
所述标记处理模块406,用于根据各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
本发明一个优选实施例中,所述采样处理模块402,具体用于执行:
根据所述初始椭圆模型,确定每两个相邻的所述采样边缘点之间的中点;
针对于每一个所述中点,确定对应于所述中点的两个所述采样边缘点所分别对应的所述采样切线的交点,并确定出所述中点及所述交点所在的直线;
根据最小二乘法计算出所述人眼图像中距离各条所述直线距离最近的极距点,并将所述极距点确定为采样瞳孔中心。
本发明一个优选实施例中,所述标记处理模块406,包括:预处理单元、模型拟合单元、计算单元、更新处理单元、检测单元及确定单元;其中,
所述预处理单元,用于利用各个所述可信边缘点形成可信集合,并触发所述模型拟合单元;
所述模型拟合单元,用于在所述预处理单元或所述检测单元的触发下根据所述可信集合中包括的各个所述可信边缘点拟合过渡椭圆模型;
所述计算单元,用于计算所述可信集合中包括的每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离;
所述更新处理单元,用于根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,并利用未被确定为可疑边缘点的各个所述边缘点形成新的可信集合;
所述检测单元,用于检测本次形成的可信集合与前次形成的可信集合是否完全相同,若是,则触发所述确定单元;否则,触发所述模型拟合单元;
所述确定单元,用于将本次形成可信集合时所对应的过渡椭圆模型确定为目标椭圆模型。
请参考图5,本发明一个优选实施例中,还包括:记录处理模块501及选择处理模块502;其中,
所述记录处理模块501,用于记录每一次确定的所述比值,以及记录连续确定的各个所述比值连续小于所述设定阈值的循环次数;
所述选择处理模块502,用于当所述循环次数达到设定数值时,从记录的各个所述比值中选择出数值最大的目标比值,并触发所述标记处理模块406;
则,所述标记处理模块406,进一步用于在所述选择处理模块502的触发下根据确定所述目标比值时所对应的各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
图6是本发明的一个实施例电子设备的结构示意图。在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry StandardArchitecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,也可从其它设备上获取相应的计算机程序,以在逻辑层面上形成对人眼图像中瞳孔图像进行定位的装置。处理器,执行存储器所存放的程序,以通过执行的程序实现本发明任一实施例中提供的对人眼图像中瞳孔图像进行定位的方法。
上述如本发明图6所示实施例提供的对人眼图像中瞳孔图像进行定位的装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
集合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,集合其硬件完成上述方法的步骤。
本发明实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行本发明任一实施例中提供的对人眼图像中瞳孔图像进行定位的装置方法,并具体用于执行图1/图3所示的方法。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或集合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的集合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或集合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (9)
1.一种对人眼图像中瞳孔图像进行定位的方法,其特征在于,包括:
S0:在人眼图像中确定出瞳孔图像的若干个边缘点,并根据各个所述边缘点拟合初始椭圆模型;
S1:从各个所述边缘点中随机选择至少三个采样边缘点,确定至少三个所述采样边缘点分别对应在所述初始椭圆模型上的采样切线,并根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心;
S2:针对未被选择为采样边缘点的每一个非采样边缘点,根据所述非采样边缘点、所述非采样边缘点对应在所述初始椭圆模型上的切线、各个所述采样边缘点及各条所述采样切线确定校准瞳孔中心;
S3:针对每一个所述校准瞳孔中心,当所述校准瞳孔中心与所述采样瞳孔中心的间隔距离不大于设定距离时,将所述校准瞳孔中心所对应的非采样边缘点确定为可信边缘点;
S4,确定各个所述可信边缘点的第一总量与各个所述边缘点的第二总量之间的比值,并检测所述比值是否小于设定阈值,若是,则执行S1;否则,执行S5;
S5:根据各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
2.根据权利要求1所述的方法,其特征在于,根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心,包括:
根据所述初始椭圆模型,确定每两个相邻的所述采样边缘点之间的中点;
针对于每一个所述中点,确定对应于所述中点的两个所述采样边缘点所分别对应的所述采样切线的交点,并确定出所述中点及所述交点所在的直线;
根据最小二乘法计算出所述人眼图像中距离各条所述直线距离最近的极距点,并将所述极距点确定为采样瞳孔中心。
3.根据权利要求1所述的方法,其特征在于,根据各个所述可信边缘点拟合目标椭圆模型,包括:
A0:利用各个所述可信边缘点形成可信集合;
A1:根据所述可信集合中包括的各个所述可信边缘点拟合过渡椭圆模型;
A2:计算所述可信集合中包括的每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离;
A3:根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,并利用未被确定为可疑边缘点的各个所述边缘点形成新的可信集合;
A4:检测本次形成的可信集合与前次形成的可信集合是否完全相同,若是,则执行A5;否则,执行A1;
A5:将本次形成可信集合时所对应的过渡椭圆模型确定为目标椭圆模型。
4.根据权利要求3所述的方法,其特征在于,根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,包括:
根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离以及所述可信集合中的可信边缘点的可信总量计算平均拟合偏差;
根据所述平均拟合偏差确定偏差阈值;
针对于每一个所述边缘点,检测所述边缘点与所述过渡椭圆模型之间的代数距离;
当所述边缘点与所述过渡椭圆模型之间的代数距离大于所述偏差阈值时,将所述边缘点确定为可疑边缘点。
5.根据权利要求1至4中任一所述的方法,其特征在于,还包括:
记录每一次确定的所述比值,以及记录连续确定的各个所述比值连续小于所述设定阈值的循环次数;
当所述循环次数达到设定数值时,从记录的各个所述比值中选择出数值最大的目标比值;
根据确定所述目标比值时所对应的各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
6.一种对人员图像中瞳孔图像进行定位的装置,其特征在于,包括:
预处理模块,用于在人眼图像中确定出瞳孔图像的若干个边缘点,并根据各个所述边缘点拟合初始椭圆模型;
采样处理模块,用于从各个所述边缘点中随机选择至少三个采样边缘点,确定至少三个所述采样边缘点分别对应在所述初始椭圆模型上的采样切线,并根据各个所述采样边缘点及各条所述采样切线确定采样瞳孔中心;
校准处理模块,用于针对未被选择为采样边缘点的每一个非采样边缘点,根据所述非采样边缘点、所述非采样边缘点对应在所述初始椭圆模型上的切线、各个所述采样边缘点及各条所述采样切线确定校准瞳孔中心;
可信处理模块,用于针对每一个所述校准瞳孔中心,当所述校准瞳孔中心与所述采样瞳孔中心的间隔距离不大于设定距离时,将所述校准瞳孔中心所对应的非采样边缘点确定为可信边缘点;
检测处理模块,用于确定各个所述可信边缘点的第一总量与各个所述边缘点的第二总量之间的比值,并检测所述比值是否小于设定阈值,若是,则触发所述采样处理模块;否则,触发标记处理模块;
所述标记处理模块,用于根据各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
7.根据权利要求6所述的装置,其特征在于,所述采样处理模块,具体用于执行:
根据所述初始椭圆模型,确定每两个相邻的所述采样边缘点之间的中点;
针对于每一个所述中点,确定对应于所述中点的两个所述采样边缘点所分别对应的所述采样切线的交点,并确定出所述中点及所述交点所在的直线;
根据最小二乘法计算出所述人眼图像中距离各条所述直线距离最近的极距点,并将所述极距点确定为采样瞳孔中心。
8.根据权利要求6所述的装置,其特征在于,所述标记处理模块,包括:预处理单元、模型拟合单元、计算单元、更新处理单元、检测单元及确定单元;其中,
所述预处理单元,用于利用各个所述可信边缘点形成可信集合,并触发所述模型拟合单元;
所述模型拟合单元,用于在所述预处理单元或所述检测单元的触发下根据所述可信集合中的各个所述可信边缘点拟合过渡椭圆模型;
所述计算单元,用于计算所述可信集合中包括的每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离;
所述更新处理单元,用于根据每一个所述可信边缘点分别与所述过渡椭圆模型之间的代数距离,确定每一个所述边缘点是否为可疑边缘点,并利用未被确定为可疑边缘点的各个所述边缘点形成新的可信集合;
所述检测单元,用于检测本次形成的可信集合与前次形成的可信集合是否完全相同,若是,则触发所述确定单元;否则,触发所述模型拟合单元;
所述确定单元,用于将本次形成可信集合时所对应的过渡椭圆模型确定为目标椭圆模型。
9.根据权利要求6至9中任一所述的装置,其特征在于,
还包括:记录处理模块及选择处理模块;其中,
所述记录处理模块,用于记录每一次确定的所述比值,以及记录连续确定的各个所述比值连续小于所述设定阈值的循环次数;
所述选择处理模块,用于当所述循环次数达到设定数值时,从记录的各个所述比值中选择出数值最大的目标比值,并触发所述标记处理模块;
则,所述标记处理模块,进一步用于在所述选择处理模块的触发下根据确定所述目标比值时所对应的各个所述可信边缘点拟合目标椭圆模型,通过所述目标椭圆模型标记所述人眼图像中瞳孔图像的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810959954.3A CN109145821B (zh) | 2018-08-16 | 2018-08-16 | 一种对人眼图像中瞳孔图像进行定位的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810959954.3A CN109145821B (zh) | 2018-08-16 | 2018-08-16 | 一种对人眼图像中瞳孔图像进行定位的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145821A true CN109145821A (zh) | 2019-01-04 |
CN109145821B CN109145821B (zh) | 2020-11-06 |
Family
ID=64790781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810959954.3A Active CN109145821B (zh) | 2018-08-16 | 2018-08-16 | 一种对人眼图像中瞳孔图像进行定位的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145821B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276324A (zh) * | 2019-06-27 | 2019-09-24 | 北京万里红科技股份有限公司 | 一种虹膜图像中确定瞳孔椭圆的方法 |
CN110348408A (zh) * | 2019-07-16 | 2019-10-18 | 上海博康易联感知信息技术有限公司 | 瞳孔定位方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679180A (zh) * | 2012-09-19 | 2014-03-26 | 武汉元宝创意科技有限公司 | 一种基于单摄像头单光源的视线追踪方法 |
CN103955675A (zh) * | 2014-04-30 | 2014-07-30 | 上海华博信息服务有限公司 | 一种人脸特征提取方法 |
CN104182720A (zh) * | 2013-05-22 | 2014-12-03 | 北京三星通信技术研究有限公司 | 瞳孔检测方法和装置 |
TW201605407A (zh) * | 2014-08-14 | 2016-02-16 | 由田新技股份有限公司 | 瞳孔定位方法與裝置及其電腦程式產品 |
CN106919933A (zh) * | 2017-03-13 | 2017-07-04 | 重庆贝奥新视野医疗设备有限公司 | 瞳孔定位的方法及装置 |
CN108053444A (zh) * | 2018-01-02 | 2018-05-18 | 京东方科技集团股份有限公司 | 瞳孔定位方法及装置、设备和存储介质 |
CN108280403A (zh) * | 2017-12-27 | 2018-07-13 | 北京七鑫易维信息技术有限公司 | 确定瞳孔位置的方法和装置 |
-
2018
- 2018-08-16 CN CN201810959954.3A patent/CN109145821B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679180A (zh) * | 2012-09-19 | 2014-03-26 | 武汉元宝创意科技有限公司 | 一种基于单摄像头单光源的视线追踪方法 |
CN104182720A (zh) * | 2013-05-22 | 2014-12-03 | 北京三星通信技术研究有限公司 | 瞳孔检测方法和装置 |
CN103955675A (zh) * | 2014-04-30 | 2014-07-30 | 上海华博信息服务有限公司 | 一种人脸特征提取方法 |
TW201605407A (zh) * | 2014-08-14 | 2016-02-16 | 由田新技股份有限公司 | 瞳孔定位方法與裝置及其電腦程式產品 |
CN106919933A (zh) * | 2017-03-13 | 2017-07-04 | 重庆贝奥新视野医疗设备有限公司 | 瞳孔定位的方法及装置 |
CN108280403A (zh) * | 2017-12-27 | 2018-07-13 | 北京七鑫易维信息技术有限公司 | 确定瞳孔位置的方法和装置 |
CN108053444A (zh) * | 2018-01-02 | 2018-05-18 | 京东方科技集团股份有限公司 | 瞳孔定位方法及装置、设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
BEI YAN等: "Improvement on Pupil Positioning Algorithm in Eye Tracking Technique", 《2019 INTERNATIONAL CONFERENCE ON INFORMATION ENGINEERING AND COMPUTER SCIENCE》 * |
余罗等: "基于椭圆拟合的瞳孔中心精确定位算法研究", 《中国医疗器械杂志》 * |
吴孟杰: "基于FPGA的实时瞳孔定位技术研究", 《中国优秀硕士学位论文全文数据库 》 * |
张文聪等: "视线跟踪过程中变形瞳孔的定位", 《电子与信息学报》 * |
谢波: "基于视频图像的瞳孔定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276324A (zh) * | 2019-06-27 | 2019-09-24 | 北京万里红科技股份有限公司 | 一种虹膜图像中确定瞳孔椭圆的方法 |
CN110348408A (zh) * | 2019-07-16 | 2019-10-18 | 上海博康易联感知信息技术有限公司 | 瞳孔定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109145821B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189682A (zh) | 一种脚本录制方法和装置 | |
CN109544166A (zh) | 一种风险识别方法和装置 | |
CN109871316A (zh) | 一种控件识别方法和装置 | |
CN108805131A (zh) | 文本行检测方法、装置及*** | |
CN110288599A (zh) | 一种坏点检测方法、装置、电子设备及存储介质 | |
CN109101929A (zh) | 一种行人计数方法及装置 | |
CN109840312A (zh) | 一种锅炉负荷率-能效曲线的异常值检测方法和装置 | |
CN109145821A (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
CN109993021A (zh) | 人脸正脸检测方法、装置及电子设备 | |
CN109102026A (zh) | 一种车辆图像检测方法、装置及*** | |
CN107239403A (zh) | 一种问题定位方法和设备 | |
CN109726755A (zh) | 一种图片标注方法、装置及电子设备 | |
CN107943605A (zh) | 一种存储卡处理方法及装置 | |
CN108182444A (zh) | 基于场景分类的视频质量诊断的方法及装置 | |
CN112330595B (zh) | 一种绊丝检测方法、装置、电子设备及存储介质 | |
CN109684225A (zh) | 一种软件测试方法和装置 | |
CN108898617A (zh) | 一种目标对象的跟踪方法和装置 | |
CN109583266A (zh) | 一种目标检测方法、装置、计算机设备及存储介质 | |
CN111814514A (zh) | 号码识别装置、方法以及电子设备 | |
CN110189178A (zh) | 异常交易监测方法、装置及电子设备 | |
JP2020123096A (ja) | 学習装置、学習方法および学習プログラム | |
CN109766799A (zh) | 车位识别模型训练方法及装置和车位识别方法及装置 | |
CN110458393B (zh) | 一种风险识别方案的确定方法、装置及电子设备 | |
CN105912433B (zh) | 一种自适应的密码设备检测方法和*** | |
CN114325166A (zh) | 一种车辆解闭锁功能评价方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |