采用Gabor-Hough變換的自適應濾波人眼定位*

尚 驍,吳 進

(西安郵電大學電子工程學院，西安　710121)

采用Gabor-Hough變換的自適應濾波人眼定位*

尚 驍,吳 進**

(西安郵電大學電子工程學院，西安710121)

人眼定位是人臉識別方法的第一步。傳統人眼定位方法需要將人臉裁切,情況單一,對于復雜背景、傾斜等情況,精度低,寬容度差。指出將改進的濾波器與改進的定位方法相結合,首先對原圖像進行Gabor變換,尋找圖像凹陷,凹陷區域通過邊緣像素向量改進的Hough變換檢測瞳孔,得到參考坐標,經過訓練得到濾波器并在角度[-0.1,0,0.1]旋轉兩次得到3個相關濾波器,通過相關濾波器濾出3個目標,選擇最小誤差位置作為最終的目標。相比傳統方法,改進方法避免了矩陣盲目計算,具備傳統方法的普適性,學習過程使定位誤差減小為0.040 4,計算量減少為傳統方法的1/5。該方法對不同光照、光照不均、不同表情、復雜背景、頭部傾斜等情況有較好的魯棒性,避免了單一方法定位不到和不準的情況。

人臉識別;人眼定位;自適應濾波;Gabor變換;Hough變換

引用格式:尚驍，吳進.采用Gabor-Hough變換的自適應濾波人眼定位[J].電訊技術，2016，56(3)：324-330.[SHANG Xiao，WU Jin.Eye 1ocation based on adaPtive fi1ter using Gabor-Hough transform[J].Te1ecommunication Engineering，2016，56(3)：324-330.]

1　引 言

當面部區域被確定以后，下一步是面部特征點的識別和定位。面部五官特征作為身份的明顯標識，一直是下一代身份識別技術研究的重心。而眼睛作為五官中比例對稱、特征明顯的器官，更是面部識別的首要著眼點。定位眼睛即可完成虹膜識別、狀態檢測、人像匹配等后續工作。定位的速度和精度決定人臉識別系統的性能。

目前的眼睛定位方法都是在圖片裁剪到足夠小的區域內進行。傳統的定位方法有基于灰度投影定位、混合投影定位、模板匹配方法、Hough變換定位、臉部生物特征定位等，統計學的方法有神經網絡定位、Adaboost算法定位、支持向量機的方法等。由于自適應需要大量的先驗知識，目前收集知識有很大的局限性，單獨用于人眼檢測的方法不多，多為輔助方法。但是隨著大數據的發展，自適應方法前景廣闊。

近年來的人眼檢測方法依然是傳統算法居多。Gabor小波變換算法在地理上用于地形凹陷檢測，而人的眼睛在面部整體“地形”中，也屬于凹陷區域。利用這一點，李文娜[1]利用Gabor小波變換，結合灰度投影算法，加上先驗知識的限定，設計出來一種由粗略估計到比較準確的檢測方法。這種方法從圖像中盲選出眼眶凹陷區域，通過形態學變換尋找眼睛區域，獲取人眼大概位置，縮小搜索范圍，再通過灰度投影，獲得比較精確的坐標范圍。從效果圖來看，此方法會圈定整個眼睛區域，但是對濃眉小眼魯棒性不強。

Hough變換方法用于提取邊緣特征，對于明暗圖像或者二值圖像有較好的提取效果，能夠提取出直線、正圓、橢圓等邊緣。對于二維以內的參數空間，速度快、效率高，但是擴展到三維，計算量突增，不適合作為眼睛識別的計算方法，對于高清圖像處理，更是一種考驗[2]。應用這種方法的前提是預處理的圖像為眼瞼區域，對于圓心在圖像之內的情況有比較理想的效果，但是容易受光照、眼睛閉合程度的影響。

Bo1me等人提出了平均合成精確濾波器(Average of Synthetic Extract Fi1ters，ASEF)相關濾波器的方法，作為自適應濾波器的代表出現在人眼識別領域。由于定位對眼睛位置的要求比較高，所以有不少改進方法，例如最小輸出平方誤差(Minimum Out-Put Sum of Squared Error，MOSSE)、自適應合成相關濾波器(AdaPtive Synthetic Corre1ation Fi1ter，ASCF)等[3]。這些自適應算法的基本原理是：通過對面部人眼瞳孔位置手工標定，對輸入圖像得到期望位置，高斯型合成輸出，頻率域構造精準濾波器，將得到的數據進行平均、最小平方誤差或者迭代等方法得到最終的濾波器，訓練的樣本越多，得到的位置越準確。相對于普通濾波器，ASEF和MOSSE運用卷積定理，很大程度上簡化了迭代過程。ASCF算法是不斷更新濾波器，對尖峰最值位置目標加以記錄，精度大幅度提高。

通過對上述各類典型方法的學習發現，Gabor對光照均勻程度、噪聲等不敏感，使用二維Gabor計算0～2π方向任何角度的頻譜能量。人臉中頻率變化非常劇烈的區域在眉眼嘴唇區域，這樣就可以區別出來特征，再進一步篩選即可獲得眼部區域。

Gabor小波變換適合尋找眼睛大致位置，有的方法中把Gabor眼睛區域幾何中心作為瞳孔區域這是不科學的，這是因為沒有考慮眼球運動偏轉位置，對于斜眼偏差較大[4]。而Hough變換對于全部人臉部分尋找圓具有相當大的計算量，適用于小范圍搜索[5]。自適應濾波器定位比較精準，但通用性較差，對被識別圖像要求非?？量?，圖片要求只能包含額頭到下巴部分[6]。針對前面幾種算法的問題，本文提出以下改進思路：對一幅包含少量背景的人臉圖像，進行Gabor小波變換，找到臉部特征明顯的區域，篩除干擾確定人眼模糊區域，二值化眼睛區域，以眼睛區域向外擴展，按照生物特征將數據存入新的矩陣，同時在區域內使用改進的Hough尋找正圓，為預判瞳孔位置，提前訓練完成濾波器，對矩陣進行濾波處理得到第二坐標，與第一坐標比對，取幾何中央得到最終瞳孔坐標。實驗表明，Gabor對人眼區域判斷非常有效，Hough計算量大大減少，裁剪后矩陣濾波器使精度更高。

2　基本原理

2.1Gabor變換

Gabor小波變換常用于特征提取，原因在于Gabor函數與圖像在大腦皮層簡單細胞認知能力上極其類似。圖像在視覺皮層被分解為兩個分量的基信號，基信號包括空域和空頻域兩個域。二維Gabor在空域和空頻域都具有解析性，而且能達到分辨率的下限。

對于80 Pixe1×80 Pixe1的人臉圖像，卷積上5個頻點，16個方向的Gabor小波，Gabor小波變換核函數定義為

原理參照孫大瑞等人[2]研究。

本文的參數選擇為5個尺度，方向數16。實部、虛部分別表示如下：

將圖像矩陣與Gabor核函數進行卷積，即為

式中：I(z)為圖像；z(x，y)為像素坐標。分解到實部和虛部的范圍為

2.2圓霍夫變換(Cycle Hough Transform,CHT)與改進

傳統Hough檢測一個圓需要半徑和圓心兩個參數[7]，利用三維空間的投票參數積累提取圓形，在圖像中圓形坐標可以表示為{xi，yi}，圓心為(a，b)，半徑為r，以上幾個系數滿足方程

此方程有3個變量，相當于在一個三維空間求一系列滿足條件的(x，y)點，從理論上講是可以實現的。

對于計算機來講，參數空間超過三維，變換就非常消耗空間和時間。檢測圓時，參數空間變為x-yr三維，對應圓的圓心和半徑。平面上的每一點就對應于參數空間中每個半徑下的一個圓，這實際上是一個圓錐。這個方法顯然需要大量的內存，運行速度也會是很大問題。如果對傳統霍夫圓檢測進行降維，將會節省大量的資源[8]。圖像中圓形的邊緣不僅有位置信息，而且有方向信息，所以可使用相位編碼的方法降維。

CHT在應用中有許多分支算法，大體上說，前三個關鍵步驟是一樣的，第三、四點是本文的改進Hough變換的思路。

(1)累加矩陣計算

梯度變化較大前景被作為候選像素，在累加器進行投票。以一個固定的半徑形成一個整圓，如圖1所示。

圖1　經典投票模型Fig.1 C1assic voting Pattern

(2)圓心估計

候選像素的選票點屬于一個圖像圓，選票在矩陣容器中累加入和圓心對應的累加器[9]。圖2顯示，候選像素(實心點)在一個實心圓上，投票模型虛圓圓心和實心圓重合。

圖2　投票模型圓心重合Fig.2 Coincides with the center of the circ1e voting Pattern

(3)半徑估計

使用2D累加器存儲所有半徑。盡管這個方法需要額外的估計步驟，但是總體計算量是大幅降低，尤其對于大的半徑定義域。

算法函數使用邊緣像素信息。存儲和速度被候選像素的數目影響。為了限制數量，輸入的梯度量級有限定，這樣一來，高梯度才能進行后續運算。使用邊緣定位信息，約束候選像素容器的數目，利用局部可用邊緣信息，在有限區間內只對許可的選票朝著梯度方向，可減少計算，提高性能。邊緣梯度因子0～1之間，小值弱邊緣容易檢測，大的時候強邊緣檢測，默認情況下可以自己調節，使用最大類間方差找到圖片的一個合適的閾值，投票模型如圖3所示。圖中：rmin為最小半徑；rmax為最大半徑；ractua1為實際圓半徑；Cmin為最小半徑圓心；Cmax為最大半徑圓心；Cactua1為實際半徑圓心。

圖3　投票模型Fig.3 Voting Pattern

(4)相位編碼

關鍵是用了累加矩陣在矩陣入口處編碼半徑信息的復數值，投票被邊緣像素投射，像素信息包含可能的中心位置，還包含相關聯的圓心位置的半徑。使用相位法，半徑可以通過簡單解碼相位信息來估計，而相位信息由累加器估計的中心位置確定。圓的半徑垂直于切線，(xi，yi)在法線上。圖中利用某點方向信息確定的直線必然通過圓心，所以圓心就是所有邊緣像素方向信息的交點。

2.3ASEF濾波器

ASEF和MOSSE濾波器原理：手工標定訓練圖像目標點，產生尖峰值，其他位置產生低灰度值[10]。根據n幅輸入圖像I(n)，得到期望輸出O(n)。i為每幅圖像下標，O(i)和I(i)為高斯關系，圖像I(i)目標點坐標為(xi，yi)，如公式(6)所示：

gi=exP{-[(x-xi)2+(y-yi)2]/σ2}，i=1，2，…，n。

(6)式中：σ為高斯函數的尖銳系數。由濾波器卷積關系得濾波器為

濾波器對平正人像有不錯的魯棒性，但是對頭部歪斜、光照不均等情況易出現誤判，研究發現誤判區域為眼眶周圍波動。因此改進方法為將得到的初始濾波器再模擬頭像旋轉的情況在角度[-0.1，0，0.1]內旋轉濾波器，生成相關濾波器后得到3個參考位置，判斷三點關系得出最終目標。

3　本文使用的改進方法

總體來講，本文方法是由Gabor小波變換確定大致位置，通過自適應濾波器與改進的霍夫變換完成精確定位與校驗，如圖4所示。

圖4　改進方法流程圖Fig.4 F1ow chart of the ProPosed method

3.1對于霍夫變換的改進

由于瞳孔區域經過膨脹，白像素點遠多于黑像素點，所以圓心必須朝向白像素峰值區域，而所有像素的相位必定交于圓心點，命中閾值即可得到圓心坐標。相對于經典變換，減小了一維的計算量。

3.2對ASEF的改進

濾波器的訓練過程中，從人臉庫中取300人共3 000張面部圖片。對于同一個人數據庫取不同表情不同光照的10張圖I1…I10，I1…I6作為訓練，I7…I10作為測試。手工標定期望人眼坐標T1(x，y)…T6(x，y)；根據公式(7)處理得到的理想坐標矩陣，計算得到ASEF濾波器H0。再將訓練得到的H0在[-0.1，0，0.1]角度之間旋轉兩次，得到兩個相關濾波器H1、H2。

測試時，將同一張圖像分別通過H0、H1、H2濾出3個不同的峰值點，判斷峰值點位置，如果位置集中，則取幾何中心為最終坐標。

3.3本方法關鍵步驟

步驟1 讀入一幅被測圖像，灰度化后進行二維Gabor變換，得到全圖頻域二值圖像，尋找凹陷，篩除嘴巴鼻孔干擾，腐蝕消除噪點，膨脹擴大眉眼區域。

步驟2 對眉眼區域進行二維Hough圓監測，聚集圓心位置與膨脹后結果相與，確保瞳孔圓心集合于眼睛區域，對于Hough找到的中心點與前期區域中心比較，如果H圓心與G中心誤差不大于3，以H圓心為目標；如果誤差大于3，以H與G幾何中心為目標。以左眼向外估算臉部區域并裁剪出與訓練大小相同圖像待濾波[11]。

步驟3 載入H0、H1、H2數據，采用改進算法對裁剪后圖像進行濾波，找到眼睛區域并記錄，與GH結果再比較，方法同第二步篩選辦法。

4　實驗結果與分析

仿真實現的平臺為：Windows XP，Mat1ab2013b。采用隨機選取的50張人像攝影作品，FE-RET數據庫，外加自造庫。由于人臉采集環境為普通熒光燈光照，無特殊補光效果，故模擬熒光燈環境和自然光環境，50張人像用來測試Gabor與霍夫變換對眼眶區域的定位和對瞳孔的預定位，返回參考坐標。照片選取不同背景，驗證對復雜背景的魯棒性。FERET用來測試對比自適應相關濾波準確度，由于人臉庫大多數由國外人員統計，對于國內情況創建了自造庫，以驗證G-H變換后裁剪圖像與人臉庫圖像通用性以及濾波器對不同國籍人像的識別能力。

表1為分別使用3種方法對左眼右眼定位坐標與手工標定坐標的標準差，數據表明各種方法對眼睛的識別誤差在5個像素內。測試圖片均采用250 Pixe1×250 Pixe1像素圖像，可以看出G-H方法對于單純的Gabor和Hough，避免了Hough變換識別不出瞳孔弱圓的情況，同時對單純的Gabor幾何中心精度有所提高。很顯然，如果對眼睛區域識別出圓形，基本可以確定是瞳孔中心。

表1　3種方法左右眼坐標標準差Tab.1 Each SD with three methods

圖5為隨機抽取12組圖像各種算法獲取的6組數據標準差標點集合。坐標原點為瞳孔中心，發現標準差大部分集中于4 Pixe1以內。我們針對性地聯系與比較G-H變換與ASEF濾波器，對于第一張圖裁剪后結果自適應定位結果為[101，108]，計算左右眼得到的標準差為0、1.414 2，一般認為像素誤差的寬容度為3～5個(包括手工標定誤差)，結果是比較理想的。從表2的數據可以看出：經典Hough算法盲目計算時間過長，甚至達到13 s，遠遠超過了理想時間，這對于實時識別是很難接受的；而改進的Hough計算時間維持在0.5 s以內，很好地實現了實時識別。

圖5　標準差分布情況Fig.5 The distribution of SD

對ASEF和MOSSE自適應濾波器[12]分別進行改進，各旋轉兩次得到ASEF-R和MOSSE-R，表3給出了不同方法的精度比較結果，可見在同樣條件下改進后的方法精度得到了提高。

表3　精度比較Tab.3 ComParison of accuracy

圖6為G-H處理效果，圖7為訓練過程，圖8為測試定位效果。

圖6　處理效果圖Fig.6 Processing effect

圖7　第一次學習過程圖Fig.7 The first 1earning Procedure

圖8　第一次實測效果圖Fig.8 The first testing resu1t

為了驗證不同光照、不同性別、不同表情對本方法的影響，做了以下測試，經過一次訓練，如圖9所示，用15張不同情況的人臉進行測試，結果如圖10所示。

圖9　第二次學習過程圖Fig.9 The second 1earning Procedure

圖10 第二次實測效果圖Fig.10 The second testing resu1t

可以看出，改進方法對面部光照不均勻、不同表情、臉部旋轉、閉眼等情況，具有很強的魯棒性，定位快速且精確。改進的自適應方法區別于一般霍夫變換和自適應濾波器，避免了弱圓無法檢測的劣勢，提供多個參考坐標，防止數量為0的情況出現，對傾斜、光照不均的情況魯棒性增強。

5　結束語

本文的定位方法是傳統定位方法與學習型定位方法的結合：Gabor變換只用于粗定位，框選大致區域；改進的Hough變換在框選區域內限制半徑識別瞳孔；自適應濾波器精準定位，參考G-H定位結果取幾何中心；對于Hough定位不成功的情況，濾波器坐標為主，參考坐標作為補充，避免以往文獻所述方法識別不到導致誤判的情況。實驗表明：新方法兼備傳統方法盲選的優點，同時不需要大批量的訓練過程，節省計算時間和存儲空間，對不同光照條件下人臉識別穩定性良好，性能有較大提升，具有很高的普適性，利于快速識別人眼，為后續在動態環境中人眼定位、實時視頻目標點分析等研究課題打下了基礎。下一步可以探究人眼定位在安防、醫療等方面的應用。

[1] 李文娜.基于Gabor小波變換與灰度相結合技術設計的人眼檢測[J].中國組織工程研究與臨床康復，2009，13(9)：1661-1664.

LI Wenna.Human eye detection based on Gabor wave1et transform and gray sca1e[J].Journa1 of C1inica1 Rehabi1itative Tissue Engineering Research，2009，13(9)：1661-1664.(in Chinese)

[2] 孫大瑞，吳樂南.基于Gabor變換的人眼定位[J].電路與系統學報，2001，6(4)：29-32.

SUN Darui，WU Lenan.Eye 1ocation based on Gabor transfrom[J].Journa1 of Circuits and Systems，2001，6 (4)：29-32.(in Chinese)

[3] 張金煥，吳進，宋驍，等.基于自適應相關濾波器的人眼定位改進方法[J].電訊技術，2014，54(11)：1538-1543.

ZHANG Jinhuan，WU Jin，SONG Xiao，et a1.An imProved eye 1ocation method based on adaPtive corre1ation fi1ter [J].Te1ecommunication Engineering，2014，54(11)：1538-1543.(in Chinese)

[4] 韓玉峰，王小林，張傳文.生物特征識別技術研究及應用[J].測控自動化，2012，33(3)：33-35.

HAN Yufeng，WANG Xiao1in，ZHANG Chuanwen.Biometric techno1ogy：research and aPP1ication[J].Contro1& Automation，2012(3)：33-35.(in Chinese)

[5] 趙秀萍.生物特征識別技術發展綜述[J].刑事技術，2011(6)：44-48.

ZHAO XiuPing.A survey of biometric recognition techno1-ogy[J].Forensic Science and Techno1ogy，2011(6)：44-48.(in Chinese)

[6] 唐坤.面部特征點定位算法研究[D].大連：大連理工大學，2013.

TANG Kun.Facia1 feature Points 1oca1ization a1gorithm research[D].Da1ian：Da1ian University of Techno1ogy，2013.(in Chinese)

[7] 韓玉峰，王小林.一種基于改進的ASM的人臉特征點定位方法[J].計算機科學，2014，40(4)：271-274.

HAN Yufeng，WANG Xiao1in.A face feature Point 1ocation method based on imProved ASM[J].ComPuter Science，2014，40(4)：271-274.(in Chinese)

[8] KUMAR A.An emPirica1 study of se1ection of the aPProPriate co1or sPace for skin detection：a case of face detection in co1or images[C]//Proceedings of 2014 Internationa1 Conference on Issues and Cha11enges in Inte11igent ComPuting Techniques.Ghaziabad：IEEE，2014：725-730.

[9] NADERI S，NASIRI J A，CHARKARI N M，et a1.Visua1 i11umination comPensation for face images using 1ight maPPing matrix[J].IET Image Processing，2013，7(5)：514-522.

[10] PARK S H，YOO J H.A new imP1ementation method of ASEF for eye detection[C]//Proceedings of 2012 7th Internationa1 Conference on ComPuting and Convergence Techno1ogy.Seou1：IEEE，2012：1034-1037.

[11] BOLME D S，DRAPER B A，BEVERIDGE J R.Average of synthetic exact fi1ters[C]//Proceedings of 2009 IEEE Conference on ComPuter Vision and Pattern Recognition CVPR.Miami，FL：IEEE，2009：2105-2112.

[12] ZHOU L B，WANG H.Iterative adaPtive synthetic corre1ation outPut fi1ters[J].E1ectronics Letters，2013，49 (14)：878-880.

尚 驍(1990—)，男，山西運城人，2011年獲工學學士學位，現為碩士研究生，主要研究方向為圖像與視頻處理；

SHANG Xiao was born in Yuncheng，Shanxi Province，in 1990.He received the B.S.degree in 2011.He is now a graduate student.His research concerns image and video image Processing.

Emai1：sniPersPy@qq.com

吳 進(1975—)，女，江蘇常州人，教授、碩士生導師，主要研究方向為信號與信息處理。

WU Jin was born in Changzhou，Jiangsu Province，in 1975.She is now a Professor and a1so the instructor of graduate students.Her research concerns signa1 and information Processing.

Emai1：huatao2000@126.com

Eye Location Based on Adaptive Filter Using Gabor-Hough Transform

SHANG Xiao，WU Jin
(Schoo1 of E1ectronic and Engineering，Xi'an University of Posts and Te1ecommunications，Xi'an 710121，China)

Eye 1ocation is the first steP of the face recognition.Traditiona1 eye 1ocation methods need to cut the face，and the situation is sing1e.For comP1ex background or 1eaned images，the methods have 1ow accuracy and Poor to1erance.In this PaPer，the imProved adaPtive fi1ter is combined with the traditiona1 Positioning methods.First1y，the origina1 image is transformed with the Gabor Transform to find the sag regions. In these regions the PuPi1 is detected with edge Pixe1 vector imProved Hough Transform to gain the first reference coordinates.The fi1ter is trained and rotated for two times to get three coherent fi1ters，then the image goes though the coherent fi1ters to find three target coordinates.Fina11y，the best target which has the minimum error is chosen as the fina1 target.ComPared with the traditiona1 methods，the new method avoids the weakness of aim1ess comPutation and has the genera1 aPP1icabi1ity of the traditiona1 method.At the same time，the adaPtive fi1ter makes the mean error reduce to 0.040 4，and comPuting Pressure reduce to 1/5.The method has better robustness for different i11umination，uneven i11umination，different countenance，comP1ex background images and 1eaned head images，thus avoiding the situation of 1ocating no targets and wrong targets with sing1e method.

face recognition；eye 1ocation；adaPtive fi1ter；Gabor transform；Hough transform

The Nationa1 Natura1 Science Foundation of China(No.61272120);2013 Scientific Research Projects of Education DePartment of Shaanxi Province(2013JK1129);2014 Scientific Research Projects of Education DePartment of Shaanxi Province (14JK1673);2013 Natura1 Science Basic Research Program of Shaanxi Province(2013JC2-32);2014 Natura1 Science Basic Research Program of Shaanxi Province(2014JQ5183)

TN911.7;TP391.4

A

1001-893X(2016)03-0324-07

10.3969/j.issn.1001-893x.2016.03.016

2015-06-29;

2015-09-30 Received date:2015-06-29;Revised date:2015-09-30

國家自然科學基金資助項目(61272120);陜西省教育廳2013年科學研究計劃項目(2013JK1129);陜西省教育廳2014年科學研究計劃項目(14JK1673);陜西省2013年度自然科學基礎研究計劃項目(2013JC2-32);陜西省2014年度自然科學基礎研究計劃項目(2014JQ5183)

**通信作者:huatao2000@126.com Corresponding author:huatao2000@126.com