36、非受限环境下的眼睛检测与面部图像预处理技术探索

非受限环境下的眼睛检测与面部图像预处理技术探索

在当今的人脸识别领域，处理复杂图像成为了首要关注点。在进行人脸识别之前，往往需要进行一些必要的预处理步骤，如几何归一化和面部特征定位，而眼睛则为这些操作提供了重要的参考点。下面将详细介绍眼睛检测实验以及核方法在面部图像预处理中的应用。

眼睛检测实验

机器学习与商业检测器对比

在全分辨率和降低分辨率的图像中，对基于机器学习的检测器和领先的商业检测器进行了左眼检测结果对比。当像素容差小于 5 时，基于机器学习的检测器性能优于商业检测器，之后两者的性能趋于一致。

相关方法评估

相关方法的实验与机器学习方法的实验基本相同，但在训练细节上有所差异：
- MACE 滤波器 ：图 15.15 和 15.16 中使用的 MACE 滤波器用 6 张眼睛图像进行训练，图 15.17 中的 MACE 滤波器使用 4 张训练图像。
- AACE 滤波器 ：图 15.15 和 15.16 的实验中，AACE 滤波器由 266 张图像合成；图 15.17 的实验中，该滤波器由 588 张图像合成；图 15.18 的实验中，AACE 滤波器由 1500 张图像合成，并将与机器学习实验相同的模糊模型纳入卷积算子；图 15.19 的实验中，AACE 滤波器同样使用 1500 张运动模糊实验的图像合成，但未将 PSF 模型纳入其中。

与机器学习方法相比，相关滤波器检测器在模糊图像上的性能明显优于基于学习的检测器。同时，该检测器对模糊估计错误具有更强的容忍度，例如模糊长度为 17 像素、角度为 59 度时的表