眼睛区域提取研究

本文介绍了几种用于检测人眼睁开或闭合状态的不同检测器,包括haarcascade_mcs_lefteye.xml等,并讨论了它们在不同场景下的适用性和可靠性。文章还探讨了如何在人脸检测的基础上进一步定位眼睛区域的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

眼睛区域提取研究
摘自网络资料:百度文库
这里写图片描述

这里写图片描述

参考资料:http://blog.youkuaiyun.com/u011100984/article/details/38364857

能够检测人眼睁开或者闭合的检测器如下:

• haarcascade_mcs_lefteye.xml(and haarcascade_mcs_righteye.xml)
• haarcascade_lefteye_2splits.xml(and haarcascade_righteye_2splits.xml)

   只能检测睁开的眼睛的检测器:

• haarcascade_eye.xml
• haarcascade_eye_tree_eyeglasses.xml

   【注意】睁开或者闭合人眼检测器会指定训练的是哪只眼睛,所以需要使用不同的检测器来对应左眼和右眼,然而只检测睁开眼睛的检测器可以使用同一个检测器来表示左眼或者右眼。haarcascade_eye_tree_eyeglasses.xml对于人带着眼镜的情况能够检测出来人眼,但是如果不戴眼镜的情况就不太可靠了。

    XML带有“left eye”的名字意味着人的实际的左眼,所以对于相机图像来说就是右边的眼睛。

    上面四个人眼检测器是按照最可靠到最低可靠度来排列的,所以如果你不需要检测带着眼睛的情况,那么第一个检测器会是最好的选择。

人眼搜索区域

    人眼检测中,裁剪图像只显示大概眼睛区域是非常重要的,就像人脸检测的情况,然后继续裁剪一个小的矩形表示左眼的大概区域(如果使用左眼检测器)右眼同理。如果你在整个人脸或者是整幅图上检测,会非常慢以及低的可靠度。不同人眼检测器适合不同的人脸区域,例如如果在实际人眼的最接近区域检测使用haarcascade_eye.xml是效果最好的,而haarcascade_mcs_lefteye.xml和haarcascade_lefteye_2splits.xml是对于人眼所在区域的大区域进行检测的效果最好。

    下面列出了不同人眼检测器的优质的人脸搜索区域(使用LBP)使用检测到的人脸矩阵的相对坐标。

这里写图片描述

这里写图片描述

import cv2 as cv import numpy as np def scan_edge_demo(img): gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) gray = cv.GaussianBlur(gray,(3,3),0) scan_edge = cv.Canny(gray,60,150) return scan_edge def scan_contours(img): scan_edge =scan_edge_demo(img) aa,contours,b= cv.findContours(scan_edge,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE) cv.drawContours(img,contours,-1,(0,255,255),thickness=4) cv.imshow("scan_contours",img) src = cv.imread("E:/opencv/picture/taijie.png") cv.imshow("inital_window",src) scan_contours(src) cv.waitKey(0) cv.destroyAllWindows() 图片: 分析: 1.Opencv发现轮廓的函数原型为:findContours(image, mode, method[, contours[, hierarchy[, offset]]]) -> image, contours, hierarchy image参数表示8位单通道图像矩阵,可以是灰度图,但更常用的是二值图像,一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像。 所以输入源需要二值化(threshold)处理或者边缘处理canny后才行 mode参数表示轮廓检索模式: ①CV_RETR_EXTERNAL:只检测最外围轮廓,包含在外围轮廓内的内围轮廓被忽略。 ②CV_RETR_LIST:检测所有的轮廓,包括内围、外围轮廓,但是检测到的轮廓不建立等级关系,彼此之间独立,没有等级关系,这就意味着这个检索模式下不存在父轮廓或内嵌轮廓。 ③CV_RETR_CCOMP:检测所有的轮廓,但所有轮廓只建立两个等级关系,外围为顶层,若外围内的内围轮廓还包含了其他的轮廓信息,则内围内的所有轮廓均归属于顶层。 ④CV_RETR_TREE:检测所有轮廓,所有轮廓建立一个等级树结构,外层轮廓包含内层轮廓,内层轮廓还可以继续包含内嵌轮廓。 method参数表示轮廓的近似方法: ①CV_CHAIN_APPROX_NONE 存储所有的轮廓点,相邻的两个点的像素位置差不超过1,即max (abs (x1 - x2), abs(y2 - y1) == 1。 ②CV_CHAIN_APPROX_SIMPLE压缩水平方向,垂直方向,对角线方向的元素,只保留该方向的终点坐标,例如一个矩形轮廓只需4个点来保存轮廓信息。 ③CV_CHAIN_APPROX_TC89_L1,CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法。 contours参数是一个list,表示存储的每个轮廓的点集合。 hierarchy参数是一个list,list中元素个数和轮廓个数相同,每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3],分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号,如果没有对应项,则该值为负数。 offset参数表示每个轮廓点移动的可选偏移量。 2.Opencv绘制轮廓的函数原型为:drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]]) -> image imgae参数表示目标图像。 contours参数表示所有输入轮廓。 contourIdx参数表示绘制轮廓list中的哪条轮廓, 如果是负数,则绘制所有轮廓。 color参数表示轮廓的颜色。 thickness参数表示绘制的轮廓线条粗细,如果是负数,则绘制轮廓内部。 lineType参数表示线型。 hierarchy参数表示有关层次结构的可选信息。 maxLevel参数表示绘制轮廓的最大级别。 如果为0,则仅绘制指定的轮廓。 如果为1,则该函数绘制轮廓和所有嵌套轮廓。 如果为2,则该函数绘制轮廓,所有嵌套轮廓,所有嵌套到嵌套的轮廓,等等。 仅当有可用的层次结构时才考虑此参数。 offset参数表示可选的轮廓偏移参数,该参数可按指定的方式移动所有绘制的轮廓。 关于轮廓检测,什么的样的情况会被判断为轮廓呢? 答:因为在做轮廓检测之前需要进行二值化,所以对于图像的整个ROI区域只有黑白两个颜色,而下面两种情况会被检测作为轮廓: 1. 白色区域与黑色区域的边缘交接区域 2. 当背景为白色时,整个ROI区域的外边界就会被视为轮廓。(往往我们希望背景是黑色,所以如果出现这种情况时我们需要在二值化图像时对图像取反)。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值