36、眼部检测与图像预处理技术研究

眼部检测与图像预处理技术研究

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，通常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，而眼睛则为这些步骤提供了必要的参考点。本文将详细介绍眼部检测和图像预处理的相关技术和实验。

眼部检测实验

在眼部检测方面，进行了一系列实验来比较不同方法的性能，主要涉及基于机器学习的检测器和基于自适应相关滤波器（AACE）的检测器，并与领先的商业检测器进行对比。

机器学习与商业检测器对比

对于左眼的全分辨率和降低分辨率图像，基于机器学习的检测器在像素容差小于5时优于商业检测器，之后两者性能趋于一致。这表明在一定像素容差范围内，机器学习方法具有明显优势。

相关方法评估

在相关方法的实验中，使用了不同数量的图像来训练MACE和AACE滤波器。例如，图15.15和15.16中的MACE滤波器使用6个眼部图像进行训练，图15.17中的MACE滤波器使用4个训练图像；AACE滤波器在不同实验中使用的图像数量也有所不同，如在图15.15和15.16的实验中使用266个图像合成，图15.17的实验中使用588个图像合成，图15.18的实验中使用1500个图像合成，并将与机器学习实验相同的模糊模型纳入卷积算子。

与基于机器学习的方法相比，AACE相关滤波器检测器在模糊图像上表现出显著的性能提升，并且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度的情况与训练模糊模型的表现相当，而基于机器学习的检测器则不具备这样的特性。在其他实验中，AACE滤波器检测器也比基于机器学习的检测器有适度的性能提升，而MACE在所有应用的测试实例中表