《人眼识别及定位程序》由会员分享，可在线阅读，更多相关《人眼识别及定位程序（3页珍藏版）》请在金锄头文库上搜索。
1、人眼识别及定位程序2.1 图像的获取首先，从 VR 摄像头或者预先录制的图像及视频中获取图像，对图像做场景 光照评估；如场景光照条件良好，则直接进入下一步；不然，在图像中开展直方 图均衡化处理，阻碍场景光照发挥的作用；随之，从图像中开展大体的定位，假 如具备人脸，那么开展之后的环节；不然把将图像过渡到相对繁琐的环节，来检 验图像内是能不能出现偏转形式的人脸，同时开展一些调整，调整结束后随之进 行定位。审核旋转方式过程中，借助三维可变形模板研究水平旋转方式，利用训 练的 AdaBoost 核判断垂直旋转方式。2.2 图像的识别对于图像识别步骤一般分为三个步骤也就是：图像预处理、图像分割、图像 识
2、别。2.3 图像预处理而对于图像预处理一般也是分为三个步骤分别是：灰度化，二值化，去噪下 面用图像二值化具体分析。2.3.1 图像的灰度化图像的图片一般可以分为三通道分别是R （红色）、G （绿色）、B （蓝色）。 这里将图像的图片的三通道加权平均值法的原理进行赋值，经过试验证明三通道 R（红色）、G（绿色）、B （蓝色）的加权权重分别是WR=0.299,WG=0.587,WB=0.1142.3.2 灰度图像二值化其中，F（i, j）表示为灰度图像二值化的具体输出，f（i, j）为为灰度图像二值 化的具体输入像素， T 为灰度图像二值化的具体阈值。而这里具体确定图像二值 化的具体阈值T的方法为
3、迭代法，具体方法如下所示：1）确定灰度图像二值化的具体最小灰度值Tm，然后确定灰度图像二值化的 具体最小灰度值最大灰度值Tn,则灰度图像二值化阈值初值可以表示为：T0=（ Tm+Tn） /2；2）将图像分割成背景和图案二个部分，分别求出灰度图像二值化的具体的平均灰度值Ti和Tj.3) 求出灰度图像二值化的具体新阈值:Tl= (Ti+Tj) /2；4) 如果T0=T1,则结束，否则令T0=T1,转向第二步。2.3.3 灰度图像去噪毫无疑问，在一般的网站中的图像图像都含有多多少少一定的噪声，因此对 于去噪灰度图像二值化处理之后必须进行去噪处理，我们这里采用的是均值滤波 的方法进行去噪的，具体表达式
4、如下：g(x,y)=丄E f (x,y)m其中，g(x,y)表示为经过均值滤波的方法对灰度图像去噪之后的的新的灰度值，而其中 m 一般取值取为 5 或 9 都可以达到预定的效果。2.4 图像的定位眼睛的定位与跟踪算法主要包括以下几步：(1)人脸区域分割； (2)瞳孔定位； (3)估计下一帧图像中瞳孔的位置；(4)在估计位置上下各15 个像素、左右各20 个 像素的范围内寻找眼睛特征； (5)如果(4)失败则返回(2)，如果仍然失败则返回(1)。2.4.1 图像的分割图像灰度图像二值化经过预处理后，我们便能够可以分割图像了，分割具体 处理的是去灰度图像二值化经过预处理的图像。图像分割我们这里采用
5、的是边缘 检测的方法。首先我们可以求出利用 Roberts 算子，具体的表达式如下：然后我么可以用这个求得到的算子来找到图像的边缘。2.4.2 图像的具体定位图像灰度图像二值化经过预处理后，并且在分割图像了之后，便可以 进行图像定位了。我们这里选用的图像的定位的方法选用的最近非常火热的 BP 神经网络的方法。具体的图示如下图 2-1：BP 神经网络应用流程所示：图 2-1： BP 神经网络应用流程基于 BP 算法的神经网络结构是一种特殊的多层感知机模型，如图 2-1 所示 其特殊性表现在含有隐含层且能调节所有的连接权，网络的输出值可以是连续的 神经元之间进行全连接，而对于每层神经元则无相互连接
6、，信号只进行网络的单 向传递。输入层用来接收信号的输入，不对信号做任何处理。隐含层接收输入层 的输出并经过函数处理。输出层接收隐含层的输出并经过函数处理。这种函数处 理对于 BP 神经网络来说，通常采用非线性的映射关系，输出层输出即为网络 的整体输出。（1）训练样本的制作：我们选择的训练样本一共包括图像图像 400 张左右。（2）BP 神经网络的参数设定具体的训练网络如下图 2-2 训练网络所示：图 2-2 训练网络在这里我们列举几个网络配置，具体的参数信息见下面net. trainParam. show:显示中间结果的周期；net. trainParam. epochs:最大迭代次数；net. trainParam. lr： 学习率。
