Обзор существующих методов
Существуют разнообразные методы поиска глаз на изображениях. Каждый из них концентрирует свое внимание на различных вещах, в зависимости от того, как далее будет применяться данный способ. В каких-то задачах необходим поиск центра глаза, в других – лишь области локализации глаз, в некоторых – всего контура. В данной части рассмотрим разные методы из различных категорий.
В качестве примера метода, основанного на шаблонах, рассмотрим статью «An Eye-Contour Extraction Algorithm from Face Image using Deformable Template Matching» («Алгоритм поиска контура глаз на цветных изображения с использованием сопоставления деформируемых шаблонов») [5].
В качестве деформируемого шаблона используется представленное на изображении ниже представление.
Рис. 1. Деформируемый шаблон для контура глаза.
Функции F1 и F2 описывают линию верхнего века, а F3 – нижнего.
После составления шаблона следует этап предобработки входного изображения, включающего в себя перевод из цветового пространства RGB в HSV (Hue-Saturation-Value), нахождение области содержащей глаза, применение детектора границ Канни. После инициализации параметров, начинается работа алгоритма поиска, где при использовании оценочных функции достигается оптимальное значение параметров. Результаты работы представлены на изображении ниже.
Рис. 2. Пример работы алгоритма.
В качестве особенности алгоритма можно отметить то, что тестирование проводилось лишь на изображениях глаз, характерных для японцев.
Рассмотрим работу методов, основанных на внешних проявлениях, на примере статьи «An Illumination Independent Eye Detection Algorithm» («Независимый от освещения алгоритм поиска глаз»)[3]. Предложенный метод применяет сначала алгоритм нормализации освещенности (ATICR), затем поочередно алгоритм машинного обучения Adaptive Boosting - AdaBoost, для определения области лица, и алгоритм поиска характеристических точек лица (Feature Point Extraction - FPE). Далее формулирует эвристическое правило и, используя метод опорных векторов (Support Vector Machine - SVM), находит область локализации каждого глаза.
Рис. 3. Блок-схема алгоритма.
Рис. 4. Пример работы алгоритма на фотографиях с разной освещенностью.
Рис. 5. Пример работы алгоритма на фотографиях с повернутыми изображениями лица.
Как видно из примеров, данный алгоритм показывает хорошие результаты, несмотря на освещенность и поворот, однако, метод устойчив к повороту при наличии очков лишь при малых углах поворота.
Рассмотрим статью «Eye Detection Using Morphological and Color Image Processing» («Поиск глаз с использованием морфологической и цветовой обработки изображений») [6] в качестве примера работы алгоритмов, использующих методы характерных черт. Начальным этапом метода является поиск областей кожи основанным на ручной тренировке классификатора и использования перевода изображения из цветового пространства RGB в HSV и NTSC. Далее, предполагалось, что при хорошем освещении, глаза непременно будут яркими пятнами на фотографии из-за отклика на вспышку. Для поиска по данному критерию наиболее эффективным является пространство NTSC, при этом используется лишь информация о векторе цветности пикселя. Морфологическое растяжение, за которым следует сжатие и вычисление разности между двумя результатами изображения границ, позволяют лучше в данной задаче детектировать тонкие границы, чем алгоритм Канни. Вводя параметр, зависящий от вектора цветности, и задавая порог для него, производится отсев лишних кандидатов изображений глаз. Данный процесс проводится в 4-5 итераций для достижения лучшего результата и логически складывается с изображением для кожи.
Ниже на рис.6. приведен пример работы алгоритма.
Рис.6.
а) б) в) г)
а) исходное изображение
б) начальные «кандидаты» глаз
в) кандидаты глаз
г) конечный результат работы алгоритма
Данная техника действенна на 90% для фронтального изображения лица, но неустойчива к повороту, закрытым глазам и к присутствию нескольких человек на входном изображении.
Также стоит отметить, что в последние годы особой популярностью и востребованностью пользуются методы, для которых возможно эффективное распараллеливание. Среди них «Поиск центра глаза на изображении методом Хафа»[8], опубликованный в 2007 году И. А. Матвеевым и «Parallel Implementation of Eye Detection Algorithm on Color Facial Images» («Параллельная реализация алгоритма поиска глаз на цветных изображениях») [9] Дж.А. Насири, А.Х. Бахмани, Х. Делдари, Х.С. Язди, вышедший в 2009 году. Это позволяет уменьшить время работы систем, базирующихся на поиске глаз, сделать их дешевле, что способствует их более широкому распространению и внедрению.