当前位置：文档之家 › 基于opencv的人眼检测系统

基于opencv的人眼检测系统

  • 格式：pdf
  • 大小：1.71 MB
  • 文档页数：2

2019年第18期信息与电脑China Computer & Communication人工智能与识别技术

基于OPENCV的人眼检测系统

周建敏

（燕京理工学院，河北 三河 065201）

摘 要：在对司机们的疲劳状态进行监控的系统中，为了能够实现监控的实时性，需要对整个眼部区域实施跟踪，

且定位眼睛的大概位置，由此便提出了一种检测方式，即基于OPENCV的人眼检测。系统在Visual Studio开发平台上，

利用开源的OPENCV图像处理函数库，对摄像头实时输入的图像进行采集处理，用HAAR特征的ADABOOST分类器算法进行

分割定位，再经过多次OPENCV样本训练和检测提高成功率。实验结果显示：此次设计能够成功捕捉人眼的位置，只要五

官清晰可见，即使是图片也可以识别出来；当被部分遮挡时，若提前已经检测出轮廓，将不会改变实验结果。关键词：OPENCV；人眼检测；HAAR分类器

中图分类号：TP391.41 文献标识码：A 文章编号：1003-9767（2019）18-143-02

Human Eye Detection System Based on OPENCV

Zhou Jianmin

(Yanjing Institute of Technology, Sanhe Hebei 065201, China)

Abstract: In the system of monitoring drivers'fatigue state, in order to achieve real-time monitoring, it is necessary to track the whole eye area and locate the approximate position of eyes. Therefore, a detection method based on OPENCV is proposed. On the

Visual Studio development platform, the system uses OPENCV image processing function library of open source to collect and process

the real-time input image of camera, uses ADABOOST classifier algorithm of HAAR feature to segment and locate, and then improves

the success rate through training and testing OPENCV samples for many times. The experimental results show that the design can

successfully capture the position of the human eye, as long as the five features are clearly visible, even the picture can be recognized;

when partially occluded, if the contour has been detected in advance, the experimental results will not change.

Key words: OPENCV; human eye detection; HAAR classifier

0 引言

人脸识别是一项复杂的技术，它包含了许多烦琐的环

节，尤其在构建人脸识别系统框架时。其中，主要的过程分

别为脸部图像采集、脸轮廓定位、识别和图片预处理等[1-3]。

具体上说，特指通过人脸查找身份信息等。先用摄像机或者

摄像头拍摄包含面部的图像或视频，再在图中用Haar特征

的级联分类器算法对这个图像进行检测，并且跟踪，最后按

照已经检测出的轮廓图，来减小定位的范围确定眼睛位置。

基于OPENCV的人眼检测系统主要由脸部检测和眼睛定位

两部分构成。系统在Visual Studio开发平台上，利用开源的OPENCV图像处理函数库，对摄像头实时输入的图像进行采

集处理，用HAAR特征的ADABOOST分类器算法进行分割

定位，再经过多次OPENCV样本训练和检测提高成功率。1 研究现状

在全球范围内，尤其是2012年前后对生物产品的需求

量突增到了60多亿元，并且之后的几年内这些识别设备的

性能也得到了增长。虽然人脸识别是新兴的一种识别技术，

但是它的应用却相当的广泛。

2 研究目的

脸部的识别检测在计算机视觉方向虽然前行艰难但是意

义深远。在现阶段尽管已经取得一些成果，但由于人类的眼

睛、鼻子、嘴等的构局大体上是相同的，并且脸部的表情容

易改变，在实际应用方面仍存在一定的困难。

3 研究意义

目前，由于人脸的静态识别相对火热，所以计算机静态

作者简介：周建敏(1972—)，女，内蒙古赤峰人，本科，副教授。研究方向：计算机应用。

— 143 —2019年第18期信息与电脑China Computer & Communication人工智能与识别技术

识别是相当经典的模式研讨问题。整体匹配方法是人脸识别

的传统方法，其中最具代表性的是主元分析法，同时还要其

他混合型的算法[3]。这些方法主要依靠面部特征进行识别并

且取得一些可利用部分。静态的系统主要由检测与定位、特

征提取与识别两部分组成。

4 研究范围与内容

实现的流程大致是：首先进行图像预处理，为了改变图

片的质量进行光照补偿等；然后进行识别检测与追踪定位，从

其他不同的场景中检测出人脸并将其从场景中提取出来；比对

人脸数据库中所有图像的大小和各个器官的位置，将其归一化

处理；最后，对归一化的人脸图像进行特征提取与识别。通过

摄像头捕获即将被检测的脸部图像，再用AdaBoost级联分类

器的相关计算公式对脸部检测，之后根据检测的图像，降低眼

睛定位的区域，再由二值图的水平投影测量上下眼的距离。

5 人眼定位检测的实现

视频采集主要通过笔记本的自带摄像头，对被摄像者进

行实时数据采集，系统中摄像头距离被检测者大约0.5 m左

右。视频采集模块的工作流程为：程序开始后，检测有无摄

像头，若有，则进入图像预处理模块，若无，则提示错误信息。

当眼睛在看向摄像头或者屏幕时，眼球的大概位置与窗口上

的某个点形成了一组组相对应的关系。其中，检测者的眼睛

与屏幕的距离，摄像头的识别分辨率等许多因素都决定了检

测结果的准确性。当进行过多次训练后，结合实验建立结果

库以此提高精确度。根据对AdaBoost级联分类器进行训练

的结果显示，把输入AdaBoost分类器图片中的人脸和人眼

与非人脸和人眼分为正样本集与负样本集，实际用于人脸和

人眼的定位检测。

6 人眼跟踪流程的实现

传统的模板匹配算法虽然保证了跟踪的准确率，但是实

时性比较差。本文引入人眼预测的方法，缩小了模板匹配的

范围，缩短了人眼定位时间。其过程是：首先根据相邻两帧

人眼的运动轨迹预测下一帧人眼的中心点坐标，然后统计人

眼在历史运动中的平均偏移量，在当前人眼区域大小的基础

上进行修正，最后依据预测的人眼中心点坐标按一定规律修

正下一帧模板匹配的区域。具体的人眼跟踪过程大体上分为

人眼区域预测、模板匹配、人眼轮廓提取和重定位判断4部分。

7 图像处理和提取人眼轮廓

7.1 图像处理

图像预处理的目的是获取RGB图像的灰度图用来计算

后面所有算法的初始输入，并且通过图像预处理可以使被灰

度化的图像能够比较接近实际的原图，损失的图像信息能

够较好地恢复，同时有效降低了噪声点以及光照的不利影

响。在计算机中，灰度图像的每一个像素都只需要用一个字节就可以存储，范围为0～255，在OPENCV中，使用cvCvtColor对彩色图片进行灰度化。在对彩色图片进行灰度

化后，要进行直方图提取。直方图是灰度级的频率函数，它

所表示的是灰度图像中，由低到高的每一层灰度级像素的频

率，或者每一灰度级像素的个数。横坐标表示的是灰度级，

纵坐标表示的是这个像素出现的频率或该灰度级出现的像素

个数，得到的分布图就是直方图，直方图所描述的是图像的

灰度分布情况。

在OPENCV中，使用cvCreateHist创建直方图。在一幅

图像中找到连通的成分，是计算机视觉中比较常见的运算方

法。连通区域内的点构成了表示物体的候选区域。计算机视

觉中的绝大多数物体都有表面，所以物体表面上的点投影到

图像平面上会形成空间上相对密集的点集，连通成分的算法

往往会在二值视觉系统中形成瓶颈效应，即当通过一个入口

或者出口时，若有次序地进行便可顺畅流通，进行的速度越

快流量越大，而拥挤时流量便会大大减少。瓶颈效应的原因

是连通成分的运算是一个整体的全局性运算，这种算法在本

质上是有序且连贯的。若图像中仅有一个物体，那么找连通

就没有必要了；如果图像中有若干个物体，且需要得到它们

的特性和位置，则必须确定连通成分。

细化是图像处理的一种运算方式，能够把二值图像的区

域处理成线条状态，逐渐靠近区域的中心线，也称为骨架。

细化是为了降低图像的成分，最终只保留区域最基本的信息，

之后再进行分析和识别信息，即使在包含任何形状区域的二

值图像中都可以使用细化，但是它主要对细长形的区域有效，

而并非圆形或水滴。细化一般用于文本分析的预处理阶段，能

够将文本图像中线条的图画或字符的笔画表示成单像素线条。

7.2 提取人眼轮廓

提取眼睛的轮廓一般分为区域放大、边缘检测、轮廓提

取和人眼判断

8 结 语

本设计基于Visual Studio开发平台利用开源的OPENCV

图像处理函数库，对摄像头实时输入的图像进行采集处理，

并用HAAR特征的AdaBoost分类器算法进行分割定位，再

经过多次OPENCV样本训练和检测提高成功率，希望能够

为相关研究提供借鉴。

参考文献

[1]张彦超.运动目标跟踪技术的研究[D].北京:北京交

通大学,2014:48.[2]Aldasouqi I,Hassan M.Smart Human Face Detection

System[J].International Journal of Computer,2011(2):210-217.

[3]杨淑平.人脸特征提取与识别算法研究[D].长沙:中

南大学,2013:17.

— 144 —

合集下载

《2024年基于OpenCV的人脸跟踪识别系统研究》范文

《2024年基于OpenCV的人脸跟踪识别系统研究》范文

《基于OpenCV的人脸跟踪识别系统研究》篇一

一、引言

随着计算机视觉技术的快速发展，人脸跟踪识别系统在安全监控、智能交互等领域中得到了广泛应用。OpenCV（开源计算机视觉库）作为计算机视觉领域的重要工具，为开发高效、准确的人脸跟踪识别系统提供了强大的支持。本文旨在研究基于OpenCV的人脸跟踪识别系统，探讨其原理、实现方法及性能表现。

二、人脸跟踪识别系统原理

人脸跟踪识别系统主要依赖于计算机视觉和图像处理技术。系统通过捕获视频流，利用OpenCV中的人脸检测、特征提取、跟踪等算法，实现对人脸的实时跟踪和识别。

1. 人脸检测：系统首先通过人脸检测算法，从视频流中检测出人脸。OpenCV提供了多种人脸检测方法，如Haar级联、DNN（深度神经网络）等。

2. 特征提取：检测到人脸后，系统需要提取人脸的特征。OpenCV支持多种特征提取方法，如HOG（方向梯度直方图）、LBP（局部二值模式）等。

3. 跟踪算法：系统采用跟踪算法，对检测到的人脸进行跟踪。常用的跟踪算法包括光流法、KCF（核相关滤波）等。 4. 人脸识别：在跟踪过程中，系统可以对人脸进行识别。通过将提取的特征与预定义的人脸数据库进行比对，实现人脸识别。

三、基于OpenCV的人脸跟踪识别系统实现

基于OpenCV的人脸跟踪识别系统实现主要包括以下几个步骤：

1. 环境搭建：安装OpenCV及相关依赖库，配置开发环境。

2. 视频流捕获：使用OpenCV的VideoCapture类，捕获视频流。

3. 人脸检测：利用OpenCV中的人脸检测算法，从视频流中检测出人脸。

4. 特征提取与跟踪：对检测到的人脸进行特征提取和跟踪，可采用多种算法进行实现。

5. 人脸识别：将提取的特征与预定义的人脸数据库进行比对，实现人脸识别。

6. 结果输出与展示：将识别结果以图像、文本等形式输出和展示。

四、性能分析

基于OpenCV的人脸跟踪识别系统具有较高的实时性和准确性。在人脸检测方面，OpenCV提供了多种高效的人脸检测算法，能够快速准确地从视频流中检测出人脸。在特征提取和跟踪方面，OpenCV支持多种特征提取和跟踪算法，可根据实际需求选择合适的算法。此外，系统还具有较好的鲁棒性，能够在复杂环境下实现稳定的人脸跟踪和识别。 然而，该系统仍存在一些局限性。例如，在光照条件较差或人脸遮挡等情况下，系统的性能可能会受到影响。此外，对于大规模的人脸数据库，系统的处理速度和准确性仍有待提高。

基于人眼识别的驾驶员疲劳监控系统

基于人眼识别的驾驶员疲劳监控系统

基于人眼识别的驾驶员疲劳监控系统

参赛编号：BJ-5-4

参赛学校：北京理工大学

作 者：李响 王子实 徐立群

指导教师：王崇文

概述

基于视频识别的驾驶员疲劳监测系统是将程序与硬件相结合，对驾驶员进行非接触地面部图像分析，从中提取有效的特征信息，以辨别驾驶员是否处于疲劳状态的一件产品。

本系统利用开源OpenCV图像处理函数库进行快速开发，总体设计方案包括图像预处理、人脸区域的检测、人眼的粗略定位和精确再定位、人眼睁闭状态判断以及疲劳状态分析等主要步骤模块。

The driver fatigue monitoring system is a technology which analyzes the face

image by the computer, withdraws the effective characteristic information, and then

distinguishes the specific condition of driver.

In this system, OpenCV function library is used to achieve the rapid development.

The system mainly includes five modules following: image preprocessing, face region

detecting, eye region positioning, eyelid closure judging and fatigue analyzing

实验原理

人脸检测

人脸检测环节是人眼定位前的重要步骤。系统采用Adaboost算法，利用OpenCV提供的样本训练和检测方法。

人眼定位

该环节包括人眼粗略定位和人眼精确定位两个阶段。

眼睛状态判断

通过最大类间方差法（Otsu）在不同的光线下对人眼精确区域进行不同阈值的二值化，分别获取最佳的人眼睁闭状态时的眼部形状。

使用opencv进行实时人脸眼睛微笑检测

使用opencv进行实时人脸眼睛微笑检测

使用opencv进行实时人脸眼睛微笑检测

代码：

import cv2

# 导入级联分类器引擎

face_cascade = cv2.CascadeClassifier("opencv-master\data\haarcascades\haarcascade_frontalface_default.xml")

eye_cascade = cv2.CascadeClassifier("opencv-master\data\haarcascades\haarcascade_eye.xml")

smile_cascade = cv2.CascadeClassifier("opencv-master\data\haarcascades\haarcascade_smile.xml")

# 调用摄像头

cap = cv2.VideoCapture(0)

while (True):

# 获取摄像头拍摄到的画面

# cap.read()返回两个参数。ret:值为true或false，表示获取画面成功或失败, frame：获取到的画面是三维数组

ret, frame = cap.read()

# 用人脸级联分类器引擎进行人脸识别，返回的faces为人脸坐标列表，1.3是放大比例，2是重复次数（越大精确度越高）

faces = face_cascade.detectMultiScale(frame,

scaleFactor=1.2, minNeighbors=2, minSize=(32, 32))

img = frame

for (x,y,w,h) in faces:

# 画出人脸框，蓝色，画笔宽度为2 # （x,y）:左上角坐标 (x w,y h):右下角坐标

img = cv2.rectangle(img, (x,y), (x w,y h), (255,0,0), 2)

# 框选出人脸区域，在人脸区域而不是全图中进行人眼检测，节省计算资源

《2024年基于OpenCV的人脸识别系统设计》范文

《2024年基于OpenCV的人脸识别系统设计》范文

《基于OpenCV的人脸识别系统设计》篇一

一、引言

随着科技的快速发展，人脸识别技术已经成为现代计算机视觉领域的一个重要研究方向。人脸识别系统能够自动识别和验证人的身份，广泛应用于安全监控、门禁系统、支付验证等众多领域。本文将详细介绍基于OpenCV的人脸识别系统的设计。

二、系统需求分析

1. 功能需求：人脸检测、人脸特征提取、人脸识别比对等。

2. 性能需求：高识别率、实时响应、系统稳定。

3. 环境需求：操作系统兼容性强，设备要求合理。

三、系统设计概述

基于OpenCV的人脸识别系统主要包括预处理、特征提取和匹配三个部分。通过图像处理和机器学习技术，实现人脸检测和识别的功能。

四、系统架构设计

1. 数据预处理模块：主要完成图像的输入、格式转换、尺寸调整等操作，以满足后续处理的需球。同时对图像进行去噪和锐化处理，提高识别的准确性。

2. 人脸检测模块：利用OpenCV中的人脸检测算法（如Haar级联分类器或深度学习模型）进行人脸检测，确定图像中的人脸位置。 3. 特征提取模块：通过OpenCV的深度学习模型（如OpenCV DNN模块中的卷积神经网络）提取人脸特征，如面部关键点信息等。

4. 人脸比对模块：将提取的特征与数据库中已有人脸特征进行比对，找出相似度最高的匹配结果。根据设定的阈值，判断是否为同一人。

五、关键技术实现

1. 人脸检测算法：采用OpenCV中的人脸检测算法，如Haar级联分类器或深度学习模型，实现对图像中人脸的快速定位。

2. 特征提取算法：利用OpenCV的深度学习模型（如OpenCV DNN模块中的卷积神经网络）进行特征提取，包括面部关键点信息等。

3. 人脸比对算法：采用相似度算法（如欧氏距离、余弦相似度等）进行人脸比对，找出相似度最高的匹配结果。

六、系统实现与测试

1. 系统实现：根据设计架构，逐步实现各模块功能。采用C++编程语言，利用OpenCV库进行开发。