一种改进的瞳孔中心定位算法

黄俊

摘要：提出了一种新的瞳孔中心定位方法，能够在虚拟现实可穿戴设备中，较好地追踪眼球的运动。通过采用圆环射线的方法，提取瞳孔边界点。首先，求取眼睛二值化图像，再通过连通区域标记法及筛选准则，求出瞳孔连通区域，并求出其质心和半径，作为粗略的瞳孔中心及半径。其次，以粗略瞳孔中心为圆心，确定一个圆环区域。接着，从内圆周向外圆周发出射线，通过设置梯度阈值，筛除伪瞳孔边界点。最后，通过椭圆拟合法，在瞳孔边界点集上拟合出精确的椭圆。实验结果表明，提出的瞳孔中心定位方法比传统的方法更为鲁棒且精确。尤其在有光斑及自然光遮挡下，提出的方法比传统的方法抗干扰性更强，更稳定。

关键词：可穿戴设备；瞳孔检测；圆环射线定位

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）22-0193-03

人类通过眼睛，就能获得外界80%-90%信息。而人类的视觉感知信息可以通过眼睛注视点跟踪获得。随着计算机视觉技术的发展，注视点跟踪技术被越来越广泛地应用在医疗、产品测试，人机交互、航空军事等领域。

近些年来，作为注视点追踪技术的一种，瞳孔中心角膜反射（PCCR）法发展得越来越快。其中，瞳孔中心定位技术在瞳孔中心角膜反射法中扮演着至关重要的角色。在瞳孔中心定位中，有许多干扰因素如睫毛、眼睑，阴影，光照及光斑的遮挡。这些干扰因素极易造成瞳孔轮廓边界点提取出错，进而影响瞳孔中心的定位。所以，为了确保注视点跟踪的效果，瞳孔中心定位方法的鲁棒性和精度相对重要。

以前的学者们在瞳孔中心定位上做了非常伟大的研究工作。Ebisawa提出了一种利用两个红外灯组获得眼睛亮、暗瞳图像，再通过亮、暗瞳图像进行差分的瞳孔定位技术。其中亮瞳图像通过打开靠近摄像头光心的一圈红外灯组获得，暗瞳图像则是通过打开远离摄像头光心的另一圈红外灯组获得。由于需要奇、偶两帧图像差分，才能定位瞳孔中心，使得注视点追踪系统的处理帧率降低了一半。另外，尽管图像差分方法比较简单，但开、关红外灯组会影响稳定性。为了克服这种技术的限制，单眼图像处理技术被提出。在文献中，为了获得精确的瞳孔中心位置，由粗到精椭圆拟合技术被提出，来消除瞳孔伪边界点。但是瞳孔伪边界点的剔除十分困难，且由粗到精的椭圆拟合算法比较耗时。Yoo et a1.通过迭代式投影法得到瞳孔粗略中心。应用蛇模型去收敛到瞳孔的边界，但没有考虑剔除瞳孔伪边界点的步骤。再在瞳孔边界点集上做椭圆拟合来求得瞳孔中心位置。Gwon et al.采用CED方法，先定位大致瞳孔区域，再通过计算黑色区域像素的几何中心来得到瞳孔中心。在瞳孔检测之前，光斑被水平方向上相邻像素消除。但是，当在瞳孔边界点区域进行消除时，会带来误差进而影响瞳孔中心的定位。为了更好的提取瞳孔边界，Li et al.提出了一种基于特征的方法。在特征检测的过程中，通过从一个估计的瞳孔中心发射射线来获得瞳孔候选轮廓。RANSAC被用来区分瞳孔边界点和干扰点。但当干扰因素，如自然光或红外灯产生的光斑在瞳孔边界点上或附近时，瞳孔边界点和这些干扰点会混在一起。在这种情况下，RANSAC并不能区分开它们，瞳孔中心的精确性也会受到影响。Krishnamoorthi和Annapoora-ni[2s[提出一种基于边界抽取的瞳孔中心定位技术，采用正交多项式模型来分析眼睛图像的结构，采用Hartley统计测试检验边缘图抽取，并提出Where-to-go方法进行瞳孔边界点定位。尽管瞳孔中心定位比较精确，但是受到边界假设的约束。

论文接下来的部分组织如下：第一部分写提出的方法细节。第二部分写实验以及展示实验结果。第三部分，对整个工作做一个总结。

1提出的方法

提出了一种新的瞳孔中心定位方法，能够在虚拟现实可穿戴设备中，较好地追踪眼球的运动。与先前的Starburst相比，提出的圆环射线定位法有更高的准确性、稳定性与实时性。这种方法能够克服粗略瞳孔中心的不确定性。当干扰因素在瞳孔边界上或周围时，瞳孔中心也能够被精确定位。采用Ostu方法获得眼睛二值化图像。再通过开、闭操作消除睫毛或眼睑的影响。通过连通区域筛选法，剔除伪瞳孔区域。再计算瞳孔区域的像素的几何中心作为粗略的瞳孔中心位置。瞳孔水平、垂直积分投影法确定瞳孔区域的外接矩形。再通过粗略外接矩形确定圆环区域。在圆环区域内，由内向外发射等间隔射线并计算射线上的像素点的一阶梯度值。通过设置梯度阈值，来剔除瞳孔伪边界点。同时，采用双样条插值技术来获得亚像素级别的瞳孔边界点。

1.1提出的注视点追踪设备

在此次研究中，我们研发了一种眼球追踪装置，包括头盔、显示器、四个近红外灯组还有一个近红外摄像头。考虑到成像距离限制再30-50mm，采用窄视场角的相机来捕获图片。图片分辨率为640×480。近红外灯波长为850nm，功率小于5mw。

1.2瞳孔检测

从图像传感器中，获得眼睛图像，如图1（a）所示。在眼睛图像上，采用Ostu法计算瞳孔二值化阈值，得到眼睛二值化图像，如图1（b）所示。再在眼睛二值化图像基础上，采用连通区域标记法计算候选瞳孔联通区域。再基于几何约束和距离约束，筛选出真正的瞳孔区域，如图1（c）所示。

1.3粗略瞳孔区域与中心的定位

在上述1-c的筛选的瞳孔区域，沿着x、y方向分别进行积分投影，得到瞳孔的外接矩形。其中，外接矩形区宽记为l₄，長记为lz。瞳孔中心位置为瞳孔区域中白色像素的几何质心。粗略的瞳孔中心坐标记为o'_p=（x'_p，y'_p），粗略的瞳孔半径记为r'_p=（l₂+l₄）/4。

1.4瞳孔中心精确定位

基于Starburst，提出了一种新的圆环射线定位法来进行瞳孔边界点检测。这种方法比Starburst更好。首先，这些射线是从内圆向外圆射出，而不是从一个猜测点出发。在Starburst中，需要发射两次射线才能收集到足够多的瞳孔边界点。但是在提出的方法中，只需要一次发射，就可收集足够多的瞳孔边界点来进行椭圆拟合。而且射线的长度更短，耗时也更短。其次，在Starburst中，采用RANSAC来区分与筛选瞳孔边界点与干扰如光斑与自然杂光，比较耗时。而提出的方法主要利用瞳孔与虹膜交界处的像素变化明显的特征，求取射线上像素点灰度值的一阶梯度值。然后通过设置梯度阈值，来检测瞳孔边界点。通过计数射线上瞳孔边界点个数来筛除干扰点。实验结果显示，采用提出的方法既准确又高效。第三，应用双线性插值法对瞳孔边界点进行亚像素级定位，进而提高瞳孔中心定位的精度。