基于改进型最大类间方差法的瞳孔定位方法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (23): 137-140.

基于改进型最大类间方差法的瞳孔定位方法

黄丽丽1，杨帆2，王东强2，唐云建2

1.重庆邮电大学计算机科学与技术学院，重庆 400065
2.重庆市科学技术研究院信息与自动化技术研究中心，重庆 401123

出版日期:2013-12-01 发布日期:2016-06-12

Pupil location method based on improved OTSU algorithm

HUANG Lili1, YANG Fan2, WANG Dongqiang2, TANG Yunjian2

1.College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
2.Research Center for Information and Automation Technologies, Chongqing Academy of Science & Technology, Chongqing 401123, China

Online:2013-12-01 Published:2016-06-12

摘要/Abstract

摘要： 为了提高人机交互中瞳孔定位的精确性与快速性，提出一种基于改进型最大类间方差法的瞳孔定位方法。对图像进行基于光线补偿和中值滤波的预处理操作，进而根据直方图统计出图像中未出现的像素灰度值，计算余下像素的最大类间方差，求取二值化图像的最佳阈值，采用椭圆拟合方法确定瞳孔中心及半径。实验结果证明，该方法准确快速，为视线跟踪奠定必要的基础。

关键词: 瞳孔定位, 阈值, 最大类间方差法, 椭圆拟合

Abstract: To improve the accuracy and rapidity of pupil location in human-computer interaction, a method based on the improved OTSU algorithm is proposed in this paper. The image is pre-processed using light compensating and median filtering to calculate the maximum between-class variance of the pixels which exist in the image, and obtain the optimum threshold of the binary image, the pupil center and radius are got by using ellipse fitting. Experimental results show that the method is quite accurate and fast, which lays a great foundation for the eye tracking.

Key words: pupil location, threshold, OTSU algorithm, ellipse fitting

黄丽丽1，杨帆2，王东强2，唐云建2. 基于改进型最大类间方差法的瞳孔定位方法[J]. 计算机工程与应用, 2013, 49(23): 137-140.

HUANG Lili1, YANG Fan2, WANG Dongqiang2, TANG Yunjian2. Pupil location method based on improved OTSU algorithm[J]. Computer Engineering and Applications, 2013, 49(23): 137-140.

[1]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[2]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[3]	孙玮婕，杨军. 改进的简单非迭代聚类的遥感影像分割研究[J]. 计算机工程与应用, 2021, 57(13): 185-192.
[4]	陈晓文，刘光帅，刘望华，李旭瑞. 成对旋转不变的共生自适应完全局部三值模式[J]. 计算机工程与应用, 2021, 57(1): 219-226.
[5]	刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.
[6]	颜建军，陈松晔，燕海霞，王忆勤，郭睿. 基于递归图和卷积神经网络的脉象分析识别[J]. 计算机工程与应用, 2020, 56(7): 170-175.
[7]	宋杰，许冰，杨淼中. 基于自适应步长果蝇优化算法图像分割[J]. 计算机工程与应用, 2020, 56(4): 184-190.
[8]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[9]	谭正华，戴立平，文阳，李国泰. 基于约简属性和阈值分割的决策树构建方法[J]. 计算机工程与应用, 2020, 56(22): 160-165.
[10]	刘永芳，郝晓燕，刘荣. 中国英语新词语料库构建技术研究[J]. 计算机工程与应用, 2020, 56(16): 165-168.
[11]	王春丹，谢红薇，李亚旋，张昊. 融合改进的三帧差分和ViBe算法的运动目标检测[J]. 计算机工程与应用, 2020, 56(13): 199-203.
[12]	宋森森1，贾振红1，杨杰2，Nikola KASABOV3. 结合Ostu阈值法的最小生成树图像分割算法[J]. 计算机工程与应用, 2019, 55(9): 178-183.
[13]	李艳，张欣. 外1-平面图的均匀边染色[J]. 计算机工程与应用, 2019, 55(24): 37-40.
[14]	古亭，李子印，王乐. 基于距离变换的粘连蚕茧分割方法[J]. 计算机工程与应用, 2019, 55(23): 177-181.
[15]	程德强，白春梦，郭昕，李腾腾，庄焕东，徐辉. 基于分层区域的自适应图像配准算法[J]. 计算机工程与应用, 2019, 55(17): 199-206.