這篇部落格只是總結一下人眼定位的方法。
首先人眼定位效果是得到人眼的座標，即瞳孔的座標。大體來說人眼定位的方法有兩種，第一種是利用人眼的幾何特徵，灰度特徵等通過演算法來實現定位，第二種要通過機器學習，其實opencv自帶了瞳孔分類器，但我應用起來效果並不是很好。下面主要是講解一下通過特徵定位人眼的一些演算法。
以下對每種方法的實驗均是利用低解析度的，即是利用普通攝像頭獲取的。
##基礎
進行人眼定位之前首先是要通過人臉分類器得到人臉的，然後對人臉根據一些先驗知識分割出包含人眼區域的。這些先驗知識可以是人眼在人臉的大概比例等，具體還是看不同以及不同的定位需求。
幾何特徵利用的是人眼是圓型的，通過定位圓取圓心得到大致瞳孔位置。
opencv中有霍夫園檢測方法可以對中的圓進行檢測，其主要原理是通過霍夫變換引數空間，霍夫線檢測是將的座標空間轉換為極座標引數空間，而霍夫園檢測是將座標轉換成x,y,r（圓心座標，半徑）的引數空間，霍夫圓檢測還利用了霍夫梯度法對圓心進行過濾。
改進單純利用霍夫圓檢測方法是肯定不能檢測到精準的圓心座標，因為檢測出來的目標圓很多，可以對這些目標圓進行過濾。過濾原理：人眼經過二值化後的目標區域主要還是人眼的圓形，即可以利用人眼灰度高於**區域灰度的特徵。對霍夫圓檢測出的目標圓，在二值化影象計算畫素值為255或0的（255或0取決於你二值化的方式）比例，比例最高的圓即為待選的目標人眼。
優缺點：
優點精度還行，缺點就是光照影響以及每次都要調節引數來適應不同的。
###灰度特徵
灰度特徵主要是利用人眼主要顏色比**更深，即灰度值更強。我第一次利用的灰度特徵主要是計算人眼行灰度和（把每一行畫素相加），其中最大的行灰度和就是人眼所在的行座標，而人眼的列座標可以通過分割人眼（雙眼）為左右兩張人眼，在計算列灰度和得到。不過我當時並沒有將人眼分割成左右兩張，從而在計算列時參考某篇**，嘗試把列灰度和曲線擬合成兩條高斯曲線，獲得每條高斯曲線的x=u的點，但過於複雜沒有成功，不過現在想來這種方法太過於複雜。另加快計算速度可以選擇跳行計算。
優缺點精度不錯，光照影響還是挺大的，調節引數必須的，戴眼鏡干擾很大。
改進改進的方法其實是利用梯度，眼睛是人眼灰度變換最明顯部分，而灰度變換的速率可以用梯度表示，用梯度來確定是比較合適的了，用灰度總有種勉強的感覺。計算方法：首先要將和行尺度不變運算元做卷積，作用是突出眼部梯度，在計算行梯度和，取最大的行梯度為人眼行座標。這種效果適應性比較強，而且適用於戴眼鏡的情況。但是利用梯度獲得列座標我沒有嘗試過，因為眼睛區域在行方向是梯度明顯的，而在列方面不明顯，通過分別計算行列梯度可知。目前我主要想要實現的是通過梯度確定的行去精確化霍夫園檢測。
###模板匹配
模板匹配是將人眼分成左右眼兩張，分別對兩張進行模板匹配，首先要求的就是你要有各種各樣眼睛不同姿態的模板，使用者匹配。沒有嘗試過，只做過了解。
求輪廓是初步學習opencv裡的套路了，就是二值化，對進行找輪廓，對找到的輪廓進行簡單的篩選，在求取輪廓的中心即可。這種方法也可行但是需要需要進行濾波處理。
了解以及嘗試的方法大概這麼幾種把，首先每種方法都不是孤立的，應該結合多種方法利用各種特徵去做人眼定位。其次在不斷探索的過程種，發現自己沒有快速建立原型的思維，總是想要尋找一種方法簡單而又適應於所有情況，這一點要引起警戒，因為這樣浪費時間又消耗自己的心力。不應該糾結於完美的方法，而是快速的實現儘管有缺陷，但是首先到達問題的核心和深度才是最重要的。
用opencv檢測人眼並定位瞳孔位置
最近的研究要用到定位瞳孔的位置，所以上網搜了下相關的 總結如下 1 定位瞳孔可以直接使用opencv中的自帶的分類器 haarcascade eye tree eyeglasses.xml 來實現，以前聽師兄說用opencv自帶的這個方法定位瞳孔不准，但我自己做了實驗後發現在正面人臉的情況下定位還是...
機器學習實踐系列之8 人眼定位
一.人眼檢測 opencv自帶的人眼檢測，及教程都已比較普及，這裡不再囉嗦，訓練模板直接 load已經訓練好的檔案 haarcascade eye tree eyeglasses.xml，直接看 linolzhang 2014.10 基於opencv的人眼檢測 cascade include ope...
加密演算法簡單概述
基本過程就是對原來為明文的檔案或資料按某種演算法進行處理，使其成為不可讀的一段 通常稱為 密 文 使其只能在輸入相應的金鑰之後才能顯示出本來內容，通過這樣的途徑來達到保護資料不被非法人竊取 閱讀 的目的。該過程的逆過程為解密，即將該編碼資訊轉化為其原來資料的過程。功能 對稱 symmetric 演算...