眼球中心定位跟踪算法—eyelike 代码解析

论文及代码地址

原始论文 Accurate eye centre localisation by means of gradients

原始代码 eyelike

代码分析（很久之前写的，排版有点乱，有时间再更新）

Main函数中

face_cascade用于实现人脸捕获

之后是窗口命名。

通过CvCapture将摄像头捕获到的图像传入frame，然后对frame进行分析

进入detectAndDisplay

frame是总的图像.

Faces是在frame基础上得到的人脸区域，vector<Rect>型

通过split函数将frame通道分开，并且取R通道作为灰度图。

face_cascade.detectMultiScale用于检测在此灰度图上面的人脸区域。

对每一个人脸区域均做如下处理：

首先在原图中用矩形标出人脸位置

然后进入findEyes函数 faceROI是灰度图的人脸区域部分，即ROI。

接下来标出眼球所处的区域（此部分为估计区域），以人脸区域为准，按比例估计眼镜区域

cv::Point leftPupil =findEyeCenter(faceROI,leftEyeRegion,"Left Eye");

此语句用于查找眼球的中心，即瞳孔附近。

首先将估计的眼球区域拿出来作为图像命名为eyeROIUnscaled，再改变大小换成较为方形的。

宽度为50，称此图为eyeROI

标记处face上面eye的矩形图

rectangle(face,eye,1234);通过注释此行可以知道原先估计出来的眼睛区域较大，一般都会将眉毛包括进去。

cv::Mat gradientX =computeMatXGradient(eyeROI);

cv::Mat gradientY =computeMatXGradient(eyeROI.t()).t();

cv::Mat mags =matrixMagnitude(gradientX, gradientY);

通过这三个函数来将eyeROI的梯度计算出来，不过这时候的eyeROI已经是变形后的了

double gradientThresh =computeDynamicThreshold(mags, kGradientThreshold);

计算出动态阈值来去除掉较小的部分，以max为基准。

详细来说，将小的部分置为0，大的部分将gradientX和gradientY归一3，而mags不变

之后以5*5的高斯滤波器滤波。

根据eyeROI灰度图的灰度值来为计算出将来要用到的每一个点的附加权重值，命名为weight

然后通过遍历gradientX和gradientY（此时已经成单位值）来寻找可能的中心点。

首先排除gradientX=0以及gradientY=0的点，接下来测试其它点testPossibleCentersFormula

对于每一个不被排除的点(x,y)都进行如下操作：

求出可能点中心点到(x,y)的距离向量，单位化，但mag保持原值。因为这一过程主要测试找到两个向量方向相同的点，所以不必约束其向量大小，重点在单位化后的内积大小。找到最大的意味着找到了方向相同的一系列点。此次最大的内积结果记为dotProduct。将内积结果加上权重后记录于Or中。Or是outSum的指针。

numGradient记录rows*cols。

将outSum变换数据类型成为out。

找出out中最大值以及它的位置分别记为maxVal和maxP

此时设置另外一个阈值，即floodThresh=maxVal * kPostProcessThreshold;

此语句舍弃了97%的点。那些被舍弃的点置0，其他保存

经过floodKillEdges。又去除了一些点。

这时取最大值就认为是eyecenter.

在这里也就是可以总结说：只计算了一次，便将中心点通过两次取最大值得到了。

程序的后半部分便是标记出原图的眼球中心。然后将结果图显示出来。