中图分类号：TP23     文献标志吗：A

1方法论述

1.1 总体流程 

基于霍夫圆变换的瞳孔检测流程如图1所示。

图1  基于霍夫圆变换的瞳孔检测流程图

1.2预处理

灰度化是将彩色图像转换为只有亮度的黑白图像，提高处理速度。首先对采集到的图片进行灰度化处理、图像旋转裁剪等几何调整清除无关信息、恢复真实细节，增强检测性能，简化数据，提高特征提取和图像处理的准确性。随后利用opencv库中预训练的眼部级联分类器提取算法确定人眼位置。人眼粗定位效果图如图2所示。

图2 人眼粗定位效果图

1.3图像去噪

瞳孔识别需保留细节的情况下实现快速实时精准定位，会优先选择高斯滤波。它是一种线性滤波，其基本原理是通过对图像像素进行加权平均，达到平滑图像的效果。

1.4Canny边缘检测

Canny边缘检测通过突出图像的边缘，可以增强图像的视觉效果，提高图像质量。其次能将图像中的不同对象或区域分隔开来的同时，实现快速实时精准定位，符合瞳孔识别实时性。

1.5非极大值抑制

非极大值抑制(NMS)可以筛选出显著的边缘像素并剔除假边缘，避免重复检测同一目标。此外，NMS通过减少霍夫变换投票的边缘点数量，降低计算量，为霍夫变换的投票过程提供更精确的输入，增强变换效率和准确度。图3是NMS效果图，其中左边是处理前效果，右边是处理后效果。

图3 非极大值抑制效果图

1.6霍夫圆变换

霍夫圆变换的基本步骤包括：首先对原始图像进行边缘检测（如Canny算子）以获取边缘信息，然后计算图像中每个像素点的梯度值。紧接着初始化一个累加器空间来记录可能的圆心，遍历边缘图像上的非零像素点，并在它们的梯度方向上投票给可能的圆心。最后根据累加器的值确定最可能是圆心的坐标，并估算对应的半径。如图5所示为霍夫圆变换检测效果图。

图5 霍夫圆变换检测效果图

2实验结果与分析

实验硬件平台使用Lenovo笔记型电脑，CPU为AMD锐龙，主频为3.20GHz。软件平台为Window XP、Python3.8、Opencv。实验采用不戴眼镜的正脸自建数据集，图像分辨率为1024×1024。未经NMS（非最大抑制）处理的霍夫圆变换算法在瞳孔检测中，与实际瞳孔坐标的平均绝对误差为8.755，其平均定位耗时为184毫秒。而采用本方法进行瞳孔定位时，平均耗时减少至172毫秒，且与实际瞳孔坐标的平均误差缩小至6.144。这表明，相比未使用NMS处理的霍夫圆变换，本方法在瞳孔检测速度上提升了约6.24%，同时定位精度也得到了改善。

3结论

本文提出一种结合灰度化、高斯滤波、Canny边缘检测、非极大值抑制以及霍夫梯度法的瞳孔检测算法，通过图像预处理提升瞳孔定位性能。此方法为瞳孔检测提供新思路，后续将提高其泛化能力和效率。

基金项目：2023年广东科技学院大学生创新创业训练计划项目（GK2023016）

参考文献

[1] 党媛媛. 基于灰度积分投影与霍夫圆变换算法的人眼瞳距

自动检测[J]. 计算机系统应用. 2022,31(07)：262-263.

[2]王伟，基于灰度曲线法及改进Hough变换的虹膜定位算法[J] 高师理科学刊. 2016,36(02):10-11.

[3] 余龙华. 人眼检测及瞳孔定位[J]. 计算机工程与应用，2013，49（3）：186-188.

[4] 张中良. 基于机器视觉的图像目标识别方法综述[J]. 科技与创新，2016（14）：32.

[5] 蔡怀宇. 应用于红外眼科疾病检测的瞳孔定位算法[J]. 中国光学. 2021,14(03)：611-612.