Zastosowanie metod analizy obrazów do automatycznej detekcji i pomiaru źrenic oczu

• Autorzy: Koprowski R. , Tokarczyk R. , Wróbel Z.

Warianty tytułu

EN

Methods of image analysis used for automatic detection of human eye pupils

• Języki publikacji: PL

Abstrakty

PL

Potrzeby diagnostyki medycznej wad budowy i postawy człowieka wymagają stworzenia prostej metody jego pozycjonowania w trójwymiarowej przestrzeni. Jedną z metod wyznaczania położenia charakterystycznych punktów ciała jest metoda fotogrametryczna. Pomierzone punkty na zdjęciach służą do zbudowania przestrzennego modelu i za pomocą punktów dostosowania umieszczenia go w układzie odniesienia. Fotogrametryczny system do pomiaru 3D punktów ciała ludzkiego opracowany w Zakładzie Fotogrametrii i Informatyki Teledetekcyjnej WGGiIŚ AGH w Krakowie wymaga pomiaru na zdjęciach cyfrowych wybranych miejsc ciała ludzkiego, sygnalizowanych styropianowymi kulkami-markerami oraz środków źrenic oczu. W ramach automatyzacji pomiaru na zdjęciach prowadzone są badania nad metodami detekcji i pomiaru trzech grup punktów: fotopunktów, markerów na pacjencie oraz źrenic oczu Niniejsze opracowanie dotyczy metody automatycznego pomiaru trzeciej grupy punktów pomiarowych. Opracowana metoda detekcji źrenic oczu wymaga zrealizowania celów cząstkowych: detekcji markerów na ciele pacjenta, segmentacji obrazu ciała dla wykrycia głowy z rejonem oczu, wykrycia i pomiaru środków źrenic. Pierwszy z celów osiągnięto wykorzystując metodę korelacji krzyżowej. Do wykrycia rejonu oczu wykorzystano analizę skupień zbioru wspołrzędnych metodą k najbliższych sąsiadów. Dalsze przybliżenie rejonu oczu osiągnięto wykorzystując analizę statystyczną dużej ilości zdjęć pacjentów dla wyznaczenia współczynnika kryterium rejonizacji. Metodyka wyznaczania położenia oczu, centralnych punktów położenia źrenic została oparta na sieciach neuronowych ze wsteczną propagacją błędu. Uzyskana dokładność metody została oceniona na poziomie około 1 piksela, jej skuteczność w znacznej mierze zależy od prawidłowej detekcji markerów na ciele pacjenta.

EN

The needs of medical rehabilitation requires the creation of a simple method for the positioning of a human body in 3-D space. The method of posture analysis consists in simple visualization of particular characteristic points of the patient’s body. Usually, an assessment of the relative displacement and asymmetry of these points are a reliable measure of pathological body posture deviation. One of the methods of determining the position of characteristic points is the photogrammetric method. The points measured in the images are used to create a spatial model and, based on control points, position it in a reference system. The photogrammetric system for measuring 3D points located on a human body has been developed in the Department of Photogrammetry and Remote Sensing Informatics, Technical University – AGH Kraków. In the system, on digital images (taken with two compact, free-focus-type digital cameras), special markers (light foamed polystyrene balls) located on chosen points of human body and the center of an eye pupil are measured. To make the system more automatic, the research is carried on to automatically detect and measure the three following groups of points: control points, markers located on the human body and eye pupil. In this paper, the method of automatic measurement of last group of points is considered. The developed method of eye pupil detection requires achieving the following goals: detection of markers located on the human body, segmentation of the body image to detect a head, approximate eye localization and, finally, the measurement of a pupil center. The first goal was achieved by using the cross correlation method. The localization of the eyes was done by analyzing the coordinates’ set concentration by k nearest neighbors. The achieved results were divided into two sets pa 1 and pa 2 , which consist of data on the position of markers located on the front and back sides of body. A further approximation of eye location was achieved using statistical analysis of many images to determine the coefficient as a criterion for region membership. The methodology of determination of eye position, and pupil center were based on a neural network with backward error propagation. The achieved accuracy was estimated as 1 pixel, but the efficiency strongly depends on the proper detection of the markers located on the patient’s body.

Słowa kluczowe

PL

obraz cyfrowy; analiza obrazu; korelacja; sieć neuronowa; analiza morfologiczna

EN

digital image; image analysis; correlation; neuron network; morphological analysis

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2006
• Tom: Vol. 16
• Strony: 305--317
• Opis fizyczny: Bibliogr. 29 poz.

Twórcy

autor

Koprowski R.

• Zakład Komputerowych Systemów Biomedycznych, Uniwersytet Śląski, tel. [phone] w. 741

autor

Tokarczyk R.

• Zakład Fotogrametrii i Informatyki Teledetekcyjnej, Akademia Górniczo-Hutnicza w Krakowie, tel.[phone]

autor

Wróbel Z.

• Zakład Komputerowych Systemów Biomedycznych, Uniwersytet Śląski, tel. [phone] w. 736

Bibliografia

• 1. Ai H., Ying L., Xu G., 2002. A Subspace Approach to Face Detection with Support Vector machines. Proc. IEEE Int’l Conf. on Pattern Recognition.
• 2. Caetano T. S., Barone D.A.C., 2001. A Probabilistic Model for the Human Skin Color. Proceedings of ICIAP2001 - IEEE International Conference on Image Analysis and Processing, Palermo, Italy, s. 279-283.
• 3. Chang H., Robes U., 2000. Face detection. http://www-cs-students.stanford.edu/~robles/ee368/main.html
• 4. Gandhi M., 2004. A Method for Automatic Synthesis of Aged Human Facial Images, Master Thesis. McGill University.
• 5. Gejuš P., Šperka M., 2003. Face tracking in color video sequences. Proceedings of SCCG 2003, Budmerice, Slovakia, s. 268-273.
• 6. Hjelmas E., Low B.K., 2001. Face Detection. A Survey, CVIU, 83, s. 236-274.
• 7. Hsu R., Abdel-Mottaleb M., Ani1 K., 2002. Face Detection in Color Images. IEEE transactions on pattern analysis and machine intelligence, Vol. 24, NOS, s. 696-706.
• 8. Hsu R.L., Jain A.K., 2002. Face Detection in Color Images. IEEE transactions on Pattern analysis and machine intelligence, Vol. 24, No.1. s. 34-58 oraz, Vol. 24, No.5, s. 696-718.
• 9. Hsu R.L., Jain A.K., 2004. Image Processing. ECCV's 2002 Workshop on Biometric Authentication. s. 597-600.
• 10. Jianfeng R,. Lei G., 2004. Applying mixed Gaussian skin models to the automatic face detection. IEEE Workshop on Machine Learning for Signal Processing.
• 11. Kadoury S., 2005. Face Detection Using Locally Linear Embedding, a thesis. Department of Electrical and Computer Engineering McGill University, Montreal, Canada.
• 12. Koprowski R., Wróbel Z., 2006. Właściwości wybranych typów sieci neuronowych wykorzystywanych do detekcji oczu pacjenta. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 16 (w druku).
• 13. Lee J.Y., Yoo S.I., 2002. An Elliptical Boundary Model for Skin Color Detection. The 2002 International Conference on Imaging Science, Systems, and Technology , Las Vegas, USA.
• 14. Ma Y., Ding X., 2002. Face Detection Based on Hierarchical Support Vector Machines, Proc. IEEE Int’l Conf. on Pattern Recognition.
• 15. Min J., Flynn P., Bowyer K., 2004. Assessment of time dependency in face recognition. TR-04-12, University of Notre Dame.
• 16. Park M., Park Ch., 2000. Algorithm for detecting human faces based on convex-hull, Yonsei University 134, Shinchon-dong, Seodemun-gu, Seoul, Korea Division of Information Communication Engineering, Paichai University 439-6, Doma Dong Seo-ku, Taejon, 302-735, Korea Recognition, Vol. 33, no 9, s. 1525-1539.
• 17. Sahbi H., Boujemaa, N., 2002. Coarse-to-fine face detection based on skin color adaption. Spatial Histogram Features for Face Detection in Color Images. Hongming Zhang and Debin Zhao Department of Computer Science and Engineering, Harbin Institute of Technology.
• 18. Spath H., 1985. Cluster Dissection and Analysis: Theory, FORTRAN Programs, Examples. translated by J. Goldschmidt, Halsted Press, New York, , s. 226.
• 19. Tian Y., Kanade L., Cohn J. F., 2001. Recognizing Facial Actions by Combining Geometric Features and Regional Appearance Patterns. CMU-RI-TR-01-0, Robotics Institute, CMU.
• 20. Tian Y., Kanade T., Cohn J. F., 2002. Evaluation of Gabor-Wavelets Based Facial Action Unit Recognition in Image Sequences of Increasing Complexity, Proc. of the 5th Int. Conf. On Automatic Face and Gesture Recognition, s. 229-234.
• 21. Tokarczyk R., Mikrut S., 1999. Fotogrametryczny system cyfrowy bliskiego zasięgu do pomiarów ciała ludzkiego dla potrzeb rehabilitacji leczniczej. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 9, s. 147-154.
• 22. Tokarczyk R., 2005. Fotogrametria cyfrowa w zastosowaniach medycznych do pomiaru ciała ludzkiego - przegląd i tendencje rozwojowe systemów pomiarowych. Geodezija, Kartografija i Aerofotoznimannia, Mizbidomczij Nauk.-Technicznij Zbornik, Wipusk 66.
• 23. Tzouveli P., Ntalianis K., Tsapatsoulis N., Kollias S., 2005. Automatic Face Region Watermarking Using Qualified Significant Wavelet Trees. Electrical And Computer Engineering Department, National Technical University Of Athens, Athens, Greece.
• 24. Verschae R. Ruiz-del-Solar J., 2003. A Hybrid Face Detector based on an Asymmetrical Adaboost Cascade Detector and a Wavelet-Bayesian-Detector. Int’l Work-Conf. on Artificial and Natural Neural Networks, s. 742-749.
• 25. Viola P., Jones M., 2001. Rapid Object Detection using a Boosted Cascade of Simple Features. Proc. Of CVPR, Vol. I, s. 511-518.
• 26. Viola P., Jones M., 2004. Robust Real-Time Face Detection. Int. J. of Computer Vision, Vol. 57, No. 2, s. 137-154.
• 27. Wong K.-W. , Lam K.-M., Siu W.-C., 2003. A robust scheme for live detection of human faces in colour image. Signal Process.: Image Commun., 18 (2) s. 103-114.
• 28. Zhang L., Samaras D., 2003. Face Recognition under Variable Lighting using Harmonic Image Exemplars, roc. of CVPR.
• 29. Zhou S., Krueger V., Chellappa R., 2002. Face Recognition from Video: A Condensation Approach. Proc. of the 5th IEEE Int. Conf. on Automatic Face and Gesture Recognition, s. 221–226.