其中t 為像素間差異閾值，一般可設為27;代表掩模面積值，面積越小邊緣強度越大;g 為幾何門限，設定為

經過上述算法獲得的眼部區域邊緣圖像如圖4(b)，在此基礎上對圖像中的黑色邊緣曲線進行角點提取即可獲得準確的兩眼內外眼角點位置，如圖4(c)所示。根據Susan 算子的特性，它既可以用來檢測邊緣，又能夠提取角點。因此與Sobel、Canny 等邊緣檢測算子相比較，Susan 算子更適合進行眼部的特征提取，尤其對兩個眼角點的自動定位。并且通過適當的調整Susan 算子的參數r 或者閾值t 和g 的大小，對不同質量的人臉圖像都可以取得很好的效果。

圖4 人眼區域處理圖。

5 結論

本文針對人臉檢測中的膚色檢測和人眼精確定位問題，給出了一種快速準確的方法，有助于提高人臉識別算法的識別率。膚色分割前先對圖像進行色彩平衡，采用形態學濾波器對候選人臉進行降噪，這些步驟都大大提高了人臉檢測的精確度，而且并沒有花費很多時間。在人眼精確定位上，采用更適合提取眼部特征的Susan 算子精確定位眼角點。實驗證明該方法可以很好的應用于人臉檢測。

4 實驗結果

本文使用本實驗室建立的人臉庫，包括每個人10張(不同表情、光照、旋轉角度等)共200 張人臉圖像，大小為180?200.

在正面人臉的圖像上測試，人眼的內外角點定位準確率達到98.4%，在側臉小角度(左右旋轉以內)人臉圖像上測試，準確率達到90.2%.人臉檢測平均時間為2s，定位虹膜和內外角點平均時間為10.4s.

圖5 人臉、瞳孔及眼角點定位。

圖5(a)圖為人臉檢測結果，圖5(b)為瞳孔及眼角頂定位結果，其中紅色為瞳孔位置，黃色為右側眼角點，粉紅色為左側眼角點。實驗結果證明本文提出的方法可以很好的檢測定位人臉。