要使用 OpenCV 检测眼角，您可以结合人脸检测、区域隔离和角点检测技术。 首先使用 Haar 级联或深度神经网络 (DNN) 人脸检测器来定位图像中的人脸。 检测到人脸后，使用预定义的坐标（例如，眼睛通常位于脸部的上半部分）或眼睛特定的 Haar 级联来隔离眼睛区域。 通过将眼睛区域转换为灰度、应用高斯模糊来减少噪声，并使用 CLAHE（对比度限制自适应直方图均衡化）等方法增强对比度来预处理眼睛区域。 最后，使用角点检测算法（例如 Shi-Tomasi (cv2.goodFeaturesToTrack) 或 Harris 角点检测 (cv2.cornerHarris)）来识别潜在的角点。 过滤这些点以根据它们相对于人脸中心的位置或它们在眼睛区域内的水平对齐方式来选择内角和外角。
为了获得更准确的结果，请考虑使用 OpenCV 的 DNN 模块和预训练的面部标志模型。 用于人脸检测的 SFD（单次检测器）等模型与 68 点面部标志预测器相结合，可以直接提供眼角的坐标。 例如，右眼的内角和外角对应于特定的标志索引（例如，68 点模型中的点 42 和 45）。 使用 cv2.FaceDetectorYN 和 cv2.face.createFacemarkLBF 加载这些模型，然后在人脸检测后提取标志。 与传统方法相比，此方法对于头部姿势和光照的变化更具鲁棒性。 但是，它需要额外的模型文件，并且在资源受限的设备上可能会比较慢。 此方法的代码示例包括初始化检测器、运行推理以及访问标志数组以检索相关点。
挑战包括处理变化的光照条件、遮挡（例如，眼镜）和低分辨率图像。 诸如直方图均衡化或自适应阈值之类的预处理步骤可以缓解光照问题。 对于传统方法，可以使用 Shi-Tomasi 中的 qualityLevel 等参数进行试验，以平衡噪声和检测准确性。 如果使用基于 DNN 的方法，请确保调整输入图像的大小以匹配模型的预期尺寸。 始终通过检查检测到的角点的空间一致性来验证结果（例如，内角应更靠近鼻子）。 对于实时应用，优先考虑 Haar 级联或轻量级 DNN 模型，而离线任务可以利用更准确但计算量大的模型。 在不同的数据集上测试这两种方法有助于确定适合您用例的最佳方法。