Python 我们是否可以像检测人脸和眼睛一样使用Haar分类器来检测眼睛的虹膜？

我目前正在尝试检测虹膜，然后在给定的图像中检测瞳孔。在线看到的所有方法，先检测人脸，然后检测眼睛，然后使用阈值、hough变换和轮廓来最终检测瞳孔

如果我们已经有了大量的瞳孔数据集，难道我们不能像在人脸和眼睛的情况下那样训练一个Haar分类器来检测眼睛的虹膜吗？有什么理由不能这样做吗

目前，我有一个使用非haar方法的部分有效的解决方案

一个工作代码的示例

import math 
import cv2 

eye_cascade = cv2.CascadeClassifier('./cascade_files/haarcascade_eye.xml')

if eye_cascade.empty():
  raise IOError('Unable to load the eye cascade classifier xml file')

cap = cv2.VideoCapture(0)
ds_factor = 0.5
ret, frame = cap.read()
contours = []

while True: 
  ret, frame = cap.read() 
  frame = cv2.resize(frame, None, fx=ds_factor, fy=ds_factor, interpolation=cv2.INTER_AREA)
  gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
  eyes = eye_cascade.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=1)
  for (x_eye, y_eye, w_eye, h_eye) in eyes:
    pupil_frame = gray[y_eye:y_eye + h_eye, x_eye:x_eye + w_eye]
    ret, thresh = cv2.threshold(pupil_frame, 80, 255, cv2.THRESH_BINARY)
    cv2.imshow("threshold", thresh)
    im2, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
    print(contours)

    for contour in contours:
      area = cv2.contourArea(contour)
      rect = cv2.boundingRect(contour)
      x, y, w, h = rect
      radius = 0.15 * (w + h)

      area_condition = (100 <= area <= 200)
      symmetry_condition = (abs(1 - float(w)/float(h)) <= 0.2)
      fill_condition = (abs(1 - (area / (math.pi * math.pow(radius, 2.0)))) <= 0.4)
      cv2.circle(frame, (int(x_eye + x + radius), int(y_eye + y + radius)), int(1.3 * radius), (0, 180, 0), -1)

  cv2.imshow('Pupil Detector', frame)
  c = cv2.waitKey(1) 
  if c == 27: 
    break

cap.release() 
cv2.destroyAllWindows()

导入数学
进口cv2
eye_cascade=cv2.CascadeClassifier（'./cascade_files/haarcascade_eye.xml'））
如果眼_cascade.empty（）：
raise IOError（'无法加载眼睛级联分类器xml文件'）
cap=cv2.视频捕获（0）
ds_系数=0.5
ret，frame=cap.read（）
等高线=[]
尽管如此：
ret，frame=cap.read（）
frame=cv2.调整大小（frame，None，fx=ds\u因子，fy=ds\u因子，插值=cv2.内部区域）
灰色=cv2.CVT颜色（边框，cv2.COLOR\u BGR2GRAY）
眼睛=眼睛\级联。检测多尺度（灰色，比例因子=1.3，明尼堡=1）
对于眼睛中的（x_眼、y_眼、w_眼、h_眼）：
瞳孔帧=灰色[y_眼：y_眼+h_眼，x_眼：x_眼+w_眼]
ret，thresh=cv2.threshold（瞳孔帧，80255，cv2.thresh\u二进制）
cv2.imshow（“阈值”，阈值）
im2，轮廓，层次=cv2.findContours（阈值，cv2.RETR\u列表，cv2.CHAIN\u近似值\u简单）
打印（等高线）
对于等高线中的等高线：
面积=cv2。轮廓面积（轮廓）
rect=cv2.边界rect（轮廓）
x、 y，w，h=rect
半径=0.15*（宽+高）
区域_条件=（100是的，您可以使用Haar Cascade分类器上的样本图像直接训练瞳孔检测器。如果您不局限于高吞吐量的小型硬件，那么我建议您使用深度学习在同一数据集上进行训练，您可以期待更好的结果。
更好的答案会显示一些代码！否则，这些建议是b更适合作为评论。