方法的文章

前面。Neuroeng。,09 April 2015
卷8 - 2015 | https://doi.org/10.3389/fneng.2015.00004

设置:瞳孔检测方法使用正弦近似

Amir-Homayoun Javadi ¹ ^*,<一个href="//www.thespel.com/people/u/225220" class="user-id-225220">

Zahra哈基米 ²,<一个href="//www.thespel.com/people/u/213702" class="user-id-213702">

名巴拉狄 ²,<一个href="//www.thespel.com/people/u/13503" class="user-id-13503">

文森特·沃尔什 ³和<一个href="//www.thespel.com/people/u/218557" class="user-id-218557">

丽丽Tcheang ³

¹实验心理学、行为神经科学研究所的伦敦大学学院,伦敦,英国
²年轻的研究人员和精英俱乐部,加兹温分支,伊斯兰自由大学,加兹温、伊朗
³伦敦大学学院认知神经科学研究所,伦敦,英国

在外部环境中移动眼球追踪仍然是具有挑战性的,尽管眼球追踪软件和硬件工程的最新进展。目前很多方法无法处理大量的户外照明条件和这些可以改变的速度。这种限制实验人造环境中必须严格控制条件。此外,低成本的眼动跟踪设备的出现要求分析工具的发展,使非技术人员流程的输出图像。我们已经开发出一种快速、精确的方法(称为“套”)更适合与不受控制的自然环境,动态,甚至极端的照明条件。我们比较的性能与两个开源替代方案通过处理两个集合的眼睛图片:室外自然场景的图像与极端照明变化(“自然”);和图片的有挑战性的室内场景(“CASIA-Iris-Thousand”)。我们表明,擅长户外条件和更快,没有重大损失的准确性,在室内。设置提供了一个低成本的眼球追踪解决方案,提供高性能即使在具有挑战性的户外环境。是通过一个开源MATLAB工具箱以及提供一个动态链接库(DLL),可以导入到许多编程语言c#和Visual Basic Windows操作系统(<一个href="http://www.eyegoeyetracker.co.uk" style="color:grey;">www.eyegoeyetracker.co.uk)。

介绍

眼动跟踪是基本准确的视线跟踪。这是一个强大的工具研究视觉认知和用于诊断和交互式应用程序(<一个href="#B9">Duchowski 2002,<一个href="#B10">2007年)。使用眼球追踪在诊断应用程序中,如市场研究(<一个href="#B36">雷纳et al ., 2001;<一个href="#B32">穆勒et al ., 2012)或人类关注婴儿的理解(<一个href="#B21">加藤Konishi, 2013)和成人(<一个href="#B18a">卡斯帕·et al ., 2013),以及认知障碍(<一个href="#B48">冯民主党Hagen et al ., 2013),提供客观、定量衡量观众的注视点()(评论看到<一个href="#B12">Goldberg和Wichansky, 2003年;<一个href="#B16">地板和巴拉德,2005年)。交互式应用程序利用观众的运动作为控制输入(<一个href="#B49">病房和麦凯,2002年;<一个href="#B35">Oyekoya Stentiford, 2006;<一个href="#B29">Mele Federici, 2012)。尽管广泛应用和重大进展,移动眼球追踪,特别是在外部环境中,仍然具有挑战性由于遮挡等因素和规模变化和照明(<一个href="#B14">2010年汉森和霁)。

早期的追踪器静态摄像头放在一个表或连接到监视器,远离用户(例如,Tobii追踪器<一个href="http://www.tobii.com">www.tobii.com和重度眼球追踪眼镜<一个href="http://www.eyetracking-glasses.com">www.eyetracking-glasses.com)。这些设置有一个软件解决方案检测头和随后的眼睛(s)进行进一步分析。放置摄像机的云台设备部分相机的视野扩展(例如,EyeFollower<一个href="http://www.interactive-minds.com">www.interactive-minds.com),但这些系统的物理范围仍然有限公司(<一个href="#B34">Ohno et al ., 2002;<一个href="#B22">Lemahieu温,2011)。实现更大的精度,以牺牲自由运动,眼动跟踪的,安装在一个下巴休息,在参与者的头上也固定(如EyeLink<一个href="http://www.sr-research.com">www.sr-research.com)。这些系统,需要定头,限制参与者的自由运动。应该提到在许多应用程序中使用这些设置,比如当需要跟踪精度高。

为了最终的自由运动和可移植性,第二组的追踪器开发相机直接安装到用户的头部(“移动追踪器”),允许用户自由走动(例如,<一个href="http://www.ergoneers.com">www.ergoneers.com,Tobii和重度)。大多数这些系统既可以用在室内和室外应用。这些系统的应用程序的示例包括市场研究和发展研究(<一个href="#B11">Franchak et al ., 2010;<一个href="#B13">格雷厄姆et al ., 2012;<一个href="#B33">奥克斯,2012)。随着越来越多的便携式外部追踪器进入市场,一个新的挑战出现时,学生必须维护检测控制和潜在变化多端的光照条件下,相对于静态和控制光照条件在实验室环境。

考虑到硬件的快速发展,眼球追踪的具有挑战性的部分现在是收购相机软件处理图像。提出了许多低成本图像捕获机制,主要是由现成的组件(<一个href="#B24">李et al ., 2006;<一个href="#B43">舒曼et al ., 2008;<一个href="#B22">Lemahieu温,2011;<一个href="#B18">黄et al ., 2013)。这些方法要么使用新方法(<一个href="#B27">Maenpaa 2005;<一个href="#B1">Asadifard Shanbezadeh, 2010;<一个href="#B22">Lemahieu温,2011),或者使用一个开源项目,如亮光和ITU目光跟踪器(<一个href="#B39">瑞安et al ., 2008 a;<一个href="#B47">维兰纽瓦et al ., 2009;<一个href="#B8">邓et al ., 2010;<一个href="#B45">Tafaj et al ., 2011)(亮光和Gaze-Tracker方法参考<一个href="#B25">李et al。(2005)和<一个href="#B42">圣奥古斯汀•et al。(2010)分别)。

两个主要功能防止这些方法用于低成本的眼动跟踪应用程序,特别是对于移动应用:(1)大部分的研究人员所使用的方法实现合理的性能只能访问他们开发的平台。通过例子,亮光是只提供了在MATLAB和c# Gaze-Tracker。可以在任何平台实现这些方法的细节中可用的方法是文学(见<一个href="#B40">瑞安et al ., 2008 b恒星暴增的C / c++实现。),然而,这一假设在用户一个适当的水平的编程经验。(2)大部分学生检测算法与高精度遭受权衡速度和准确性,例如,<一个href="#B3">Campadelli et al。(2006)提出了一个相当准确的眼睛定位方法处理的速度以牺牲准确性(4 s每帧)。大部分的这些方法都是基于迭代算法。重复这个算法处理时间增加,导致较低的处理速度。相比之下,我们开发了一个算法,无需迭代使用简单的计算步骤。这种简单性使得我们能够在多个平台开发方法易于应用的方法研究不同的需求。

我们实现了一个开源、多平台的方法被称为“套”(正弦眼动跟踪),表现出优越的性能,在速度和准确性,不仅在室内,但即使是在具有挑战性的移动、户外环境。设置的关键特性是适当的手动和自动步骤的组合,以一个合理的速度达到精度高。之前只有两个参数调整瞳孔检测:(1)眼睛的阈值转换图像黑白图像,(2)段的大小考虑学生检测。另外我们使用了一个近似ellipse-fitting算法来检测ellipse-like轮廓(即。学生)在二进制图像,从而促进学生的中心位置。我们将设置与前面提到的两个开源方法使用两个不同的图片:一个户外环境中从视频中提取;另一个从一个数据集在控制实验室拍摄的图像设置(“CASIA-Iris-Thousand”)。

方法

我们组学生检测方法最初是在MATLAB中实现2006 (MathWorks<年代up>®公司,<一个href="http://www.mathworks.co.uk">www.mathworks.co.uk)和依赖于MATLAB的图像处理工具箱(<一个href="http://www.mathworks.co.uk/products/image">www.mathworks.co.uk /产品/形象)。许多可用的开源方法(<一个href="http://wiki.cogain.info/index.php/eye_trackers">wiki.cogain.info / index . php / eye_trackers),我们选择的亮光和Gaze-Tracker比较反对,因为这些是最常用的。

亮光openEyes开源工具包实现(<一个href="http://thirtysixthspan.com/openeyes/videos.html">thirtysixthspan.com/openeyes/videos.html),它是在MATLAB开发(<一个href="#B23">李,2006)。此方法适用于眼球追踪的序列图像。它使用检测学生在前一帧的位置为起点在当前帧的搜索。在这种情况下,没有瞳孔的位置之前,中心的形象被认为是起点。亮光使用射线铸造方法找到点学生的边界(候选特征点)。随后它使用这些点集建立特征点共识(RANSAC)使用随机样本一致。最佳拟合椭圆确定使用共识。最后基于模型的优化应用于优化椭圆参数。为了实现该算法的最佳性能,我们使用了手动选择瞳孔中心(PCP)作为开始点(“星爆式重组的确切”)。该方法的详细说明,不同的输入参考附录3的补充材料。

Gaze-Tracker (<一个href="http://www.sourceforge.net/projects/gazetrackinglib">www.sourceforge.net/projects/gazetrackinglib)是在c#开发(Visual Studio.net)图像处理和使用开放的简历(<一个href="#B41">圣奥古斯汀•2009)。这个方法是一个完整的系统从图像提取运动的决心。前四个步骤包括:(1)提取脸部的形象,(2)检测眼睛的脸,(3)检测的卡式肺囊虫肺炎最后(4)目光估计。比较直接的瞳孔检测算法用于集,我们提取的过程检测的卡式肺囊虫肺炎(步骤3)Gaze-Tracker和美联储一样的眼睛图片这个过程以及集。类似的亮光,Gaze-Tracker使用RANSAC过程中消除可能的异常值点之间的轮廓瞳孔和虹膜。

使用电脑与英特尔执行处理<年代up>®核心2 DuoTM 2.66赫兹的CPU, 3 gb的RAM和32位Windows XP操作系统。这种低规范计算机被用于数据分析,以调查我们的算法的效率。

图片收藏

自然的框架。视频拍摄从5参与者在指导下完成一个大约30分钟走在伦敦的街道上接近伦敦大学学院认知神经科学研究所的。照明条件因此参与者之间相差很大,甚至在一个视频中,依赖于云层变化不断穿越太阳和参与者从阴影走到明亮的区域中其他的东西。参与者戴着头盔生产的眼动跟踪实证科学眼动(<一个href="http://www.positivescience.com">www.positivescience.com)举行了红外线(IR)相机面对右眼,一个红外发光二极管(LED)照亮,数码数码摄像机和640×480像素的分辨率的图像场景由参与者以每秒30帧的观察。

这些“天然”帧扩展640×480像素达到原来的宽高比4/3相机捕捉到。总共有74帧丢弃由于低能见度的瞳孔闪烁造成的,对准目标和图像严重失真由于高光照条件的变化在外部环境。

CASIA-Iris帧。我们500个随机提取帧CASIA-Iris-Thousand网站(biometrics.idealtest.org)收集的中国科学院自动化研究所(CASIA)。这个网站的股票一般生物数据,以促进研究和开发虹膜识别和瞳孔检测方法。CASIA-Iris-Thousand包括帧的左右眼睛的1000名参与者超过20000帧图像的分辨率为640×480像素在实验室设置。从这些集合框架的一个例子是图所示<一个href="#F1">1。

图1

图1所示。样品的图片(A)我们自己的(被称为“自然”)和(B) CASIA-Iris集合。

瞳孔检测

一组学生检测方法包括以下步骤:

1。阈值。

2。分割。

3所示。边界提取使用凸包方法(<一个href="#B6">科尔曼et al ., 2009)。

4所示。每个段成正弦分量的分解。

5。选择最适合的部分。

第一步是提取瞳孔的领域可能位于阈值(图<一个href="#F2">2)。这一步的结果在一个二进制图像(黑白图像),可能最有可能包括学生和其他一些地区,它们可能生存阈值如漆黑的睫毛和角落的图像(图<一个href="#F2">2 b)。阈值可以取任何值0(黑色)到255(白色)。

图2

图2。处理步骤提取瞳孔的中心点。(一)原始的灰度图像;<年代trong>(B)黑白图像阈值;<年代trong>(C)每一段的分割图像中显示不同的颜色;<年代trong>(D)突出显示部分(红色)使用凸包与边界提取方法(绿色边境),实际上涵盖了一些学生的一部分;边境上的每个点的角度计算使用黄线和水平白线,满足的中心环节<年代trong>(E)显示边界进入其正弦分量的分解,每个点是一个边界边的绿色所示<年代trong>(D);和<年代trong>(F)提取的学生(蓝色椭圆)和估计的瞳孔中心点(青色交叉)。

使用“bwlabel”功能在MATLAB的图像处理工具箱,我们分割图像到无关的领域,数字<一个href="#F2">2摄氏度。bwlabel返回一个矩阵相同的大小作为输入黑白图像,包含连接段(标签<一个href="#B15">Haralick和夏皮罗,1992年28-48)页。bwlabel使用连接组件标签的二进制图像像素分组为最大连通区域。它给了一个独特的标签所有像素彼此连接的二进制值1像素的路径。

像素的总数在一段被认为是部分的大小。随后采取以下步骤,每段大于某个值。段的边界提取使用凸包方法,人物<一个href="#F2">二维。MATLAB使用Quickhull算法设计的<一个href="#B2">理发师et al。(1996)。每一段的边界用于估计匹配椭圆(见方程(1)的计算x(ω),y(ω)]。

边境点不均匀分布在360°圆形角由于瞳孔图像的不连续性。图<一个href="#F2">2 e显示了一个突然的变化x和y值区间内200°−360°。纠正这个值不均匀分布的,我们考虑的中心提取的边界,算术平均的x和y值,作为一个参考点,并计算每个点的角度相对于水平线。随后这个角是用来描述点的分布x和y轴沿边境。图<一个href="#F2">2 e显示了如何点分布在360°圆形角。这些角度和立场x和y然后使用轴估计覆盖罪恶,因为组件。

向上ellipse-an椭圆的长轴与垂直方向被定义如下:

\begin{array}{l} {\begin{matrix} x (ω) = h - b 罪 (ω) \\ y (ω) = k + 一个 因为 (ω) \end{matrix} & (1) \end{array}

两人(h k)和值一个和b代表椭圆的中心,分别较明显和长半轴。详细描述的一个椭圆的定义参考附录1的补充材料。我们适合方程1提取的边境点提取自由参数ω,(h k),一个和b。

使用泰勒扩张我们大幅减少时间去让每一个身体,计算多项式表达式如方程(2)的计算要求计算的要少得多罪和因为功能。为了减少估计的复杂性,我们只用前3项(n={0 1 2})泰勒展开的罪和因为组件:

\begin{array}{l} \begin{array}{l} 罪 (ω) = \sum_{n = 0}^{2} \frac{{(- 1)}^{n}}{(2 n + 1)!} ω^{2 n + 1} = ω - \frac{ω^{3}}{3!} + \frac{ω^{5}}{5!} \\ 因为 (ω) = \sum_{n = 0}^{2} \frac{{(- 1)}^{n}}{(2 n)!} ω^{2 n} = 1 - \frac{ω^{2}}{2!} + \frac{ω^{4}}{4!} \end{array} & (2) \end{array}

前3项是最小数量的条款,导致一个合理的准确性。高数量的条款还测试了,但结果没有显著的不同。因此,减少了数据拟合多项式来拟合过程在每个轴上。图<一个href="#F2">2 f显示了学生(红色部分)及其覆盖椭圆(蓝色椭圆)和计算中心(青色交叉)。

一个椭圆是安装在每个段(图中提取<一个href="#F2">2 e)。整个计算椭圆,一个a / b接近统一,即。,theellipse that is closest to a circle, is considered as the pupil and (h k)报告为中心的学生(图<一个href="#F2">2 f)。

两个手动分配值是用于我们的方法:(1)的值的阈值图像成黑白图像和(2)的值包含地区进一步分析。前价值取决于的整体亮度pupil-although瞳孔通常是黑色的,它不一定是黑色的图片。因此,应该使用一个高于零的值来控制。其他手动调整参数取决于总体规模的瞳孔图像。这取决于的物理设置摄像头,视角及其距离。的阈值30和600年分别被用于所有的分析报告。

检测注视点()

为了能够比较的检测方法与其他方法的准确性方面给出可视化程度的目光,我们使用校准数据变换卡式肺囊虫肺炎注视点(运动)视频记录在户外环境(<一个href="#B50">朱和霁,2007)。参与者站在大约80 - 90 cm在校准前交叉,沿着每条线长69厘米。参与者被要求使固定在5点标记在十字架上使用提示。校准进行了单独为每个视频。图<一个href="#F3">3显示的图像校准的设置。校准程序是通过使用MATLAB的图形用户界面(GUI)开发(Javadi et al .,未发表)。我们应该强调,这是一个简化的方法检测的运动。更复杂的方法,一个应该考虑许多其他参数如闪烁和眼睛模型(审查<一个href="#B31">森本晃司Mimica, 2005)。

图3

图3。校准交叉(左边)用于校准的眼睛瞳孔中心和现场摄像头映射点(PCP)注视点()。

统计分析

图像在每个集合(“自然”和“CASIA-Iris”)手动处理两个独立实验(AHJ和LT),为了检测卡式肺囊虫肺炎在每一帧使用MATLAB的图形用户界面(GUI)开发了。每个图像的中点中间他们选定的卡式肺囊虫肺炎是用于进一步分析,p<年代ub>米(x<年代ub>米y<年代ub>米)。p<年代ub>米(x<年代ub>米y<年代ub>米)被视为地面真理和算法的性能对这些点进行比较。每个算法检测错误(“e”)被检测到卡式肺囊虫肺炎之间的欧氏距离,计算p<年代ub>d(x<年代ub>dy<年代ub>d),手动选择卡式肺囊虫肺炎:

\begin{array}{l} e = | \sqrt{{(x_{d} - x_{米})}^{2} + {(y_{d} - y_{米})}^{2}} | & (3) \end{array}

由于不对称分布e(e≥0)和它的浓度接近于零,我们使用基于指数衰减的标准标签的帧打击或小姐。指数衰减描述如下

\begin{array}{l} f (x; p_{0}, p_{年代}, p_{r}) = {\begin{array}{l} p_{0} + p_{年代} 经验值 (- p_{r} x) & x \geq 0 \\ 0 & x < 0 \end{array}, & (4) \end{array}

在这p<年代ub>r> 0,p<年代ub>o和p<年代ub>年代分别率、抵消和尺度参数。为进一步讨论这个方法参考附录2的补充材料。我们安装一个指数衰减为每个模型和图像的数据集合。e值小于x拦截,(p<年代ub>o+p<年代ub>年代)/p<年代ub>rp<年代ub>年代线的描述衰减的斜率都标记为打击。其余的被标记为小姐。只有图像标记为被用于进一步分析。

处理时间也被记录为每个方法在原有编程环境,例如MATLAB为Gaze-Tracker亮光和c#。虽然是一致的跨平台检测错误,处理速度。因此,一个有效的对比方法,我们比较的速度设置在MATLAB的亮光和与Graze-Tracker c#。处理时间(以毫秒为单位)超过2个标准差的意思是为每个方法和图像收集被排除在分析。

使用SPSS统计数据分析(v17.0;领先技术公司,夏洛特,数控、美国)。数据是使用Kolmogorov-Smirnov测试检查常态分布。分布的正态性检验表明,检测错误是不正常的方法和图像集合(所有的比较:p< 0.03)。检测错误因此受到克鲁斯卡尔-沃利斯检验了三种级别的方法(套/亮光/ Gaze-Tracker),分割对图像集合(自然/ CASIA-Iris)。因变量是检测错误(“e”)作为计算方程(3),随后因果two-independent-samples Mann-WhitneyU测试被用来比较不同方法之间的精度。Bonferroni-adjustedα水平0.016(0.05 / 3)作为意义阈值。此外,悬崖的δ效应的绝对值大小测量(δ)报告(<一个href="#B5">悬崖,1993;<一个href="#B17">赫斯和Kromrey, 2004年;<一个href="#B26">麦克白et al ., 2011)。这种方法依赖于主导地位概念而不是意味着在传统措施如科恩的效应大小d和更健壮的分布式数据倾斜。类似于科恩的解释它的值d与常规尺度效应的小、中、大。

测试正常的处理时间显示,他们分布正常。双向方差分析方法(设置/亮光/ Gaze-Tracker)和图像采集(自然/ CASIA-Iris)作为独立因素进行了处理时间。部分埃塔广场(η_p²)作为衡量效果的报道。随后,两个独立样本t测试是用来比较的方法。类似的α水平Bonferroni调整0.016(0.05 / 3)作为意义阈值。

结果

9(1.80%)和72例(14.80%)的500帧丢弃来自CASIA-Iris(主要是由于眼镜)和自然图像集合,分别。排除帧参考附录4样品的补充材料。手动检测之间的pcp相当一致的两个实验(平均距离(SD) = 1.76(0.12)像素)。

检出率

发现pcp(使用三种方法)被列为使用指数衰减的标准,也有失误。表<一个href="#T1">1展示了每种方法的检出率和图像集合。根据这个表,Gaze-Tracker检出率最低并设置和亮光可比的检出率。更重要的是,它表明,我们的方法表现相当自然和CASIA-Iris图像集合之间的一致与亮光CASIA-Iris表现更好的图像集合。

表1

表1。阈值(像素)用于帧分类成碰巧使用指数衰减标准和检出率(%)为不同的方法和图像集合。

检测错误

图像标记为小姐被排除其余的分析。使用方程(3)检测错误计算。剩下的图像检测错误受到克鲁斯卡尔-沃利斯测试。这个测试显示出非常重要的主要的方法对图像集合(p< 0.001)。因果比较显示一组之间的显著差异和其他两个方法在自然和CASIA-Iris图像(p< 0.001)。然而,没有区别的亮光和Gaze-Tracker方法。表<一个href="#T2">2显示了摘要的比较以及悬崖的δ效应大小测量(δ)。

表2

表2。总结对比检测错误(two-independent-samples Mann-WhitneyU测试)不同方法之间的分裂的两个图像集合在悬崖的δ效应大小测量(δ)。

图<一个href="#F4">4显示了不同方法的检测误差和图像集合。图<一个href="#F5">5显示了检测误差的累积分布不同的检测方法对不同的图像集合。这个数字表明,我们的方法有最大初始斜率。另外它表明,尽管我们的方法实现了更高的初始斜率,但略优于亮光。它还展示了一个强烈的差异对自然和CASIA-Iris Gaze-Tracker方法的性能。不同检测错误的样本参考补充材料。

图4

图4。不同方法的检测误差和图像集合后排除了帧。误差线反映一个标准差。*p< 0.001。

图5

图5。为不同的方法检测误差的累积分布自然(A)和(B) CASIA-Iris图像集合。轴显示帧检测误差小的百分比或等于某个值的轴。

pcp被映射到PoRs今年三种方法对自然图像集合。这种映射实现平均精度(SD) 0.94°(0.47°)的视角,1.28°(0.77°)的视角的亮光和1.25°(0.50°)Gaze-Tracker的视角。

检测速度

数据帧的处理时间超过2个标准差的意思是,被排除在进一步分析。表<一个href="#T3">3显示了每个方法排除帧的百分比和图像集合。非参数测试表明高度三种方法之间的显著差异。这些比较表明的亮光比设置和设置比Gaze-Tracker,表<一个href="#T4">4。图<一个href="#F6">6显示了每个方法的检测时间分割对每个图像集合。

表3

表3。比例的排除框架基于过度处理时间的持续时间。

表4

表4。总结对比检测时间(two-independent-samples Mann-WhitneyU测试)不同方法之间的分裂的两个图像集合在悬崖的δ效应大小测量(δ)。

图6

图6。不同方法检测时间和图像集合。(一)对比组和亮光。比较两组和亮光算法在MATLAB中运行。<年代trong>(B)比较组和Gaze-Tracker之间。这种比较两组和Gaze-Tracker在c#中运行。误差线反映一个标准差。*p< 0.001。

讨论

这里我们引入一个新的学生检测方法(“设置”)基于轮廓的解构黑白图像为正弦的组件。我们应用方法和其他两个常用的开源方法,亮光(<一个href="#B25">李et al ., 2005)和Gaze-Tracker (<一个href="#B42">圣奥古斯汀•et al ., 2010)两个集合的眼睛图片提取视频从户外(“自然”图像集合)和实验室设置(“CASIA-Iris”图像集合),和比较方法的性能方面的检测速度,精度和速度。

一组检出率比Gaze-Tracker和亮光对自然图像集合,使它成为很好的选择室外自然场景眼球追踪,见下表<一个href="#T1">1。此外,一组检出率比Gaze-Tracker但比亮光CASIA-Iris图像集合,见下表<一个href="#T1">1。然而,仍然执行高速率的瞳孔检测(> 80%)。

的准确性,实验结果表明,我们的方法实现更好的准确性,即。,降低检测错误,比其他两种方法,见下表<一个href="#T2">2和图<一个href="#F4">4。设置方法的另一个优势是,它始终适用于图像在实验室设置和户外环境的准确性。Gaze-Tracker实现一个非常小的命中率,但取得了相当精度的亮光。这表明这个方法达到较好的精度的一小部分帧(分为支安打)和非常糟糕的准确性对于大多数框架(归类为错过)。集卓越的精度的关键在于椭圆拟合机制:通过约束算法以适应一个椭圆,可以推断出学生只有几个点的位置精确定位椭圆。正因为如此,它能够表现良好条件下如影子的变化(阻塞),小眼睑打开和奇怪的镜头角度。

在速度方面,还不如Gaze-Tracker,然而比在两个集合的亮光,表<一个href="#T4">4。然而,部分损失的增长速度远远超过Gaze-Tracker准确性和检测率比较(见表<一个href="#T1">1和图<一个href="#F4">4)。

相反的亮光和Gaze-Tracker提供开源只在一个平台(在MATLAB和c# Gaze-Tracker亮光),集可以集成在MATLAB代码以及可视化编程环境在c#和visual Basic等Windows操作系统通过动态链接库(DLL) (<一个href="http://www.eyegoeyetracker.co.uk">www.eyegoeyetracker.co.uk)。dll提供一个机制来共享代码和数据。他们可以在另一个调用代码运行一个函数,返回值给调用代码。dll是独立于编程语言,它们是开发和编程语言,他们被称为。因此,它们提供了一种简单的方法之间共享代码的平台和编程语言。

第一代机械眼球追踪系统(光学杠杆)介绍了五年前(<一个href="#B37">里格斯et al ., 1954;<一个href="#B38">里格斯和锡克,1968年)。尽管最近进展追踪器导致超高精度和超高速使用激光,这种方法是非常昂贵,笨重,可以侵入性(<一个href="#B28">Martinez-Conde et al ., 2009;<一个href="#B44">Sheehy et al ., 2012),当前的焦点社会心理学研究的非侵入性跟踪眼睛的使用视频来自一个或两个眼睛。基于发表的评论<一个href="#B14">汉森和霁(2010),68.92%的学生的眼球追踪方法使用一个图像提取运动的方向。许多商业解决方案可用不同的特性和应用。随着这些系统提供了高成本(主要是超过£35000)注意力低成本解决方案已经提出增加,许多硬件和软件解决方案(<一个href="#B24">李et al ., 2006;<一个href="#B43">舒曼et al ., 2008;<一个href="#B22">Lemahieu温,2011;<一个href="#B18">黄et al ., 2013)。在某些情况下,低成本系统的准确性为许多应用程序是合理的。

大多数的商业眼球追踪解决方案(硬件和软件)的组合实现精度约0.5视觉度。这些系统的主要特性,使用低成本的系统难以实现,要求严格控制的实验室环境等与控制照明条件和匹配的硬件和软件的发展。几乎所有的低成本系统是基于市场便宜的相机。使用这些相机的学生被视为一块深黑色。通常一些近红外线发射器用来改善获得图像的可见性。在大多数的商业系统,然而,学生被视为一个非常明亮的补丁。这是通过把一些红外发射器的轴很近红外摄相机,直接导致光的红外反射到相机的光反射特性的眼睛。这使得这些系统检测的学生更容易在图像相比有更少的亮点与黑点在自定义构建系统。也有系统,两者的结合明亮,dark-pupil技术使用的是(<一个href="#B30">森本晃司et al ., 2002)。然而,该系统实现了在2°视角的准确性。

各种各样的方法被提出,如使用支持向量机算法(<一个href="#B7">义et al ., 2009)或神经网络(<一个href="#B46">托里拆利et al ., 2008)。这些算法的准确性,然而,仍然是大约1°的视角(<一个href="#B4">Canessa et al ., 2012)。我们使用dark-pupil技术和实现精度接近1°视角。基于<一个href="#B14">汉森和霁(2010),我们的方法比62.96%的准确性,可比性和25.93%的已发表的研究。

汉森和霁(2010)显示,只有37.84%的方法适用于户外环境中获得的图像。我们的实验结果显示,我们的方法有效地适用于图像从室外环境中获得的。检出率(表<一个href="#T1">1(图)和累积分布检测错误<一个href="#F5">5)清楚地表明,设置户外环境的优越的方法进行处理。

我们的一个主要目标是开发一种方法,具有较为快速的处理速度不牺牲准确性。运行在MATLAB实现帧率约为50.71 fps(每秒帧数)和9.54帧处理自然和CASIA-Iris图像集合,分别。运行在c#实现的帧速率较慢,差不多20.61 fps和12.20帧进行处理的图像自然和CASIA-Iris图像集合,分别。Gaze-Tracker,另一方面,达到43.46帧/秒和22.57帧/秒为每个图像集合,分别。亮光是极慢的为3.23 fps和4.48帧/秒每个图像集合,分别。这些结果表明,处理时间组的速度比的亮光和低于Gaze-Tracker环境条件。考虑到低Gaze-Tracker检出率28.48%和32.75%的对自然和CASIA-Iris图像集合,分别与85.23%和83.41%,我们认为这个方法牺牲准确性很高程度上为了达到更高的速度。仍然远远超过的亮光和一些其他方法如提出的一个<一个href="#B8">邓小平et al。(2010)。

集是一个管道,每个阶段的处理效率的高度依赖前一阶段的效率。我们我们的算法基于序贯方法规避可避免重复计算,为了速度在不影响精度。我们的算法只考虑两个常数:(1)阈值和(2)最小段大小。这些都是非常低水平参数及其调整是毫不费力。考虑两个常数并不少见。例如EyeLink (<一个href="http://www.sr-research.com">www.sr-research.com)也将黑/光阈值跟踪的开始。另外我们应该强调,只有一组常量用于处理图像的数据集在这个研究。集的优越性能表明,该算法是健壮的瞳孔大小和照明等变化的反复调整常量值。

总之,设置是瞳孔检测的新方法使用图像从眼睛中提取获得现成的现成的相机。设置了一个新的标准在眼球追踪可变光照条件以及新一代的低成本和可移植的眼球追踪设备。我们应用设置为两个图像集合:自然和CASIA-Iris,集图像相比,户外和室内环境和其性能与另外两个常用的开源项目(“亮光”和“Gaze-Tracker”)。我们的实验结果表明,与通常比其它两种方法更精确的检测率高。略低于Gaze-Tracker,尽管这是由其比精度补偿。它也比亮光。在MATLAB中设置最初开发。方便应用程序记录在c#和编译成动态链接库(DLL)为了使研究人员使用Windows操作系统编程语言c#和Visual Basic等使用工具箱(<一个href="http://www.eyegoeyetracker.co.uk">www.eyegoeyetracker.co.uk)。

作者的贡献

AJ和LT MATLAB设计和实现算法;MB和ZH型用c#实现算法;AJ, LT、MB和ZH型分析数据;AJ, LT, MB、大众和ZH型写的手稿。

利益冲突声明

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

确认

作者要感谢洛娜·斯图尔特的帮助进行数据收集。AJ威康信托基金会的支持。LT是医学研究委员会的支持。

补充材料

本文的补充材料在网上可以找到:<一个href="//www.thespel.com/journal/10.3389/fneng.2015.00004/abstract">http://www.雷竞技rebatfrontiersin.org/journal/10.3389/fneng.2015.00004/abstract

引用

Asadifard, M。,和Shanbezadeh, J. (2010). “Automatic adaptive center of pupil detection using face detection and cdf analysis,” in论文发表在国际工程和计算机科学家Multiconference (IMECS)(香港)。