[论文解读] APPD: Adaptive and Precise Pupil Boundary Detection using Entropy of Contour Gradients

Cihan Topal, Halil İbrahim Çakir+1 more|arXiv (Cornell University)|Sep 19, 2017

Gaze Tracking and Assistive Technology参考文献 45被引用 3

一句话总结

本文提出APPD方法，一种自适应且精确的瞳孔边界检测技术，通过分析轮廓梯度的熵来判断是否存在近似圆形的瞳孔片段，从而在可见时实现快速检测，在遮挡时则回退至全面的特征分析。该方法在720p图像上实现了平均低于5ms的运行时间，并在遮挡情况下的准确性和鲁棒性方面优于当前最先进方法。

ABSTRACT

Eye tracking spreads through a vast area of applications from ophthalmology, assistive technologies to gaming and virtual reality. Precisely detecting the pupil's contour and center is the very first step in many of these tasks, hence needs to be performed accurately. Although detection of pupil is a simple problem when it is entirely visible; occlusions and oblique view angles complicate the solution. In this study, we propose APPD, an adaptive and precise pupil boundary detection method that is able to infer whether entire pupil is in clearly visible by a heuristic that estimates the shape of a contour in a computationally efficient way. Thus, a faster detection is performed with the assumption of no occlusions. If the heuristic fails, a more comprehensive search among extracted image features is executed to maintain accuracy. Furthermore, the algorithm can find out if there is no pupil as an helpful information for many applications. We provide a dataset containing 3904 high resolution eye images collected from 12 subjects and perform an extensive set of experiments to obtain quantitative results in terms of accuracy, localization and timing. The proposed method outperforms three other state of the art algorithms and has an average execution time $\sim$5 ms in single-thread on a standard laptop computer for 720p images.

研究动机与目标

• 开发一种对遮挡和倾斜视角具有鲁棒性的快速且精确的瞳孔边界检测方法。
• 通过自适应跳过完整特征分析，降低非遮挡情况下的计算成本。
• 即使瞳孔部分遮挡或不可见，也能保持高精度。
• 实现在标准硬件上实时部署，适用于VR、眼动追踪和生物识别等应用。
• 提供一个公开的、包含3,904张眼图像的高分辨率数据集，用于基准测试。

提出的方法

• 通过分析边缘轮廓上梯度分布的熵，检测潜在的近似圆形片段。
• 若检测到近似圆形片段，算法仅使用提取的椭圆弧进行快速瞳孔检测。
• 若未检测到此类片段，算法则对所有边缘片段进行全面搜索以提取椭圆弧。
• 采用基于RANSAC的方法拟合椭圆弧，以估计瞳孔边界和中心。
• 基于梯度熵的启发式规则决定使用快速模式还是综合模式，实现自适应性能。
• 算法包含最终检查步骤，用于检测瞳孔缺失情况，对生物识别和医学应用具有重要意义。

实验结果

研究问题

• RQ1 梯度熵分析能否可靠识别近似圆形的瞳孔片段，从而实现更快检测？
• RQ2 自适应模式选择在不牺牲遮挡情况下准确性的前提下，如何提升性能？
• RQ3 在使用完整特征分析与选择性检测之间，速度与准确性的权衡如何？
• RQ4 该方法能否在标准笔记本电脑上实现高分辨率眼图像的实时性能？
• RQ5 在定位精度和执行时间方面，该方法与当前最先进瞳孔检测算法相比的定量表现如何？

主要发现

• APPD在标准笔记本电脑上对每张720p图像的平均执行时间约为5ms，支持高达185Hz的实时运行。
• 在非遮挡情况下，通过避免完整弧线提取，计算量减少48%，平均运行时间降至3.82ms。
• APPD在准确性和定位精度方面优于三种当前最先进方法，尤其在遮挡场景中表现更优。
• 在98.7%的测试案例中，该方法能正确识别瞳孔缺失，为生物识别和医学应用提供重要反馈。
• 提出的包含12名受试者共3,904张高分辨率眼图像的数据集，支持在多样化条件下进行稳健的定量评估。
• 运行时间分解显示，ROI检测是最耗时的步骤（约占总时间的50%），其次是遮挡情况下的回退瞳孔检测阶段。