[论文解读] ESCaF: Pupil Centre Localization Algorithm with Candidate Filtering
本文提出ESCaF，一种针对真实环境下近红外（NIR）图像的鲁棒虹膜中心定位算法。该算法结合强度与边缘信息，并采用多阶段候选过滤方法及追踪方案，在大规模野外标注虹膜数据集（LPW）上实现了最先进精度与实时性能，平均处理时间为9.9 ms/帧。
Algorithms for accurate localization of pupil centre is essential for gaze tracking in real world conditions. Most of the algorithms fail in real world conditions like illumination variations, contact lenses, glasses, eye makeup, motion blur, noise, etc. We propose a new algorithm which improves the detection rate in real world conditions. The proposed algorithm uses both edges as well as intensity information along with a candidate filtering approach to identify the best pupil candidate. A simple tracking scheme has also been added which improves the processing speed. The algorithm has been evaluated in Labelled Pupil in the Wild (LPW) dataset, largest in its class which contains real world conditions. The proposed algorithm outperformed the state of the art algorithms while achieving real-time performance.
研究动机与目标
- 开发一种在真实世界挑战（如光照变化、运动模糊和遮挡）下仍能稳定运行的虹膜中心定位算法。
- 通过仅使用市售网络摄像头和红外LED，消除对专用光学器件或照明设备的依赖。
- 通过结合强度与边缘特征的混合方法，提升检测精度与处理速度。
- 通过简单而有效的虹膜追踪方案，提升检测稳定性并降低计算负载。
- 在大规模、多样化、真实环境数据集上评估算法，以证明其在真实世界中的适用性。
提出的方法
- 该算法采用两阶段方法：首先通过基于梯度的方法检测边缘，然后分析强度分布以识别潜在虹膜候选区域。
- 采用多阶段候选过滤流程，利用综合边缘强度与强度均匀性的优度函数评估每个候选，以选择最优估计。
- 根据图像条件动态在基于边缘与基于强度的检测之间切换，提升鲁棒性。
- 集成追踪方案以在后续帧中缩小搜索范围，从而提升处理速度与检测稳定性。
- 采用尺度空间分析以优化候选选择，提升定位精度。
- 实现采用Python，未来可通过C++优化进一步提升运行时性能。
实验结果
研究问题
- RQ1虹膜中心定位算法是否能在光照变化与遮挡等真实世界条件下实现高精度？
- RQ2如何有效结合强度与边缘特征以提升虹膜检测的鲁棒性？
- RQ3与直接椭圆拟合相比，候选过滤机制在多大程度上提升了检测精度？
- RQ4在视频序列中，集成追踪方案如何提升处理速度与检测稳定性？
- RQ5该算法是否能在保持实时性能的同时，在大规模野外数据集上超越最先进方法？
主要发现
- ESCaF在最大规模的野外虹膜中心定位数据集——Labelled Pupil in the Wild（LPW）上，优于所有最先进算法。
- 在启用追踪的情况下，算法平均处理时间为9.9 ms/帧；未启用时为14.28 ms/帧，证明其具备实时性能。
- 追踪方案通过限制连续帧中的搜索空间，降低了计算负载，并提升了检测率。
- 混合方法（根据图像条件在基于边缘与基于强度的检测间动态切换）在某一模态因反光或模糊失效时，仍能保持鲁棒性。
- 基于强度的过滤阶段在边缘检测失败时成功恢复了检测，显著减少了误报。
- 该算法对真实世界挑战（如运动模糊、隐形眼镜、化妆与反光）表现出高度鲁棒性，即使未使用专用硬件也能稳定工作。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。