《瞳孔：一个开放源码平台，用于普遍的眼球追踪和基于移动凝视的交互》论文阅读

题目：Pupil: An Open Source Platform for
Pervasive Eye Tracking and Mobile
Gaze-based Interaction
来源：UBICOMP '14 ADJUNCT, SEPTEMBER 13 - 17, 2014, SEATTLE, WA, USA

瞳孔检测算法

眼睛相机图像首先转换为灰度。瞳孔的初始区域估计是通过Swirski等人提出的中心环绕特征的最强响应在图像内。

我们使用Canny[3]在图像中查找轮廓，并根据相邻像素强度过滤边缘。图6-2)然后，我们使用眼睛图像中像素强度直方图中最低尖峰的用户定义偏移量来寻找较暗的区域(蓝色区域)。图6-3)我们过滤剩余的边缘以排除那些源自光谱反射的边缘-黄色区域。使用连通分量[14]将剩余边缘提取到轮廓中。图6-4)基于曲率连续性标准对等高线进行过滤并分割成子等高线。图6-5)使用椭圆拟合[5]到轮廓的子集上来形成候选瞳孔椭圆，以寻找最小二乘意义上的良好拟合、用户定义范围内的主要半径以及一些附加标准。组合搜索寻找可以添加到候选椭圆的支持的轮廓。根据支撑边缘的椭圆拟合和支撑边缘长度与椭圆周长之比(使用Ramanujans第二近似[7])对结果进行评估。我们称这个比率为“信心”。图6-6)如果最佳结果置信度高于阈值，则算法将该候选椭圆报告为定义瞳孔轮廓的椭圆。否则，算法报告没有找到瞳孔。

图5：1)基准比较4个瞳孔检测算法。(经Swirski许可使用的瞳孔以外的算法的图形数据)2)完整基准数据集和子集的瞳孔检测算法比较。

图5 显示了瞳孔检测算法、由Swirski等人提出的STOCK算法、ITU凝视跟踪器和Swirski等人在基准数据集上的Starburst之间的性能比较。[15]。作为误差度量，我们使用检测到的瞳孔椭圆和手工标记的瞳孔椭圆之间的Hausdorff距离[15]。此外，我们还进行了一项测试，排除了包含以最极端角度记录的眼睛图像的数据集p1-right，因为这些图像不会使用瞳孔硬件出现。

图5-2 更准确地说明了Pupil在现实生活中的表现。Pupil的检测率达到80％，错误阈值为2个像素；在5像素时，错误检测率提高到90％。

注视映射

通过包含两个可调度的二元多项式的传递函数来实现从眼睛到场景空间的瞳孔位置映射。通过使用屏幕标记，手动标记或自然特征运行校准例程之一，可以获得用户特定的多项式参数。校准和映射功能被抽象化，并且可以根据需要轻松修改和替换基础模型。

表面检测

瞳孔捕捉可以使用标记检测场景中的平面参考曲面。有64个唯一的标记。定义曲面至少需要一个标记。将凝视位置映射到参考面坐标，在场景相机平面和参考曲面平面之间使用单应变换的系统。

表现评估

空间精度和精确度

作为系统空间精度和精度的性能指标，我们采用了COGAIN Eye Tracker精度术语和定义中定义的指标[12]

“准确度计算为注视位置与注视目标的相应位置之间的平均角度偏移（距离）（以视角度为单位）。”

“精度计算为连续样本到xi，yi到xi + 1，yi + 1之间的角距离的均方根（RMS）（以视角度为单位）。”

我们使用以下过程评估了在室内环境下的性能：戴着Pupil Pro眼动仪的受试者坐在距离27英寸计算机显示器约0.5m的位置。使用标准的基于9点屏幕标记的校准程序在全屏模式下对眼动仪进行校准。校准后，要求受试者将其固定在监视器上的标记上。标记物在10个随机位置采样了1.5秒，然后重新访问了9个校准位置中的每个位置。在显示标记时，记录注视样本和在现场摄像机中检测到的标记位置。然后根据最小时间距离将数据关联到凝视点和标记点对。空间距离大于5度角距离的凝视点标记点对被作为异常值丢弃，因为它们与系统错误无关，而与人为错误相关（无固定，闪烁）[6]。

在场景相机像素空间中计算准确性和精度，并根据相机内在函数将其转换为视角度。

对八个不同的受试者重复了这一过程，以反映更多样化的生理学。这项测试是用021版的瞳孔专业眼球跟踪器进行的。这项测试使用了在Mac OS上运行的瞳孔捕捉软件0.3.8版。该测试例程是瞳孔捕获版本的一部分，从版本0.3.8开始，可供所有用户使用。

结果

在理想条件下，达到了0.6度精度和0.08度精度。