馬啟瑋，韓慧妍，韓 燮，張?jiān)鲆?/p>

(1.中北大學(xué) 大數(shù)據(jù)學(xué)院，山西 太原 030051；2.西安電子科技大學(xué) 通信工程學(xué)院，陜西 西安 710100)

0 引 言

目前，瞳孔中心定位的方法一般分為兩類：基于特征提取的方法和基于統(tǒng)計(jì)學(xué)習(xí)的方法[1-5]?；谔卣魈崛〉姆椒ǎ饕抢猛讌^(qū)域的灰度特性來(lái)檢測(cè)瞳孔中心。臧晶等[7]通過(guò)hough變換檢測(cè)圓的方法和混合投影法定位瞳孔中心，但是由于hough變換在整個(gè)眼部圖象上，計(jì)算量大，時(shí)間復(fù)雜度高，難以滿足實(shí)時(shí)性的要求。而且隨著人眼注視的位置不同，瞳孔會(huì)呈現(xiàn)出一種近似于圓的橢圓形狀，因此該方法定位精度較低。余羅等[8]通過(guò)提取圖像輪廓像素，隨機(jī)選取6個(gè)點(diǎn)進(jìn)行橢圓擬合得到瞳孔中心，但是該方法容易受到噪聲影響，且其計(jì)算量大，難以滿足實(shí)時(shí)性的要求。李擎等[9]提出了一種等距離補(bǔ)償瞳孔的方法，提高了瞳孔中心定位的精度，但是當(dāng)瞳孔遮擋過(guò)大時(shí)，無(wú)法精準(zhǔn)定位。

基于統(tǒng)計(jì)學(xué)習(xí)的方法，將眼部圖像作為輸入數(shù)據(jù)，由訓(xùn)練好的模型直接檢測(cè)得到瞳孔中心點(diǎn)坐標(biāo)。Su Yeong Gwon等[10]基于SVM算法可以檢測(cè)出某人戴眼鏡情況下的瞳孔中心。張婉綺等[11]通過(guò)改進(jìn)的SVM算法，對(duì)低質(zhì)量的眼動(dòng)圖像也能產(chǎn)生較好的瞳孔中心定位效果。

由于眼部圖像存在眼瞼遮擋、睫毛遮擋以及角膜反射引起的白斑干擾等情況，使其提取難度增加。鑒于此，本文提出了由粗及精的瞳孔中心定位算法：首先通過(guò)YoloV3粗略定位瞳孔中心點(diǎn)，進(jìn)而剔除瞳孔邊緣點(diǎn)中的偽邊緣點(diǎn)，逐步精確瞳孔中心。實(shí)驗(yàn)結(jié)果表明，本文提出的算法有較高的精度，能夠滿足實(shí)時(shí)性和魯棒性的要求。

1 算法流程

本文的算法流程如圖1所示。

圖1 算法流程

(1)首先通過(guò)紅外攝像頭采集眼動(dòng)視頻數(shù)據(jù)，灰度化并且通過(guò)中值濾波進(jìn)行圖像的平滑性處理，通過(guò)YoloV3[12]深度學(xué)習(xí)模型定位瞳孔區(qū)域(長(zhǎng)方形或正方形)，提取正方形或長(zhǎng)方形的對(duì)角線交點(diǎn)作為瞳孔中心的粗略位置；

(2)通過(guò)迭代法，求取合適的二值化閾值，將眼部圖像二值化。利用中值濾波平滑二值化后的瞳孔邊緣，再通過(guò)掃描線算法按序填充瞳孔內(nèi)部的空洞區(qū)域；

(3)從粗略估計(jì)的瞳孔中心出發(fā)每15°向外發(fā)出一條射線，通過(guò)星射線法提取瞳孔的邊緣點(diǎn)；通過(guò)計(jì)算相鄰兩點(diǎn)間連線的斜率，剔除遮擋條件下的偽邊緣點(diǎn)。

(4)最后利用最小二乘法將剩余的邊緣點(diǎn)進(jìn)行橢圓擬合，通過(guò)計(jì)算擬合后的橢圓與真正邊緣點(diǎn)之間的距離，對(duì)瞳孔中心的位置進(jìn)行修正。

2 算法原理

2.1 圖片預(yù)處理

紅外攝像頭采集到的眼部圖像為RGB彩色圖像，RGB彩色圖像是由3種不同的顏色成分組合而成，分別為紅色、綠色和藍(lán)色?；叶葓D像，也稱為灰階圖像，圖像中每個(gè)像素可以通過(guò)從0(黑色)到255(白色)的亮度值表示。不同的亮度值表示不同的灰度級(jí)。為了方便后續(xù)的處理，需要將RGB圖像轉(zhuǎn)化為灰度圖像。本文采用式(1)，將RGB圖像轉(zhuǎn)化為灰度圖像

Gray(i,j)=R(i,j)*0.299+
G(i,j)*0.587+B(i.j)*0.114

(1)

式中：Gray(i,j) 為像素(i,j)的灰度值；R(i,j)，G(i,j)，B(i,j) 分別為像素(i,j)的紅色、綠色和藍(lán)色的像素值。

拍攝的眼動(dòng)圖像中，不可避免存在睫毛的干擾，為此選用中值濾波減弱睫毛的影響[13]。中值濾波是一種非線性濾波，將每一個(gè)像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值。當(dāng)中值濾波模板過(guò)大時(shí)，會(huì)增加系統(tǒng)運(yùn)行時(shí)間，當(dāng)模板過(guò)小時(shí)，濾波效果不明顯。本文采用1*7的中值濾波模板，如圖2所示。

圖2 中值濾波模板

2.2 瞳孔區(qū)域檢測(cè)

近年來(lái)，基于目標(biāo)檢測(cè)的深度學(xué)習(xí)模型成功應(yīng)用于各個(gè)領(lǐng)域。本文采用YoloV3深度學(xué)習(xí)模型檢測(cè)瞳孔區(qū)域，與R-CNN[14]、Fast-R-CNN[15]、Faster-R-CNN[16]、YoloV2[17]相比，YoloV3在檢測(cè)速度與檢測(cè)精度方面具有較好的綜合性能。YoloV3是一種端到端的開(kāi)源目標(biāo)檢測(cè)算法，它的核心思想是將目標(biāo)識(shí)別問(wèn)題轉(zhuǎn)化為回歸問(wèn)題，在保證準(zhǔn)確率較高的前提下實(shí)現(xiàn)了目標(biāo)的快速識(shí)別。YoloV3采用基于ResNet網(wǎng)絡(luò)進(jìn)行改進(jìn)的DarkNet-53網(wǎng)絡(luò)作為特征提取器，使其可以檢測(cè)較小的目標(biāo)物體。

本文通過(guò)遷移學(xué)習(xí)的方法，使用預(yù)訓(xùn)練模型作為基礎(chǔ)特征提取網(wǎng)絡(luò)，學(xué)習(xí)過(guò)程包括以下步驟：

(1)制作數(shù)據(jù)集；首先通過(guò)紅外攝像頭采集了3000張包含瞳孔的眼睛圖像，作為數(shù)據(jù)集并按照8∶1∶1的比例將數(shù)據(jù)集分成訓(xùn)練集、驗(yàn)證集、測(cè)試集，分別用于模型的訓(xùn)練、驗(yàn)證和測(cè)試過(guò)程。

(2)網(wǎng)絡(luò)參數(shù)的設(shè)置；整個(gè)過(guò)程一共進(jìn)行了10 000次迭代，其中批處理大小(batch)和分組(subdivision)分別設(shè)置為64和16，動(dòng)量(momentum)設(shè)置為0.9，初始學(xué)習(xí)率(learning rate)為0.001，并且在迭代次數(shù)達(dá)到6000和8000次時(shí)，學(xué)習(xí)率為0.0001和0.000 01。

迭代次數(shù)與損失函數(shù)的關(guān)系如圖3所示，圖3可以看出，在迭代至7000次左右的時(shí)候，損失函數(shù)在0.1上下浮動(dòng)，即達(dá)到理想效果。

圖3 平均損失變化曲線

本文通過(guò)YoloV3檢測(cè)到的瞳孔為一正方形或長(zhǎng)方形區(qū)域，當(dāng)瞳孔位于人眼不同的位置時(shí)，將呈現(xiàn)圓形或橢圓形，導(dǎo)致檢測(cè)到的區(qū)域?yàn)檎叫位蜷L(zhǎng)方形。如圖4所示，其中圖4(a)、圖4(b)、圖4(c)和圖4(d)中的方框分別為瞳孔中間、偏右、偏左遮擋和無(wú)遮擋情況下YoloV3檢測(cè)出來(lái)的區(qū)域框。圖4中的圖4(e)和圖4(f)分別為白斑在瞳孔邊緣處和瞳孔內(nèi)部的檢測(cè)結(jié)果。

圖4 基于YoloV3的人眼瞳孔區(qū)域檢測(cè)結(jié)果

2.3 眼部圖像二值化處理

瞳孔區(qū)域的像素值相對(duì)于其它區(qū)域的像素值較低，本文采用迭代法對(duì)眼部區(qū)域進(jìn)行二值化處理，通過(guò)選擇合適的閾值將瞳孔區(qū)域與其它區(qū)域分開(kāi)，算法步驟如下：

(1)求出瞳孔區(qū)域內(nèi)灰度的平均值，記為a，a為二值化的初始閾值；

(2)統(tǒng)計(jì)大于閾值a的像素平均值記為b，小于閾值a的像素平均值記為c；

(3)求出新閾值a=(b+c)/2；

(4)若第k+1次迭代時(shí)ak+1=ak， 則ak+1即為最終閾值；否則繼續(xù)執(zhí)行步驟(2)的操作。

通過(guò)迭代法可以得到圖像二值化的自適應(yīng)閾值，將圖4(e) 和圖4(f)進(jìn)行二值化，結(jié)果如圖5(a)和圖5(b) 所示。從圖5可以看出，二值化后的瞳孔區(qū)域，在邊緣處存在許多毛刺，而且在瞳孔內(nèi)部和邊緣存在由角膜反射引起的白斑(區(qū)域A)，圖5(a)為白斑在瞳孔邊緣處的二值化圖像，圖5(b)為白斑在瞳孔內(nèi)部的二值化圖像。本文通過(guò)中值濾波平滑瞳孔邊緣，并通過(guò)掃描線算法，填充瞳孔內(nèi)部的反射光斑。掃描線算法如下：

圖5 瞳孔區(qū)域二值化

(1)行填充：從左邊第一行開(kāi)始，記錄點(diǎn)pi1和點(diǎn)pi2， (i=1,2,3…n，n為圖片行數(shù))。其中點(diǎn)pi1為第i行第一個(gè)左邊像素值為255(白色)，右邊像素值為0(黑色)的記錄點(diǎn)；點(diǎn)pi2為第i行最后一個(gè)左邊像素值為0(黑色)，右邊的像素值為255(白色)。對(duì)兩點(diǎn)之間的白色區(qū)域進(jìn)行填充。

(2)列填充：從左邊第一列開(kāi)始，記錄點(diǎn)Li1和點(diǎn)Li2， (i=1,2,3…m，m為圖片列數(shù))。其中點(diǎn)Li1為第i列第一個(gè)上面像素值為255(白色)，下面像素值為0(黑色)；點(diǎn)Li2為第i列最后一個(gè)上面邊像素值為0(黑色)，下面的像素值為255(白色)。對(duì)兩點(diǎn)之間的白色區(qū)域進(jìn)行填充。

對(duì)圖5(a)、圖5(b)兩幅圖像分別用中值濾波和掃描線算法進(jìn)行處理，其二值圖像如圖6(a)、圖6(b)所示。圖6可以看出，瞳孔邊緣處的毛刺通過(guò)中值濾波后得到了有效的平滑。瞳孔內(nèi)部和邊緣處的反射光斑得到了填充。本文將在此基礎(chǔ)上進(jìn)行瞳孔邊緣點(diǎn)的提取。

圖6 平滑及孔洞填充后的瞳孔圖像

2.4 瞳孔邊緣點(diǎn)處理

本文采用星射線算法的思想提取瞳孔邊緣點(diǎn)，YoloV3檢測(cè)的瞳孔區(qū)域中心點(diǎn)為瞳孔粗定位的中心點(diǎn)C，以角度θ(0≤θ≤2π)， 每隔15°向外發(fā)出一條射線。設(shè)在射線上瞳孔邊緣點(diǎn)上的坐標(biāo)為pi(xi,yi)， 則點(diǎn)pi的坐標(biāo)如式(2)所示，其中xc和yc分別為C的橫坐標(biāo)和縱坐標(biāo)，li為點(diǎn)C與邊緣點(diǎn)pi之間的長(zhǎng)度。從圖6可知，瞳孔邊緣點(diǎn)處的像素值變化較大，由式(2)可以求得瞳孔的邊緣點(diǎn)pi(i=1,2…24)， 對(duì)圖4中的各種情況提取瞳孔邊緣點(diǎn)，結(jié)果如圖7所示，其中圖7(a)中的A、B、C、D、E，圖7(b)中的A、B、C、D，圖7(c)中的A、B、C、D以及圖7(f) 中的A點(diǎn)為偽邊緣點(diǎn)。因?yàn)閳D7(d)和圖7(e)中的瞳孔邊緣點(diǎn)不存在誤差，無(wú)需偽邊緣點(diǎn)檢測(cè)，圖7(f)所示的情況將在下文2.5節(jié)進(jìn)行偽邊緣點(diǎn)檢測(cè)。本文首先剔除圖7在遮擋條件下(圖7(a)、圖7(b)和圖7(c))的偽邊緣點(diǎn)，算法步驟如下所示

圖7 瞳孔邊緣點(diǎn)提取結(jié)果

(2)

(1)通過(guò)大量的眼部圖像數(shù)據(jù)可得，只存在上眼瞼遮擋。所以，首先提取出瞳孔下半部分的邊緣點(diǎn)；

(2)計(jì)算上半部分瞳孔邊緣相鄰兩點(diǎn)間連線的斜率hi(i=1,2…13)；

(3)由圖7(c)可以看出眼瞼遮擋處的邊緣點(diǎn)之間的連線較為平緩(偽邊緣點(diǎn)近似在一條直線上)且其相鄰兩條連線的斜率之差近似為0；

(4)設(shè)置閾值t，因?yàn)閮蓷l相鄰連線之間的斜率差近似為0，所以將t設(shè)置為0.1。當(dāng)點(diǎn)pi-1與點(diǎn)pi+1和pi之間的斜率之差小于閾值t時(shí)，則點(diǎn)pi為偽邊緣點(diǎn)。

通過(guò)以上算法逐步剔除眼瞼遮擋處的瞳孔邊緣點(diǎn)，將圖7(a)、圖7(b)和圖7(c)中的偽邊緣點(diǎn)剔除之后的結(jié)果如圖8(a)、圖8(b)和圖8(c)所示。

圖8 眼瞼遮擋處的偽邊緣點(diǎn)剔除

圖8(a)、圖8(b)和圖8(c)分別為其剔除相應(yīng)的遮擋邊緣點(diǎn)后的圖片。由以上方法提取到的瞳孔邊緣點(diǎn)為離散點(diǎn)，為了提取瞳孔的中心點(diǎn)，本文采用最小二乘法進(jìn)行橢圓擬合。在平面坐標(biāo)系中，橢圓方程一般可用平面坐標(biāo)系的幾何參數(shù)表示，橢圓方程如式(3)所示

Ax2+Bxy+Cy2+Dx+Ey+F=0

(3)

其中，A、B、C、D、E和F為待求參數(shù)，橢圓中心點(diǎn)為(Xc,Yc)，長(zhǎng)軸為a，短軸為b，如式(4)-式(5)所示

(4)

(5)

最小二乘法即實(shí)際的瞳孔邊緣點(diǎn)坐標(biāo)與擬合的橢圓之間的誤差平方和最小，來(lái)確定橢圓的各個(gè)參數(shù)，其目標(biāo)函數(shù)如式(6)所示

F(A,B,C,D,E)=

(6)

為了使式(6)最小，由極值原理(一階導(dǎo)為零)即可求得橢圓的各個(gè)參數(shù)，其中N為瞳孔邊緣點(diǎn)的個(gè)數(shù)。將圖4中的6種情況進(jìn)行第一次橢圓擬合，對(duì)應(yīng)結(jié)果如圖9中6幅圖所示，圖中的C點(diǎn)即為第一次橢圓擬合求得的瞳孔中心點(diǎn)。

圖9 第一次橢圓擬合

2.5 瞳孔中心的修正

由以上方法可以得到遮擋條件下的瞳孔中心點(diǎn)，但是當(dāng)白斑位于瞳孔邊緣(圖9(f))時(shí)，其邊緣點(diǎn)到第一次擬合后的橢圓距離較大，使得瞳孔中心定位的精度誤差較大。所以需要剔除由白斑引起的偽邊緣點(diǎn)，對(duì)瞳孔邊緣點(diǎn)進(jìn)行二次橢圓擬合，提高瞳孔中心的精度。本文通過(guò)以下算法剔除偽邊緣點(diǎn)：

(1)計(jì)算瞳孔邊緣點(diǎn)pi(xi,yi), (i=1,2…n) 到擬合的瞳孔橢圓之間的距離Di，由式(7)所示

Di=Axi2+Bxiyi+Cyi2+Dxi+Eyi+F

(7)

(2)設(shè)置閾值t，當(dāng)D大于閾值t時(shí)，則pi點(diǎn)為偽邊緣點(diǎn)，剔除點(diǎn)pi。通過(guò)大量的實(shí)驗(yàn)數(shù)據(jù)可得，當(dāng)t設(shè)置為0.1時(shí)可以較好地將誤差點(diǎn)分離出來(lái)。當(dāng)t過(guò)小時(shí)，容易將真實(shí)的邊緣點(diǎn)誤判為誤差點(diǎn)。當(dāng)t過(guò)大時(shí)，容易將偽邊緣點(diǎn)歸為真實(shí)的邊緣點(diǎn)。

由以上步驟，即可剔除邊緣點(diǎn)到第一次擬合后的橢圓距離較大的偽邊緣點(diǎn)，將剩余的瞳孔邊緣點(diǎn)，進(jìn)行第二次橢圓擬合，以此來(lái)提高瞳孔中心的精度，圖7(f)中的A點(diǎn)為偽邊緣點(diǎn)，點(diǎn)A距離真實(shí)的瞳孔邊緣距離較大，將點(diǎn)A剔除后其結(jié)果如圖10所示。

圖10 兩次橢圓擬合結(jié)果

圖10中C1和C2分別為其剔除誤差點(diǎn)前和剔除誤差點(diǎn)后的橢圓擬合所得的瞳孔中心點(diǎn)。兩次橢圓擬合后瞳孔中心坐標(biāo)的比較結(jié)果見(jiàn)表1。

表1 兩次橢圓擬合結(jié)果

3 實(shí)驗(yàn)結(jié)果分析

本文實(shí)驗(yàn)平臺(tái)為VS2019(Visual Studio 2019)，VS2019是windows平臺(tái)下的集成開(kāi)發(fā)環(huán)境。本文通過(guò)c++ 編程語(yǔ)言在VS2019平臺(tái)下編程實(shí)現(xiàn)。計(jì)算機(jī)系統(tǒng)配置中處理器為Intel(R) Core(TM) i5-6300 2.3 GHz，內(nèi)存為8 GB，GPU為GenForce GTX 970。獲取眼動(dòng)視頻圖像數(shù)據(jù)的紅外攝像機(jī)幀率為30 幀/s，紅外波長(zhǎng)為850 nm。

為了驗(yàn)證本文算法的魯棒性，采集了8名實(shí)驗(yàn)者的眼動(dòng)視頻圖像，圖片大小為960*540。其中3名實(shí)驗(yàn)者的實(shí)驗(yàn)結(jié)果如圖11所示，其中圖11(a)～圖11(c)為YoloV3檢測(cè)瞳孔區(qū)域后的結(jié)果，圖11(d)～圖11(f)為瞳孔邊緣點(diǎn)提取及偽邊緣點(diǎn)剔除后的結(jié)果，圖11(g)～圖11(i) 為擬合后的橢圓以及提取的瞳孔中心點(diǎn)(C點(diǎn))。

圖11 3名不同實(shí)驗(yàn)者的人眼圖像結(jié)果

從圖11可以看出，本文算法可以較好地適用不同的個(gè)體，具有較好的魯棒性。為了驗(yàn)證本文算法在無(wú)眼瞼遮擋、眼瞼遮擋和白斑存在時(shí)的精度和有效性。將本文算法分別與文獻(xiàn)[18]、文獻(xiàn)[19]、文獻(xiàn)[20]進(jìn)行定性及定量對(duì)比，定性比較結(jié)果如圖12～圖14所示，圖中C點(diǎn)即為提取的瞳孔中心點(diǎn)。

文獻(xiàn)[18]基于Starburst方法進(jìn)行瞳孔邊緣點(diǎn)檢測(cè)，由圖12和表2得，在無(wú)眼瞼遮擋的情況下，可以較好檢測(cè)出瞳孔中心，但是，當(dāng)眼瞼遮擋和白斑存在時(shí)，存在誤差。文獻(xiàn)[19]算法，首先去除了白斑區(qū)域，通過(guò)Canny邊緣檢測(cè)，得到瞳孔邊緣點(diǎn)，再通過(guò)隨機(jī)抽樣一致性算法進(jìn)行橢圓擬合。由圖13和表3可得，當(dāng)白斑存在時(shí)可以較好檢測(cè)出瞳孔中心點(diǎn)，但是當(dāng)眼瞼遮擋時(shí)，誤差較大。文獻(xiàn)[20]通過(guò)星射線算法，提取了部分角度的瞳孔邊緣點(diǎn)，同時(shí)每組選取5個(gè)點(diǎn)進(jìn)行橢圓擬合，尋找到最優(yōu)橢圓。由圖14和表4可得，當(dāng)遮擋存在時(shí)可以較好5檢測(cè)出瞳孔中心點(diǎn)，但是當(dāng)白斑存在時(shí)，存在明顯誤差。無(wú)遮擋條件下本文算法與其它文獻(xiàn)結(jié)果比較如圖12所示。

圖12 無(wú)眼瞼遮擋實(shí)驗(yàn)對(duì)比結(jié)果

各個(gè)算法求得的瞳孔中心坐標(biāo)與標(biāo)準(zhǔn)坐標(biāo)比較見(jiàn)表2。

表2 無(wú)眼瞼遮擋檢測(cè)誤差對(duì)比

在白斑干擾情況下，本文算法與其它文獻(xiàn)算法對(duì)比結(jié)果如圖13所示。

圖13 存在白斑實(shí)驗(yàn)對(duì)比結(jié)果

各個(gè)算法求得的瞳孔中心坐標(biāo)各個(gè)算法求得的瞳孔中心坐標(biāo)與標(biāo)準(zhǔn)坐標(biāo)比較，見(jiàn)表3。

表3 存在白斑條件下的誤差對(duì)比

在遮擋條件下本文算法與其它文獻(xiàn)算法對(duì)比結(jié)果如圖14 所示。

為了驗(yàn)證本文算法的精度，將圖14中遮擋條件下的瞳孔中心點(diǎn)C和瞳孔中心點(diǎn)的標(biāo)準(zhǔn)坐標(biāo)進(jìn)行比較，結(jié)果見(jiàn)表4。

圖14 上眼瞼遮擋實(shí)驗(yàn)對(duì)比結(jié)果

表4 上眼瞼遮擋條件檢測(cè)誤差對(duì)比

由以上結(jié)果可以看出，在無(wú)遮擋和白斑干擾時(shí)，都可以較好的檢測(cè)出瞳孔中心點(diǎn)。但是當(dāng)遮擋和白斑存在時(shí)，本文算法擬合出的瞳孔橢圓，更接近真實(shí)的瞳孔邊緣，求得的瞳孔中心點(diǎn)與標(biāo)定的瞳孔中心點(diǎn)之間的誤差更小，精度更高。

本文算法與其它文獻(xiàn)的速度比較見(jiàn)表5。因?yàn)楸疚乃惴ㄍㄟ^(guò)深度學(xué)習(xí)模型進(jìn)行了瞳孔區(qū)域的檢測(cè)，所以本文算法的時(shí)間復(fù)雜度比文獻(xiàn)[18]的時(shí)間復(fù)雜度略高。

表5 瞳孔定位速度對(duì)比

本文對(duì)拍攝得到的320幅清晰圖片進(jìn)行了實(shí)驗(yàn)，其中100幅圖片存在眼瞼遮擋，70幅圖片存在白斑遮擋，150幅圖片不存在眼瞼遮擋和白斑遮擋。本文算法的穩(wěn)定性(成功檢測(cè)出瞳孔中心的圖像數(shù)量與總的圖像數(shù)量的比值)，結(jié)果見(jiàn)表6。

表6 算法穩(wěn)定性對(duì)比

綜上所述，本文算法的魯棒性較好。在遮擋和白斑存在時(shí)相較于其它算法，誤差更小，檢測(cè)出的瞳孔中心更接近真實(shí)的瞳孔中心。本文算法的綜合性能(速度、精度和穩(wěn)定性)優(yōu)于其它算法，可以廣泛應(yīng)用于不同的實(shí)驗(yàn)個(gè)體。

4 結(jié)束語(yǔ)

本文提出了一種由粗及精的瞳孔中心定位算法。該算法通過(guò)YoloV3深度學(xué)習(xí)模型粗定位瞳孔中心，通過(guò)瞳孔橢圓參數(shù)修正，逐步精確瞳孔中心。該算法依次減弱了眼瞼遮擋、睫毛遮擋和白斑干擾存在情況下，對(duì)提取瞳孔中心點(diǎn)所造成的誤差。實(shí)驗(yàn)結(jié)果表明，在眼瞼遮擋、睫毛遮擋和白斑干擾存在的情況下，本文算法提取的瞳孔中心點(diǎn)的精度、實(shí)時(shí)性和魯棒性較好。

如何檢測(cè)實(shí)驗(yàn)者在戴眼鏡情況下的瞳孔中心以及提高檢測(cè)速度是本文下一步的研究工作。