Быстрый трекинг зрачка, основанный на исследовании гранично-ступенчатой модели изображения и многомерной оптимизации методом Хука-Дживса
Ключевые слова:
математические модели, детекторы, дескрипторы, окулография, айтрекинг, амиотрофический склероз, зрачок, Лапласиан-Гауссиана, метод Хука-Дживса, численная оптимизация, преобразование ХафаАннотация
Предлагается новый быстрый метод регистрации движения глаз в режиме реального времени на основе исследования гранично-ступенчатой модели полутонового изображения оператором Лапласиан – Гауссиана и нахождения нового предложенного дескриптора накопленных разностей (идентификатора точек), который отображает меру равноудаленности каждой точки от границ некоторой относительно монотонной области (например, зрачок глаза). Работа данного дескриптора исходит из предположения о том, что зрачок в кадре является наиболее округлой монотонной областью, имеющей высокий перепад яркости на границе, пиксели области должны иметь интенсивность меньше заранее заданного порога (но при этом зрачок может не являться самой темной областью на изображении). Учитывая все вышеперечисленные характеристики зрачка, дескриптор позволяет достичь высокой точности детектирования его центра и размера в отличии от методов, основанных на пороговой сегментации изображения, опирающихся на предположение о зрачке как наиболее темной области, морфологических методов (рекурсивная морфологическая эрозия), корреляционных или методов, исследующих только граничную модель изображения (преобразование Хафа и его вариации с двумерным и трехмерным пространствами параметров, алгоритм Starburst, Swirski, RANSAC, ElSe). Исследована возможность представления задачи трекинга зрачка как задачи многомерной оптимизации и ее решение неградиентным методом Хука –Дживса, где в качестве целевой функции выступает функция, выражающая дескриптор. При этом отпадает необходимость в вычислении дескриптора каждой точки изображения (составления специальной аккумуляторной функции), что значительно ускоряет работу метода. Проведен анализ предложенных дескриптора и метода, а также разработан программный комплекс на языке Python 3 (визуализация) и C++ (ядро трекинга) в лаборатории физико-математического факультета Камчатского государственного университета им. Витуса Беринга, позволяющий иллюстрировать работу метода и осуществлять трекинг зрачка в режиме реального времени.
Литература
2. Yang Zheng, Fu Hong, Li Rim, Lo Wai-Lun, Chi Zheru, Feng David, Song Zongxi, Wen Desheng. // Intelligent Evaluation of Strabismus in Videos Based on an Automated Cover Test. Applied Sciences. 2019.
3. Swirski. L. Bulling. A. Dodgson. N. Robust real-time pupil tracking in highly off-axis images. // Proceedings of the Symposium on Eye Tracking Research & Applications (ETRA). 2012. pp. 173–176.
4. Utaminingrum Fitri, Prasetya Renaldi, Arum Sari Yuita. Image Processing For Rapidly Eye Detection Based On Robust Haar Sliding Window. // International Journal of Elec-trical and Computer Engineering. 2017. vol. 07.
5. Durna Yilmaz, Ari Fikret. Design of a Binocular Pupil and Gaze Point Detection System Utilizing High Definition Images. // Applied Sciences. 2017. vol. 7. 498.
6. Грушко Ю.В. Аппаратно-программный комплекс аугментативной системы коммуникации на основе технологии Eyetracking. // Вестник КРАУНЦ. 2019. № 27:2. C. 55–73.
7. Bonteanu Petronela, Cracan Arcadie, Bonteanu Gabriel, Bozomitu Radu. A Robust Pu-pil Detection Algorithm Based on a New Adaptive Thresholding Procedure. // IEEE International Conference on e-Health and Bioengineering EHB. 2019.
8. Матвеев И.А. Методы и алгоритмы автоматической обработки изображений радужной оболочки глаза. Диссертация на соискание ученой степени доктора технических наук. 2014.
9. Bozomitu Radu, Pasarica Alexandru, Lupu Robert, Rotariu Cristi, Coca Eugen. Pupil detection algorithm based on RANSAC procedure. // International Symposium on Sig-nals, Circuits and Systems (ISSCS). 2017. pp. 1-4.
10. Li Dongheng, Winfield D., Parkhurst D.J. Starburst: A hybrid algorithm for video-based eye tracking combining feature-based and model-based approaches. // Paper Presented at the IEEE Computer Society Conference on Computer Vision and Pattern Recogni-tion. 2005. vol. 3. p. 79.
11. Fuhl Wolfgang, Santini Thiago, Kübler Thomas, Kasneci Enkelejda. ElSe: ellipse se-lection for robust pupil detection in real-world environments. // The Ninth Biennial ACM Symposium. 2016. pp. 123-130.
12. Mohammed Ghassan, Hong Bingrong, Alkazzaz Ann. Accurate Pupil Features Extrac-tion Based on New Projection Function. // Computing and Informatics. 2010. vol. 29. pp. 663-680.
13. Лукошков И.А., Артемова А.А., Белов Ю.С. Адаптивный алгоритм нахождения границ зрачка на изображении. // Научное обозрение. Технические науки. 2020. № 3. C. 19-23.
14. Матвеев И.А. Поиск центра радужки на изображении методом Хафа с двумерным пространством параметров. // Известия Российской академии наук. Теория и системы управления. 2012. № 6. С. 44-51.
15. Alkuzaay Maryim, Alshemmary Ebtesam. Towards Accurate Pupil Detection Based on Morphology and Hough Transform. // Baghdad Science Journal. 2020. vol. 17(2). pp. 583-590.
16. Ершов Е.И. Быстрое преобразование Хафа как инструмент анализа двумерных и трехмерных изображений в задачах поиска прямых и линейной кластеризации. Диссертация на соискание ученой степени кандидата физико-математических наук. 2018.
17. Bresenham J. Algorithm for Computer Control of a Digital Plotter. // IBM Syst. J. 1965. vol. 4, pp. 25-30.
18. Zongli Shi. Graphics Programming Principles and Algorithms. 2017.
19. Rafael C. Gonzalez, Richard E. Woods. Digital image processing 4th. 2019. 1104 c.
20. D. Marr, E. Hildreth. Theory of edge detection. // M.I.T. Psychology Department and artificial Intellegence Laboratory. 1980. pp. 187-217.
21. Ansari Mohd, Kurchaniya Diksha, Dixit Manish. A Comprehensive Analysis of Image Edge Detection Techniques. // International Journal of Multimedia and Ubiquitous En-gineering. 2017. vol. 12. pp. 1-12.
22. Robert Hooke, T.A. Jeeves. Direct Search Solution of Numerical and Statistical Prob-lems. // Westinghouse Research Laboratories, Pittsburgh, Pennsylvania. 1961.
23. Медынский М.М., Дьячук А.К. Численные методы оптимизации с использованием MAPLE 11: Учебное пособие. – М.: Изд-во МАИ-ПРИНТ. 2009.
24. Chinese Academy of Sciences Institute of Automation. Iris image database, version 4. URL: http://www.cbsr.ia.ac.cn/china/Iris20Databases20CH.asp. (accessed 2010).
25. Mompeán J., Aragón J.L., Prieto P.M. et al. Design of an accurate and high-speed bin-ocular pupil tracking system based on GPGPUs. // J Supercomput. 2018. vol. 74. pp. 1836–1862.
26. Ashraf Darwish. Bio-inspired computing: Algorithms review, deep analysis, and the scope of applications. // Future Computing and Informatics Journal. 2018. vol. 3. pp. 231-246.
Опубликован
Как цитировать
Раздел
Copyright (c) Юрий Васильевич Грушко, Роман Иванович Паровик
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).