Detección robusta de pupila en entornos no controlados

Abstract

En los sistemas de seguimiento de la mirada o eye tracking de tipo head-mounted la detección de pupila es un factor fundamental a la hora de estimar la dirección de mirada. A pesar de obtenerse buenos resultados en condiciones de laboratorio, esto no resulta sencillo en condiciones reales de uso debido a las numerosas complicaciones que surgen en dichos escenarios, tales como constantes cambios en la iluminación, reflejos, oclusiones y apariencia elíptica de la pupila etc. Por ello, es imprescindible disponer de algoritmos de detección de pupila robustos frente a dichas adversidades. Se presentan en este trabajo tres algoritmos de detección de pupila basados en buscar el punto de mayor contribución a la simetría radial de la imagen. En dos de ellos se incorporan dos etapas de refinado de centro para adaptar el método a pupilas de apariencia elíptica. La precisión en la detección es evaluada sobre un total de 225.569 imágenes de acceso público cuyo centro ha sido marcado de manera manual por los autores de las mismas. Los resultados son comparados con los obtenidos por el mejor de los algoritmos encontrados en la bibliografía.

In head-mounted eye tracking systems, the correct detection of pupil position is a key factor to estimate gaze direction. However, this a challenging issue when videos are recorded in real world conditions, due to many sources of noise presenting in such scenarios, like constant changes in illumination, reflections, occlusions and elliptic appearance of pupil etc. Thus, it is an indispensable prerequisite that the pupil detection algorithm must be robust against those challenging conditions. In this work, we present three pupil center detection methods based on searching the maximum contribution point to the radial symmetry of the image. Two different center refinement steps are incorporated in two of those algorithms with the aim to adapt the algorithms to images with highly elliptical pupil appearance. The performance of presented algorithms is evaluated on a data set consisting of 225569 annotated eye images from publicly available sources. Results are compared against the better algorithm found in bibliography.