马启玮，韩慧妍，韩 燮，张增一

(1.中北大学 大数据学院，山西 太原 030051；2.西安电子科技大学 通信工程学院，陕西 西安 710100)

0 引 言

目前，瞳孔中心定位的方法一般分为两类：基于特征提取的方法和基于统计学习的方法[1-5]。基于特征提取的方法，主要是利用瞳孔区域的灰度特性来检测瞳孔中心。臧晶等[7]通过hough变换检测圆的方法和混合投影法定位瞳孔中心，但是由于hough变换在整个眼部图象上，计算量大，时间复杂度高，难以满足实时性的要求。而且随着人眼注视的位置不同，瞳孔会呈现出一种近似于圆的椭圆形状，因此该方法定位精度较低。余罗等[8]通过提取图像轮廓像素，随机选取6个点进行椭圆拟合得到瞳孔中心，但是该方法容易受到噪声影响，且其计算量大，难以满足实时性的要求。李擎等[9]提出了一种等距离补偿瞳孔的方法，提高了瞳孔中心定位的精度，但是当瞳孔遮挡过大时，无法精准定位。

基于统计学习的方法，将眼部图像作为输入数据，由训练好的模型直接检测得到瞳孔中心点坐标。Su Yeong Gwon等[10]基于SVM算法可以检测出某人戴眼镜情况下的瞳孔中心。张婉绮等[11]通过改进的SVM算法，对低质量的眼动图像也能产生较好的瞳孔中心定位效果。

由于眼部图像存在眼睑遮挡、睫毛遮挡以及角膜反射引起的白斑干扰等情况，使其提取难度增加。鉴于此，本文提出了由粗及精的瞳孔中心定位算法：首先通过YoloV3粗略定位瞳孔中心点，进而剔除瞳孔边缘点中的伪边缘点，逐步精确瞳孔中心。……