陈静瑜，林丽媛，刘冠军，王 颖

(天津科技大学电子信息与自动化学院，天津300222)

随着5G时代的到来，中国制造2025的战略方针推进速度越来越快[1]．在创新驱动、信息技术的推动下，人机交互也迅速成为研究热点．瞳孔作为重要的生理参数，伴随瞳孔定位追踪技术不断发展[2]，瞳孔定位的执行速度、准确性和鲁棒性受到更多关注．

瞳孔定位方法大致可以分为基于灰度的阈值分割[3-4]、基于Hough变换的椭圆检测[5-10]、基于机器学习的分割算法[11-14]和基于深度学习的分割算法[15-17].从Daugman提出Hough变换为圆形边缘探测器，对瞳孔与虹膜边缘进行检测，以及Wildes[5]应用边缘检测和霍夫变换得到虹膜边界开始，研究者一直不停探索更加精确高效的定位方法．Timm等[6]提出通过梯度精确定位眼睛中心，即中心(半)循环模式的大多数图像梯度相交的位置为眼睛中心，但是该方法容易受眉毛和鬓角的干扰．Basit等[7]提出虹膜图像中的非圆形瞳孔定位，即将瞳孔的圆形边界分成一定数量的点，根据这些点的最大梯度重新定位，结合成非圆形边界得到瞳孔精确定位．Markuša等[13]提出了一种基于随机化回归树集合的瞳孔定位方法，该方法准确率高，但对于处理眉毛和鬓角的干扰依然存在一些问题．基于机器学习的瞳孔定位方法[14]对于采集环境要求较高，能够在眼睑、睫毛遮挡、非均匀照明、自然低光等情况下进行较准确的瞳孔分割．随着深度学习和迁移学习的不断发展，Choi等[15]在2019年提出使用异构卷积神经……