一種基于ALO優化和圖像梯度的瞳孔中心定位算法

王晶儀 王艷霞 朱原雨潤 張領

摘要：眼動追蹤的應用很廣泛，而瞳中心孔定位是眼動跟蹤中的一項基本任務?；趫D像梯度的瞳孔中心定位算法比較精確，但是難以在精度和速度之間取得平衡，因此使用ALO優化算法對其改進，在保證精度的同時，大幅提升其算法速度。經過實驗證明，改進之后的算法，對于一張32×24大小的圖片，其瞳孔中心定位速度由4秒提升到1秒以內，中心點平均誤差在1.2個像素差左右。

關鍵詞：ALO算法;圖像梯度;瞳孔定位;眼動追蹤;眼球中心

中圖分類號：TP301? 文獻標識碼：B

文章編號：1009-3044（2022）17-0086-03

眼動跟蹤一直是個值得研究的領域，它有著廣泛的應用，如自閉癥譜系障礙早期診斷[1]，利用自閉癥兒童與普通兒童不同的注視模式，可以進行自閉癥兒童的輔助診斷。人機交互[2]方面，通過眼睛操作虛擬現實場景或游戲，既可以減緩眼睛的疲勞，又可以通過捕捉用戶注視點，增強注視點區域圖像，從而呈現出高質量圖像，提升用戶體驗。神經學營銷[3]領域，追蹤顧客視線的移動軌跡，可以發現顧客對什么產品更感興趣。疲勞駕駛檢測[4]領域，及時跟蹤判斷駕駛員的視線注意力情況，連續提醒駕駛員預防疲勞駕駛。可見眼動追蹤的應用領域十分廣泛，而瞳孔中心定位是眼動跟蹤的基本任務，具有很高的研究價值。

在瞳孔中心定位領域中，Daugman等人[5]提出了一種利用圖像梯度進行精確和穩定的瞳孔中心定位的方法，后文簡稱MOG瞳孔中心算法。該方法給出了一個只包含點積的目標函數，這個函數的最大值對應于大多數圖像梯度向量相交的位置，由此確定眼睛的中心。

MOG算法精度很高，但是計算量大，對于每個像素，都需要計算其目標函數值。因此，本文使用ALO優化算法[6]（antlion optimization）對其進行改進。ALO算法即蟻獅算法，是2015年被人提出來的一種仿生優化算法，具有全局優化、調節參數少、收斂精度高、魯棒性好的優點，已被應用到SVM[7]、Elman神經網絡[8]等場合。經過驗證，將ALO優化算法與MOG瞳孔中心算法結合，可以大幅提升定位算法速度，同時也保持了算法的精確度。

1相關技術

1.1 圖像梯度

圖像的梯度是指圖像某像素點在[x]和[y]兩個方向上的變化率，假設有一幅圖像[f]，且[f（x，y）]是像素點[（x，y）]的灰度值，那么點[（x，y）]在[x]方向和y方向的梯度分別為：

[gx=?f（x，y）?x=fx+1，y-f（x，y）]? ? ? ? ? （1）

[gy=?f（x，y）?y=fx，y+1-f（x，y）]? ? ? ? ?（2）

其中，點[（x，y）]的梯度向量就是[（gx，gy）]。

1.2 MOG瞳孔中心算法

MOG瞳孔中心算法給出了一個用于確定瞳孔中心的適應度函數，適應度最大的像素點就是瞳孔中心。其算法原理如下：假設有人眼圖片中有一個圓形的虹膜，首先在圖像中取2個坐標點：[o]和[xi]，其中點[o]是假設的瞳孔中心點，點[xi]是虹膜邊緣上的點，如圖1所示。

其次計算兩個向量：[di]和[gi]，其中[di]是點[o]到點[xi]的向量，[gi]為點[xi]處的梯度向量。

[o=（x0，y0）]，[xi=（x1，y1）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

[di=xi-o=（x1-x0，y1-y0）]? ? ? ? ? ? ? ? ?（4）

[gi=（gx，gy）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

根據向量的點積公式可知，當兩個向量都是單位向量，那么它們的夾角[θ]越小，則點積值越大。[di]與[gi]兩個單位向量的點積如下所示。

[di?gi=digicosθ]? ? ? ? ? ? ? ? ? ? ? ? ? （6）

[di=xi-o∥xi-o∥2，?i：∥gi∥2=1]? ? ? ? ? ? ? （7）

如圖1（a）所示，當[di]與[gi]兩個單位向量方向不同，它們的點積值范圍是[[-1，1）];如圖1（b）所示，當它們方向相同（即夾角為0°），則點積為最大值1，而此時點[o]恰好是正確的圓心點。因此，可以通過計算[di]與[gi]向量的點積來求取最優圓心點。

又因為與鞏膜、皮膚相比，瞳孔通常是暗的，因此將每一個像素點的亮度權值[wc]融入目標函數中，當某像素點灰度值越小（圖像越暗），[wc]取值越大。最終，瞳孔中心的適應度函數如下所示，當某個像素點的適應度最大時，就是瞳孔中心點。

[C=1Ni=1Nwc（dTigi）2]? ? ? ? ? ? ? ? ? ? ?（8）

[wc=255-fx，y]? ? ? ? ? ? ? ? ? ? ? ? ?（9）

1.3 ALO優化算法

ALO算法包含以下幾個角色：螞蟻，蟻獅，精英蟻獅。螞蟻表示嘗試解，蟻獅表示局部最優解，精英蟻獅表示全局最優解。螞蟻圍繞蟻獅隨機走動，還會因為陷阱會滑向蟻獅。在每次螞蟻隨機走動之后，根據螞蟻和蟻獅的適應度大小來更新蟻獅。每輪迭代完成會選取適應度最優的蟻獅作為精英蟻獅，這樣可以避免陷入局部最優解。通過不斷地迭代，在局部最優解附近尋找更優解，最后得到一個比較精確的全局最優解。

2基于ALO優化的MOG瞳孔中心算法

在MOG瞳孔中心定位算法中，需要求解最大值的目標適應度函數是公式（8），解空間是圖像中的像素坐標范圍[（x，y）]。使用ALO算法對其進行求解，首先初始化螞蟻、蟻獅的坐標，使用輪盤賭算法讓每一只螞蟻隨機選擇一只蟻獅進行隨機游走，蟻獅的適應度越大，被選擇的概率越大。然后通過隨機游走函數[Xt]確定螞蟻隨機游走的步數集合。

[w=-1， 0

[Xt=i=0tw]? ? ? ? ? ? ? ? ? ? ? ? ? （11）

其中t是迭代的輪次，[r]是0到1之間的隨機數。

確定游走步數集之后，還要根據蟻獅的陷阱范圍確定其游走范圍。蟻獅的陷阱范圍只與當前迭代次數有關，隨著迭代次數的增加，陷阱比例逐漸減小，螞蟻隨機游走的范圍也會逐漸減小，這里將陷阱比例I改為如下公式。

[I=0.8，? ? ? ? ? ? ? ? ? t<0.5T0.6，? ? 0.5T≤t<0.6T0.4，? ? 0.6T≤t<0.7T 0.3，? ? 0.8T≤t<0.9T 0.2，? ? ? ? ? ? ? ? ? t≥0.9T]? ? ? ? ? ? ? ? ? ? ? ? ? ?（12）

其中[T]為算法迭代輪次總數。

螞蟻在選擇的蟻獅陷阱內隨機游走的坐標范圍如下公式：

[cti=antliontj+c×I]? ? ? ? ? ? ? ? ? ? ? （13）

[dti=antltontj+d×I]? ? ? ? ? ? ? ? ? ? （14）

其中，[c]是坐標取值范圍的最小值，[d]是坐標取值范圍的最大值，[I]是陷阱比例，[cti]是第[t]輪第[i]個螞蟻坐標取值范圍的最小值，[dti]是第[t]輪第[i]個螞蟻坐標取值范圍的最大值，[antliontj]是第[t]輪第[i]個螞蟻選擇的蟻獅坐標位置。

得到游走步數和游走范圍之后，就可以計算螞蟻的具體游走坐標。為了防止螞蟻游走到坐標范圍之外，因此還需要通過以下公式對游走坐標進行規范化。

[Rti=Xti-Xmini×（Xmaxi-cti）（dti-Xmini）+cti]? ? ? ? ? ? ? （15）

其中，[Xti]是第[t]輪第[i]個螞蟻隨機游走的步數，[Xmini是]第[i]個螞蟻隨機游走步數集合中的最小值，[Xmaxi是]第[i]個螞蟻隨機游走步數集合中的最大值。

螞蟻的游走范圍還會受到精英蟻獅的影響，要算出螞蟻圍繞選擇蟻獅和精英蟻獅的隨機游走坐標，取其平均值得到螞蟻最終的游走坐標。

[Antti=RtA+RtE2]? ? ? ? ? ? ? ? ? ? （16）

其中[RtA]是第[i]個螞蟻第[t]輪繞著輪盤賭選擇的蟻獅隨機游走的位置，其中[RtE]是第[i]個螞蟻第[t]輪繞著精英蟻獅隨機游走的位置，[Antti]是第[i]個螞蟻第[t]輪的最終像素坐標。

2.1算法流程偽代碼

N： 種群數量; dim： 解的維度;

t： 當前迭代次數; T： 最大迭代次數;

ant： 螞蟻的坐標;antlion： 蟻獅的坐標; elite： 精英蟻獅坐標

antlion_finess： 蟻獅適應度值; elite_fitness： 精英蟻獅適應度值

根據適應度函數公式（8）計算第一代蟻獅的適應度值并按降序排序

elite更新為適應度最大的蟻獅

while t

for i = 1∶N

根據蟻獅適應度值，螞蟻使用輪盤賭方法選擇蟻獅，

根據公式（10）～（15）計算螞蟻圍繞被選中蟻獅的隨機游走的坐標

根據公式（10）～（15）計算螞蟻圍繞精英蟻獅隨機游走的坐標

根據公式（16）更新螞蟻最終的游走坐標

計算螞蟻游走后的適應度值并與上一代蟻獅合并，并按適應度按降序排序

選擇適應度值最大的前 N 個個體為當代蟻獅種群antlion

if antlion_finess（ 1）elite_fitness = antlion_finess（ 1）

end if

t++

end while

3實驗結果及分析

為了驗證本研究改進的算法的速度提升和準確度可靠性，在一臺Intel（R） Core（TM） i5-9300H2.40 GHz16GB的PC機上進行實驗。使用20張眼睛圖像進行實驗，每張圖片大小為32×24像素。首先使用原始的MOG瞳孔中心算法計算出每張圖片的瞳孔中心坐標，如圖3所示，每張圖片適應度最大的點就是瞳孔中心點。

然后使用基于ALO改進的梯度相應定位算法對其進行中心點計算，實驗結果如表1所示。在以下的參數設置中，最短運行時間為542ms，其誤差為1.363像素;最長運行時間為792ms，其誤差為1.072像素。而原始的MOG瞳孔中心算法對于一張32×24的圖片計算需要3800ms?？梢娛褂肁LO優化算法改進之后，在速度上得到了很大的提升，同時也保持了瞳孔中心定位的精確性。

4結論

本文將ALO優化算法應用基于梯度響應的瞳孔定位算法，進行瞳孔中心適應度函數尋優，可以提升定位速度，同時保證其精確度?？梢詫⒁粡?2x24圖片的定位速度由3.8秒減少到0.6秒左右，誤差只有1.2個像素點左右，定位速度快而且較為精確。但是對于包含了眼睛、眉毛的圖片，由于定位算法和優化算法二者本身的局限性，容易陷入局部最優解，還有待改進。

參考文獻：

[1] SolovyovaA，DanylovS，OleksiiS，etal.Earlyautism spectrum disorders diagnosis using eye-tracking technology[J].arXiv preprint arXiv：2008.09670，2020.

[2] Clay V，K?nigP，K?nigS.Eye tracking in virtual reality[J].Journal of Eye Movement Research，2019，12（1）：10.

[3] MustikawanA，SwastyW，Naufalina F E.Utilization of eyetracking technolog yindesign and marketing decisionmaking[J].ASEAN Marketing Journal，2021，13（2）.

[4] S A，MBA，DS，etal.Drowsydriver detection using eye-tracking through machine learning[C]//2021 Second International Conference on Electronics and Sustainable Communication Systems （ICESC）.August4-6，2021，Coimbatore，India.IEEE，2021：1916-1923.

[5] Timm F，Barth E.Accurate eye centrelocalisation by means of gradients[J].Visapp，2011，11： 125-130.

[6] MirjaliliS.The ant lion optimizer[J].Advances in Engineering Software，2015，83：80-98.

[7] 趙世杰，高雷阜，于冬梅，等.帶混沌偵查機制的蟻獅優化算法優化SVM參數[J].計算機科學與探索，2016，10（5）：722-731.

[8] 崔東文，王宗斌.基于ALO-ENN算法的洪災評估模型及應用[J].人民珠江，2016，37（5）：44-50.

收稿日期：2022-02-15

作者簡介：王晶儀（1996—），江蘇無錫人，碩士研究生，研究方向為深度學習，語義分割，眼動追蹤;王艷霞，山東青島人，副教授，研究方向為計算機視覺，深度學習，膜計算;朱原雨潤（1997—），河南焦作人，碩士研究生，研究方向為深度學習，微表情識別;張領（1995—），湖北黃岡人，碩士研究生，研究方向為深度學習，表情識別。