EyeTrAES：基于自适应事件切片的细粒度低延迟眼动追踪
计算机视觉与模式识别
2025-07-11 v3 人机交互
摘要
近年来，由于眼动追踪技术在人机交互、虚拟和增强现实以及可穿戴健康等领域的广泛应用，它受到了广泛关注。传统的基于RGB相机的眼动追踪系统通常面临时间分辨率差和计算限制的问题，限制了其捕捉快速眼动的能力。为了解决这些局限性，我们提出了EyeTrAES，这是一种使用神经形态事件相机对表现出显著运动学方差的自然瞳孔运动进行高保真追踪的新方法。EyeTrAES的亮点之一是使用了一种新颖的自适应窗口/切片算法，确保在广泛的眼动模式范围内，事件帧内积累恰到好处的描述性异步事件数据。然后，EyeTrAES仅对来自单眼的累积事件帧应用轻量级图像处理函数，以执行瞳孔分割和追踪。我们表明，这些方法将瞳孔追踪保真度提高了6%以上，实现了约92%的IoU，同时延迟比竞争的纯事件眼动追踪替代方案[38]低至少3倍。我们进一步证明，EyeTrAES捕捉到的微观瞳孔运动在不同个体间表现出独特的差异，因此可以作为生物识别指纹。为了实现稳健的用户认证，我们使用由短期瞳孔运动学组成的滑动窗口（包含瞳孔位置、速度、加速度三元组）的新颖特征向量，训练了一个轻量级的每用户随机森林分类器。在两个不同数据集上的实验研究表明，基于EyeTrAES的认证技术可以同时实现高认证准确率（约0.82）和低处理延迟（约12ms），并显著优于多个SOTA竞争基线。
引用
@article{arxiv.2409.18813,
title = {EyeTrAES: Fine-grained, Low-Latency Eye Tracking via Adaptive Event Slicing},
author = {Argha Sen and Nuwan Bandara and Ila Gokarn and Thivya Kandappu and Archan Misra},
journal= {arXiv preprint arXiv:2409.18813},
year = {2025}
}
备注
32 pages,15 figures,