用于眨眼检测的实时人脸与关键点定位

巴甫洛夫式眨眼条件反射是神经科学领域用于测量我们日常生活中学习多方面特征的一项有力实验。为在实验中追踪眼睑运动，研究人员传统上采用电位计或肌电图。近来，计算机视觉与图像处理的运用免除了对这些技术的依赖，但现有方法仍需人工干预且速度不足以实现实时处理。本工作中，我们精心组合了一种人脸检测与关键点检测算法，以提供全自动眼睑追踪，并进一步对其加速，从而朝在线闭环实验迈出关键第一步。此类实验迄今尚未实现，有望为神经与精神疾患的运作机制提供重要洞见。基于广泛的文献检索，我们分析并评估了多种不同的人脸检测与关键点检测算法。两种算法被认定为最适用于眼睑检测：用于人脸检测的梯度方向直方图(HOG)算法与用于关键点检测回归树集成(ERT)算法。这两种算法已在GPU与CPU上加速，分别实现了1,753$\times$与11$\times$的加速比。为证明我们的眼睑检测算法之效用，我们提出一项研究假设并采用了成熟的神经科学实验：眨眼检测。我们的实验评估显示整体应用运行时间为每帧0.533毫秒，较顺序实现快1,101$\times$，且完全满足人类眨眼条件反射的实时要求，即快于每秒500帧。