面向真实场景下的实时眨眼检测：数据集、理论与实践
计算机视觉与模式识别
2019-12-19 v3
摘要
高效且实时的眨眼检测具有广泛应用，如欺骗检测、驾驶疲劳检测、人脸防伪等。尽管已有大量研究投入，其中多数聚焦于在受控室内条件下、具有相对一致受试者和环境设置来解决眨眼检测问题。然而，面向实际应用，真实场景下的眨眼检测更为必需且更具挑战。然而，据我们所知，此前尚未得到充分研究。本文关注这一研究课题。我们首先建立了一个标注的真实场景下眨眼数据集（即HUST-LEBW），包含673个眨眼视频样本（即381个正样本和292个负样本）。这些样本采集自无约束的电影，在人属性、人体姿态、光照条件、成像配置等方面存在剧烈变化。接着，我们将眨眼检测任务表述为时空模式识别问题。在使用SeetaFace引擎和KCF跟踪器分别定位与跟踪人眼后，提出了一种能够捕获多尺度时间信息的改进LSTM模型来执行眨眼验证。还提出了一种同时揭示表观与运动特征的特征提取方法。在HUST-LEBW上的实验揭示了我们所提方法的优越性与高效性。它也验证了现有眨眼检测方法在真实场景下无法取得满意性能。
引用
@article{arxiv.1902.07891,
title = {Towards Real-time Eyeblink Detection in The Wild:Dataset,Theory and Practices},
author = {Guilei Hu and Yang Xiao and Zhiguo Cao and Lubin Meng and Zhiwen Fang and Joey Tianyi Zhou and Junsong Yuan},
journal= {arXiv preprint arXiv:1902.07891},
year = {2019}
}