Feature-based 方法與 Model-based 方法的比較

一般的眼動儀系統的虹膜定位與追蹤方法通常可以分為兩個種類，一、

Feature-based 方法，二、Model-based 方法。在本眼動儀系統的核心方法選用上，

我們使用了 Model-based 的方法來找出虹膜中心座標，但在模型參數計算的部分 則是選擇了 Feature-based 的方法來進行一開始的定位。因此本節將先對於這兩個 類型的方法做出簡介與分析，分別針對它們的優缺點與適用情境進行介紹。並對 於幾種現有虹膜定位的相關演算法進行分析作為模型參數計算方法的參考。

A. Feature-based 方法

Feature-based 方法通常是對於常使用的眼睛特徵(如邊緣特徵、梯度特徵、等 光強線特徵等)進行區域的判斷與抽取，再對於抽取出的特徵以圓形或橢圓形進行 擬合以擷取出近似虹膜的形狀。常見的邊緣特徵抽取方法如 Canny 運算子[18]、

索貝爾運算子(Sobel Operator)[29]等，如圖 2-2[12][13]即為由 Canny 運算子所抽 取出的邊緣特徵，在兩張圖的圖中央的位置皆可以看出具有虹膜邊緣形狀的白色 特徵點。

圖 2-2 Canny 運算子抽取的邊緣特徵圖[12][13]

但是這樣單純的的特徵抽取方法通常會同時抽取到眼瞼、眼角或是虹膜內反 光區域的形狀，所以光靠這個方法通常不足以取得明確的虹膜特徵。因此多數方

法會在特徵抽取後加上其他演算法來去除錯誤特徵，而這些演算法的判斷方法或 其設置的參數會決定性的影響最後的結果。因此在 Feature-based 的方法中，最大 的缺點就是特徵抽取的正確性及穩定性問題與參數調整問題。對於不同的光源環 境、眼睛型態，難以穩定地找到充足且正確的虹膜特徵點或是系統參數。

距離濾波方法(Distance Filter)[12]就是濾除錯誤特徵點的方法之一，距離濾波 是以某個基準點為標準，將與其距離太近或太遠的值直接濾除(圖 2-3[12])。這個 方法的效果將取決於基準點的訂定與濾除點的數量。距離濾波必須要濾除足夠的 數量點才有機會在最後的擬合圓階段得到好的結果，但由於基準點的訂定無法完 全位於虹膜中心，因此濾除的數量點必須能包含基準點偏移造成的距離誤差。由 於濾除數量的誤差將會決定性的影響此方法的結果，難以保證方法穩定。

在去除錯誤特徵的方法中，也有一些是使用 RANSAC(隨機抽樣一致演算法) 來濾除錯誤的特徵點。首先，RANSAC 方法中會有一可調整控制參數的模型來描 述資料分布，這邊通常是指圓的模型，控制參數則為圓心座標及半徑。接著，隨 機選取一些資料點設定為內群並計算出最符合的模型參數。然後，再計算其餘點 是否符合模型，若符合則歸類為內群並記錄下內群的數量。將上述步驟進行多次

(a) (b)

圖 2-3 (a)為距離濾波方法前的影像(b)為方法使用後的影像[12]

疊代後，具有最多內群點的控制參數則為最終模型的參數。然而，RANSAC 的使

{

相對於 Feature-based 方法使用區域性的特徵判斷，Model-based 方法通常由 預設的形狀、模型公式全域性的對於整張圖進行匹配判斷，由投票或分類的方法 在有限的模型候選人中找出最佳解。因此在模型正確定義的前提下(模型能以數學 式明確且準確地描述出虹膜型態)，Model-based 方法通常能夠穩定地找出虹膜形 狀與位置。

但對於 Model-based 方法來說，困難的部分就在於模型的定義。在多變的光 源環境造成的反光點干擾、不同的眼睛與虹膜型態(不同拍攝方向與凝視角度)，

在文獻探討中曾提到 Daugman 的積分運算子方法。此方法是一個簡單的

此為簡易的 Model-based 方法中具代表性的一個方法，多個方法以此為基礎 延伸[16][24]。但假設一張圖片寬度為 w 高度為 h，因此在做積分時需要做 w*h*∆r (圖 2-5[17])。對於上述應用來說，Feature-based 方法是比 Model-based 方法具有 較優異的效能。主要是因為應用若只需定位概略位置，使用遞迴微調模型定義則 對此類影像帶來相當可觀的計算量，在實用上並不符合效益。

圖 2-5 眼睛佔影像面積小的範例圖[17]

在本系統的實驗環境中欲討論的是眼睛佔據主要的影像面積，對於不同的凝 視方向與角度都能夠準確的定位虹膜中心位置(圖 2-6)，以利於其後虹膜中心位 置映射至準確的螢幕凝視位置。考量到多變且複雜的虹膜形狀，Feature-based 方 法難以用圓形或橢圓形精準擬合，因此 Model-based 方法會是較好的選擇。但在 對於模型定義的選擇上，還是需要考慮到模型是否能明確描述出虹膜形狀與計算 效能是否符合實用性。

圖 2-6 眼睛佔影像面積大且準確定位