第三章 高速眼動儀系統架構
3.2.2 Starburst Algorithm 介紹與存在問題
Starburst 演算法[33] 為在紅外光眼動儀上被大量使用的演算法，其核心 技術包含 Feature-based 與 Model-based 兩個部分 :
Feature-based 的方法在於利用影像中的一些重要資訊，例如紅外光拍攝 的眼睛影像，能夠得到清楚的瞳孔區域，再選取一個適當的門檻值，便能夠 將瞳孔與其他部分分離，此時僅需要計算幾何中心便能得到瞳孔中心座標，
也就是眼球的中心位置。
Model-based 的方法為利用瞳孔可能的形狀，如圓形或橢圓形，並在影 像中找尋適當的瞳孔或虹膜輪廓特徵，再將這些特徵代入適當的方程式(圓或 橢圓方程式)，經過不斷篩選這些特徵點，直到所有特徵代入方程式後，得到 的誤差達到容忍範圍內才停止，此時計算得到的圓形中心(橢圓中心)即為瞳 孔的中心位置，Starburst 演算法虛擬程式碼如表 3-1。
20
Starburst 演算法的流程共分為 2 個步驟:
步驟 I :
從眼球中的任一起始點 Pstart出發，選定使用 N 條射線由 Pstart向外延 展，每一條射線在向外延伸的同時，記錄連續 2 個像素亮度的絕對值，如果 絕對值大於門檻值，便停止向外延伸，並決定該點為特徵點 Pfeature，直到每 一條射線都停止前進。(如果超過搜尋範圍，也停止前進)
步驟 II :
從步驟 I 找到的各個特徵點為中心，重新對每一點 Pfeature再使用 N 條射線向外延展，但是延展的方向是朝著步驟 I 的起始點 Pstart方向延伸，並 同時記錄連續 2 個像素亮度的絕對值，如果絕對值大於門檻值便停止向外延 伸，並決定該點為特徵點，直到每一條射線都停止前進(如果超過搜尋範圍，
也停止前進)，最後將所找到的特徵點取幾何中心，令其為新的起始點 P’start
，
再重複步驟 I，直到 P’start，收斂為止。21
表 3-1 Starburst 演算法虛擬碼 Iterate
Stage 1:
Follow rays extending from the starting point Calculate intensity derivative at each point If derivative > threshold then
Place feature point Halt marching along ray
Stage 2:
For each feature point detected in Stage 1
March along rays returning towards the start point Calculate intensity derivative at each point
If derivative > threshold then Place feature point Halt marching along ray
Starting point = geometric center of feature points Until starting point converges
透過以上步驟，經過多次迭代，便能夠定位出瞳孔中心，發明 Starburst 演算法的作者提到，這個演算法不僅適用於紅外光下的眼睛影像，一般光源 下的眼睛影像也可適用，但經過我們的測試之後，一般光源環境下使用 Starburst 演算法，將造成中心點無法收斂的狀況，或收斂的結果非常糟糕。
以下是二個最主要的原因：
22
1.
黑眼球形狀不完整：一般光源下我們無法得到如紅外光影像清楚的瞳孔邊緣，僅能得到黑眼 球(虹膜)與眼白(鞏膜)間的邊緣影像(異色邊緣)，而瞳孔無論在那種情況下，
幾乎都不會被遮擋，因此形狀完整，邊緣對比度高，曲線平滑完整，而黑眼 球的形狀較容易受到外在因素(環境中的其他光源造成的反光點)影響，導致 破碎或不完整，因此在可見光的環境下使用 Starburst 演算法所找到的特徵點 錯誤率將會提高不少，導致計算得到的圓有所偏差，如果一般光源下的影像 邊緣完整，而且沒有反光點，那 Starburst 演算法將會是個強健的演算法。
2.
反光點不固定：紅外光眼動儀在紅外光不足的情況下，會提供額外的紅外光源進行補償，
雖然這些額外光源同樣在紅外光影像上產生反光點，但是額外光源的位置是 已知的，而且這些反光點不會出現在瞳孔上，因此是相對容易捕捉及去除的，
然而在一般光源下，儘管是單純的室內環境，光源的數量、位置以及大小皆 為無法預知的，因此處理更加困難，依照 Starburst 演算法只利用門檻值比較 延伸線上連續 2 個像素亮度的絕對值，影像中的反光點邊緣也有可能被選定 為特徵點，因此其穩定度是令人擔憂的。
23