面向时装秀场观看环境的远场非接触式眼动追踪与目标导向视觉注意分析框架

《Journal of Eye Movement Research》：Far-Field Non-Contact Eye Tracking for Visual Attention Analysis in Runway Viewing Environments

　　

传统眼动仪难以部署于时装秀场环境，因为其需要头部稳定、可穿戴设备、近距离相机或红外照明。本研究开发了一种远场非接触式眼动追踪框架和原型系统，用于使用标准相机测量秀场观看环境中的目标导向视觉注意。该框架整合了眼区归一化、三维（3D）注视估计、基于个体化单应性的注视点映射到场景平面、自适应滤波、基于DBSCAN（density-based spatial clustering of applications with noise，基于密度的带噪声应用空间聚类）的异常值去除和核密度估计（kernel density estimation, KDE）。在实验1中，16名参与者使用所提系统和EyeLink 1000 Plus完成受控校准网格基准。与EyeLink 1000 Plus相比，所提系统表现出较高的位置误差（A_pos：2.50±0.25° vs. 1.74±0.55°）和处理后输出空间精度指标较高值（A_spa：2.31±0.24° vs. 1.02±0.37°）。这些结果表征在校准基准几何下的端到端定位，并为后续兴趣区（area of interest, AOI）水平评估提供受控参考。在实验2中，独立样本16名参与者完成在2 m、4 m和6 m的指定右胸目标定位任务。AOI保留样本百分比分别为80.4%、97.3%和96.0%，注视密度图集中在预定义上半身目标区域。这些发现支持在测试模拟秀场观察协议下，无需颏托稳定化的远场距离目标导向AOI水平定位可行性。

研究背景方面，时装秀是当代创意产业中高度集中的视觉传播形式，通过布景、模特表演和空间配置传达品牌身份、文化价值与审美取向。位于秀场观察区的关键意见领袖（Key Opinion Leaders, KOLs）在审美评价和内容传播中处于核心位置，其视觉注意模式对理解时装秀信息传递和服装呈现具有商业与文化意义。传统KOL偏好研究主要依赖问卷和半结构化访谈等事后主观方法，难以重建现场观看中细粒度、逐时刻的视觉选择过程。眼动追踪可记录时间分辨的注视行为，客观表征外显视觉注意和信息采样模式。尽管眼动追踪已用于人机交互、营销和时尚零售等领域，但多依赖屏幕或模拟环境，直接针对现场秀场观察环境的实证研究仍有限。与此同时，基于外观的深度学习注视估计作为硬件密集方法的灵活替代，不依赖主动红外照明，而是从常规相机捕获的面部或眼部外观推断注视。已有研究涉及半监督地标检测、虹膜几何建模、跨主体外观去偏、跨域泛化和无校准网络摄像头估计等。Park et al. 显示，从普通图像估计的结构可解释眼关键点可为基于模型的注视估计提供稳健基础。远程眼动仪评估也表明，数据质量可随头位和采集几何变化，且不同研究在工作距离、测量程序和报告的眼动参数方面存在显著异质性。现有问题包括：KOL与影响者偏好研究常依赖回顾性自报，无法捕捉现场观看中的时间分辨视觉选择；现有眼动技术在测量精度、工作距离、参与者移动性、硬件需求和部署复杂度之间存在权衡，难以用于秀场观察环境；外观注视估计文献多聚焦注视方向或注视点估计与泛化，而将这些估计映射到可解释的场景级AOI仍是独立方法步骤；秀场观察需要纳入观察者与目标距离变化，并需基于服装或身体区域解释场景空间中的注视估计。基于这些限制，研究人员提出面向秀场观看环境目标导向视觉注意测量的远场非接触式眼动追踪框架。该框架整合四个核心模块：基于相机的眼图像采集与预处理；通过基于Park et al. 的堆叠沙漏网络（stacked hourglass network）与多阶段热图细化的三维（3D）注视估计；通过单应性（homography）场景坐标变换的注视到注视点（point of regard, POR）映射；使用自适应滤波、密度聚类和核密度估计（kernel density estimation, KDE）的注意分析与可视化。研究人员开发了实现该框架的原型系统，并通过两个实验评估：与EyeLink 1000 Plus进行受控校准后基准比较，以及在模拟秀场观察场景中的应用实验。主要贡献包括：提出远场非接触式眼动追踪框架，将基于外观的3D注视方向估计与个体化单应性平面注视到场景映射结合，用于标准相机的场景级AOI分析；设计专用注意分析管线，结合自适应One Euro滤波、DBSCAN（density-based spatial clustering of applications with noise，基于密度的带噪声应用空间聚类）异常值去除和KDE，将噪声POR序列转换为稳定、可解释的AOI级注视表示；将框架实现为具有实时可视化、参数配置和结构化数据导出的原型系统；提供应用特定实证评估，包括对商用红外眼动仪的受控校准后基准，以及在独立参与者样本中于2 m、4 m和6 m观看距离下的目标导向秀场观察实验。结果支持在测试模拟秀场观察条件下，远场非接触AOI级视觉注意测量的可行性，并为后续现场应用提供方法基础。

为开展研究，研究人员采用的关键技术方法可概括如下：使用标准RGB相机采集面部和眼区视频；采用dlib库提供的最大边际目标检测（maximum-margin object detection, MMOD）卷积神经网络（convolutional neural network, CNN）检测人脸，并用五点形状预测器定位眼角和鼻部；对眼区进行2D仿射对齐、对比度受限自适应直方图均衡化（contrast-limited adaptive histogram equalization, CLAHE）和强度归一化；采用基于Park et al. 的堆叠沙漏网络估计18个眼部关键点，以Soft-Argmax提取坐标并回归眼球半径，通过3D眼球模型非线性优化计算注视方向；以个体化单应性将注视方向映射到场景平面，并结合自适应One Euro滤波、DBSCAN和KDE生成AOI分析。样本队列来源：实验1纳入16名参与者，实验2纳入独立16名参与者，均通过大学和研究机构网络定向在线招募，并经过预注册筛选和资格标准评估。

研究结果保留原文小标题并浓缩如下。3.1 实验1：受控校准网格基准——结果。研究人员对EyeLink 1000 Plus和所提系统进行每参与者基准测试，并将像素测量统一到共同坐标系统后换算视角。所提系统平均A_pos为2.50±0.25°，EyeLink为1.74±0.55°，差异显著。处理后输出空间精度指标A_spa在所提系统中均值2.31±0.24°，EyeLink为1.02±0.37°，差异显著。目标级分析显示，A_pos的系统间差异并非空间均匀，随目标位置显著变化；A_spa的系统间差异则较一致，未检测到显著目标位置效应。尽管所提系统位置精度和空间精度低于实验室级EyeLink参考，其平均A_pos和A_spa仍处于低个位数视角范围，且参与者间变异相对较小，提示其在受控条件下保留有用的空间定位能力，尤其适用于在较宽AOI层面解释注视的应用。3.2 实验2：不同观看距离下的表现。6 m、4 m和2 m条件下平均AOI保留样本百分比分别为96.0%、97.3%和80.4%；参与者水平范围在6 m为84.9%–100.0%，4 m为88.1%–100.0%，2 m为54.6%–100.0%。2 m时处理后的POR样本被分类为off-target的数量为3681个中的746个，而4 m为3618个中的99个，6 m为3524个中的142个。Friedman检验显示观看距离对AOI保留样本百分比有显著影响；经Holm校正的配对Wilcoxon符号秩检验显示，6 m高于2 m，4 m高于2 m，6 m与4 m之间无显著差异。上body AOI分配百分比在三个观看距离间未检测到显著差异。KDE注视密度图显示，最高密度区域主要位于upper-body AOI，并集中于预定义右胸观察目标；这种空间集中见于6 m、4 m和2 m，尽管分布和AOI保留样本百分比在参与者和观看距离间存在变化。

讨论部分总结如下。实验1在固定3 m基准几何下，对完整RGB到场景注视映射管线的校准后目标定位性能进行了受控表征。所提系统位置误差高于EyeLink 1000 Plus，但平均误差仍处于低个位数视角范围，为后续应用导向AOI级评估提供研究特定性能参考。由于实验2使用2、4、6 m不同观看几何且未获得独立点级真值，实验1结果不应解释为这些条件的位置精度估计。性能差距与两种系统不同的传感和估计架构一致：所提框架从被动RGB图像经眼区归一化、注视方向估计、个体化场景映射和下游POR处理推导场景级POR，多阶段不确定性可传播到最终注视估计，限制精细注视点区分；因此实验2聚焦预定义解剖AOI定位而非精细点位置。实验2进一步考察应用导向AOI定位可行性：AOI保留样本百分比在6 m和4 m保持较高，在2 m下降，尽管2 m时AOI投影和角度范围最大，因此该下降不能由更小投影目标或更小AOI接受区域解释。2 m时off-target增加；可能相关因素包括单平面校准相对于变化深度导致深度依赖不匹配，以及目标运动相对于静态关键帧AOI导致投影边界更快偏离；但这些机制未被独立量化，不能唯一归因。三个距离中upper-body AOI占处理后注视样本最大百分比，KDE图高密度区一般集中于预定义右胸目标，上body AOI分配百分比无显著距离差异。由于参与者被明确指示注意右胸区域，这些分布主要反映系统定位指示视觉注意的能力，而非自发注意偏好；其与预定义目标的一致性支持框架在变化观察者到目标距离下进行AOI级注意测量的可行性。局限方面：实验1评估的是同一空间位置上的校准后新采集样本，而非留出空间泛化；未保留中间POR输出，无法回顾性计算未滤波或阶段特定精度、确切DBSCAN拒绝率和系统参数敏感性；也未保留每目标平均注视坐标或样本级POR，限制与传统平均位置偏移定义的直接比较。实验2使用7 m处单平面校准观察6、4、2 m目标，深度依赖映射不匹配未独立量化；固定DBSCAN半径和KDE带宽在不同距离代表不同投影身体比例，跨距离比较仍含处理参数成分；实验2缺乏独立逐帧点级注视真值，AOI保留样本百分比应解释为处理后AOI纳入度量。每实验各16名相对年轻参与者，未评估戴眼镜者和特定近视范围者。继承的眼区关键点网络在合成UnityEyes图像上训练，未用本研究的远场RGB记录微调或域适应，域不匹配贡献未独立量化。实验2无机械头稳定，但头位置和方向未独立测量，未量化头动容忍或POR鲁棒性。未来工作应保留样本级输出，评估独立空间目标或留出校准、多深度校准、深度感知场景映射、更大更多样样本，以及无限制现场秀场环境和多观察者同步追踪。

研究结论翻译：本研究开发了一种用于时装秀场环境视觉注意测量的远场非接触式眼动追踪框架。通过整合基于外观的3D注视方向估计、个体化场景映射和面向AOI的注意分析，该框架将RGB-based注视估计与可解释的场景级视觉注意测量连接起来。实验1在受控基准条件下表征了集成RGB到场景注视映射管线的操作性能。尽管所提系统在受控基准下较EyeLink 1000 Plus表现出更大的点级位置误差和更高的处理后输出A_spa值，所提系统仍将场景级定位维持在低个位数视角范围内，支持其预期用于更广泛AOI级分析。实验2进一步支持了在测试观看距离下目标导向AOI定位的可行性，尽管2 m时AOI保留样本百分比下降。总体而言，这些发现支持所提框架在当前模拟秀场观察条件下用于远场非接触AOI级视觉注意测量的可行性。未来工作应评估该框架在无限制现场秀场环境中的性能，包括连续平滑追踪和多观察者同步追踪。