大多數商業眼睛注視跟蹤系統都是基于紅外光的使用。然而，這樣的攝像頭系統可能不在室外工作，或者可能具有非常有限的頭箱來工作。本文提出了一種基于非紅外的方法，用RGBD相機（在我們的例子中是Kinect）跟蹤一個人的眼睛注視。該方法采用離線構建的個性化三維人臉模型。為了檢測眼睛注視，我們的系統跟蹤虹膜中心和一組2D面部標志，這些標志的3D位置由RGBD相機提供。干擾器使用簡單的一次性校準程序來獲得個性化眼睛注視模型的參數。
我們將所提出的方法的性能與在相同圖像上僅使用RGB輸入的2D監控方法進行了比較，并發現直接使用Kinect的深度信息可以實現更精確的跟蹤。正如預期的那樣，所提出方法的結果不如基于紅外的方法的結果準確。然而，這種方法在即將推出的更好、更便宜的深度相機中具有實際應用的潛力。本研究的目的是比較三種適用于水下應用的相機校準方法：具有非線性DLT的靜態控制點； 具有非線性相機模型和束調整的移動棒； 屏蔽器具有非線性攝像機模型的運動板。
DVideo運動學分析系統用于水下數據采集。該系統由兩臺頻率為100Hz的監控攝像頭通用鎖定Basler相機組成，廣角鏡頭封裝在外殼中。在動態剛性桿測試（采集體積-4.5×1×1.5m3）中比較了這些方法的精度。非線性DLT的平均絕對誤差為6.19mm，棒校準的平均絕對偏差為1.16mm，使用8個控制點的2D板校準的平均誤差為1.20mm，使用16個控制點進行2D平面校準的平均平均絕對誤差是0.73mm。棒和2D平板相機校準方法的結果與工作體積中的剛體位置關聯較小，并且提供了比非線性DLT干擾屏蔽器更好的精度。魔杖和2D平板相機校準方法給出了類似且高度準確的結果，是水下3D運動分析的替代方法。
上一篇：監控干擾器對分辨率的影響
下一篇：檢驗攝像頭的光電編碼裝置
