Вестник КРАУНЦ. Физ.-мат. науки. 2022. Т. 38. №. 1. С. 84–105. ISSN 2079-6641

Содержание выпуска

Read English Version US Flag

УДК 004.93, 004.94, 519.6

Научная статья

RAPID — модель быстрой регистрации и трекинга зрачка глаза с помощью модифицированного метаэвристического метода дифференциальной эволюции на основе уравнения Ферхюльста-Пирла

Ю.В. Грушко

Камчатский государственный университет имени Витуса Беринга, 683032, Петропавловск-Камчатский, ул. Пограничная, 4, Россия

E-mail: neuralpill@gmail.com

В работе предлагается модель быстрой регистрации и трекинга зрачка «RAPID» для устройств с ограниченным вычислительным ресурсом (слабые персональные компьютеры, смартфоны, встраиваемые системы на базе архитектуры ARM) с целью снижения стоимости технологии для индивидуального использования людьми с ограниченными возможностями и медицинскими учреждениями. В основу модели легла идея представления процесса видеоокулографии, как задачи многомерной глобальной оптимизации и ее решение метаэвристическим методом дифференциальной эволюции. Задача оптимизации (целевая функция) формализована, как поиск региона, наиболее полно аппроксимирующего зрачок в трёхмерном пространстве параметров – положение и приблизительный размер зрачка. Для рассматриваемой задачи оптимизации предложена модификация метода дифференциальной эволюции, в основе которого лежит процесс формирования генетических изоляций популяции решений в окрестностях всех локальных и глобальных экстремумов целевой функции, с последующим ростом наиболее приспособленной изоляции (рядом с глобальным экстремумом) и вырождением иных, в соответствии с дифференциальным уравнением Ферхюльста-Пирла. Данное поведение делает алгоритм поиска менее «жадным» и дает возможность корректно выделять зрачок из полного кадра. Разработанная модель трекинга может быть использована при разработке программных комплексов в задаче аугментативной коммуникации для пациентов с синдромами латерального-амиотрофического склероза или диплегии, на неспециализированных устройствах, а также в офтальмологических комплексах и инфракрасных-пупиллометрах.

Ключевые слова видеоокулография, дифференциальная эволюция, многомерная оптимизация, регион интереса, преобразование Хафа, модель Ферхюльста-Пирла.

DOI: 10.26117/2079-6641-2022-38-1-84-105

Поступила в редакцию: 15.02.2022

В окончательном варианте: 01.03.2022

Для цитирования. Grushko Y. V. RAPID — A model of fast eye pupil registration and tracking by a modified metaheuristic differential evolution method based on the Verhulst-Pearl equation // Вестник КРАУНЦ. Физ.-мат. науки. 2022. Т. 38. № 1. C. 84-105. DOI: 10.26117/2079-6641-2022-38-1-84-105

Конкурирующие интересы. Конфликтов интересов в отношении авторства и публикации нет.

Авторский вклад и ответсвенность. Автор участвовал в написании статьи и полностью несет ответственность за предоставление окончательной версии статьи в печать.

Контент публикуется на условиях лицензии Creative Commons Attribution 4.0 International
(https://creativecommons.org/licenses/by/4.0/deed.ru)

© Грушко Ю.В., 2022

Финансирование. НИР КамГУ им. Витуса Беринга, № AAAA-A19-119072290002-9.

Список литературы

  1. Oshorov A. V., Aleksandrova E. V., Muradyan K. R., Sosnovskaya O. Y., Sokolova E. Y., Savin I. A. Pupillometry as a method of monitoring photoreactivity in neuroresuscitation,Voprosy nejrohirurgii imeni N.N. Burdenko, 2021. vol. 85, no. 3, pp. 117–123 (In Russian).
  2. Kucalo A. L., Cimbal M. V., Homich D. S., Varenikov M. G., SHtejnberg N. V. Dynamic Pupillometry as a Screening Diagnostic Method for Industrial Toxicant Poisoning, Medicina ekstremal’nyh situacij, 2018. vol. 20, pp. 487–493, (In Russian).
  3. Logroscino Giancarlo et. al. Global, regional, and national burden of motor neuron diseases 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016, The Lancet Neurology, 2018. vol. 17, pp. 1083–1097.
  4. Tkachenko E. S., Goleva O. P., Shcherbakov D. V., Halikova A. R. Cerebral Palsy: State of the Study of the Problem (Review), Mat’ i ditya v Kuzbasse, 2019. vol. 2, pp. 4–9 (In Russian).
  5. Durna Y., Ari F. Design of a Binocular Pupil and Gaze Point Detection System Utilizing High Definition Images, Applied Sciences, 2017. vol. 7, pp. 498.
  6. Grushko Y. V. Hardware-software complex of augmentative communication system based on eyetracking technology, Vestnik KRAUNC. Fiz.-Mat. Nauki, 2019. vol. 27, no. 2, pp. 55–73 (In Russian).
  7. Bonteanu P., Cracan A., Bonteanu G., Bozomitu R. A. Robust Pupil Detection Algorithm Based on a New Adaptive Thresholding Procedure / IEEE International Conference on e-Health and Bioengineering EHB (2019)., 2019, pp. 276.
  8. Matveev I. A. Methods and algorithms for automatic processing of images of the iris of the eye. Dissertation for the degree of Doctor of Technical Sciences, 2014 (In Russian).
  9. Alkuzaay M., Alshemmary E.Towards Accurate Pupil Detection Based on Morphology and Hough Transform, Baghdad Science Journal, 2020. vol. 17, no. 2, pp. 583–590.
  10. Dongheng L., Winfield D., Parkhurst D. J. A hybrid algorithm for video-based eye tracking combining feature-based and model-based approaches / Paper Presented at the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (2005), 3, 2005, pp. 79.
  11. Fuhl W., Santini T., K¨ubler T., Kasneci E. ElSe: ellipse selection for robust pupil detection in realworld environments / The Ninth Biennial ACM Symposium, 2016, pp. 123–130.
  12. Swirski. L. Bulling. A. Dodgson. N. Robust real-time pupil tracking in highly off-axis images / Proceedings of the Symposium on Eye Tracking Research and Applications (ETRA), 2012, pp. 173–176.
  13. Topal Cihan, ¸CAKIR Halil, Akinlar Cuneyt. An Adaptive Algorithm for Precise Pupil Boundary Detection using Entropy of Contour Gradients, 2017.
  14. Yang Z. Intelligent Evaluation of Strabismus in Videos Based on an Automated Cover Test, Applied Sciences, 2019, pp. 59.
  15. Fuhl Wolfgang, Geisler David, Rosenstiel Wolfgang, Kasneci Enkelejda. The Applicability of Cycle GANs for Pupil and Eyelid Segmentation, Data Generation and Image Refinement, 2019, pp. 4406–4415.
  16. Grushko Y. V., Parovik R. I. Fast Pupil Tracking based on the Study of a Boundary-stepped Image Model and Multidimensional Optimization Hook-Jives Method, Informatika i avtomatizacija – Informatics and automation, 2021. vol. 2, pp. 435–462 (In Russian).
  17. Chinese Academy of Sciences Institute of Automation. Iris image database, version 4, 2021
    http://www.cbsr.ia.ac.cn/china/Iris20Databases20CH.asp.
  18. Kovalevich A. A., Jakimov A. I., Albkeirat D. M. Study of stochastic optimization algorithms for use in simulation of systems, Informacionnye tehnologii – Information technologies, 2011. vol. 8, pp. 55–60 (In Russian).
  19. Pupkov K. A., Feoktistov V. A. Algorithm «Differential evolution» for the problem of technzcal design, Informacionnye tehnologii – Information technologies, 2004. vol. 8, pp. 25–31 (In Russian).
  20. Storn R., Price K. Differential evolution – a simple and efficient heuristic for global optimization over continuous spaces, Journal of Global Optimization, 1997. vol. 11, no. 4, pp. 341–359.
  21. Tsoularis A. N., Wallace J. Analysis of Logistic Growth Models, Mathematical biosciences, 2002. vol. 179, pp. 21–55.
  22. Jeyakumar Gurusamy, C. Shanmugavelayutham. Convergence Analysis of Differential Evolution Variants on Unconstrained Global Optimization Functions, International Journal of Artificial Intelligence and Applications, 2011.
  23. Meera Ramadas, Ajith Abraham, Sushil Kumar. FSDE-Forced Strategy Differential Evolution used for data clustering, Journal of King Saud University — Computer and Information Sciences, 2019. vol. 31, no. 1, pp. 52–61.

Грушко Юрий Васильевич – аспирант физико-математического факультета, Камчатский государственный университет имени Витуса Беринга, Петропавловск-Камчатский, Россия, ORCID 0000-0002-3663-0018.

Grushko Y.V. RAPID — A model of fast eye pupil registration and tracking by a modifed metaheuristic differential evolution method based on the Verhulst-Pearl equationСкачать