数据与计算发展前沿 ›› 2026, Vol. 8 ›› Issue (5): 202-216.
CSTR: 32002.14.jfdc.CN10-1649/TP.2026.05.016
doi: 10.11871/jfdc.issn.2096-742X.2026.05.016
李为1,2,*(
),杨磊1,3,黄智豪1,4,赵国成5,赵旭东5
LI Wei1,2,*(
),YANG Lei1,3,HUANG Zhihao1,4,ZHAO Guocheng5,ZHAO Xudong5
摘要:
【目的】解决无约束环境下因头部大角度偏转与复杂光照干扰导致人眼视线估计精度下降的问题。【应用背景】面向复杂条件下的人机交互、疲劳驾驶监测等应用场景,主要针对自然环境中的眼部图像分析和视觉感知任务。【方法】构建一种融合高效多尺度注意力(EMA)与空间通道重构卷积(SCConv)的双分支网络;通过残差网络和改进的动态姿态感知Agent Swin Transformer分别提取局部和全局特征,利用SCConv抑制冗余,借助EMA增强多尺度表征,并结合头部姿态先验进行跨模态补偿。【结果】在MPII FaceGaze数据集上平均视线角度误差降至4.23°;在极端偏转区域(|Yaw|>15°且|Pitch|>15°)误差仅5.8°;在更具挑战的ETH-XGaze数据集上取得了4.41°的优异表现,展现出强劲的跨数据集泛化能力;此外,模型单帧推理延时仅为16.1 ms,推理帧率高达62.1 FPS。【结论】该特征融合方法有效解决了视线估计外观法中的特征冗余与尺度敏感问题,在兼顾工业级高实时性的同时,显著提升了极端姿态与复杂场景下的估计精度与鲁棒性,具有极高的工程应用价值。