DMS 眼动追踪鲁棒性挑战：墨镜、口罩与遮挡
发布时间： 2026-03-11 22:50
关键词： DMS、眼动追踪、遮挡鲁棒性、Tobii
鲁棒性挑战清单
根据 Tobii 的 DMS 开发经验，眼动追踪面临三大挑战：
1. 驾驶员多样性
| 因素 |
影响 |
| 肤色 |
眼睛对比度差异 |
| 性别 |
妆容、睫毛影响检测 |
| 年龄 |
眼睑下垂、皱纹干扰 |
| 发型 |
刘海遮挡眉毛/眼睛 |
| 面部形态 |
眼窝深浅、眼距差异 |
2. 遮挡问题
| 遮挡类型 |
检测难度 |
解决难度 |
| 普通眼镜 |
中等 |
低 |
| 墨镜 |
高 |
中高 |
| 口罩 |
高 |
中 |
| 帽子 |
中高 |
中 |
| 手部遮挡 |
高 |
高 |
3. 驾驶场景
| 场景 |
影响 |
| 强阳光 |
IR 补光被淹没 |
| 隧道进出 |
光照突变 |
| 夜间 |
瞳孔放大 |
| 驾驶员行为 |
头部大幅转动 |
墨镜问题深度分析
为什么墨镜是最大挑战？
1
2
3
4
5
| 墨镜特性：
├── 阻挡可见光（驾驶员目的）
├── 可能阻挡 IR 光（DMS 依赖）
├── 镜片反射干扰
└── 镜框遮挡眉毛区域
|
解决方案
| 方案 |
原理 |
效果 |
| 940nm IR |
墨镜对 940nm 透过率更高 |
部分改善 |
| 多角度 IR |
从侧面照射穿透墨镜边缘 |
效果有限 |
| 面部特征替代 |
用头部姿态、嘴部推断 |
准确率下降 |
| 用户提醒 |
提示摘下墨镜 |
用户体验差 |
行业最佳实践
- Tobii： 优化 IR 波长 + 多传感器融合
- Smart Eye： 多摄架构减少盲区
- Seeing Machines： 结合头部姿态推断
口罩问题深度分析
口罩遮挡的影响
1
2
3
4
5
6
7
8
9
10
11
| 口罩遮挡：
├── 鼻子下半部分
├── 嘴巴
├── 下巴
└── 部分脸颊
DMS 信号影响：
├── 打哈欠检测：受影响
├── 面部 landmark：部分丢失
├── 眼动检测：不受影响
└── 头部姿态：轻微影响
|
解决方案
| 功能 |
口罩下解决方案 |
| 眼动追踪 |
✅ 不受影响 |
| 疲劳检测 |
眼睛信号为主 |
| 打哈欠检测 |
⚠️ 需替代方案（眼动+头部） |
| 身份识别 |
仅用眼部特征 |
鲁棒性设计原则
Tobii 的 DMS 信号优先级
1
2
3
4
5
6
7
8
9
| 高优先级信号：
├── 眼动（gaze） ← 所有功能的基础
├── 头部姿态 ← 遮挡时的替代
└── 眼睛开度 ← 疲劳检测核心
低优先级信号：
├── 嘴部状态 ← 打哈欠（口罩受影响）
├── 面部表情 ← 情绪检测
└── 身份特征 ← 驾驶员识别
|
设计原则
- 核心信号优先 - 确保眼动、头部姿态在遮挡下仍可用
- 多信号融合 - 单一信号失效时有替代
- 降级策略 - 遮挡严重时降级功能而非完全失效
- 用户提示 - 合理提醒，不过度打扰
对 IMS 的启示
近期优化
| 问题 |
优化方向 |
| 墨镜检测 |
评估 940nm vs 850nm IR |
| 口罩场景 |
验证疲劳检测准确率 |
| 刘海遮挡 |
增加眉部特征权重 |
测试矩阵
1
2
3
4
5
6
7
| 遮挡测试矩阵：
├── 无遮挡（基准）
├── 普通眼镜
├── 墨镜（多种镜片）
├── 口罩（多种类型）
├── 帽子
└── 组合遮挡（墨镜+口罩）
|
性能目标
| 场景 |
眼动检测率目标 |
| 无遮挡 |
>99% |
| 普通眼镜 |
>98% |
| 墨镜 |
>90% |
| 口罩 |
>98% |
| 组合遮挡 |
>85% |
技术前沿
Event-based Eye Tracking
2024-2025 年新兴技术：
- 原理： 只记录亮度变化事件，不采集完整图像
- 优势： 高时间分辨率、低延迟、高动态范围
- 适用： 极端光照变化场景（隧道进出）
3D ToF 传感器
- Melexis MLX75027： VGA 分辨率 3D ToF
- 优势： 阳光下仍可工作，无需 IR 补光
总结
DMS 鲁棒性三要素：
- 信号优先级 - 核心信号优先保障
- 多信号融合 - 遮挡时有替代方案
- 降级策略 - 功能降级而非失效
IMS 应建立完整的遮挡测试矩阵，针对性优化关键场景。
参考：Tobii - Why build DMS for signal latency and robustness