fabricionarcizo/eyeinfo

EyeInfo数据集是一个开源的眼动追踪数据集，由哥本哈根信息技术大学（ITU）和GN音频公司（Jabra）的研究科学家Fabricio Batista Narcizo创建。该数据集包含83名参与者的双眼眼动信息，采用基于特征的眼动追踪方法（即二值化+拟合椭圆）从录制的眼视频中提取眼特征。数据集遵循通用数据保护条例（GDPR）的原则。

The EyeInfo Dataset is an open-source eye-tracking dataset created by Fabricio Batista Narcizo, a research scientist at the IT University of Copenhagen (ITU) and GN Audio A/S (Jabra). This dataset contains binocular eye information from 83 participants, extracted using a feature-based eye-tracking method (i.e., binarization+fitting ellipse) from recorded eye videos. The dataset follows the principles of the General Data Protection Regulation (GDPR).

搜集汇总

数据集介绍

构建方式

在眼动追踪研究领域，EyeInfo数据集的构建体现了严谨的实验设计。该数据集通过定制化的远程眼动追踪设备采集数据，该设备采用现成的商用组件，包括配备红外全局快门传感器的高清相机，以150帧每秒的速率捕获1600×1200分辨率的图像。数据采集过程涉及83名参与者，每位参与者进行两次试验，分别针对左右眼。实验采用5×7的网格目标刺激，每个目标呈现2秒，并通过剔除首尾500毫秒的数据以排除眼跳干扰，最终每位参与者贡献5250个有效样本。所有数据均遵循《通用数据保护条例》原则，确保了伦理合规性。

特点

EyeInfo数据集的核心特点在于其高质量与丰富注释。数据集提供了高速单眼眼动追踪数据，并包含详尽的注释信息，如帧编号、目标ID、时间戳、注视目标坐标、瞳孔中心、拟合椭圆的长短轴与角度方向，以及四个角膜反射点坐标。这些数据源自基于特征的追踪方法，通过二值化与椭圆拟合技术从录制的眼动视频中提取特征。数据集中亦保留了因眨眼、光反射、角膜反射点缺失或虹膜与瞳孔对比度低而产生的异常值，为算法鲁棒性研究提供了真实场景的挑战。

使用方法

为有效利用EyeInfo数据集，研究者需遵循其特定的管理流程。数据集采用数据版本控制工具进行管理，原始数据存储于Google Drive。用户可通过安装Anaconda或Miniforge环境，并创建名为eyeinfo的专用环境来配置依赖。随后，在项目根目录执行dvc pull命令，经Google账户授权后即可下载约285MB的原始数据，包括视频、文本、CSV与JSON文件。下载后，数据集将自动组织为01_dataset、02_eye_feature与03_metadata等文件夹，便于用户按结构访问与分析眼动特征及元数据。

背景与挑战

背景概述

眼动追踪技术作为人机交互与认知科学的核心工具，其精度与鲁棒性一直是研究焦点。EyeInfo数据集由哥本哈根IT大学与Jabra公司的研究科学家Fabricio Batista Narcizo于2021年创建，旨在探索基于插值的眼动估计方法中摄像头位置对精度的影响。该数据集通过高帧率单目红外眼动仪采集了83名参与者的双眼数据，包含瞳孔中心、角膜反射点等精细化注释，为高精度视线估计提供了实证基础。其设计遵循GDPR规范，通过开源共享推动了眼动追踪在无标定场景下的方法创新，尤其在虚拟现实与自适应界面领域具有重要影响力。

当前挑战

眼动追踪领域长期面临非标定环境下视线估计精度受限的挑战，具体包括头部微小运动导致的系统误差、个体生理差异（如佩戴眼镜或化妆）对特征提取的干扰，以及环境光反射引发的数据噪声。在数据集构建过程中，研究者需克服多重技术障碍：使用商用组件搭建高帧率眼动仪时，需平衡红外照明强度与图像对比度；处理原始数据时，须有效剔除因眨眼、低对比度或角膜反射丢失产生的异常值；同时，在保证数据多样性的前提下，需设计严谨的实验协议以控制头部运动并减少参与者疲劳，这些因素共同增加了高质量眼动数据采集与标注的复杂性。

常用场景

经典使用场景

在眼动追踪研究领域，EyeInfo数据集为基于插值的注视估计算法提供了关键验证平台。该数据集通过高帧率单目红外摄像头采集了83名参与者的眼动数据，包含瞳孔中心、角膜反射点等精细标注，常用于评估不同眼动追踪模型在真实环境下的性能。研究者利用其丰富的眼动特征分布，能够系统分析眼相机位置、头部运动补偿等因素对注视估计精度的影响，为优化眼动仪硬件配置提供数据支撑。

实际应用

在消费电子与人机交互领域，EyeInfo数据集为开发商用眼动仪提供了关键测试基准。基于其采集的眼镜佩戴者、化妆者等多样化样本数据，工程师可优化红外照明方案与图像处理算法，提升设备在复杂使用场景下的鲁棒性。该数据集支持的头部运动补偿研究，直接促进了虚拟现实设备、车载驾驶辅助系统中眼动交互模块的实用化进程。

衍生相关工作

该数据集催生了多项眼动追踪领域的创新研究，其作者团队提出的几何变换方法已成为改善非共面眼动特征分布的经典解决方案。后续研究基于该数据集验证了深度学习模型在噪声环境下的瞳孔定位精度，部分工作进一步扩展了多模态融合框架，将眼动特征与面部特征结合，为无标定眼动追踪系统的开发奠定了数据基础。