HUST-LEBW

HUST-LEBW数据集是由华中科技大学人工智能与自动化学院创建的，旨在研究自然环境下的眼眨检测。该数据集包含673个视频样本，其中381个为正样本，292个为负样本，所有样本均从无约束的电影中捕获，涵盖了人脸属性、头部姿态、光照条件和成像配置的显著变化。数据集的创建过程涉及从20部不同风格的电影中捕获眼眨样本，并对每帧进行面部定位、眼定位和局部眼图像提取的标注工作。HUST-LEBW数据集主要应用于解决自然环境下眼眨检测的挑战，特别是在欺骗检测、驾驶疲劳检测和面部反欺骗等领域的实时应用。

The HUST-LEBW dataset was developed by the School of Artificial Intelligence and Automation, Huazhong University of Science and Technology (HUST) to study eye blink detection in unconstrained natural environments. This dataset comprises 673 video samples, including 381 positive samples and 292 negative samples. All samples were captured from unconstrained films, covering significant variations in facial attributes, head poses, lighting conditions, and imaging configurations. The dataset creation process involved extracting eye blink samples from 20 films of diverse styles, followed by annotation work including face localization, eye localization, and local eye image extraction for each frame. The HUST-LEBW dataset is primarily intended to address the challenges of eye blink detection in natural environments, especially for real-time applications in fields such as spoofing detection, driver fatigue detection, and facial anti-spoofing.

搜集汇总

数据集介绍

构建方式

HUST-LEBW数据集的构建方式独具匠心，通过从无约束的电影中采集673个眼眨视频样本（包括381个正样本和292个负样本），涵盖了面部属性、头部姿态、光照条件和成像配置的显著变化。这些样本被标注为眼眨或非眼眨，形成了一个包含时空序列信息的眼眨检测数据集。该数据集的构建不仅考虑了眼眨过程的完整性，还通过修改的长短期记忆（LSTM）模型捕捉多尺度时间信息，并提出了一种能够同时揭示外观和运动特征的特征提取方法，从而为眼眨检测任务提供了丰富的数据支持。

使用方法

HUST-LEBW数据集的使用方法多样，适用于多种眼眨检测算法的训练和评估。研究者可以通过该数据集训练和验证基于LSTM的时空模式识别模型，利用数据集中的多尺度时间信息和外观与运动特征进行眼眨检测。此外，数据集的标注信息可以用于评估眼眨检测算法的准确性和鲁棒性，特别是在复杂和多变的“野外”环境中。通过使用HUST-LEBW数据集，研究者可以开发和优化能够在实际应用中有效运行的眼眨检测系统。

背景与挑战

背景概述

眼动检测在欺骗检测、驾驶疲劳检测和面部反欺骗等领域具有广泛的应用。尽管已有许多研究致力于解决眼动检测问题，但大多数现有方法都是在受限的室内条件下进行的，具有相对一致的主体和环境设置。然而，在实际应用中，自然环境下的眼动检测更为重要，且更具挑战性。为此，Guilei Hu等人于2012年创建了HUST-LEBW数据集，该数据集包含673个眼动视频样本，其中381个为正样本，292个为负样本。这些样本从不受限制的电影中捕获，具有面部属性、头部姿势、光照条件和成像配置等方面的显著变化。该数据集的建立为自然环境下的眼动检测研究提供了重要的资源，推动了相关领域的发展。

当前挑战

HUST-LEBW数据集的构建和应用面临多重挑战。首先，数据集的样本来自不受限制的电影，这导致了面部属性、头部姿势、光照条件和成像配置的显著变化，增加了眼动检测的难度。其次，构建过程中需要精确地定位和跟踪人眼，这要求高效的算法和准确的标注。此外，眼动检测任务本身是一个二元时空模式识别问题，需要捕捉多尺度的时间信息，这对现有的识别模型提出了更高的要求。最后，如何在实际应用中实现实时眼动检测，同时保证检测的准确性和效率，是该数据集面临的另一大挑战。

常用场景

经典使用场景

在眼动检测领域，HUST-LEBW数据集的经典应用场景主要集中在实时眼动检测、欺骗检测、驾驶疲劳检测和面部反欺骗等。该数据集通过捕捉自然环境中的眼动视频样本，解决了传统数据集在受限室内条件下采集的局限性，为研究者提供了一个更具挑战性和实用性的数据平台。

解决学术问题

HUST-LEBW数据集解决了眼动检测在自然环境中的学术研究问题，特别是在面部属性、头部姿态、光照条件和成像配置等方面存在显著变化的场景。这不仅推动了眼动检测技术的发展，还为相关领域的研究提供了新的视角和方法。

实际应用

在实际应用中，HUST-LEBW数据集被广泛应用于需要实时眼动检测的场景，如驾驶监控系统、安全监控和交互式人机界面。通过提供自然环境下的眼动数据，该数据集有助于开发更鲁棒和适应性更强的眼动检测算法，从而提高这些系统的性能和可靠性。

数据集最近研究

最新研究方向

在眼动检测领域，HUST-LEBW数据集的最新研究方向主要集中在野外环境下的实时眼动检测。这一方向的研究旨在解决传统眼动检测方法在受限室内条件下表现良好，但在复杂多变的野外环境中效果显著下降的问题。通过构建包含673个眼动视频样本的HUST-LEBW数据集，研究者们提出了一种基于二元时空模式识别的任务框架，并采用改进的长短期记忆（LSTM）模型来捕捉多尺度的时间信息，以验证眼动行为。此外，研究还提出了一种能够同时揭示外观和运动特征的特征提取方法，显著提升了在野外环境下的眼动检测性能。这些研究不仅推动了眼动检测技术在实际应用中的可行性，也为相关领域的进一步发展提供了新的思路和方法。

相关研究论文

• Towards Real-time Eyeblink Detection in The Wild:Dataset,Theory and Practices

  华中科技大学人工智能与自动化学院 · 2019年