该论文提供了一个新的方法：开发一种在野外普遍应用的实时多人眨眼检测方法及其数据集，该数据集包含大量未剪辑的场景；使用端到端学习来处理面部检测、跟踪和人体级别眨眼检测等子任务，减少了运行时间。与现有方法相比，该方法的表现更好并具有高速推理的特点。

Mar, 2023

本文提出用于早期疲劳检测的多层次多尺度长短时记忆网络 (HM-LSTM)，结合测量到的眨眼特征，对大型真实数据集进行了测试，发现基于眼睑特征的检测方法比人类判断更准确。

Apr, 2019

本文提出一种基于眨眼频率的远程注意水平估计方案，通过使用卷积神经网络构建的眨眼检测系统，并分析在线课堂学生的注意力与眨眼率之间的关系，提出一种名为 ALEBk 的方法来估计注意力。研究结果显示出眨眼频率与注意水平之间呈现反相关的关系，为在未来的远程学习平台上引入这项技术及基于面部分析的这类行为生物识别技术应用打开了新的研究方向。

Dec, 2021

本文针对外界复杂的实际应用场景下的视线估计问题，在自然、真实的使用环境中使用 MPIIGaze 数据集进行研究，并提出了一种多模态卷积神经网络的方法，通过跨数据集评估证明该方法显著优于现有的方法。我们还对三个最新数据集上的几种最先进的基于图像的凝视估计算法进行了细致评估，确认了外部环境变化对凝视估计的影响，为实际的实时视线估计研究提供了重要的参考。

Apr, 2015

通过收集 GW 数据集（该数据集包括眼部运动、头部角速度、眼睛和场景图像），训练和评估了两种机器学习算法（随机森林和递归神经网络模型），用于眼睛运动分类（如注视、眼球、追踪）。分类器实现了近似于人类检测注视和眼球运动的 90％的性能，但在检测追踪运动时则低于 60％，并且追踪分类在没有头部运动信息的情况下更低。最佳模型对特征的显着性分析显示，分类不需要头部和眼睛跟踪坐标系的空间对齐。

May, 2019

这项研究介绍了一个新的多光谱数据库和针对 RGB 和近红外（NIR）个体图像的眨眼检测的新方法。通过提供的数据集（mEBAL2），我们有机会改进数据驱动的多光谱方法，以提高眨眼检测和相关应用的表现。通过在各种难度的在线学习任务中使用多个传感器捕捉面部动作的方式，以及结合脑电图（EEG）频段记录用户的认知活动和眨眼事件，我们证明了这些方法的泛化能力。最终，通过在更具挑战性的环境中验证模型的适用性，我们展示了训练 mEBAL2 可以用于培养新一代数据驱动的眨眼检测方法的重要性。

Sep, 2023

本研究使用人眼追踪数据结合计算机视觉，探究了视觉搜索模式的稳定性、计算机视觉的空间 - 时间兴趣点采样策略与人类注视策略之间的差异，证明人类注视可以被准确预测，且在使用先进计算机视觉实践建立端到端可训练的计算机视觉系统时表现优良。

Dec, 2013

本文旨在解决在野外环境下眼部闪烁检测面临的问题，主要通过上采样和下采样的方法解决图像分辨率和检测效率问题。同时采用深度可分卷积方法能够在提取空间和时间特征的同时减小网络规模。

Jun, 2023

该研究提出了一种新的框架来解决基于面部生成技术的下游任务中的眼部控制问题，该框架包括两个不同的模块：眨眼控制模块和注视重定向模块，并提出了一种新的数据增强方法来训练每个模块，证明该框架能够生成高质量的眼睛控制图像，并改善下游任务的性能。

Jun, 2023

本文介绍了一种基于眼动特征的生物识别身份验证方法，并针对多个数据集对其进行了广泛的用户身份识别研究。通过对刺激类型、IVT 参数等多方面的分析，发现选择最佳 IVT 参数、添加高阶导数特征和包含额外的眨眼识别器等三个方法对身份验证准确性的提高具有积极影响。

Nov, 2021