目标检测是计算机视觉领域中的一个重要研究方向,其主要目标是在图像中识别并定位目标物体。由于其与许多人类任务的视觉需求高度相关,目标检测技术被广泛运用于工业机器人、视频监控、智能交通等领域。虽然近年来随着深度学习的发展,结合深度学习的目标检测技术也迅速发展并逐渐趋于成熟,但其在真实环境下仍然面临着很大的挑战。在当前的目标检测研究中,目标区域由规则的边界框进行定义,当预测的边界框捕获到足够多关于目标的语义信息,算法就会将待检测目标从背景图像中区分出来。这一设计对大多数目标物体进行检测时确实有理论和逻辑上的可行性,但当待检测目标具有某些特殊性质时,例如目标尺寸极小,或者目标区域出现遮挡等,这种基于边界框的检测设计就有可能因为语义信息稀少或不清晰而定位失效。自然环境下的瞳孔中心定位就是一种典型的应用场景,在该问题中瞳孔中心区域占比小、易被遮挡、语义简单且不清晰,但对定位精度要求极高,因此针对这种应用场景中,检测算法应当更具针对性。本文的研究和创新主要是着眼于此点,针对自然环境下的瞳孔中心定位这一特殊场景进行展开:1.本文对目标检测在瞳孔中心定位问题中应用的可行性进行研究,舍弃了经典瞳孔中心定位方法中级联的定位流程,从目标检测的研究角度出发,提出了两种无边界框的瞳孔中心定位方案。本文引入了集成学习的思想,利用眼部区域的局部信息提取出具有表征能力的弱预测器,通过大量的局部预测和加权投票,实现端到端的高精度瞳孔中心定位。2.本文将提出的算法在公开数据集Bio ID和GI4E上进行标准实验。实验结果表明,本文提出的算法在上述两个数据集上的定位精度比先进的方法分别高出最多20.26%和4.75%,这展示了本文提出算法的优越性。同时,本文针对真实世界中可能出现的人脸先验信息失效和眼部遮挡的情况,在标准数据集上进行了大量的补充实验,并结合实验数据,详细分析了提出的两种算法在不同场景下的适用性。补充实验的结果表明提出的本文提出的算法在上述两种情况下仍具有较好的定位效果。