近年来,随着人工智能需求的发展,注视点定位跟踪技术受到越来越多的关注。在人机交互领域,注视点跟踪技术常通过瞳孔定位算法配合二维注视点映射算法加以实现。在受试者眼部运动的状态下,注视点跟踪由于受到头部姿态的改变、光照以及眼部动作的影响,跟踪的准确度以及鲁棒性有待改进。因此,本文从提高动态注视情况下注视点跟踪精度的角度出发,提出一种基于双眼同步运动特征约束的Kalman滤波瞳孔跟踪算法,继而通过二维多项式映射函数计算获取注视点估计位置。在双眼扫视运动下将其与其他常用滤波算法进行对比,验证本文算法优越性。并将本文算法获得的注视点估计信息与图像显著性算法获得的注视点估计位置进行比较,验证两者的一致性。主要内容如下:第一,注视点的跟踪技术是通过瞳孔中心和角膜反射点的位置跟踪和它们与计算机屏幕间的注视位置映射转换实现的。瞳孔的动态跟踪与瞳孔中心的准确定位密不可分。本文采用基于星射线算法的凸区域投票与模型约束瞳孔定位算法,对红外光照射下的角膜反射光斑和瞳孔中心进行准确定位。针对角膜光斑的定位,本文采用一种自适应阈值分割的光斑检测算法,定位角膜反射多个亮斑中的面积最大的光斑。针对瞳孔中心的检测定位,本文首先由星射线算法获取瞳孔边缘候选点,再进行候选点处作与梯度垂直的切线划分半平面进行区域投票确定瞳孔区域剔除边缘候选点中的噪声点,最后进行随机抽样一致性算法进行椭圆拟合定位瞳孔中心。第二,构建Kalman滤波模型对运动状态下的瞳孔进行跟踪处理。基于双眼同步运动规律,以左右眼间距矢量信息为状态量构建过程方程与观测方程,简化常速度Kalman滤波方程,减少方程维度和迭代次数。第三,设置计算机屏幕上的标记点,以二次多项式为模型构建瞳孔中心-角膜光斑矢量信息与屏幕标记点间的映射关系。获取映射关系后再将规定注视动作下滤波后的瞳孔中心-角膜光斑矢量信息转换为注视点预测信息,在瞳孔位置存在较大扰动噪声点的情况下验证算法的鲁棒性,并将得到的结果与常用的其他滤波算法进行比较,验证本文算法在提升注视点跟踪精度和缩短程序运行时间减少内存占用上的优势。第四,对不以任务驱动的自下而上的预测注视点经典图像显著性算法进行研究。设计仿真注视条件下的实验,以真实场景图像为目标图像对受试者进行测试,将经本文算法滤波与映射变换后的注视点估计信息和由图像显著性算法得到的注视点预测信息进行概率分布比较,验证其一致性。实验表明,本文提出的基于双眼同步特征约束的Kalman滤波算法在对运动状态下注视点进行跟踪时具有较强的鲁棒性,与其他滤波算法相比,迭代次数较少,程序运行时间较短,能够满足视线追踪系统对注视点跟踪的要求。在对仿真场景的静态目标进行注视点跟踪时,与经图像显著性计算得到的的预测注视点概率分布基本一致。