瞳孔直径的变化与神经系统活跃性直接关联,可以反应出许多重要的人体信息状态,应用在疲劳驾驶、疾病诊断以及人机交互等各个领域。近些年来随着硬件处理速度的加快和计算机视觉算法的飞速发展,瞳孔计在娱乐、交通和医疗等领域的应用也越来越广泛。远程头部自由式瞳孔计具有非接触、快捷等特点,具有广阔的研究与应用前景。然而,当前的远程头部自由式瞳孔计容易受到环境光的干扰、人眼追踪速度慢、测量瞳孔直径时会产生畸变误差而且使用前需要繁琐的校正流程。本文针对这些问题建立了基于深度学习的双目视觉测量模型,提高了系统的测量速度和精度,提高了系统的抗环境光干扰能力,同时无需每次使用前进行校正。主要的研究内容和成果如下:首先,搭建瞳孔计实验平台。在工作人员正常工作时,运行实验平台,采集人员的图像数据。根据工作距离、角度和处理速度等要求,进行硬件和软件的选型。硬件主要包括工业相机、近红外光源和工作站等。软件主要包括操作系统、编程语言和编译软件等。其次,针对环境光干扰问题,提出一种改进的YOLO V2的深度学习近红外人眼检测算法。基于SqueezeNet的思想设计轻量化的特征提取网络,并将非极大值抑制替换为非最大值抑制,实际数据集上的实验结果表明所提方法的有效性,近红外人眼检测精度可达95.8%。然后,通过探索双目摄像机图像的相似性,我们提出了一种用于双目摄像机人眼跟踪的主从结构加速算法。在保持相当高的准确性的同时,超越了传统的并行结构的跟踪速度(每帧<11 ms)。最后,开发了一种基于双目视觉的瞳孔直径估计算法,与先前通过单个相机上的2D投影图像、导致瞳孔直径测量失真误差的瞳孔计相比,我们的系统测量3D空间中的瞳孔直径而没有失真影响,同时无需每次使用前进行校准。实际数据集上的实验结果表明所提方法的有效性,瞳孔直径估计平均绝对误差为(0.0216±0.0168)mm,瞳孔直径平均绝对误差百分比为(0.57±0.67)%,并且对于角度和距离的变化不敏感。