Wie genau ist das Eye-Tracking per Webcam?

Entdecken Sie die Fortschritte im Bereich Webcam-Eye-Tracking mit WebET 3.0 von iMotions. Erfahren Sie mehr über die kostengünstige Lösung, den Fernzugriff und die verbesserte Genauigkeit für skalierbare Forschungszwecke.

Die webcam-basierte Eye-Tracking-Technologie macht rasante Fortschritte, angetrieben durch modernste Computer-Vision-Algorithmen. An der Spitze dieser Innovation steht der neueste webcam-basierte Eye-Tracking-Algorithmus von iMotions, WebET 3.0, der nun in alle cloudbasierten Anwendungen integriert ist, nämlich in „Remote Data Collection“ und „iMotions Online“. Diese Entwicklung sorgt für ein neues Maß an Genauigkeit und Anwendungsvielfalt und macht Eye-Tracking zugänglicher denn je.

Weiter unten in diesem Artikel werden wir untersuchen, wie genau WebET 3.0 tatsächlich ist, doch zunächst wollen wir uns damit befassen, warum das webkamera-basierte Eye-Tracking bei Forschern und Entwicklern so beliebt geworden ist.

Warum das webkamera-basierte Eye-Tracking immer beliebter wird

Das webcam-basierte Eye-Tracking nutzt fortschrittliche Algorithmen der Bildverarbeitung, um Augenbewegungen zu erfassen, und liefert so Einblicke in menschliches Verhalten und kognitive Prozesse. Seine zunehmende Verbreitung ist auf seine Benutzerfreundlichkeit, Erschwinglichkeit und Vielseitigkeit zurückzuführen, was es zu einer bahnbrechenden Innovation für Forscher, Pädagogen und Entwickler macht.

Fernzugriff

Einer der Hauptgründe für seine Beliebtheit ist die Möglichkeit, es aus der Ferne zu nutzen. Im Gegensatz zu herkömmlichen Systemen, die spezielle Hardware oder eigens dafür eingerichtete Labore erfordern, braucht man für das webkamera-basierte Eye-Tracking lediglich:

• Ein gewöhnlicher Computer mit einer Webcam.
• Eine stabile Internetverbindung.

Dank dieser minimalistischen Konfiguration wird die Technologie einem breiteren Publikum zugänglich gemacht, darunter auch kleineren Organisationen, unabhängigen Forschern und Lehrkräften, die möglicherweise nicht über die Ressourcen für komplexere Konfigurationen verfügen.

Erschwinglichkeit ohne Kompromisse

Herkömmliche Eye-Tracking-Systeme sind oft teuer, sodass sie meist nur von finanzstarken Institutionen oder Organisationen genutzt werden können. Webcam-basiertes Eye-Tracking bietet eine kostengünstige Alternative, ohne dabei Abstriche bei der Qualität zu machen.

• Günstiger Einstieg: Ideal für kleine Teams oder Einzelpersonen.
• Skalierbare Lösungen: Geeignet für Großprojekte oder gewerbliche Anwendungen.

Mit WebET 3.0 von iMotions verbindet sich Erschwinglichkeit mit Präzision – eine Lösung, die die Lücke zwischen hochwertiger Verfolgung und kostengünstigem Zugang schließt.

Der hohe Qualitätsstandard des webcam-basierten Eye-Trackings

Zwar sind Erschwinglichkeit und Zugänglichkeit wesentliche Vorteile, doch hängt der Nutzen dieser Technologie entscheidend von ihrer Genauigkeit ab. Der WebET 3.0-Algorithmus von iMotions bietet eine hohe Leistungsfähigkeit und gewährleistet, dass sich die Nutzer auf präzise und umsetzbare Erkenntnisse verlassen können.

Um die Qualität von WebET 3.0 zu überprüfen, führte iMotions einen internen Genauigkeitstest durch, bei dem das System mit einem der präzisesten bildschirmbasierten Eye-Tracker auf dem Markt verglichen wurde. Die Ergebnisse zeigten, dass webkamerabasiertes Eye-Tracking eine Präzision erreichen kann, die bislang nur spezialisierten Systemen vorbehalten war.

Die Genauigkeit von Webcam-basiertem Eye-Tracking in der Praxis

Studienergebnisse

Wie bereits erwähnt, war es das Ziel der Studie, die Genauigkeit des Eye-Tracking-Algorithmus für Webcams zu messen und anschließend die optimalen Einsatzbedingungen zu ermitteln. Im Folgenden gehen wir auf die verschiedenen Bedingungen des Versuchsaufbaus ein. Wenn Sie sich jedoch eingehender mit den Ergebnissen der Studie befassen möchten, können Sie das Whitepaper hier herunterladen.

Whitepaper herunterladen

Methodik

Die Reize wurden auf einem 22-Zoll-Computerbildschirm in einem schwach beleuchteten Raum präsentiert. Die Probanden saßen vor einer neutralgrauen Wand in einem Abstand von 65 cm zur Webkamera, und eine Leselampe beleuchtete ihre Gesichter von vorne. Die Webkamera-Daten wurden mit einer Logitech Brio-Kamera mit einer Abtastrate von 30 Hz und einer Auflösung von 1920 x 1080 px erfasst. Gleichzeitig wurden bildschirmbasierte Eye-Tracking-Daten mit einem hochwertigen bildschirmbasierten Eye-Tracker ohne Kinnstütze erfasst. Die Probanden wurden angewiesen, vollkommen still zu sitzen und nicht zu sprechen.

Neben den oben beschriebenen Idealbedingungen wurden vier weitere Bedingungen getestet: Teilnehmer, die eine Brille trugen, eine niedrige Webcam-Auflösung, eine suboptimale Gesichtsbeleuchtung oder die Situation, in der sich der Befragte bewegte und sprach.

Ideale Bedingungen

Unter den idealsten Bedingungen, ohne jegliche Manipulationen (n=10), wies der WebET eine durchschnittliche Genauigkeitsabweichung von 2,2 dva auf, und 1 % der Versuche gingen aufgrund von Datenverlusten verloren (bei den Daten des bildschirmbasierten Eye-Trackers betrug die durchschnittliche Genauigkeit 0,5 dva, ohne dass Versuche verloren gingen). Unter diesen Bedingungen wiesen die WebET-Daten aus 12 % aller Versuche durchschnittliche Abweichungen von mehr als 5 dva auf.

Anmerkung: „dva“ ist die Abkürzung für „dynamic visual acuity“ (dynamische Sehschärfe), also die Fähigkeit, feine räumliche Details bei sich bewegenden Objekten bei festem Blick oder bei statischen Objekten bei Drehung des Kopfes oder des Körpers zu erkennen.

Bewegung

Die Daten, die von Befragten aufgezeichnet wurden, die sprachen und ihren Kopf bewegten (n = 4), waren schlechter als die Daten, die aufgezeichnet wurden, während dieselben Befragten vollkommen still saßen. Die Daten des bildschirmbasierten Eye-Trackers bestätigten, dass die Probanden ihren Blick korrekt auf die Ziele richteten (die durchschnittliche Genauigkeit betrug 0,7 dva bei 3 % verlorenen Versuchen). Der webET-Algorithmus konnte die Blickdaten für 100 % der Versuche mit sich bewegenden Probanden mit einer durchschnittlichen Abweichung von 5,0 dva berechnen. Bei 38 % der Versuche lag die Abweichung über 5 dva.

Ein gepaarter Wilcoxon-Rangsummentest, bei dem webET-Daten aus Versuchen mit sich bewegenden Probanden (Median 3,9 Tage, Q1 2,2 Tage, Q3 6,2 Tage) mit den entsprechenden Blöcken verglichen wurden, in denen dieselben Probanden still saßen (Median 1,8 Tage, Q1 1,1 Tage, Q3 3,1 Tage), ergab hochsignifikante Unterschiede (p << 0,01) zwischen den beiden Bedingungen.

Nebenbemerkung

Starkes Seitenlicht (n=4) (d. h. Licht von einem Fenster, einer Lampe oder beim Sitzen im Freien) führte ebenfalls zu Datenabweichungen mit einer durchschnittlichen Genauigkeit von 4,9 dva bei webET und 5 % verlorenen Versuchen (beim bildschirmbasierten Eye-Tracker betrug die durchschnittliche Genauigkeit 0,6 dva bei 1 % verlorenen Versuchen), wobei 4 % der Versuche bei den webET-Daten durchschnittliche Abweichungen von mehr als 5 dva aufwiesen. Ein gepaarter Wilcoxon-Rangsummentest, der webET-Daten aus Versuchen mit schlechter Gesichtsbeleuchtung (Median 4,2 dva, Q1 2,5 dva, Q3 6,6 dva) mit den entsprechenden Blöcken verglichen, in denen dieselben Befragten unter idealen Bedingungen erfasst wurden (Median 1,8 dva, Q1 1,1 dva, Q3 3,1 dva), ergab hochsignifikante Unterschiede (p << 0,01) zwischen den beiden Bedingungen.

Niedrige Auflösung

Niedrigere Kameraauflösungen führten ebenfalls zu einem gewissen, wenn auch nicht so ausgeprägten Anstieg der Datenabweichungen mit einer durchschnittlichen Genauigkeit von 5,0 dva (beim bildschirmbasierten Eye-Tracker lag die durchschnittliche Genauigkeit bei 0,6 dva), wobei in einem Drittel der Versuche eine durchschnittliche Abweichung der webET-Daten von über 5 dva zu verzeichnen war.

Brillen

Bei den 5 Probanden, die erneut mit Brille aufgezeichnet wurden, wurde der größte durchschnittliche Versatz von 3,6 dva bei webET beobachtet (bei dem bildschirmbasierten Eye-Tracker betrug die durchschnittliche Genauigkeit 0,9 dva), und bei 41 % der Versuche lag der durchschnittliche Versatz der webET-Daten über 5 dva.

Fazit

Diese Studie zeigt, dass die Genauigkeit der Eye-Tracking-Erfassung per Webcam durch die oben genannten Störfaktoren (Bewegung, Sprechen, schlechte Beleuchtung und das Tragen einer Brille) immer weniger beeinträchtigt wird als dies bei den ersten Versionen des Algorithmus der Fall war.

Es ist zwar offensichtlich, dass die Qualität der Eye-Tracking-Daten immer besser wird, doch ist ebenso klar, dass die Befragten, um das Webcam-Eye-Tracking in der Forschung optimal nutzen zu können, sich weiterhin an die Anweisungen des Studienveranstalters halten müssen, um eine optimale Datenqualität zu gewährleisten.

Es ist sehr ermutigend festzustellen, dass die Eye-Tracking-Technologie mit Webcam unter idealen Bedingungen eine gute Datenkonsistenz und -qualität aufweist, was sie zu einem äußerst geeigneten Instrument zur Datenerhebung macht.

Das webkamera-basierte Eye-Tracking gewinnt zunehmend an Bedeutung

Auch wenn die Datenqualität beim Eye-Tracking mit Webcams noch nicht ganz mit der von spezieller Eye-Tracking-Hardware vergleichbar ist, ist dies die perfekte Lösung, wenn Sie Ihre Forschung ausweiten möchten. Wir sehen es gerne so, dass wir unseren Kunden damit die Möglichkeit geben, zu den Ersten zu gehören, die quantitative Untersuchungen zum menschlichen Verhalten durchführen können.

Wenn Sie vorhaben, kontinuierliche Eye-Tracking-Untersuchungen durchzuführen, bei denen sowohl Genauigkeit als auch Präzision entscheidend sind, lohnt sich die Investition in geeignete Hardware nach wie vor. Wenn Sie jedoch groß angelegte UX-Tests, A/B-Tests oder Bild-/Videostudien mit Eye-Tracking durchführen möchten, sind wir sicher, dass Webcam-Eye-Tracking ein wertvolles Werkzeug für Sie sein wird – und es wird immer besser.

Wenn Sie mehr darüber erfahren möchten, wie Webcam-Eye-Tracking Ihnen dabei helfen kann, Ihre Forschung auszuweiten und ein globales Publikum zu erreichen, besuchen Sie bitte unsere Seite zur Fernerhebung von Daten. Wenn Sie an einem Lehrmittel interessiert sind, das Webcam-basiertes Eye-Tracking nutzt, besuchen Sie unsere iMotions Online-Seite. Entdecken Sie, wie Hidden-Markov-Modelle die Eye-Tracking-Technologie durch die Analyse der visuellen Aufmerksamkeit und der Blickmuster verbessern.