[发明专利]视线追踪方法及装置

权利要求书

1.一种视线追踪方法，其特征在于，所述方法包括：

根据目标模型确定待测试虹膜图像的虹膜中心所在的观测区域，所述目标模型为根据目标参数和极限学习机器神经网络得到的模型，所述目标参数是向所述极限学习机器神经网络输入n个视觉特征参数后得到的参数，所述n个视觉特征参数为预设的n个虹膜图像中每个虹膜图像对应预设参考图像中同一视觉区域的视觉特征参数，所述预设参考图像划分为至少两个面积相等的视觉区域，所述n为大于1的整数；

采用所述观测区域修正预测区域，得到目标区域，所述预测区域是通过卡尔曼滤波方法确定的待测试虹膜图像的虹膜中心所在的区域；

根据所述目标区域确定人眼注视的屏幕落点位置。

2.根据权利要求1所述的方法，其特征在于，在所述根据目标模型确定待测试虹膜图像的虹膜中心所在的观测区域之前，所述方法还包括：

获取预设的n个虹膜图像中每个虹膜图像对应所述预设参考图像中同一视觉区域的视觉特征参数，得到所述n个视觉特征参数；

通过向所述极限学习机器神经网络输入所述n个视觉特征参数，确定所述极限学习机器神经网络的目标参数；

根据所述目标参数与所述极限学习机器神经网络，确定所述目标模型。

3.根据权利要求2所述的方法，其特征在于，所述目标参数为所述极限学习机器神经网络的输出权值，

所述通过向所述极限学习机器神经网络输入所述n个视觉特征参数，确定所述极限学习机器神经网络的目标参数，包括：

将所述n个视觉特征参数作为所述极限学习机器神经网络的输入参数；

将所述同一视觉区域对应的坐标矩阵作为所述极限学习机器神经网络的输出参数；

根据所述输入参数、所述输出参数、所述极限学习机器神经网络的输入权值和阈值，确定所述极限学习机器神经网络的输出权值，所述输入权值为所述极限学习机器神经网络的输入结点到隐层结点的权值，所述阈值为所述隐层结点的阈值；

所述根据所述目标参数与所述极限学习机器神经网络，确定所述目标模型，包括：

根据所述极限学习机器神经网络的输入权值、所述阈值和所述输出权值确定所述目标模型。

4.根据权利要求1所述的方法，其特征在于，所述采用所述观测区域修正所述预测区域，得到目标区域，包括：

检测所述观测区域的中心与所述预测区域的中心的距离；

根据所述距离，确定调整因子的值，所述调整因子的值与所述距离正相关；

根据所述观测区域，通过调整卡尔曼增益公式来修正所述预测区域，得到所述目标区域，所述卡尔曼增益公式为：

Kk=Pk,k-1HkT(HkPk,k-1HkT+rkRk);]]>

其中，所述K_k为当前时刻的滤波增益矩阵，所述P_k,k-1为上一时刻到当前时刻的一步预测误差方差矩阵，所述H_k为当前时刻的观测区域对应的观测矩阵，所述为当前时刻的观测矩阵的转置矩阵，所述R_k为当前时刻的过程误差协方差矩阵，所述r_k为当前时刻的调整因子，所述k为当前时刻，所述k-1为上一时刻。