[发明专利]视线追踪方法及装置

说明书

技术领域

本发明涉及图像处理技术领域，特别涉及一种视线追踪方法及装置。

背景技术

人机交互是一种研究人与机器及其相互作用的技术，通过人机交互技术可以利用所有可能的信息通道实现人与机器之间的交流。随着电子技术的快速发展，人机交互技术广泛应用于人与电视机之间的交互中，电视机的功能越来越强大，遥控器的设计越来越复杂，如果通过操作遥控器实现人机交互，将会使交互时间变长，交互效率降低，因此，基于视线追踪的人机交互的方法得到了广泛关注。视线追踪是利用机械、电子、光学等各种检测手段获取使用者当前的“注视方向”的技术。

相关技术中，基于视线追踪的人机交互的方法主要是根据卡尔曼(kalman)滤波方法追踪视线，完成人机交互过程。卡尔曼滤波方法采用的是递归技术，其认为当前时刻的状态只依赖于前一时刻的状态，不依赖于所有时刻的状态。具体的，先对采集到的人脸图像进行处理，获取人眼的潜在区域，再获取人眼构造，如虹膜的特征信息，然后通过卡尔曼滤波方法根据第k时刻虹膜中心所在的区域和状态方程确定第k+1时刻虹膜中心所在的预测区域，根据观测方程和第k+1时刻虹膜中心所在的预测区域确定第k+1时刻虹膜中心所在的观测区域，再采用第k+1时刻虹膜中心所在的观测区域修正第k+1时刻虹膜中心所在的预测区域，得到虹膜中心的最优估计区域，最后根据虹膜中心的最优估计区域确定人眼的视线方向，进而确定人眼注视的屏幕落点位置，完成人机交互过程。

由于上述过程中，人眼是不断运动变化的，而用于确定虹膜中心所在的预测区域的状态方程是线性方程，得到的预测区域的准确率较低，相应的，用于修正预测区域的观测区域的准确率较低，最终确定人眼注视的屏幕落点位置的精确度较低，且速度较低。

发明内容

为了解决人眼注视的屏幕落点位置的精确度较低，且速度较低的问题，本发明提供了一种视线追踪方法及装置。所述技术方案如下：

第一方面，提供了一种视线追踪方法，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。

可选的，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。

可选的，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。

可选的，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：