[发明专利]基于显著性特征融合的网页扫视路径预测方法

摘要

本发明涉及一种基于显著性特征融合的网页扫视路径预测方法，利用支持向量回归算法来建立多维显著性特征与初始注视概率值之间的关系，获取初始的注视概率图；再结合空间偏置与禁止返回机制来迭代预测下一个扫视点位置，得到由扫视点组成的扫视路径序列。本发明实现任意给定一幅网页图像，能够根据场景内容连续输出一组扫视点位置，预测人们在该场景下的扫视点跳转序列，形成扫视路径，揭示人们对于网页图像的动态关注过程。

主权项

1.一种基于显著性特征融合的网页扫视路径预测方法，其特征在于步骤如下：步骤1：提取显著性特征对于网页图像中每一个像素点x，提取对应的显著性特征f(x)；所述的显著性特征包括底层特征与语义特征，其中，底层特征包括该像素点与邻域的亮度对比度、颜色对比度与方向对比度；语义特征包括两部分，第一部分是该像素点人脸检测与人体检测的结果，第二部分是该像素点邻域大小为15×15×3的区域块对应的语义哈希编码；步骤2：训练基于多维特征融合的回归模型选取75幅包含原始眼动数据的网页图像进行训练，对于每个网页图像，从人们关注度最高5％区域提取10个正样本点，标记为1；从关注度最低30％区域提取10个负样本点，标记为0；按照下式提取各个样本点处的显著性特征向量f(x)：其中，为亮度对比度，为颜色对比度，为方向对比度，F(x)为人脸特征，P(x)为人体特征，H(x)为语义哈希特征；利用支持向量模型对这1500个样本点进行学习，获得显著性特征权重向量w，来构建从显著性特征向量到标记关注概率的映射关系；步骤3：估计初始注视概率图遍历整个网页图像，利用学习得到的特征权重向量w来计算每个像素点的初始注视概率图S(x)：S(x)＝max(w^Tf(x),0)步骤4：计算t时刻空间加权概率图(4a)利用下式，计算左上角偏置模板μ(x)：μ(x)＝(1‑|x‑x_tp|)²其中，x_tp＝[h/4,w/4]为网页图像I上距离左上角长宽各1/4位置处的像素点，h为图像高度，w为图像宽度；|x‑x_tp|为像素点x到x_tp的距离；(4b)根据上一个扫视点q_t‑1的位置来计算基于扫视幅度与角度的扫视加权模板ρ_t(x)；初始时刻ρ₁(x)＝1，其余t时刻ρ_t(x)按下式计算：其中，exp为指数函数；p_x,p_y为像素点x的二维坐标，即x＝[p_x,p_y]；x_t‑1,y_t‑1为上一个扫视点q_t‑1的二维坐标；σ_x＝min[h,w]/3，σ_y＝σ_x×4；(4c)计算t时刻空间加权概率图W_t(x)＝μ(x)ρ_t(x)；步骤5：计算t时刻禁止返回模板图将之前选出过扫视区域的概率设置为0；初始时刻I₁(x)＝1，其余t时刻I_t(x)按下式计算：其中，禁止区域半径参数r＝min[h,w]/12；步骤6：预测扫视点序列结合初始注视概率图S(x)、t时刻空间加权概率图W_t(x)、t时刻禁止返回模板图I_t(x)得到t时刻总扫视预测概率图P_t(x)＝S(x)W_t(x)I_t(x)，选择P_t(x)上最大值对应点作为下一个扫视点q_t；最后迭代更新W_t(x)与I_t(x)，并在此基础上预测后续扫视点，生成关于网页图像的扫视路径。