視線追蹤方法及裝置的制造方法
【技術領域】
[0001] 本發(fā)明設及圖像處理技術領域，特別設及一種視線追蹤方法及裝置。
【背景技術】
[0002] 人機交互是一種研究人與機器及其相互作用的技術，通過人機交互技術可W利用 所有可能的信息通道實現人與機器之間的交流。隨著電子技術的快速發(fā)展，人機交互技術 廣泛應用于人與電視機之間的交互中，電視機的功能越來越強大，遙控器的設計越來越復 雜，如果通過操作遙控器實現人機交互，將會使交互時間變長，交互效率降低，因此，基于視 線追蹤的人機交互的方法得到了廣泛關注。視線追蹤是利用機械、電子、光學等各種檢測手 段獲取使用者當前的"注視方向"的技術。
[0003] 相關技術中，基于視線追蹤的人機交互的方法主要是根據卡爾曼化alman)濾波 方法追蹤視線，完成人機交互過程?？柭鼮V波方法采用的是遞歸技術，其認為當前時刻的 狀態(tài)只依賴于前一時刻的狀態(tài)，不依賴于所有時刻的狀態(tài)。具體的，先對采集到的人臉圖像 進行處理，獲取人眼的潛在區(qū)域，再獲取人眼構造，如虹膜，的特征信息，然后通過卡爾曼濾 波方法根據第k時刻虹膜中屯、所在的區(qū)域和狀態(tài)方程確定第k+1時刻虹膜中屯、所在的預測 區(qū)域，根據觀測方程和第k+1時刻虹膜中屯、所在的預測區(qū)域確定第k+1時刻虹膜中屯、所在 的觀測區(qū)域，再采用第k+1時刻虹膜中屯、所在的觀測區(qū)域修正第k+1時刻虹膜中屯、所在的 預測區(qū)域，得到虹膜中屯、的最優(yōu)估計區(qū)域，最后根據虹膜中屯、的最優(yōu)估計區(qū)域確定人眼的 視線方向，進而確定人眼注視的屏幕落點位置，完成人機交互過程。
[0004] 由于上述過程中，人眼是不斷運動變化的，而用于確定虹膜中屯、所在的預測區(qū)域 的狀態(tài)方程是線性方程，得到的預測區(qū)域的準確率較低，相應的，用于修正預測區(qū)域的觀測 區(qū)域的準確率較低，最終確定人眼注視的屏幕落點位置的精確度較低，且速度較低。

【發(fā)明內容】

[0005] 為了解決人眼注視的屏幕落點位置的精確度較低，且速度較低的問題，本發(fā)明提 供了一種視線追蹤方法及裝置。所述技術方案如下：
[0006] 第一方面，提供了一種視線追蹤方法，所述方法包括：
[0007] 根據目標模型確定待測試虹膜圖像的虹膜中屯、所在的觀測區(qū)域，所述目標模型為 根據目標參數和極限學習機器神經網絡得到的模型，所述目標參數是向所述極限學習機器 神經網絡輸入n個視覺特征參數后得到的參數，所述n個視覺特征參數為預設的n個虹膜 圖像中每個虹膜圖像對應預設參考圖像中同一視覺區(qū)域的視覺特征參數，所述預設參考圖 像劃分為至少兩個面積相等的視覺區(qū)域，所述n為大于1的整數；
[0008] 采用所述觀測區(qū)域修正預測區(qū)域，得到目標區(qū)域，所述預測區(qū)域是通過卡爾曼濾 波方法確定的待測試虹膜圖像的虹膜中屯、所在的區(qū)域；
[0009] 根據所述目標區(qū)域確定人眼注視的屏幕落點位置。
[0010] 可選的，在所述根據目標模型確定待測試虹膜圖像的虹膜中屯、所在的觀測區(qū)域之 前，所述方法還包括：
[0011] 獲取預設的n個虹膜圖像中每個虹膜圖像對應所述預設參考圖像中同一視覺區(qū) 域的視覺特征參數，得到所述n個視覺特征參數；
[0012] 通過向所述極限學習機器神經網絡輸入所述n個視覺特征參數，確定所述極限學 習機器神經網絡的目標參數；
[0013] 根據所述目標參數與所述極限學習機器神經網絡，確定所述目標模型。
[0014] 可選的，所述目標參數為所述極限學習機器神經網絡的輸出權值，
[0015] 所述通過向所述極限學習機器神經網絡輸入所述n個視覺特征參數，確定所述極 限學習機器神經網絡的目標參數，包括：
[0016] 將所述n個視覺特征參數作為所述極限學習機器神經網絡的輸入參數；
[0017] 將所述同一視覺區(qū)域對應的坐標矩陣作為所述極限學習機器神經網絡的輸出參 數；
[0018] 根據所述輸入參數、所述輸出參數、所述極限學習機器神經網絡的輸入權值和闊 值，確定所述極限學習機器神經網絡的輸出權值，所述輸入權值為所述極限學習機器神經 網絡的輸入結點到隱層結點的權值，所述闊值為所述隱層結點的闊值；
[0019] 所述根據所述目標參數與所述極限學習機器神經網絡，確定所述目標模型，包 括：
[0020] 根據所述極限學習機器神經網絡的輸入權值、所述闊值和所述輸出權值確定所述 目標模型。
[0021] 可選的，所述采用所述觀測區(qū)域修正所述預測區(qū)域，得到目標區(qū)域，包括：
[0022] 檢測所述觀測區(qū)域的中屯、與所述預測區(qū)域的中屯、的距離；
[0023] 根據所述距離，確定調整因子的值，所述調整因子的值與所述距離正相關；
[0024] 根據所述觀測區(qū)域，通過調整卡爾曼增益公式來修正所述預測區(qū)域，得到所述目 標區(qū)域，所述卡爾曼增益公式為：
[00巧]
[0026] 其中，所述Kk為當前時刻的濾波增益矩陣，所述Pk,k_i為上一時刻到當前時刻的一 步預測誤差方差矩陣，所述Hk為當前時刻的觀測區(qū)域對應的觀測矩陣，所述為當前時刻 的觀測矩陣的轉置矩陣，所述Rk為當前時刻的過程誤差協方差矩陣，所述rk為當前時刻的 調整因子，所述k為當前時刻，所述k-1為上一時刻。
[0027] 可選的，所述根據目標模型確定待測試虹膜圖像的虹膜中屯、所在的觀測區(qū)域，包 括：
[0028] 采集待測人臉圖像；
[0029] 獲取所述待測人臉圖像對應的虹膜圖像；
[0030] 根據所述待測人臉圖像對應的虹膜圖像獲取目標視覺特征參數；
[0031] 向所述目標模型輸入所述目標視覺特征參數，得到所述目標模型輸出的參數；
[0032] 將所述目標模型輸出的參數作為待測試虹膜圖像的虹膜中屯、所在的觀測區(qū)域。
[0033] 可選的，在所述獲取預設的n個虹膜圖像中每個虹膜圖像對應預設參考圖像中同 一視覺區(qū)域的視覺特征參數，得到所述n個視覺特征參數之前，所述方法還包括：
[0034] 采集n個人臉圖像；
[0035] 獲取每個所述人臉圖像對應的虹膜圖像，得到所述n個虹膜圖像。
[0036] 可選的，所述根據所述目標區(qū)域確定人眼注視的屏幕落點位置，包括：
[0037] 根據所述目標區(qū)域確定目標視線方向；
[0038] 根據所述目標視線方向和預設的坐標系，確定人眼注視的屏幕落點位置，所述坐 標系用于記錄人眼和屏幕落點位置的位置關系。
[0039] 可選的，所述虹膜呈楠圓狀，
[0040] 所述視覺特征參數為虹膜在所述虹膜圖像中的位置坐標、所述虹膜的長軸與水平 方向的夾角、所述虹膜的長軸的長度和所述虹膜的短軸的長度中的任一特征參數。
[0041] 第二方面，提供了一種視線追蹤裝置，所述裝置包括：
[0042] 第一確定單元，用于根據目標模型確定待測試虹膜圖像的虹膜中屯、所在的觀測區(qū) 域，所述目標模型為根據目標參數和極限學習機器神經網絡得到的模型，所述目標參數是 向所述極限學習機器神經網絡輸入n個視覺特征參數后得到的參數，所述n個視覺特征參 數為預設的n個虹膜圖像中每個虹膜圖像對應預設參考圖像中同一視覺區(qū)域的視覺特征 參數，所述預設參考圖像劃分為至少兩個面積相等的視覺區(qū)域，所述n為大于1的整數；
[0043] 處理單元，用于采用所述觀測區(qū)域修正預測區(qū)域，得到目標區(qū)域，所述預測區(qū)域是 通過卡爾曼濾波方法確定的待測試虹膜圖像的虹膜中屯、所在的區(qū)域；
[0044] 第二確定單元，用于根據所述目標區(qū)域確定人眼注視的屏幕落點位置。
[0045] 可選的，所述裝置還包括：
[0046] 第一獲取單元，用于獲取預設的n個虹膜圖像中每個虹膜圖像對應所述預設參考 圖像中同一視覺區(qū)域的視覺特征參數，得到所述n個視覺特征參數；
[0047] 第=確定單元，用于通過向所述極限學習機器神經網絡輸入所述n個視覺特征參 數，確定所述極限學習機器神經網絡的目標參數；
[0048] 第四確定單元，用于根據所述目標參數與所述極限學習機器神經網絡，確定所述 目標模型。
[0049] 可選的，所述目標參數為所述極限學習機器神經網絡的輸出權值，
[0050] 所述第S確定單元，包括：
[0051] 第一處理模塊，用于將所述n個視覺特征參數作為所述極限學習機器神經網絡的 輸入參數；
[0052] 第二處理模塊，用于將所述同一視覺區(qū)域對應的坐標矩陣作為所述極限學習機器 神經網絡的輸出參數；
[0053] 第一確定模塊，用于根據所述輸入參數、所述輸出參數、所述極限學習機器神經網 絡的輸入權值和闊值，確定所述極限學習機器神經網絡的輸出權值，所述輸入權值為所述 極限學習機器神經網絡的輸入結點到隱層結點的權值，所述闊值為所述隱層結點的闊值；
[0054] 所述第四確定單元，包括：
[00巧]第二確定模塊，用于根據所述極限學習機器神經網絡的輸入權值、所述闊值和所 述輸出權值確定所述目標模型。
[0056] 可選的，所述處理單元，包括：
[0057] 檢測模塊，用于檢測所述觀測區(qū)域的中屯、與所述預測區(qū)域的中屯、的距離；
[0058]第S確定模塊，用于根據所述距離，確定調整因子的值，所述調整因子的值與所述 距離正相關；
[0059]修正模塊，用