[0116] 進(jìn)一步的，在獲取預(yù)設(shè)的n個(gè)虹膜圖像中每個(gè)虹膜圖像對(duì)應(yīng)預(yù)設(shè)參考圖像中同一 視覺區(qū)域的視覺特征參數(shù)，得到n個(gè)視覺特征參數(shù)之前，該方法還包括；采集n個(gè)人臉圖像； 獲取每個(gè)人臉圖像對(duì)應(yīng)的虹膜圖像，得到n個(gè)虹膜圖像。
[0117] 步驟103包括；根據(jù)目標(biāo)區(qū)域確定目標(biāo)視線方向；根據(jù)目標(biāo)視線方向和預(yù)設(shè)的坐 標(biāo)系，確定人眼注視的屏幕落點(diǎn)位置，該坐標(biāo)系用于記錄人眼和屏幕落點(diǎn)位置的位置關(guān)系。
[0118] 可選的，虹膜呈楠圓狀，視覺特征參數(shù)為虹膜在虹膜圖像中的位置坐標(biāo)、虹膜的長 軸與水平方向的夾角、虹膜的長軸的長度和虹膜的短軸的長度中的任一特征參數(shù)。
[0119] 綜上所述，本發(fā)明實(shí)施例提供的視線追蹤方法，能夠根據(jù)目標(biāo)參數(shù)和ELM神經(jīng)網(wǎng) 絡(luò)得到目標(biāo)模型，再確定待測(cè)試虹膜圖像的虹膜中屯、所在的觀測(cè)區(qū)域，再采用觀測(cè)區(qū)域修 正卡爾曼濾波方法得到的預(yù)測(cè)區(qū)域，得到目標(biāo)區(qū)域，最后根據(jù)目標(biāo)區(qū)域確定人眼注視的屏 幕落點(diǎn)位置，相較于相關(guān)技術(shù)，用于修正預(yù)測(cè)區(qū)域的觀測(cè)區(qū)域的準(zhǔn)確率更高，因此，提高了 確定人眼注視的屏幕落點(diǎn)位置的精確度和速度。
[0120] 本發(fā)明實(shí)施例提供另一種視線追蹤方法，如圖2-1所示，該方法包括：
[0121] 步驟201、采集n個(gè)人臉圖像。
[0122] 示例的，可W通過攝像機(jī)采集n個(gè)人臉圖像。
[0123] 步驟202、獲取每個(gè)人臉圖像對(duì)應(yīng)的虹膜圖像，得到n個(gè)虹膜圖像。
[0124] 利用頭部輪廓的對(duì)稱性，縮小人臉圖像的范圍，檢測(cè)人眼的潛在區(qū)域，如楠圓形的 虹膜，獲取每個(gè)人臉圖像對(duì)應(yīng)的虹膜圖像，得到n個(gè)虹膜圖像。虹膜屬于眼球中層，位于血 管膜的最前部，在睫狀體前方，有自動(dòng)調(diào)節(jié)瞳孔的大小，調(diào)節(jié)進(jìn)入眼內(nèi)光線多少的作用。本 發(fā)明實(shí)施例將虹膜的特征參數(shù)作為追蹤視線的視覺特征參數(shù)。
[01巧]步驟203、獲取預(yù)設(shè)的n個(gè)虹膜圖像中每個(gè)虹膜圖像對(duì)應(yīng)預(yù)設(shè)參考圖像中同一視 覺區(qū)域的視覺特征參數(shù)，得到n個(gè)視覺特征參數(shù)。
[0126] 虹膜呈楠圓狀，視覺特征參數(shù)為虹膜在虹膜圖像中的位置坐標(biāo)、虹膜的長軸與水 平方向的夾角、虹膜的長軸的長度和虹膜的短軸的長度中的任一特征參數(shù)。
[0127] 預(yù)設(shè)參考圖像可W劃分為至少兩個(gè)面積相等的視覺區(qū)域。示例的，預(yù)設(shè)參考圖形 可W為楠圓狀，也可W為其他形狀。當(dāng)預(yù)設(shè)參考圖形為楠圓狀時(shí)，預(yù)設(shè)參考圖像按照?qǐng)D像輪 廓?jiǎng)澐譃槎鄠€(gè)視覺區(qū)域，劃分的視覺區(qū)域越多，包含面積相等的視覺區(qū)域就越多。圖2-2示 出了一種預(yù)設(shè)參考圖像劃分的視覺區(qū)域的示意圖，如圖2-2所示，預(yù)設(shè)參考圖像劃分為9個(gè) 視覺區(qū)域，該9個(gè)視覺區(qū)域的標(biāo)號(hào)為1至9,其中，標(biāo)號(hào)為1、7、3和9的視覺區(qū)域的面積相 等，標(biāo)號(hào)為2、8、4和6的視覺區(qū)域的面積相等。示例的，預(yù)設(shè)參考圖像還可W劃分為16個(gè) 視覺區(qū)域，劃分的視覺區(qū)域越多，確定人眼注視的屏幕落點(diǎn)位置越精確。
[012引示例的，可W獲取n個(gè)虹膜圖像中每個(gè)虹膜圖像對(duì)應(yīng)圖2-2中的視覺區(qū)域1的視 覺特征參數(shù)，得到n個(gè)視覺特征參數(shù)，也可W獲取n個(gè)虹膜圖像中每個(gè)虹膜圖像對(duì)應(yīng)圖2-2 中的視覺區(qū)域2的視覺特征參數(shù)，得到n個(gè)視覺特征參數(shù)，還可W獲取n個(gè)虹膜圖像中每個(gè) 虹膜圖像對(duì)應(yīng)圖2-2中的視覺區(qū)域4的視覺特征參數(shù)，得到n個(gè)視覺特征參數(shù)。
[0129]步驟204、通過向ELM神經(jīng)網(wǎng)絡(luò)輸入n個(gè)視覺特征參數(shù)，確定ELM神經(jīng)網(wǎng)絡(luò)的目標(biāo) 參數(shù)。
[0130]目標(biāo)參數(shù)為ELM神經(jīng)網(wǎng)絡(luò)的輸出權(quán)值。從神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)來看，ELM是一個(gè)簡單 的單隱層前饋神經(jīng)網(wǎng)絡(luò)。ELM神經(jīng)網(wǎng)絡(luò)的輸入結(jié)點(diǎn)到隱層結(jié)點(diǎn)的輸入權(quán)值、隱層結(jié)點(diǎn)的闊值 都是隨機(jī)選取的。
[013。 圖2-3示出了ELM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖，如圖2-3所示，ELM神經(jīng)網(wǎng)絡(luò)包括S層； 輸入層、隱層和輸出層。其中，輸入層包括n個(gè)輸入，隱層包括N個(gè)隱層結(jié)點(diǎn)，輸出層包括m 個(gè)輸出。ELM神經(jīng)網(wǎng)絡(luò)按照一定的規(guī)律由N個(gè)隱層結(jié)點(diǎn)相互連接而成，通過隱層結(jié)點(diǎn)相互作 用的動(dòng)態(tài)過程，進(jìn)行信息處理，每個(gè)隱層結(jié)點(diǎn)均設(shè)置一個(gè)加和器E和一個(gè)激活函數(shù)g (X)，示 例的，
隱層結(jié)點(diǎn)與輸入結(jié)點(diǎn)、輸出結(jié)點(diǎn)通過權(quán)值連接。實(shí)際應(yīng)用中，通過調(diào)整 ELM神經(jīng)網(wǎng)絡(luò)相應(yīng)的連接權(quán)值達(dá)到處理信息的目的。
[013引假設(shè)有M個(gè)任意且相互獨(dú)立的樣本（Xi，ti)，其中，XiGR"，tiGRm，含有N個(gè)隱層 結(jié)點(diǎn)和激活函數(shù)g(x)的標(biāo)準(zhǔn)單隱層前饋神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)模型為：
[0133]
[0134] 其中，W,.二為連接第i層輸入結(jié)點(diǎn)與隱層結(jié)點(diǎn)的權(quán)值向量， 片二[片，A:，…，A,]'為連接第i個(gè)隱層結(jié)點(diǎn)與輸出結(jié)點(diǎn)的權(quán)值向量，bi為第i層隱層 結(jié)點(diǎn)的闊值，Wi?Xj.表示W(wǎng)i和Xj.的內(nèi)積，ELM神經(jīng)網(wǎng)絡(luò)的輸出結(jié)點(diǎn)為線性結(jié)點(diǎn)。通過向圖 2-3所示的ELM神經(jīng)網(wǎng)絡(luò)輸入n個(gè)視覺特征參數(shù)，確定ELM神經(jīng)網(wǎng)絡(luò)的輸出權(quán)值。
[01巧]具體的，步驟204如圖2-4所示，包括；
[0136] 步驟2041、將n個(gè)視覺特征參數(shù)作為ELM神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。
[0137]W圖2-3所示的ELM神經(jīng)網(wǎng)絡(luò)為例進(jìn)行說明，將n個(gè)視覺特征參數(shù)作為ELM神經(jīng) 網(wǎng)絡(luò)的輸入?yún)?shù)。
[0138] 步驟2042、將同一視覺區(qū)域?qū)?yīng)的坐標(biāo)矩陣作為ELM神經(jīng)網(wǎng)絡(luò)的輸出參數(shù)。
[0139] 將圖2-2中同一視覺區(qū)域?qū)?yīng)的坐標(biāo)矩陣作為圖2-3所示的ELM神經(jīng)網(wǎng)絡(luò)的輸出 參數(shù)。
[0140]步驟2043、根據(jù)輸入?yún)?shù)、輸出參數(shù)、ELM神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值和闊值，確定ELM神 經(jīng)網(wǎng)絡(luò)的輸出權(quán)值。
[0141] 由于ELM神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值和隱層結(jié)點(diǎn)的闊值都是隨機(jī)選取的，因此，可W根 據(jù)輸入?yún)?shù)、輸出參數(shù)，訓(xùn)練ELM神經(jīng)網(wǎng)絡(luò)，得到ELM神經(jīng)網(wǎng)絡(luò)的輸出權(quán)值。訓(xùn)練結(jié)束，ELM 神經(jīng)網(wǎng)絡(luò)中的各項(xiàng)權(quán)值和闊值即被確定。
[0142] 步驟205、根據(jù)目標(biāo)參數(shù)與ELM神經(jīng)網(wǎng)絡(luò)，確定目標(biāo)模型。
[0143] 步驟204中ELM神經(jīng)網(wǎng)絡(luò)中的各項(xiàng)權(quán)值和闊值被確定后，即可得到一個(gè)確定的網(wǎng) 絡(luò)模型，即目標(biāo)模型。
[0144] 具體的，步驟205包括；根據(jù)ELM神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值、闊值和輸出權(quán)值確定目標(biāo) 模型。
[0145] 步驟206、根據(jù)目標(biāo)模型確定待測(cè)試虹膜圖像的虹膜中屯、所在的觀測(cè)區(qū)域。
[0146] 確定了目標(biāo)模型，即可根據(jù)該目標(biāo)模型確定待測(cè)試虹膜圖像的虹膜中屯、所在的觀 測(cè)區(qū)域。
[0147] 具體的，步驟206如圖2-5所示，包括；
[0148] 步驟2061、采集待測(cè)人臉圖像。
[0149] 采用攝像機(jī)獲取任意一副人臉圖像。
[0150] 步驟2062、獲取待測(cè)人臉圖像對(duì)應(yīng)的虹膜圖像。
[0151] 通過圖像處理技術(shù)，獲取待測(cè)人臉圖像對(duì)應(yīng)的虹膜圖像。
[0152] 步驟2063、根據(jù)待測(cè)人臉圖像對(duì)應(yīng)的虹膜圖像獲取目標(biāo)視覺特征參數(shù)。
[0153] 通過圖像處理技術(shù)和數(shù)學(xué)分析方法，獲取待測(cè)人臉圖像對(duì)應(yīng)的虹膜圖像對(duì)應(yīng)的視 覺特征參數(shù)，該視覺特征參數(shù)可W為虹膜在虹膜圖像中的位置坐標(biāo)、虹膜的長軸與水平方 向的夾角、虹膜的長軸的長度和虹膜的短軸的長度中的任一特征參數(shù)。
[0154] 步驟2064、向目標(biāo)模型輸入目標(biāo)視覺特征參數(shù)，得到目標(biāo)模型輸出的參數(shù)。
[0巧5] 將獲取的目標(biāo)視覺參數(shù)放入訓(xùn)練好的ELM神經(jīng)網(wǎng)絡(luò)，即可得到訓(xùn)練好的ELM神經(jīng) 網(wǎng)絡(luò)輸出的參數(shù)。
[0156] 步驟2065、將目標(biāo)模型輸出的參數(shù)作為待測(cè)試虹膜圖像的虹膜中屯、所在的觀測(cè)區(qū) 域。
[0157] 將訓(xùn)練好的ELM神經(jīng)網(wǎng)絡(luò)輸出的參數(shù)作為待測(cè)試虹膜圖像的虹膜中屯、所在的觀 測(cè)區(qū)域，該觀測(cè)區(qū)域用于修正由卡爾曼濾波方法得到的預(yù)測(cè)區(qū)域。
[0158] 步驟207、采用觀測(cè)區(qū)域修正預(yù)測(cè)區(qū)域，得到目標(biāo)區(qū)域。
[0159] 預(yù)測(cè)區(qū)域是由卡爾曼濾波方法得到的待測(cè)試虹膜圖像的虹膜中屯、所在的區(qū)域?？?爾曼濾波方法確定預(yù)測(cè)區(qū)域的狀態(tài)方程是線性方程，預(yù)測(cè)區(qū)域的準(zhǔn)確率較低，觀測(cè)區(qū)域的 準(zhǔn)確率較低，無法更好地確定人眼注視的屏幕落點(diǎn)位置，因此，需要采用訓(xùn)練好的ELM神經(jīng) 網(wǎng)絡(luò)輸出的觀測(cè)區(qū)域修正預(yù)測(cè)區(qū)域，得到最終的目標(biāo)區(qū)域。
[0160] 具體的，步驟207如圖2-6所示，包括；
[0161] 步驟2071、檢測(cè)觀測(cè)區(qū)域的中屯、與預(yù)測(cè)區(qū)域的中屯、的距離。
[0162] 通過卡爾曼濾波方法獲取預(yù)測(cè)區(qū)域，通過訓(xùn)練好的ELM神經(jīng)網(wǎng)絡(luò)獲取觀測(cè)區(qū)域， 檢測(cè)觀測(cè)區(qū)域的中屯、與預(yù)測(cè)區(qū)域的中屯、的距離。
[016引步驟2072、根據(jù)距離，確定調(diào)整因子的值，調(diào)整因子的值與距離正相關(guān)。
[0164] 卡爾曼濾波方法采用觀測(cè)值對(duì)預(yù)測(cè)值進(jìn)行修正，其修正公式中包括卡爾曼增益 Kk，計(jì)算該卡爾曼增益Kk的公式為：
[0165]
( 1 )
[016引其中，Kk為當(dāng)前時(shí)刻的濾波增益矩陣，Pk，k_i為上一時(shí)刻到當(dāng)前時(shí)刻的一步預(yù)測(cè)誤 差方差矩陣，Hk為當(dāng)前時(shí)刻的觀測(cè)區(qū)域?qū)?yīng)的觀測(cè)矩陣，i/f為當(dāng)前時(shí)刻的觀測(cè)矩陣的轉(zhuǎn)置 矩陣，Rk為當(dāng)前時(shí)刻的過程誤差協(xié)方差矩陣，k為當(dāng)前時(shí)刻，k-1為上一時(shí)刻。
[0167]由公式（1)可知，通過卡爾曼濾波方法得到的當(dāng)前時(shí)刻的預(yù)測(cè)區(qū)域是由當(dāng)前時(shí)刻 的過程誤差協(xié)方差矩陣Rk確定的，而當(dāng)前時(shí)刻的過程誤差協(xié)方差矩陣Rk較不穩(wěn)定，容易造 成視線追蹤的結(jié)果不穩(wěn)定，追蹤的位置與實(shí)際位置時(shí)遠(yuǎn)時(shí)近，因此，本發(fā)明實(shí)施例在原當(dāng)前 時(shí)刻的過