本发明涉及视线追踪领域，具体而言，涉及一种过滤光斑的方法和装置。
背景技术：
vr(virtualreality，虚拟现实)技术是一种可以创建和体验虚拟世界的计算机技术，其在视线追踪领域得到了广泛的应用。
在实际应用中，vr设备可根据基于眼球的3d近似圆球模型中的瞳孔中心坐标和角膜反射，对注视点的远距离设备进行视线估计。如果vr设备使用多相机多光源，则只需要进行单点校正即可估计视线。然而，由于光源和相机的相对位置的不同，可能导致处于某些位置上的相机不能捕获到图像，或者捕获到的图像不佳，从而导致不能有效的滤除干扰光斑或者杂光斑，进一步使得光斑与光源不能进行精确的匹配。
针对上述现有技术不能准确滤除杂光斑的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种过滤光斑的方法和装置，以至少解决现有技术不能准确滤除杂光斑的技术问题。
根据本发明实施例的一个方面，提供了一种过滤光斑的方法，包括：获取第一图像以及与第一图像相匹配的基准图像，其中，在第一图像上显示有第一类光斑；根据基准图像确定第一图像的第二类光斑，其中，第二类光斑为基于基准图像对第一图像上的光斑进行估计所得到的光斑；根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑和第二类光斑的匹配结果；根据匹配结果对第一类光斑进行过滤。
根据本发明实施例的另一方面，还提供了一种过滤光斑的装置，包括：获取模块，用于获取第一图像以及与第一图像相匹配的基准图像，其中，在第一图像上显示有第一类光斑；第一确定模块，用于根据基准图像确定第一图像的第二类光斑，其中，第二类光斑为基于基准图像对第一图像上的光斑进行估计所得到的光斑；第二确定模块，用于根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑和第二类光斑的匹配结果；过滤模块，用于根据匹配结果对第一类光斑进行过滤。
根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，程序执行过滤光斑的方法。
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行过滤光斑的方法。
根据本发明实施例的另一方面，还提供了一种视线追踪设备，该视线追踪设备包括过滤光斑的装置。
在本发明实施例中，采用图匹配的方式，通过获取第一图像以及与第一图像相匹配的基准图像，并根据基准图像确定第一图像的第二类光斑，然后根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑和第二类光斑的匹配结果，最后根据匹配结果对第一类光斑进行过滤，其中，在第一图像上显示有第一类光斑，第二类光斑为基于基准图像对第一图像上的光斑进行估计所得到的光斑达到了准确滤除杂光斑的目的，从而实现了对光源和光斑进行精确匹配的技术效果，进而解决了现有技术不能准确滤除杂光斑的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种过滤光斑的方法流程图；
图2是根据本发明实施例的一种可选的视线追踪设备的结构示意图；
图3是根据本发明实施例的一种可选的过滤光斑的方法流程图；
图4是根据本发明实施例的一种可选的第一类光斑与第二类光斑的匹配示意图；以及
图5是根据本发明实施例的一种过滤光斑的装置结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种过滤光斑的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的过滤光斑的方法流程图，如图1所示，该方法包括如下步骤：
步骤s102，获取第一图像以及与第一图像相匹配的基准图像，其中，在第一图像上显示有第一类光斑。
需要说明的是，上述第一图像为相机采集到的包含人的眼睛的图像，并且在该图像上具有第一类光斑，其中，第一类光斑不仅包含与光源相对应的光斑，即光源经角膜反射在相机上投影得到的光斑，还包括杂光斑。上述杂光斑为异常光斑，需要被滤除。基准图像是指与第一图像相匹配的图像，其中，基准图像也包含人的眼睛的图像以及与光源相对应的光斑。基准图像上不具有杂光斑。
可选的，本申请中所有实施例中执行方法的主体为视线追踪设备，其中，视线追踪设备可以为但不限于虚拟现实设备、可进行视线追踪的智能终端、例如，手机、电脑、可穿戴设备等。
具体的，图2示出了一种可选的视线追踪设备的结构示意图，在图2中，a为眼球，b为角膜表面，c为角膜曲率中心，d为眼球旋转中心，p为瞳孔中心，r为瞳孔半径，o1为相机，i1和i2为两个光源，u21和u11为光源经角膜反射后达到相机的成像点。其中，光源经角膜反射后达到相机的成像点即为上述光斑。由此，视线追踪设备可通过获取相机拍摄到的图像来得到第一图像，而基准图像可通过《seperatingstyleandcontentwithbilinearmodels》一文中所介绍的双线性模型训练的方法从不同初始位置和不同视角采集到的多张图像中提取出，其中，基准图像是与第一图像最匹配的图像。
步骤s104，根据基准图像确定第一图像的第二类光斑，其中，第二类光斑为基于基准图像对第一图像上的光斑进行估计所得到的光斑。
需要说明的是，由于基准图像中的光斑为与光源相对应的光斑，并且，基准图像与第一图像的匹配度最高，因此，以基准图像为基准可粗略确定第一图像中的第二类光斑。其中，第一图像的第二类光斑表示与光源相对应的光斑。由此，可根据第二类光斑来滤除第一类光斑中的杂光斑。
具体的，可通过基准图像中光斑与瞳孔的相对位置来确定第一图像中的光斑与瞳孔的相对位置，由于瞳孔的位置可通过图像处理的相关算法准确得到，因此，可通过将第一图像中瞳孔的位置与基准图像中瞳孔的位置进行匹配，进而，可根据基准图像中的光斑粗略确定第一图像中第二类光斑的位置。
步骤s106，根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑和第二类光斑的匹配结果。
需要说明的是，在获取到第一类光斑和第二类光斑的位置之后，可根据第一类光斑中每个光斑的位置与第二类光斑中每个光斑的位置之间的距离，来确定两者之间的距离权重值，在获得每个第一类光斑的第一位置与每个第二类光斑的第二位置之间的距离权重值之后，使用匹配算法来完成第一类光斑与第二类光斑的匹配。
此外，还需要说明的是，可采用《matchingtheory》一书中所介绍的km算法(kuhn-munkras算法，即二分图最佳匹配算法)来对第一类光斑和第二类光斑进行匹配。
步骤s108，根据匹配结果对第一类光斑进行过滤。
需要说明的是，在获取到第一类光斑与第二类光斑的匹配结果之后，将匹配出的第一类光斑中的某一个光斑与其他的光斑组成向量，同时，将第二类光斑中的与该光斑对应的光斑也与其他的第二类光斑组成向量，并根据两个向量之间的夹角的大小来确定第一类光斑中的该光斑是否为异常光斑。例如，第一类光斑包括五个光斑，分别为a、b、c、d和e，第一类光斑中与第二类光斑相对应的光斑为a、c和e，对应的第二类光斑为a′、c′和e′，则a与c和e分别组成向量
基于上述步骤s102至步骤s108所限定的方案，可以获知，通过获取第一图像以及基准图像，并根据基准图像确定第一图像的第二类光斑，然后根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑和第二类光斑之间的距离权重值，并根据距离权重值对第一类光斑和第二类光斑进行匹配，得到匹配结果，最后根据匹配结果对第一类光斑进行过滤，其中，在第一图像上显示有第一类光斑，第二类光斑为基于基准图像对第一图像上的光斑进行估计所得到的光斑。
容易注意到的是，由于采用基准图像确定第一图像中的第二类光斑的第二位置的方法简单，并且确定第二类光斑的位置的准确率较高，由此，可以进一步提高滤除杂光斑的精度。另外，在确定了第二类光斑的位置之后，即粗略的确定了第一图像上的第一类光斑中的正常光斑，即与光源相对应的光斑的位置，然后再根据第一类光斑与第二类光斑之间的距离权重值来确定第一类光斑与第二类光斑的匹配结果，并根据匹配结果进一步剔除第一类光斑中的杂光斑。由上述内容可知，上述过程相当于对杂光斑进行了两次过滤，从而进一步达到了对杂光斑进行准确滤除的目的。
由上述内容可知，上述实施例可以达到准确滤除杂光斑的目的，从而实现了对光源的光斑进行精确匹配的技术效果，进而解决了现有技术不能准确滤除杂光斑的技术问题。
在一种可选的实施例中，可通过如下方法获取基准图像：
步骤s1022，构建双线性模型；
步骤s1024，将第一图像输入至双线性模型；
步骤s1026，确定双线性模型的输出数据；
步骤s1028，根据输出数据确定基准图像。
具体的，可通过图像训练的方法来构建双线性模型，在得到双线性模型之后，可将第一图像作为双线性模型的输入，双线性模型在接收到第一图像之后，对第一图像处理分析，查找到与第一图像最匹配的图像，并输出该图像，其中，双线性模型的输出图像即为与第一图像相匹配的基准图像。
需要说明的是，通过图像训练的方法构建双线性模型的方法具体包括如下步骤：
步骤s1022a，采集多张图像，其中，多张图像中的每张图像均包含与光源相对应的光斑；
步骤s1022b，获取每张图像的参数信息，其中，参数信息至少包括如下之一：每张图像中的光斑的起始位置以及每张图像的拍摄视角；
步骤s1022c，根据每张图像的参数信息以及每张图像中的光斑与瞳孔的相对位置得到双线性模型。
需要说明的是，采集多张图像中的每张图像的拍摄视角可以是不同的，从而可以保证对同一角膜在不同拍摄视角下确定的光斑与瞳孔的相对位置是准确的。由此，当双线性模型接收到第一图像之后，可根据第一图像的参数信息来确定与第一图像最匹配的基准图像。
此外，还需要说明的是，在构建好双线性模型之后，将第一图像输入至双线性模型中，并获取到双线性模型输出的基准图像，视线追踪设备可根据基准图像确定第一图像的第二类光斑，具体步骤如下：
步骤s1040，获取基准图像中的每个光斑与瞳孔的相对位置；
步骤s1042，获取第一图像中的瞳孔的位置；
步骤s1044，根据第一图像中的瞳孔的位置以及基准图像中的每个光斑与瞳孔的相对位置确定第二类光斑的位置。
具体的，视线追踪设备可确定基准图像中的光斑与瞳孔的相对位置，同时也可得到第一图像中的瞳孔的位置，基准图像中光斑与瞳孔的相对位置和第一图像中第二类光斑与瞳孔的相对位置相同，由此，根据基准图像中光斑与瞳孔的相对位置以及第一图像中的瞳孔位置即可确定第二类光斑的位置。例如，基准图像中的光斑a’与瞳孔的相对位置为(30,40)，第一图像中瞳孔的位置坐标为(500,500)，则第一图像中与基准图像中的光斑a’相匹配的第二类光斑a的位置坐标为(530,540)。
需要说明的是，在实际应用中，第一图像中与光源相对应的光斑的个数以及光斑的位置是不确定的，因此，为了更有效地确定第一图像中的第二类光斑，需要通过图模型方法来对第一图像中的第一类光斑和第二类光斑进行匹配，并根据匹配结果去除第一图像中的异常光斑(即杂光斑)，具体方法如图3所示。
具体的，图3示出了一种可选的过滤光斑的方法流程图。由图3可知，在获取确定第二类光斑的位置之后，视线追踪设备首先计算第一类光斑中的每个光斑与第二类光斑中的每个光斑的距离权重值，然后根据得到的距离权重值采用km算法对第一类光斑和第二类光斑进行匹配，最后根据匹配结果去除不满足条件的异常光斑。
在一种可选的实施例中，根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑和第二类光斑的匹配结果具体包括如下步骤：
步骤s1060，根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑与第二类光斑之间的距离权重值；
步骤s1062，根据距离权重值对第一类光斑和第二类光斑进行匹配，得到匹配结果。
具体的，可根据第一类光斑中的每个光斑与第二类光斑中的每个光斑之间的距离权重值cii′来确定第一类光斑与第二类光斑之间的距离权重值γ，具体公式如下：
在上式中，γ为第一类光斑与第二类光斑之间的距离权重值，γ的取值可为1，cii′为第一类光斑中的每个光斑与第二类光斑中的每个光斑之间的距离权重值，v(gi)为第i个第一类光斑的位置坐标，v(gi′)为第i′个第二类光斑的位置坐标。
由上式可知，当第i个第一类光斑与第i′个第二类光斑的距离超过距离阈值时，cii′的权重值为0，即当第i个第一类光斑与第i′个第二类光斑的距离无穷大时，每个权重值均接近于0，即下式成立：
其中，上式中的σ为距离阈值。
需要说明的是，在实际情况下，将上述方法得到的距离权重值应用到km算法中，得到的第一类光斑与第二类光斑的匹配度都比较低，由此，本申请采用通过em算法(expectationmaximizationalgorithm，即期望最大化算法)来对第一类光斑与第二类光斑之间的距离权重值γ进行修正，修正后的距离权重值为γ*，具体公式如下：
yii′＝qii′
其中，v(gi)为第i个第一类光斑gi的第一位置，v(gi′)为第i′个第二类光斑gi′的第二位置，σ为距离阈值，γ*为第一类光斑与第二类光斑之间的距离权重值，qii′为第i个第一类光斑与第i′个第二类光斑之间的距离权重值，i为第一类光斑的集合，i′为第二类光斑的集合，yi′为第i′个第二类光斑的位置权重值。
在一种可选的实施例中，在确定了第一类光斑与第二类光斑之间的距离权重值之后，可根据km算法来对第一类光斑和第二类光斑进行匹配，其中，km算法的步骤如下：
(1)初始化可行顶标的值；
(2)在等价子图中寻找完备匹配；
(3)若未找到完备匹配则修改可行顶标的值；
(4)重复步骤(2)和(3)，直至找到所有相等子图的完备匹配位置。
将上述km算法应用到本申请中，可得到第一类光斑与第二类光斑之间的最佳匹配，即根据距离权重值对第一类光斑和第二类光斑进行匹配，得到匹配结果，具体方法包括如下步骤：
步骤s1080，确定第一类光斑与第二类光斑的匹配组合，其中，匹配组合包含第一类光斑与第二类光斑的多个对应关系；
步骤s1082，分别计算每个对应关系中的每个第一类光斑与每个第二类光斑之间的距离权重值的权重和；
步骤s1084，确定多个对应关系中权重和最大的对应关系，其中，权重和最大时所对应的对应关系表征第一类光斑与第二类光斑相匹配。
在一种可选的实施例中，第一类光斑包括a、b、c、d和e五个光斑，其中，与第一类光斑相对应的第二类光斑的匹配组合包含以下三种：
(1)组合一：a′、b′、c′、d′和e′；
(2)组合二：a′、b′、f′、d′和e′；
(3)组合三：a′、b′、c′、g′和e′。
以组合一为例进行说明，光斑a与a′之间的权重值为a1，光斑b与b′之间的权重值为b1，光斑c与c′之间的权重值为c1，光斑d与d′之间的权重值为d1，光斑e与e′之间的权重值为e1。则组合一所对应的权重和为l1＝α1a1+β1b1+γ1c1+μ1d1+ε1d1，其中，α1、β1、γ1、μ1和ε1为加权系数。同样，可得到组合二对应的权重和为l2，组合三对应的权重和为l3。如果三个组合所对应的权重和的大小关系为：
l2＞l3＞l1
由于组合二对应的权重和最大，因此，选择组合二所对应的光斑作为与第一类光斑相匹配的第二类光斑，即选择光斑a′、b′、f′、d′和e′作为与第一类光斑a、b、c、d和e相匹配的第二类光斑。
需要说明的是，通过上述过程可找到与第二类光斑中的每个光斑相对应的第一类光斑，即完成了第一类光斑与第二类光斑的匹配。在完成第一类光斑与第二类光斑的匹配之后，可根据匹配结果对第一类光斑进行过滤，具体方法如下：
步骤s1102，将第一类光斑划分为第一光斑和至少一个第二光斑，并获取第一光斑与至少一个第二光斑中的每个光斑组成的第一向量组；
步骤s1104，将第二类光斑划分为第三光斑和至少一个第四光斑，并获取第三光斑与至少一个第四光斑中的每个光斑组成的第二向量组；
步骤s1106，计算第一向量组中的每个向量与第二向量组中的对应的向量之间的向量角；
步骤s1108，根据向量角确定第一光斑是否为异常光斑，并在第一光斑为异常光斑的情况下对异常光斑进行过滤处理。
其中，步骤s1108，根据向量角确定第一光斑是否为异常光斑包括如下步骤：
步骤s1108a，确定第一向量组中的每个向量与第二向量组中的对应的向量之间的向量角是否大于预设向量角；
步骤s1108b，在向量角大于预设向量角的情况下，确定向量角为异常向量角；
步骤s1108c，确定异常向量角的个数；
步骤s1108d，在异常向量角的个数大于预设数量的情况下，确定第一光斑为异常光斑。
在一种可选的实施例中，与第二类光斑匹配的第一类光斑为a、b、c和d，对应的第二类光斑分别为a′、b′、c′和d′。首先，将a作为第一光斑，则b、c和d作为第二光斑，a′为第三光斑，则b′、c′和d′作为第四光斑，则第一向量组包括：
实施例2
根据本发明实施例，还提供了一种过滤光斑的装置实施例，其中，图5是根据本发明实施例的过滤光斑的装置结构示意图，如图5所示，该装置包括：获取模块501、第一确定模块503、第二确定模块505以及过滤模块507。
其中，获取模块501，用于获取第一图像以及与第一图像相匹配的基准图像，其中，在第一图像上显示有第一类光斑；第一确定模块503，用于根据基准图像确定第一图像的第二类光斑，其中，第二类光斑为基于基准图像对第一图像上的光斑进行估计所得到的光斑；第二确定模块505，用于根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑和第二类光斑的匹配结果；过滤模块507，用于根据匹配结果对第一类光斑进行过滤。
需要说明的是，上述获取模块501、第一确定模块503、第二确定模块505以及过滤模块507对应于实施例1中的步骤s102至步骤s108，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第一类光斑包括与光源相对应的光斑和杂光斑，第二类光斑包括与光源相对应的光斑。
在一种可选的实施例中，获取模块包括：构建模块、输入模块、第三确定模块以及第四确定模块。其中，构建模块，用于构建双线性模型；输入模块，用于将第一图像输入至双线性模型；第三确定模块，用于确定双线性模型的输出数据；第四确定模块，用于根据输出数据确定基准图像。
需要说明的是，上述构建模块、输入模块、第三确定模块以及第四确定模块对应于实施例1中的步骤s1022至步骤s1028，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，构建模块包括：采集模块、第一获取模块以及处理模块。其中，采集模块，用于采集多张图像，其中，多张图像中的每张图像均包含与光源相对应的光斑；第一获取模块，用于获取每张图像的参数信息，其中，参数信息至少包括如下之一：每张图像中的光斑的起始位置以及每张图像的拍摄视角；处理模块，用于根据每张图像的参数信息以及每张图像中的光斑与瞳孔的相对位置得到双线性模型。
需要说明的是，上述采集模块、第一获取模块以及处理模块对应于实施例1中的步骤s1022a至步骤s1022c，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第一确定模块包括：第二获取模块、第三获取模块以及第五确定模块。其中，第二获取模块，用于获取基准图像中的每个光斑与瞳孔的相对位置；第三获取模块，用于获取第一图像中的瞳孔的位置；第五确定模块，用于根据第一图像中的瞳孔的位置以及基准图像中的每个光斑与瞳孔的相对位置确定第二类光斑的位置。
需要说明的是，上述第二获取模块、第三获取模块以及第五确定模块对应于实施例1中的步骤s1040至步骤s1044，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第二确定模块包括：第六确定模块以及匹配模块。其中，第六确定模块，用于根据第一类光斑的第一位置以及第二类光斑的第二位置确定第一类光斑与第二类光斑之间的距离权重值；匹配模块，用于根据距离权重值对第一类光斑和第二类光斑进行匹配，得到匹配结果。
需要说明的是，上述第六确定模块以及匹配模块对应于实施例1中的步骤s1060至步骤s1062，两个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，匹配模块包括：第七确定模块、第一计算模块以及第八确定模块。其中，第七确定模块，用于确定第一类光斑与第二类光斑的匹配组合，其中，匹配组合包含第一类光斑与第二类光斑的多个对应关系；第一计算模块，用于分别计算每个对应关系中的每个第一类光斑与每个第二类光斑之间的距离权重值的权重和；第八确定模块，用于确定多个对应关系中权重和最大的对应关系，其中，权重和最大时所对应的对应关系表征第一类光斑与第二类光斑相匹配。
需要说明的是，上述第七确定模块、第一计算模块以及第八确定模块对应于实施例1中的步骤s1080至步骤s1084，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，过滤模块包括：第四获取模块、第五获取模块、第二计算模块以及第九确定模块。其中，第四获取模块，用于将第一类光斑划分为第一光斑和至少一个第二光斑，并获取第一光斑与至少一个第二光斑中的每个光斑组成的第一向量组；第五获取模块，用于将第二类光斑划分为第三光斑和至少一个第四光斑，并获取第三光斑与至少一个第四光斑中的每个光斑组成的第二向量组；第二计算模块，用于计算第一向量组中的每个向量与第二向量组中的对应的向量之间的向量角；第九确定模块，用于根据向量角确定第一光斑是否为异常光斑，并在第一光斑为异常光斑的情况下对异常光斑进行过滤处理。
需要说明的是，上述第四获取模块、第五获取模块、第二计算模块以及第九确定模块对应于实施例1中的步骤s1102至步骤s1108，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第八确定模块包括：第十确定模块、第十一确定模块、第十二确定模块以及第十三确定模块。其中，第十确定模块，用于确定第一向量组中的每个向量与第二向量组中的对应的向量之间的向量角是否大于预设向量角；第十一确定模块，用于在向量角大于预设向量角的情况下，确定向量角为异常向量角；第十二确定模块，用于确定异常向量角的个数；第十三确定模块，用于在异常向量角的个数大于预设数量的情况下，确定第一光斑为异常光斑。
需要说明的是，上述第十确定模块、第十一确定模块、第十二确定模块以及第十三确定模块对应于实施例1中的步骤s1108a至步骤s1108d，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
实施例3
根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，程序执行上述实施例1中的过滤光斑的方法。
实施例4
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述实施例1中的过滤光斑的方法。
实施例5
根据本发明实施例的另一方面，还提供了一种视线追踪设备，该视线追踪设备包括实施例2中的过滤光斑的装置。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。