基于密度的眼动注视点测定方法及系统的制作方法
【技术领域】
[0001] 本发明涉及眼动数据分析领域和视觉感知领域，特别涉及一种基于密度的测定眼 动注视点方法及系统。
【背景技术】
[0002] 眼动仪用于记录人在处理视觉信息时的眼动轨迹特征，它以固定的频率记录用户 关注视觉信息时的眼动信息，如观测时间，眼球位置，注视位置，瞳孔半径等数据。经过眼动 数据分析，能够提取有关人在视觉信息提取过程中的生理和行为表现的重要信息，因此广 泛用于心理学，电视商务，工业设计，广告，真实设备可用性等研宄。近年来，随着眼动追踪 技术的不断发展，眼动仪应用范围不断扩大。而在眼动仪的应用中，眼动数据分析尤为重 要，分析注视点和眼跳点的关系理论在迅速发展中，其重点在于将眼动仪采集的数据区分 为注视点和眼跳。
[0003] 注视点和眼跳的分析需要将原始的眼动数据处理后在注视点所在的位置上可视 化的显示，并要除去注视点之间的眼跳。
[0004] 研宄者已经提出了基于速度阈值的分割方法（I-VT)、基于密度阈值的分割方法 (I-DT)、基于兴趣点区域的分割方法（I-AOI)等。I-VT根据轨迹点的速度阈值进行分割、 I-DT根据移动窗口内的密度阈值进行分割、I-AOI根据指定的兴趣区域来分割。这些方法 在分割注视点和眼跳点的同时，也会将注视点按其标准分割为不同的子类。我们需要找到 一个合理的聚类中心来表征该子类数据的关注中心。在眼动数据处理中的聚类方法领域 中，传统的聚类方法一般以质心作为最佳的眼动注视中心点，这种方法不能很好的顾及密 度信息，当某类轨迹点中有较多徘徊数据时，生成的注视中心会偏离用户最关注的区域，这 种方法对噪声的敏感度高。
[0005] 原始眼动数据中的眼跳点对于实际研宄中往往是没有用处的，另外，较小的眼球 运动对于高层次眼动分析的也是无益的。为了更好的测定用户眼动过程的注视点，需要寻 找更好的测定方法，以达到更好地去除原始眼动数据中的眼跳，与更好地寻找注视点中心。
【发明内容】
[0006] 本发明的目的在于针对传统眼动轨迹的注视点测定方法的不足，提出一种基于密 度的眼动注视点的测定技术方案。
[0007] 为达到上述目的，本发明提供的技术方案为一种基于密度的眼动注视点测定方 法，包括轨迹点分类阶段和轨迹点聚类阶段，
[0008] 所述轨迹点分类阶段包括以下子步骤，
[0009] 步骤1. 1，输入测试图片的眼动轨迹点数据；
[0010] 步骤1. 2,根据步骤I. 1输入的眼动轨迹点数据，对其中属于注视点的各轨迹点进 行分类，实现如下，
[0011] 步骤1. 2. 1，根据步骤I. 1输入的眼动轨迹点数据，计算每个轨迹点的速度 Velocity ；
[0012] 步骤I. 2. 2,根据预先设置的阈值Thresh〇ld_V，将速度大于阈值的轨迹点设置为 相应标签fixation，速度小于阈值的轨迹点设置相应标签为saccade ;
[0013] 步骤1. 2. 3,将时间上连续的标签为fixation的轨迹点归为同一类，得到若干类 另Ij，将标签为saccade的轨迹点全部舍弃；
[0014] 所述轨迹点聚类阶段包括对每个类别分别执行以下子步骤，
[0015] 步骤2. 1，输入一类轨迹点数据G = {gp g2,…，gn}，其中gi为该类中第i个轨迹 点，包含四个参数〈X，y，t，d>，i的取值为1，2,…，η，η为该类别所包含轨迹点的个数；
[0016] 步骤2. 2,计算输入的各轨迹点之间的欧式距离，构成距离矩阵Dist，第i个点和 第j个点之间的欧式距离为Dist (i，j)，公式如下，
【主权项】
1. 一种基于密度的眼动注视点测定方法，其特征在于：包括轨迹点分类阶段和轨迹点 聚类阶段， 所述轨迹点分类阶段包括以下子步骤， 步骤1.1，输入测试图片的眼动轨迹点数据； 步骤1. 2,根据步骤1. 1输入的眼动轨迹点数据，对其中属于注视点的各轨迹点进行分 类，实现如下， 步骤1. 2. 1，根据步骤1. 1输入的眼动轨迹点数据，计算每个轨迹点的速度Velocity; 步骤1. 2. 2,根据预先设置的阈值Thresh〇ld_V，将速度大于阈值的轨迹点设置为相应 标签fixation，速度小于阈值的轨迹点设置相应标签为saccade; 步骤1. 2. 3,将时间上连续的标签为fixation的轨迹点归为同一类，得到若干类别，将 标签为saccade的轨迹点全部舍弃； 所述轨迹点聚类阶段包括对每个类别分别执行以下子步骤， 步骤2. 1，输入一类轨迹点数据G={gpg2,. . .，gn}，其中gi为该类中第i个轨迹点，包 含四个参数〈X，y,t,d>，i的取值为1，2,…，n，n为该类别所包含轨迹点的个数； 步骤2. 2,计算输入的各轨迹点之间的欧式距离，构成距离矩阵Dist，第i个点和第j个点之间的欧式距离为Dist(i，j)，公式如下，
其中，（Xi，yi)表示第i个点的图像平面坐标位置，（\，yP表示第j个点的图像平面坐 标位置，序号i的取值为1，2,…，n，j的取值为1，2,…，n; 步骤2. 3,基于步骤2. 2所得的距离矩阵Dist统计每个轨迹点半径r内的累计关注时 间密度，设第i个点的半径r内的累计关注时间密度记为Densityji); 步骤2. 4,根据步骤2. 3所得各个轨迹点半径r内的累计关注时间密度，确定最大密度 值max(Densityr)； 步骤2. 5,确定密度等于最大密度值的轨迹点序号集d，得到密度等于最大密度值的轨 迹点的数目N，设gpg2，…，gn中密度等于最大密度值的轨迹点的序号记为dud2，…，dN，ds 为d中第s个轨迹点，s的取值为1，2,…，N， d- {dpC^，...，dN} ds= {dsGN|Densityr (ds) =max(Densityr)} 步骤2. 6,求密度为最大密度值的轨迹点集的质心如下，得到注视中心点，
其中，Pd_st为所求的注视中心点坐标，为该类别中序号为4的轨迹点坐标。
2. 根据权利要求1所述基于随机游走的眼动注视点测定方法，其特征在于：步骤2. 3 中，第i个点的半径r内的累计关注时间密度记为Densityji)统计方式为，计算第i个点 周围半径r内的点的停留时间之和如下式，
其中，dj是第j个点的特征参数<x,y,t,d>中的第四个参数，表示停留时间。
3. 根据权利要求1所述基于随机游走的眼动注视点测定方法，其特征在于：步骤2. 3 中，第i个点的半径r内的累计关注时间密度记为Densityji)统计方式为，将第i个点周 围r半径内的点的个数记为密度如下式， Densityr(i) = {# (j) |Dist(i,j) ^r} 式中，#(j)表示符合条件的点的个数。
4. 一种基于密度的眼动注视点测定方法，其特征在于：包括轨迹点分类单元和轨迹点 聚类单元， 所述轨迹点分类单元包括以下模块， 数据输入模块，用于输入测试图片的眼动轨迹点数据； 分类模块，用于根据数据输入模块输入的眼动轨迹点数据，对其中属于注视点的各轨 迹点进行分类，包括以下子模块， 速度计算子模块，用于根据数据输入模块输入的眼动轨迹点数据，计算每个轨迹点的 速度Velocity; 标签设置子模块，用于根据预先设置的阈值ThresholcLV，将速度大于阈值的轨迹点设 置为相应标签fixation，速度小于阈值的轨迹点设置相应标签为saccade; 类别划分子模块，用于将时间上连续的标签为fixation的轨迹点归为同一类，得到若 干类别，将标签为saccade的轨迹点全部舍弃； 所述轨迹点聚类单元包括对每个类别分别建立的以下模块， 轨迹点输入模块，用于输入一类轨迹点数据G= {gl，g2，…，gn}，其中gi为该类中第i个轨迹点，包含四个参数〈x，y，t，d>，i的取值为1，2,…，n，n为该类别所包含轨迹点的个 数； 距离计算模块，用于计算输入的各轨迹点之间的欧式距离，构成距离矩阵Dist，第i个 点和第j个点之间的欧式距离为Dist(i，j)，公式如下，
其中，（Xi，yi)表示第i个点的图像平面坐标位置，（\，yP表示第j个点的图像平面坐 标位置，序号i的取值为1，2,…，n，j的取值为1，2,…，n; 密度统计模块，用于基于距离计算模块所得的距离矩阵Dist统计每个轨迹点半径r内 的累计关注时间密度，设第i个点的半径r内的累计关注时间密度记为Densityji); 最大密度确定模块，用于根据密度统计模块所得各个轨迹点半径1内的累计关注时间 密度，确定最大密度值max(DensityJ; 最大密度轨迹点提取模块，用于确定密度等于最大密度值的轨迹点序号集d，得到密度 等于最大密度值的轨迹点的数目1设gl，g2，…，gn中密度等于最大密度值的轨迹点的序号 记为屯，d2，…，dN，4为d中第s个轨迹点，s的取值为1，2,…，N， d- {dpC^，...，dN} ds= {dsGN|Densityr (ds) =max(Densityr)} 注视中心点确定模块，用于求密度为最大密度值的轨迹点集的质心如下，得到注视中 心点，
其中，Pd_st为所求的注视中心点坐标，-%为该类别中序号为4的轨迹点坐标。
5. 根据权利要求4所述基于随机游走的眼动注视点测定系统，其特征在于：密度统计 模块中，第i个点的半径r内的累计关注时间密度记为Densityji)统计方式为，计算第i 个点周围半径r内的点的停留时间之和如下式，
其中，dj是第j个点的特征参数〈X，y, t, d>中的第四个参数，表示停留时间。
6. 根据权利要求4所述基于随机游走的眼动注视点测定系统，其特征在于：密度统计 模块中，第i个点的半径r内的累计关注时间密度记为Densityji)统计方式为，将第i个 点周围r半径内的点的个数记为密度如下式， Densityr(i) = {# (j) |Dist(i,j) ^r} 其中，#(j)表示符合条件的点的个数。
【专利摘要】本发明提供一种基于密度的眼动注视点测定方法及系统，包括轨迹点分类阶段和轨迹点聚类阶段，所述轨迹点分类阶段输入测试图片的眼动轨迹点数据，将其中属于注视点的各轨迹点分到不同的类别中；所述轨迹点聚类阶段包括对每个类别分别执行，计算输入的各轨迹点之间的欧式距离构成距离矩阵，统计每个点的累计关注时间密度，确定密度等于最大密度值的轨迹点序号集，求密度为最大密度值的轨迹点集的质心，从而计算注视点中心位置。本发明生成的聚类中心与用户关注中心更加拟合，充分考虑了用户关注的侧重点，且简便高效，具有更高的抗干扰能力。
【IPC分类】G06K9-00, G06T7-20
【公开号】CN104700090
【申请号】CN201510134571
【发明人】陈震中, 陈秀, 王英彬
【申请人】武汉大学
【公开日】2015年6月10日
【申请日】2015年3月25日