视线追踪方法及装置的制造方法
【技术领域】
[0001] 本发明设及图像处理技术领域，特别设及一种视线追踪方法及装置。
【背景技术】
[0002] 人机交互是一种研究人与机器及其相互作用的技术，通过人机交互技术可W利用 所有可能的信息通道实现人与机器之间的交流。随着电子技术的快速发展，人机交互技术 广泛应用于人与电视机之间的交互中，电视机的功能越来越强大，遥控器的设计越来越复 杂，如果通过操作遥控器实现人机交互，将会使交互时间变长，交互效率降低，因此，基于视 线追踪的人机交互的方法得到了广泛关注。视线追踪是利用机械、电子、光学等各种检测手 段获取使用者当前的"注视方向"的技术。
[0003] 相关技术中，基于视线追踪的人机交互的方法主要是根据卡尔曼化alman)滤波 方法追踪视线，完成人机交互过程。卡尔曼滤波方法采用的是递归技术，其认为当前时刻的 状态只依赖于前一时刻的状态，不依赖于所有时刻的状态。具体的，先对采集到的人脸图像 进行处理，获取人眼的潜在区域，再获取人眼构造，如虹膜，的特征信息，然后通过卡尔曼滤 波方法根据第k时刻虹膜中屯、所在的区域和状态方程确定第k+1时刻虹膜中屯、所在的预测 区域，根据观测方程和第k+1时刻虹膜中屯、所在的预测区域确定第k+1时刻虹膜中屯、所在 的观测区域，再采用第k+1时刻虹膜中屯、所在的观测区域修正第k+1时刻虹膜中屯、所在的 预测区域，得到虹膜中屯、的最优估计区域，最后根据虹膜中屯、的最优估计区域确定人眼的 视线方向，进而确定人眼注视的屏幕落点位置，完成人机交互过程。
[0004] 由于上述过程中，人眼是不断运动变化的，而用于确定虹膜中屯、所在的预测区域 的状态方程是线性方程，得到的预测区域的准确率较低，相应的，用于修正预测区域的观测 区域的准确率较低，最终确定人眼注视的屏幕落点位置的精确度较低，且速度较低。
【发明内容】
[0005] 为了解决人眼注视的屏幕落点位置的精确度较低，且速度较低的问题，本发明提 供了一种视线追踪方法及装置。所述技术方案如下：
[0006] 第一方面，提供了一种视线追踪方法，所述方法包括：
[0007] 根据目标模型确定待测试虹膜图像的虹膜中屯、所在的观测区域，所述目标模型为 根据目标参数和极限学习机器神经网络得到的模型，所述目标参数是向所述极限学习机器 神经网络输入n个视觉特征参数后得到的参数，所述n个视觉特征参数为预设的n个虹膜 图像中每个虹膜图像对应预设参考图像中同一视觉区域的视觉特征参数，所述预设参考图 像划分为至少两个面积相等的视觉区域，所述n为大于1的整数；
[0008] 采用所述观测区域修正预测区域，得到目标区域，所述预测区域是通过卡尔曼滤 波方法确定的待测试虹膜图像的虹膜中屯、所在的区域；
[0009] 根据所述目标区域确定人眼注视的屏幕落点位置。
[0010] 可选的，在所述根据目标模型确定待测试虹膜图像的虹膜中屯、所在的观测区域之 前，所述方法还包括：
[0011] 获取预设的n个虹膜图像中每个虹膜图像对应所述预设参考图像中同一视觉区 域的视觉特征参数，得到所述n个视觉特征参数；
[0012] 通过向所述极限学习机器神经网络输入所述n个视觉特征参数，确定所述极限学 习机器神经网络的目标参数；
[0013] 根据所述目标参数与所述极限学习机器神经网络，确定所述目标模型。
[0014] 可选的，所述目标参数为所述极限学习机器神经网络的输出权值，
[0015] 所述通过向所述极限学习机器神经网络输入所述n个视觉特征参数，确定所述极 限学习机器神经网络的目标参数，包括：
[0016] 将所述n个视觉特征参数作为所述极限学习机器神经网络的输入参数；
[0017] 将所述同一视觉区域对应的坐标矩阵作为所述极限学习机器神经网络的输出参 数；
[0018] 根据所述输入参数、所述输出参数、所述极限学习机器神经网络的输入权值和阔 值，确定所述极限学习机器神经网络的输出权值，所述输入权值为所述极限学习机器神经 网络的输入结点到隐层结点的权值，所述阔值为所述隐层结点的阔值；
[0019] 所述根据所述目标参数与所述极限学习机器神经网络，确定所述目标模型，包 括：
[0020] 根据所述极限学习机器神经网络的输入权值、所述阔值和所述输出权值确定所述 目标模型。
[0021] 可选的，所述采用所述观测区域修正所述预测区域，得到目标区域，包括：
[0022] 检测所述观测区域的中屯、与所述预测区域的中屯、的距离；
[0023] 根据所述距离，确定调整因子的值，所述调整因子的值与所述距离正相关；
[0024] 根据所述观测区域，通过调整卡尔曼增益公式来修正所述预测区域，得到所述目 标区域，所述卡尔曼增益公式为：
[00巧]
[0026] 其中，所述Kk为当前时刻的滤波增益矩阵，所述Pk,k_i为上一时刻到当前时刻的一 步预测误差方差矩阵，所述Hk为当前时刻的观测区域对应的观测矩阵，所述为当前时刻 的观测矩阵的转置矩阵，所述Rk为当前时刻的过程误差协方差矩阵，所述rk为当前时刻的 调整因子，所述k为当前时刻，所述k-1为上一时刻。
[0027] 可选的，所述根据目标模型确定待测试虹膜图像的虹膜中屯、所在的观测区域，包 括：
[0028] 采集待测人脸图像；
[0029] 获取所述待测人脸图像对应的虹膜图像；
[0030] 根据所述待测人脸图像对应的虹膜图像获取目标视觉特征参数；
[0031] 向所述目标模型输入所述目标视觉特征参数，得到所述目标模型输出的参数；
[0032] 将所述目标模型输出的参数作为待测试虹膜图像的虹膜中屯、所在的观测区域。
[0033] 可选的，在所述获取预设的n个虹膜图像中每个虹膜图像对应预设参考图像中同 一视觉区域的视觉特征参数，得到所述n个视觉特征参数之前，所述方法还包括：
[0034] 采集n个人脸图像；
[0035] 获取每个所述人脸图像对应的虹膜图像，得到所述n个虹膜图像。
[0036] 可选的，所述根据所述目标区域确定人眼注视的屏幕落点位置，包括：
[0037] 根据所述目标区域确定目标视线方向；
[0038] 根据所述目标视线方向和预设的坐标系，确定人眼注视的屏幕落点位置，所述坐 标系用于记录人眼和屏幕落点位置的位置关系。
[0039] 可选的，所述虹膜呈楠圆状，
[0040] 所述视觉特征参数为虹膜在所述虹膜图像中的位置坐标、所述虹膜的长轴与水平 方向的夹角、所述虹膜的长轴的长度和所述虹膜的短轴的长度中的任一特征参数。
[0041] 第二方面，提供了一种视线追踪装置，所述装置包括：
[0042] 第一确定单元，用于根据目标模型确定待测试虹膜图像的虹膜中屯、所在的观测区 域，所述目标模型为根据目标参数和极限学习机器神经网络得到的模型，所述目标参数是 向所述极限学习机器神经网络输入n个视觉特征参数后得到的参数，所述n个视觉特征参 数为预设的n个虹膜图像中每个虹膜图像对应预设参考图像中同一视觉区域的视觉特征 参数，所述预设参考图像划分为至少两个面积相等的视觉区域，所述n为大于1的整数；
[0043] 处理单元，用于采用所述观测区域修正预测区域，得到目标区域，所述预测区域是 通过卡尔曼滤波方法确定的待测试虹膜图像的虹膜中屯、所在的区域；
[0044] 第二确定单元，用于根据所述目标区域确定人眼注视的屏幕落点位置。
[0045] 可选的，所述装置还包括：
[0046] 第一获取单元，用于获取预设的n个虹膜图像中每个虹膜图像对应所述预设参考 图像中同一视觉区域的视觉特征参数，得到所述n个视觉特征参数；
[0047] 第=确定单元，用于通过向所述极限学习机器神经网络输入所述n个视觉特征参 数，确定所述极限学习机器神经网络的目标参数；
[0048] 第四确定单元，用于根据所述目标参数与所述极限学习机器神经网络，确定所述 目标模型。
[0049] 可选的，所述目标参数为所述极限学习机器神经网络的输出权值，
[0050] 所述第S确定单元，包括：
[0051] 第一处理模块，用于将所述n个视觉特征参数作为所述极限学习机器神经网络的 输入参数；
[0052] 第二处理模块，用于将所述同一视觉区域对应的坐标矩阵作为所述极限学习机器 神经网络的输出参数；
[0053] 第一确定模块，用于根据所述输入参数、所述输出参数、所述极限学习机器神经网 络的输入权值和阔值，确定所述极限学习机器神经网络的输出权值，所述输入权值为所述 极限学习机器神经网络的输入结点到隐层结点的权值，所述阔值为所述隐层结点的阔值；
[0054] 所述第四确定单元，包括：
[00巧]第二确定模块，用于根据所述极限学习机器神经网络的输入权值、所述阔值和所 述输出权值确定所述目标模型。
[0056] 可选的，所述处理单元，包括：
[0057] 检测模块，用于检测所述观测区域的中屯、与所述预测区域的中屯、的距离；
[0058]第S确定模块，用于根据所述距离，确定调整因子的值，所述调整因子的值与所述 距离正相关；
[0059]修正模块，用