于根据所述观测区域，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：
[0060]
[0061] 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。
[0062] 可选的，所述第一确定单元，包括：
[0063]第一采集模块，用于采集待测人脸图像；
[0064]第一获取模块，用于获取所述待测人脸图像对应的虹膜图像；
[0065]第二获取模块，用于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；
[0066]第=处理模块，用于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；
[0067] 第四处理模块，用于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。
[0068] 可选的，所述装置还包括：
[0069]采集单元，用于采集n个人脸图像；
[0070]第二获取单元，用于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。
[0071] 可选的，所述第二确定单元，包括：
[0072]第四确定模块，用于根据所述目标区域确定目标视线方向；
[0073]第五确定模块，用于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。
[0074] 可选的，所述虹膜呈楠圆状，
[0075]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。
[0076]本发明提供了一种视线追踪方法及装置，能够采用根据目标参数和极限学习机器 神经网络得到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，再采用观测区域 修正预测区域，得到目标区域，最后根据目标区域确定人眼注视的屏幕落点位置，相较于相 关技术，用于修正预测区域的观测区域的准确率更高，因此，提高了确定人眼注视的屏幕落 点位置的精确度和速度。
[0077]应当理解的是，W上的一般描述和后文的细节描述仅是示例性和解释性的，并不 能限制本发明。
【附图说明】
[0078] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据该些附图获得其他 的附图。
[007引图1-1是相关技术中的视线追踪方法的示意图；
[0080] 图1-2是本发明各个实施例设及的一种实施环境示意图；
[0081] 图1-3是本发明实施例提供的一种视线追踪方法的流程图；
[0082] 图2-1是本发明实施例提供的另一种视线追踪方法的流程图；
[0083] 图2-2是本发明实施例提供的一种预设参考图像中划分的视觉区域的示意图；
[0084] 图2-3是一种ELM神经网络的结构示意图；
[00财图2-4是本发明实施例提供的一种确定ELM神经网络的目标参数的流程图；
[0086]图2-5是本发明实施例提供的一种确定待测试虹膜图像的虹膜中屯、所在的观测 区域的流程图；
[0087] 图2-6是本发明实施例提供的一种修正预测区域得到目标区域的流程图；
[0088] 图2-7是本发明实施例提供的一种确定人眼注视的屏幕落点位置的流程图；
[0089] 图3是本发明实施例提供的一种视线追踪装置的结构示意图；
[0090] 图4-1是本发明实施例提供的另一种视线追踪装置的结构示意图；
[0091]图4-2是本发明实施例提供的一种第一确定单元的结构示意图；
[0092] 图4-3是本发明实施例提供的一种处理单元的结构示意图；
[0093] 图4-4是本发明实施例提供的一种第二确定单元的结构示意图；
[0094] 图4-5是本发明实施例提供的一种第S确定单元的结构示意图；
[0095] 图4-6是本发明实施例提供的一种第四确定单元的结构示意图。
[0096] 通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。该些附图 和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为 本领域技术人员说明本发明的概念。
【具体实施方式】
[0097] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方 式作进一步地详细描述。
[0098] 图1-1示出了相关技术中的视线追踪方法的示意图，如图1-1所示，该方法先通 过摄像机采集人的图像，然后对人的图像进行处理，获取人脸图像，再利用头部轮廓的对称 性，缩小人脸图像的范围，检测人眼的潜在区域，获取人眼的视觉特征参数。然后通过卡尔 曼滤波方法进行视线追踪，确定人眼的视线方向，获取人眼注视的屏幕落点位置。其中，视 觉特征参数主要是依赖于人眼构造的一些光学特性，该些人眼构造可W为角膜周围与巩膜 部分、黑色的瞳孔、白色的巩膜和楠圆形的虹膜等。
[0099] 图1-2示出了本发明各个实施例设及的一种实施环境示意图，该实施环境可W包 括；摄像机01、电视机02、中央处理模块03和用户04。
[0100] 用户04注视电视机02的屏幕，摄像机01获取用户04的人脸图像，并将人脸图像 发送至电视机02内的中央处理模块03,中央处理模块03对人脸图像通过图像处理，获取视 觉特征参数，根据视觉特征参数确定人眼注视的屏幕落点位置，完成视线追踪过程。
[0101] 本发明实施例提供了一种视线追踪方法，如图1-3所示，该方法包括：
[0102] 步骤101、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，该目标 模型为根据目标参数和极限学习机器（英文；Extreme Learning Machine;简称；ELM)神 经网络得到的模型，该目标参数是向ELM神经网络输入n个视觉特征参数后得到的参数， 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，该预设参考图像划分为至少两个面积相等的视觉区域，n为大于1的整 数。
[0103] 步骤102、采用观测区域修正预测区域，得到目标区域，该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。
[0104] 步骤103、根据目标区域确定人眼注视的屏幕落点位置。
[0105] 综上所述，本发明实施例提供的视线追踪方法，能够根据目标参数和ELM神经网 络得到目标模型，再确定待测试虹膜图像的虹膜中屯、所在的观测区域，再采用观测区域修 正卡尔曼滤波方法得到的预测区域，得到目标区域，最后根据目标区域确定人眼注视的屏 幕落点位置，相较于相关技术，用于修正预测区域的观测区域的准确率更高，因此，提高了 确定人眼注视的屏幕落点位置的精确度和速度。
[0106] 可选的，在步骤101之前，该方法还包括；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n个视觉特征参数；通过向ELM 神经网络输入n个视觉特征参数，确定ELM神经网络的目标参数；根据目标参数与ELM神经 网络，确定目标模型。
[0107] 其中，目标参数为ELM神经网络的输出权值。通过向ELM神经网络输入n个视觉 特征参数，确定ELM神经网络的目标参数，包括：
[010引将n个视觉特征参数作为ELM神经网络的输入参数；
[0109] 将同一视觉区域对应的坐标矩阵作为ELM神经网络的输出参数；
[0110] 根据输入参数、输出参数、ELM神经网络的输入权值和阔值，确定ELM神经网络的 输出权值，输入权值为ELM神经网络的输入结点到隐层结点的权值，阔值为隐层结点的阔 值；
[011。 相应的，根据目标参数与ELM神经网络，确定目标模型，包括：根据ELM神经网络的 输入权值、阔值和输出权值确定目标模型。
[0112] 步骤102包括；检测观测区域的中屯、与预测区域的中屯、的距离；根据距离，确定调 整因子的值，调整因子的值与距离正相关；根据观测区域，通过调整卡尔曼增益公式来修正 预测区域，得到目标区域。该卡尔曼增益公式为：
[011引
[0114] 其中，Kk为当前时刻的滤波增益矩阵，Pk，k_i为上一时刻到当前时刻的一步预测误 差方差矩阵，Hk为当前时刻的观测区域对应的观测矩阵，///为当前时刻的观测矩阵的转置 矩阵，T表示矩阵的转置符号，如at表示矩阵A的转置矩阵，R巧当前时刻的过程误差协方 差矩阵，rk为当前时刻的调整因子，k为当前时刻，k-1为上一时刻。
[0115] 步骤101包括；采集待测人脸图像；获取待测人脸图像对应的虹膜图像；根据待测 人脸图像对应的虹膜图像获取目标视觉特征参数；向目标模型输入目标视觉特征参数，得 到目标模型输出的参数；将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。