[0116] 进一步的，在获取预设的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个视觉特征参数之前，该方法还包括；采集n个人脸图像； 获取每个人脸图像对应的虹膜图像，得到n个虹膜图像。
[0117] 步骤103包括；根据目标区域确定目标视线方向；根据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，该坐标系用于记录人眼和屏幕落点位置的位置关系。
[0118] 可选的，虹膜呈楠圆状，视觉特征参数为虹膜在虹膜图像中的位置坐标、虹膜的长 轴与水平方向的夹角、虹膜的长轴的长度和虹膜的短轴的长度中的任一特征参数。
[0119] 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。
[0120] 本发明实施例提供另一种视线追踪方法，如图2-1所示，该方法包括：
[0121] 步骤201、采集n个人脸图像。
[0122] 示例的，可W通过摄像机采集n个人脸图像。
[0123] 步骤202、获取每个人脸图像对应的虹膜图像，得到n个虹膜图像。
[0124] 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，如楠圆形的 虹膜，获取每个人脸图像对应的虹膜图像，得到n个虹膜图像。虹膜属于眼球中层，位于血 管膜的最前部，在睫状体前方，有自动调节瞳孔的大小，调节进入眼内光线多少的作用。本 发明实施例将虹膜的特征参数作为追踪视线的视觉特征参数。
[01巧]步骤203、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。
[0126] 虹膜呈楠圆状，视觉特征参数为虹膜在虹膜图像中的位置坐标、虹膜的长轴与水 平方向的夹角、虹膜的长轴的长度和虹膜的短轴的长度中的任一特征参数。
[0127] 预设参考图像可W划分为至少两个面积相等的视觉区域。示例的，预设参考图形 可W为楠圆状，也可W为其他形状。当预设参考图形为楠圆状时，预设参考图像按照图像轮 廓划分为多个视觉区域，划分的视觉区域越多，包含面积相等的视觉区域就越多。图2-2示 出了一种预设参考图像划分的视觉区域的示意图，如图2-2所示，预设参考图像划分为9个 视觉区域，该9个视觉区域的标号为1至9,其中，标号为1、7、3和9的视觉区域的面积相 等，标号为2、8、4和6的视觉区域的面积相等。示例的，预设参考图像还可W划分为16个 视觉区域，划分的视觉区域越多，确定人眼注视的屏幕落点位置越精确。
[012引示例的，可W获取n个虹膜图像中每个虹膜图像对应图2-2中的视觉区域1的视 觉特征参数，得到n个视觉特征参数，也可W获取n个虹膜图像中每个虹膜图像对应图2-2 中的视觉区域2的视觉特征参数，得到n个视觉特征参数，还可W获取n个虹膜图像中每个 虹膜图像对应图2-2中的视觉区域4的视觉特征参数，得到n个视觉特征参数。
[0129]步骤204、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。
[0130]目标参数为ELM神经网络的输出权值。从神经网络的结构来看，ELM是一个简单 的单隐层前馈神经网络。ELM神经网络的输入结点到隐层结点的输入权值、隐层结点的阔值 都是随机选取的。
[013。 图2-3示出了ELM神经网络的结构示意图，如图2-3所示，ELM神经网络包括S层； 输入层、隐层和输出层。其中，输入层包括n个输入，隐层包括N个隐层结点，输出层包括m 个输出。ELM神经网络按照一定的规律由N个隐层结点相互连接而成，通过隐层结点相互作 用的动态过程，进行信息处理，每个隐层结点均设置一个加和器E和一个激活函数g (X)，示 例的，
隐层结点与输入结点、输出结点通过权值连接。实际应用中，通过调整 ELM神经网络相应的连接权值达到处理信息的目的。
[013引假设有M个任意且相互独立的样本（Xi，ti)，其中，XiGR"，tiGRm，含有N个隐层 结点和激活函数g(x)的标准单隐层前馈神经网络的数据模型为：
[0133]
[0134] 其中，W,.二为连接第i层输入结点与隐层结点的权值向量， 片二[片，A:，…，A,]'为连接第i个隐层结点与输出结点的权值向量，bi为第i层隐层 结点的阔值，Wi?Xj.表示Wi和Xj.的内积，ELM神经网络的输出结点为线性结点。通过向图 2-3所示的ELM神经网络输入n个视觉特征参数，确定ELM神经网络的输出权值。
[01巧]具体的，步骤204如图2-4所示，包括；
[0136] 步骤2041、将n个视觉特征参数作为ELM神经网络的输入参数。
[0137]W图2-3所示的ELM神经网络为例进行说明，将n个视觉特征参数作为ELM神经 网络的输入参数。
[0138] 步骤2042、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。
[0139] 将图2-2中同一视觉区域对应的坐标矩阵作为图2-3所示的ELM神经网络的输出 参数。
[0140]步骤2043、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。
[0141] 由于ELM神经网络的输入权值和隐层结点的阔值都是随机选取的，因此，可W根 据输入参数、输出参数，训练ELM神经网络，得到ELM神经网络的输出权值。训练结束，ELM 神经网络中的各项权值和阔值即被确定。
[0142] 步骤205、根据目标参数与ELM神经网络，确定目标模型。
[0143] 步骤204中ELM神经网络中的各项权值和阔值被确定后，即可得到一个确定的网 络模型，即目标模型。
[0144] 具体的，步骤205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。
[0145] 步骤206、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。
[0146] 确定了目标模型，即可根据该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。
[0147] 具体的，步骤206如图2-5所示，包括；
[0148] 步骤2061、采集待测人脸图像。
[0149] 采用摄像机获取任意一副人脸图像。
[0150] 步骤2062、获取待测人脸图像对应的虹膜图像。
[0151] 通过图像处理技术，获取待测人脸图像对应的虹膜图像。
[0152] 步骤2063、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。
[0153] 通过图像处理技术和数学分析方法，获取待测人脸图像对应的虹膜图像对应的视 觉特征参数，该视觉特征参数可W为虹膜在虹膜图像中的位置坐标、虹膜的长轴与水平方 向的夹角、虹膜的长轴的长度和虹膜的短轴的长度中的任一特征参数。
[0154] 步骤2064、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。
[0巧5] 将获取的目标视觉参数放入训练好的ELM神经网络，即可得到训练好的ELM神经 网络输出的参数。
[0156] 步骤2065、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。
[0157] 将训练好的ELM神经网络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，该观测区域用于修正由卡尔曼滤波方法得到的预测区域。
[0158] 步骤207、采用观测区域修正预测区域，得到目标区域。
[0159] 预测区域是由卡尔曼滤波方法得到的待测试虹膜图像的虹膜中屯、所在的区域。卡 尔曼滤波方法确定预测区域的状态方程是线性方程，预测区域的准确率较低，观测区域的 准确率较低，无法更好地确定人眼注视的屏幕落点位置，因此，需要采用训练好的ELM神经 网络输出的观测区域修正预测区域，得到最终的目标区域。
[0160] 具体的，步骤207如图2-6所示，包括；
[0161] 步骤2071、检测观测区域的中屯、与预测区域的中屯、的距离。
[0162] 通过卡尔曼滤波方法获取预测区域，通过训练好的ELM神经网络获取观测区域， 检测观测区域的中屯、与预测区域的中屯、的距离。
[016引步骤2072、根据距离，确定调整因子的值，调整因子的值与距离正相关。
[0164] 卡尔曼滤波方法采用观测值对预测值进行修正，其修正公式中包括卡尔曼增益 Kk，计算该卡尔曼增益Kk的公式为：
[0165]
( 1 )
[016引其中，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，i/f为当前时刻的观测矩阵的转置 矩阵，Rk为当前时刻的过程误差协方差矩阵，k为当前时刻，k-1为上一时刻。
[0167]由公式（1)可知，通过卡尔曼滤波方法得到的当前时刻的预测区域是由当前时刻 的过程误差协方差矩阵Rk确定的，而当前时刻的过程误差协方差矩阵Rk较不稳定，容易造 成视线追踪的结果不稳定，追踪的位置与实际位置时远时近，因此，本发明实施例在原当前 时刻的过