19] 所属领域的技术人员可W清楚地了解到，为描述的方便和简洁，上述描述的装置、 单元和模块的具体工作过程，可W参考前述方法实施例中的对应过程，在此不再寶述。
[0220] W上所述仅为本发明的较佳实施例，并不用W限制本发明，凡在本发明的精神和 原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种视线追踪方法，其特征在于，所述方法包括： 根据目标模型确定待测试虹膜图像的虹膜中心所在的观测区域，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； 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心所在的区域； 根据所述目标区域确定人眼注视的屏幕落点位置。2. 根据权利要求1所述的方法，其特征在于，在所述根据目标模型确定待测试虹膜图 像的虹膜中心所在的观测区域之前，所述方法还包括： 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； 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； 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。3. 根据权利要求2所述的方法，其特征在于，所述目标参数为所述极限学习机器神经 网络的输出权值， 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： 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； 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； 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阈值，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，所述阈值为所述隐层结点的阈值； 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： 根据所述极限学习机器神经网络的输入权值、所述阈值和所述输出权值确定所述目标 模型。4. 根据权利要求1所述的方法，其特征在于，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： 检测所述观测区域的中心与所述预测区域的中心的距离； 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； 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：其中，所述Kk为当前时刻的滤波增益矩阵，所述P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。5. 根据权利要求1所述的方法，其特征在于，所述根据目标模型确定待测试虹膜图像 的虹膜中心所在的观测区域，包括： 采集待测人脸图像； 获取所述待测人脸图像对应的虹膜图像； 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； 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； 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心所在的观测区域。6. 根据权利要求2所述的方法，其特征在于，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： 采集n个人脸图像； 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。7. 根据权利要求1所述的方法，其特征在于，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： 根据所述目标区域确定目标视线方向； 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。8. 根据权利要求1至7任一所述的方法，其特征在于，所述虹膜呈椭圆状， 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。9. 一种视线追踪装置，其特征在于，所述装置包括： 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心所在的观测区域， 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； 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心所在的区域； 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。10. 根据权利要求9所述的装置，其特征在于，所述装置还包括： 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； 第三确定单元，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； 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。11. 根据权利要求10所述的装置，其特征在于，所述目标参数为所述极限学习机器神 经网络的输出权值， 所述第三确定单元，包括： 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； 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； 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 输入权值和阈值，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，所述阈值为所述隐层结点的阈值； 所述第四确定单元，包括： 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、所述阈值和所述输 出权值确定所述目标模型。12. 根据权利要求9所述的装置，其特征在于，所述处理单元，包括： 检测模块，用于检测所述观测区域的中心与所述预测区域的中心的距离； 第三确定模块，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； 修正模块，用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：其中，所述Kk为当前时刻的滤波增益矩阵，所述P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。13. 根据权利要求9所述的装置，其特征在于，所述第一确定单元，包括： 第一采集模块，用于采集待测人脸图像； 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； 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； 第三处理模块，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； 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心所在 的观测区域。14. 根据权利要求10所述的装置，其特征在于，所述装置还包括： 采集单元，用于采集n个人脸图像； 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。15. 根据权利要求9所述的装置，其特征在于，所述第二确定单元，包括： 第四确定模块，用于根据所述目标区域确定目标视线方向； 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。16. 根据权利要求9至15任一所述的装置，其特征在于，所述虹膜呈椭圆状， 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。
【专利摘要】本发明公开了一种视线追踪方法及装置，属于图像处理技术领域。该方法包括:根据目标模型确定待测试虹膜图像的虹膜中心所在的观测区域，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；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心所在的区域；根据所述目标区域确定人眼注视的屏幕落点位置。本发明解决了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，实现了提高人眼注视的屏幕落点位置的精确度和速度的效果，用于追踪视线。
【IPC分类】G06K9/54, G06F3/01
【公开号】CN104951084
【申请号】CN201510458572
【发明人】钱晨菲, 赵可宁
【申请人】京东方科技集团股份有限公司
【公开日】2015年9月30日
【申请日】2015年7月30日