[發明專利]一種基于Haar分類器的眼動跟蹤方法

在審

• 申請號: 201810631690.9
• 申請日: 2018-06-19
• 公開（公告）號: CN108921059A
• 公開（公告）日: 2018-11-30
• 發明（設計）人: 徐新;滕鑫;穆楠
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F3/01
• 代理公司: 杭州宇信知識產權代理事務所(普通合伙) 33231
• 代理人: 劉艷艷

1.一種基于Haar分類器的眼動跟蹤方法，其特征在于，包括如下步驟：

(1)利用Haar分類器對實時圖像進行人眼檢測；

(2)獲取觀察者所處的位置信息；

(3)利用人眼檢測結果和觀察者所處的位置信息計算觀察者視覺注意力區域。

2.根據權利要求1所述的基于Haar分類器的眼動跟蹤方法，其特征在于，所述步驟(1)中，對實時圖像進行人眼檢測的具體步驟如下：

(1.1)計算人眼部位的矩形特征：

V＝R₁-R₂ (1)

其中，V為矩形特征在該圖像區域的計算值，R₁和R₂分別代表矩形特征中白色區域特征和黑色區域特征，其中R_i的計算公式為：

R_i＝∑_{m,n∈Ri,i＝{1,2}}r(m,n) (2)

其中，r(m,n)為白色區域或黑色區域中像素點的值，m和n分別代表矩形特征區域的豎坐標和橫坐標；

(1.2)采用和面積表來計算矩形特征圖的值，其中對于整幅圖像中的某一塊區域，和面積表的計算方公式為：

S_ABCD＝E(A)+E(C)-E(B)-E(D) (3)

其中，E(A)、E(B)、E(C)、E(D)分別代表所求區域左上點、右上點、左下點、右下點的和面積表；

(1.3)在眼睛矩形特征的基礎上生成10-20個弱分類器，然后使用AdaBoost將其級聯為強分類器。

3.根據權利要求2所述的基于Haar分類器的眼動跟蹤方法，其特征在于，所述步驟(1.3)中，生成若干弱分類器并級聯為強分類器的步驟包括如下：

先從初始訓練數據集訓練出一個基本分類器；

再根據基本分類器的性能對訓練樣本分部進行調整，增加上一輪迭代時被誤分類樣本的權重；

基于調整后的樣本權重訓練下一個分類器；

重復上述步驟，直到分類器數量達到預先設置的數量。

4.根據權利要求3所述的基于Haar分類器的眼動跟蹤方法，其特征在于，所述步驟(1.3)中，設訓練數據集T＝{(x₁,y₁),(x₂,y₂)…,(x_n,y_n)}，其中，最終強分類器為G(x)；

初始化訓練數據集權值分布：

對于迭代次數m＝1,2,···,M；

使用具有權值分布D_m的訓練數據集學習，得到基本分類器：

G_M(x):χ→{-1,+1} (5)

計算G_m(x)在訓練數據集上的分類誤差率：

計算G_m(x)的系數

更新訓練數據集的權值分布

D_m+1＝(W_m+1,1,···,W_m+1,i,···,W_m+1,N) (8)

Z_m是規范化因子

構建基本分類器的線性組合

得到最終強分類器

5.根據權利要求1所述的基于Haar分類器的眼動跟蹤方法，其特征在于，所述步驟(2)中，通過頭部支架和攝像頭的位置確定觀察者所處的空間信息，其具體步驟包括如下：

(2.1)將攝像頭固定于電腦屏幕旁邊可以清晰拍攝觀察者面部的位置；

(2.2)用頭部支架將觀察者的頭部固定好，使得觀察者的頭部與攝像頭的距離固定，并記錄下該距離；

(2.3)在電腦屏幕上隨機產生若干個點；

(2.4)觀察者的頭部保持不動，只轉動眼睛去觀察電腦屏幕上隨機產生的點，記錄每個點的坐標和瞳孔的坐標。

6.根據權利要求5所述的基于Haar分類器的眼動跟蹤方法，其特征在于，所述步驟(3)中，計算觀察者感興趣區域的具體步驟包括如下：

匹配公式為：

其中，S(x,y)為屏幕上點的坐標，P(x,y)為瞳孔坐標，S_w為電腦屏幕寬，S_l與S_r分別為觀察者觀察屏幕時坐標左、右方向極大值；

通過公式(13)和步驟(2.4)中所記錄的坐標數據計算出瞳孔所對應的屏幕坐標，即求得S(x,y)的值。