[发明专利]基于密度的眼动注视点测定方法及系统

说明书

技术领域

本发明涉及眼动数据分析领域和视觉感知领域，特别涉及一种基于密度的测定眼动注视点方法及系统。

背景技术

眼动仪用于记录人在处理视觉信息时的眼动轨迹特征，它以固定的频率记录用户关注视觉信息时的眼动信息，如观测时间，眼球位置，注视位置，瞳孔半径等数据。经过眼动数据分析，能够提取有关人在视觉信息提取过程中的生理和行为表现的重要信息，因此广泛用于心理学，电视商务，工业设计，广告，真实设备可用性等研究。近年来，随着眼动追踪技术的不断发展，眼动仪应用范围不断扩大。而在眼动仪的应用中，眼动数据分析尤为重要，分析注视点和眼跳点的关系理论在迅速发展中，其重点在于将眼动仪采集的数据区分为注视点和眼跳。

注视点和眼跳的分析需要将原始的眼动数据处理后在注视点所在的位置上可视化的显示，并要除去注视点之间的眼跳。

研究者已经提出了基于速度阈值的分割方法(I-VT)、基于密度阈值的分割方法(I-DT)、基于兴趣点区域的分割方法(I-AOI)等。I-VT根据轨迹点的速度阈值进行分割、I-DT根据移动窗口内的密度阈值进行分割、I-AOI根据指定的兴趣区域来分割。这些方法在分割注视点和眼跳点的同时，也会将注视点按其标准分割为不同的子类。我们需要找到一个合理的聚类中心来表征该子类数据的关注中心。在眼动数据处理中的聚类方法领域中，传统的聚类方法一般以质心作为最佳的眼动注视中心点，这种方法不能很好的顾及密度信息，当某类轨迹点中有较多徘徊数据时，生成的注视中心会偏离用户最关注的区域，这种方法对噪声的敏感度高。

原始眼动数据中的眼跳点对于实际研究中往往是没有用处的，另外，较小的眼球运动对于高层次眼动分析的也是无益的。为了更好的测定用户眼动过程的注视点，需要寻找更好的测定方法，以达到更好地去除原始眼动数据中的眼跳，与更好地寻找注视点中心。

发明内容

本发明的目的在于针对传统眼动轨迹的注视点测定方法的不足，提出一种基于密度的眼动注视点的测定技术方案。

为达到上述目的，本发明提供的技术方案为一种基于密度的眼动注视点测定方法，包括轨迹点分类阶段和轨迹点聚类阶段，

所述轨迹点分类阶段包括以下子步骤，

步骤1.1，输入测试图片的眼动轨迹点数据；

步骤1.2，根据步骤1.1输入的眼动轨迹点数据，对其中属于注视点的各轨迹点进行分类，实现如下，

步骤1.2.1，根据步骤1.1输入的眼动轨迹点数据，计算每个轨迹点的速度Velocity；

步骤1.2.2，根据预先设置的阈值Threshold_V，将速度大于阈值的轨迹点设置为相应标签fixation，速度小于阈值的轨迹点设置相应标签为saccade；

步骤1.2.3，将时间上连续的标签为fixation的轨迹点归为同一类，得到若干类别，将标签为saccade的轨迹点全部舍弃；

所述轨迹点聚类阶段包括对每个类别分别执行以下子步骤，

步骤2.1，输入一类轨迹点数据G＝{g₁,g₂,…,g_n}，其中g_i为该类中第i个轨迹点，包含四个参数<x,y,t,d>，i的取值为1,2,…,n，n为该类别所包含轨迹点的个数；

步骤2.2，计算输入的各轨迹点之间的欧式距离，构成距离矩阵Dist，第i个点和第j个点之间的欧式距离为Dist(i,j)，公式如下，

其中，(x_i，y_i)表示第i个点的图像平面坐标位置，(x_j，y_j)表示第j个点的图像平面坐标位置，序号i的取值为1,2,…,n，j的取值为1,2,…,n；

步骤2.3，基于步骤2.2所得的距离矩阵Dist统计每个轨迹点半径r内的累计关注时间密度，设第i个点的半径r内的累计关注时间密度记为Density_r(i)；

步骤2.4，根据步骤2.3所得各个轨迹点半径r内的累计关注时间密度，确定最大密度值max(Density_r)；