[发明专利]一种基于机器学习的眼控跟踪方法

权利要求书

1.一种基于机器学习的眼控跟踪方法，其特征在于，包括以下步骤：

S1，启动眼控跟踪模式；

S2，通过摄像头获取被跟踪人员的瞳孔、眼脸形状特征和头部姿势，获得联合特征数据；

S3，对步骤S2所获得的联合特征数据进行分析，采用机器学习方法，对多特征进行深度学习和训练，得到具有强识别性能的分类器；

S4，通过处理单元接收分析信息，并依据该分析信息产生眼动指针。

2.如权利要求1所述的一种基于机器学习的眼控跟踪方法，其特征在于，所述步骤S1具体包括如下步骤：通过语音指令或触控指令启动，对APP发出启动指令，电子设备在得到指令后自动打开眼控跟踪模块，启动眼控跟踪模式。

3.如权利要求2所述的一种基于机器学习的眼控跟踪方法，其特征在于，所述步骤S2具体包括如下步骤：

S21，对摄像机获得的当前图像进行色彩空间转换处理，由三通道RGB彩色空间转换到单通道灰度空间，并进行直方图均衡化处理；

S22，使用双边滤波在保证图像中障碍物边缘清晰的前提下去除图像中的噪声，滤波计算表达式为：

$h\left(x\right)=k_d^{-1}\left(x\right){\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}{\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}f\left(\mathrm{\ξ}\right)c(\mathrm{\ξ},x)d\mathrm{\ξ},$

其中，f为原输入图像，h为去噪后的输出图像，c(ξ,x)为度量了领域中心点x和领近点ξ的几何临近度，k_d为归一化参数；

S23，采用图像特征提取方法，获得图像的像素级特征序列，对算法生成的有序对象列表进行分析，去除其中不属于聚类群的孤立点和奇异点。

4.如权利要求3所述的一种基于机器学习的眼控跟踪方法，其特征在于，所述步骤S3具体包括以下步骤：

S31，利用深度置信网络对步骤S23中获得的特征进行训练和学习，并对训练和学习结果进行测试；

S32，采用步骤S31获得具有强分辨能力的分类器，并将获得的分类器集成到的眼控跟踪系统中。

5.如权利要求4所述的一种基于机器学习的眼控跟踪方法，其特征在于，所述步骤S4具体包括以下步骤：

S41，采用步骤S32所获得的强分类器，实时检测瞳孔位置信息，对位置进行记录，构成一阶马尔科夫过程，并采用随机状态估计方法对瞳孔在下一时刻的可能位置进行预测；

S42，采用Kalman滤波方法对步骤S41获得的位置进行跟踪，进而提供本发明所述眼控跟踪方法的实时性；

S43，采用步骤S42所获得的瞳孔跟踪信息，提取其中的瞳孔运动速度和方向信息构成眼动指针。