[发明专利]一种基于多视角学习的眼睛注视方向检测方法

摘要

本发明属于眼睛注视方向检测技术领域，提供一种基于多视角学习的眼睛注视方向检测方法，用于提高检测精度；本发明首先通过一种快速显著点移动识别方法收集人眼目视的图片数据，提取人眼目视图片数据中的两类特征，1)位置偏移量特征W、2)人眼周围部分图像灰度的梯度特征H；根据多视角的关联分析方法求取两类特征W、H投影到新的特征空间的投影矩阵A、B构建新特征空间下的数据样本；基于新的特征中的数据样本训练学习基于SVM的DAG‑SVM多分类算法的分类器，建立识别人眼注视方向的分类检测模型。本发明发明利用多视角学习的方式学习不同特征之间的相关性，建立新的学习训练样本，能够在单目摄像头条件下、大大提高人眼注视方向检测精度。

主权项

一种基于多视角学习的眼睛注视方向检测方法，其特征在于，包括以下步骤：步骤1、样本用户目视图片数据采集首先，屏幕上固定时间间隔移动一个显著特征点，并通过摄像头采集人眼注视移动显著特征点下的视频数据；然后通过帧的划分将视频数据划分为单张目视图片，并进行去噪处理后存储；最后，重复上述过程，采集若干样本用户目视图片数据，形成目视图片数据集；步骤2、提取用户目视图片中特征1)基于位置偏移的位置特征：首先通过AAM(Active Appreance Model)方法、ASM(Act ive Shape Mode)方法或Snake模型提取方法提取人脸部特征，然后通过Hough(霍夫)变化提取人眼部特征、包括瞳孔与眼眶特征，最后将人眼部特征转化为瞳孔到眼眶的水平、垂直方向的比率作为第一类特征；得到第一类特征矩阵：其中、m表示样本用户个数、n表示第一类特征维度；2)基于图片灰度值的特征：通过对用户目视图片中人眼部分的灰度值求取梯度作为第二类特征；得到第二类特征矩阵：其中、m表示样本用户个数、p表示第二类特征维度；步骤3、通过多视角学习方法(CCA)建立新的学习样本采用矩阵A表示第一类特征样本W的转换矩阵，表示为：ATW=a11a12...a1da21a22...a2d............an1an2...andTw11w12...w1mw21w22...w2m............wn1wn2...wnm]]>采用矩阵B表示第二类特征样本H的转换矩阵，表示为：BTH=b11b12...b1db21b22...b2d............bp1bp2...bpdTh11h12...h1mh21h22...h2m............hp1hp2...hpm]]>其中，d＝min(rank(W),rank(H))、即为特征矩阵W、H矩阵秩的最小值，·T表示矩阵转置；求解转换矩阵A、B，将第一、第二类特征转换为在新的特征空间下的数据样本，表示为：[ATW BTH L]其中，L为显著特征点标签集合；步骤4、基于步骤3得新的特征空间下的数据样本，建立基于支持向量机(SVM)的DAG‑SVM多分类器进行人眼注视方向的分类检测。