论文部分内容阅读
眼睛作为“人类心灵的窗户”，是人们获取外界信息的主要器官，人眼状态的变化可以反映内心活动及情感的变化，因此对人眼运动、视线变化的研究是了解人类内心活动、情感变化的关键。近年来，随着计算机技术及传感器技术的发展，视线跟踪技术得到了快速的发展。视线跟踪技术应用广泛，可应用于医学、军事、界面设计与评估、人机交互等诸多领域。而基于计算机图像处理的视线跟踪技术具有低干扰、高精度、实时性能好的优点，因此已成为视线跟踪研究的主流方法。 本文基于计算机图像处理技术，研究了一种基于瞳孔-角膜反射法的视线跟踪方法，我们搭建了相应的视线跟踪装置，并对其中的关键算法进行了深入研究。系统的硬件装置主要有两个850nm近红外光源、一个CCD相机及对应的滤光片等。主要流程包括:系统标定、图像采集、特征点定位、注视点估计等。 本文重点研究了瞳孔以及普尔钦亮斑的精确定位。首先通过Adaboost算法及级联分类器进行人眼检测，粗定位眼睛区域，然后在此基础上进行瞳孔及普尔钦亮斑的定位。对于瞳孔的定位，本文提出了一种自适应阈值方法，该方法能够适应不同测试者及光照条件，将瞳孔与非瞳孔部分很好地分离，然后再通过Canny边缘提取算子及椭圆拟合方法，实现了瞳孔的精准、快速定位;而对于普尔钦亮斑的定位，本文提出了一种基于K-means聚类算法及质心法的方法，通过开运算前后的差分图像得到所有亮斑点集合，然后对亮斑点集合进行K-means聚类，得到两个光斑点集合，再通过加权质心法求得其加权质心位置，从而实现了对两个普尔钦亮斑的精准定位。 在注视点估计（视线跟踪流程的最后一步）中，本文采用了多项式非线性回归模型，通过在屏幕设置标定点来求解多项式的系数，从而得到眼动数据到实际注视点数据的转化关系，并在提取瞳孔中心-角膜反射亮斑(PC-CR)向量后将其进行标准化，以减小头部运动带来的影响。最后我们通过Python软件平台及OpenCV视觉库进行了系统测试，验证了本文相关算法的有效性，当用户头部保持静止时，系统平均偏差为0.93度，而且，系统能较好的适应前后方向的头部运动，满足一般实用性要求。