基於隨機遊走的眼動注視點測定方法
2023-08-01 00:53:31
基於隨機遊走的眼動注視點測定方法
【專利摘要】本發明提供一種基於隨機遊走的眼動注視點測定方法，包括軌跡點分類階段和軌跡點聚類階段，所述軌跡點分類階段輸入測試圖片的眼動軌跡點數據，將其中屬於注視點的各軌跡點分到不同的類別中；所述軌跡點聚類階段包括對每個類別分別執行，計算輸入的各軌跡點之間的歐式距離構成距離矩陣，計算概率分布矩陣，統計每個點的累計關注時間密度，代入隨機遊走模型，迭代得到收斂的權重向量，從而計算注視點中心位置。本發明生成的聚類中心與用戶關注中心更加擬合；本發明提出的基於隨機遊走的眼動注視點測定的方法，綜合考慮了時間和空間因素，結果更精確。
【專利說明】基於隨機遊走的眼動注視點測定方法
【技術領域】
[0001] 本發明涉及眼動數據分析領域和視覺感知領域，具體涉及一種基於隨機遊走的眼 動注視點測定方法。
【背景技術】
[0002] 眼動儀以固定的頻率來記錄用戶關注視覺信息時的圖像坐標，廣泛用於視覺感 知、心理等領域的研究。近年來，隨著眼動儀技術的不斷發展，眼動數據分析變得尤為重要， 分析注視點和眼跳點的關係理論發展迅速，為了尋找用戶眼動過程中的注視中心，在眼動 數據處理時，需要提出更好的聚類方法。
[0003] 理論上，基於各種分割方法獲得的數據點，應當有比均值更好的注視中心點，能夠 更好地體現人眼的關注位置。在研究注視點和眼跳點的關係理論時，為了區分兩者，研究者 已經提出了基於速度閾值的分割方法（I-VT)、基於密度閾值的分割方法（I-DT)、基於興趣 點區域的分割方法（I-AOI)等。I-VT根據軌跡點的速度閾值進行分割、I-DT根據移動窗口 內的密度閾值進行分割、I-AOI根據指定的興趣區域來分割。處理注視點數據時，往往需要 找到一個合理的聚類中心來表徵該類數據的關注中心。在眼動數據處理中的聚類方法領域 中，傳統的聚類方法一般以質心作為最佳的眼動注視中心點，這種方法不能很好的顧及密 度信息，當某類軌跡點中有較多徘徊數據時，生成的注視中心會偏離用戶最關注的區域，這 種方法對噪聲的敏感度高。
【發明內容】
[0004] 本發明的目的在於針對傳統眼動軌跡的注視點測定方法的不足，提出一種基於隨 機遊走的眼動注視點測定方法。
[0005] 為達到上述目的，本發明提供的技術方案提供一種基於隨機遊走的眼動注視點測 定方法，包括軌跡點分類階段和軌跡點聚類階段，
[0006] 所述軌跡點分類階段包括以下子步驟，
[0007] 步驟1. 1，輸入測試圖片的眼動軌跡點數據；
[0008] 步驟1. 2,根據步驟I. 1輸入的眼動軌跡點數據，對其中屬於注視點的各軌跡點進 行分類，實現如下，
[0009] 步驟1. 2. 1，根據步驟I. 1輸入的眼動軌跡點數據，計算每個軌跡點的速度 Velocity ；
[0010] 步驟1. 2. 2,根據預先設置的閾值Threshold_V，將速度大於閾值的軌跡點設置為 相應標籤fixation，表示注視點，速度小於閾值的軌跡點設置相應標籤為saccade，表示眼 跳點；
[0011] 步驟1.2. 3,將時間上連續的標籤為fixation的軌跡點歸為同一類，得到若干類 另Ij，將標籤為saccade的軌跡點全部捨棄；
[0012] 所述軌跡點聚類階段包括對每個類別分別執行以下子步驟，
[0013] 步驟2. 1，輸入一類軌跡點的數據，設該類別所包含軌跡點的個數為n，初始化當 前迭代次數t = 0 ;
[0014] 步驟2. 2,計算輸入的各軌跡點之間的歐式距離，構成距離矩陣Dist，設輸入的各 軌跡點中第i個點和第j個點之間的距離為Dist (i，j)，公式如下，
【權利要求】
1. 一種基於隨機遊走的眼動注視點測定方法，其特徵在於：包括軌跡點分類階段和軌 跡點聚類階段， 所述軌跡點分類階段包括以下子步驟， 步驟1. 1，輸入測試圖片的眼動軌跡點數據； 步驟1. 2,根據步驟I. 1輸入的眼動軌跡點數據，對其中屬於注視點的各軌跡點進行分 類，實現如下， 步驟1. 2. 1，根據步驟I. 1輸入的眼動軌跡點數據，計算每個軌跡點的速度Velocity; 步驟1. 2. 2,根據預先設置的閾值Thresh〇ld_V，將速度大於閾值的軌跡點設置為相應 標籤fixation，表示注視點，速度小於閾值的軌跡點設置相應標籤為saccade，表示眼跳點； 步驟1. 2. 3,將時間上連續的標籤為fixation的軌跡點歸為同一類，得到若干類別，將 標籤為saccade的軌跡點全部捨棄； 所述軌跡點聚類階段包括對每個類別分別執行以下子步驟， 步驟2. 1，輸入一類軌跡點的數據，設該類別所包含軌跡點的個數為n，初始化當前迭 代次數t= 0 ; 步驟2. 2,計算輸入的各軌跡點之間的歐式距離，構成距離矩陣Dist，設輸入的各軌跡 點中第i個點和第j個點之間的距離為Dist(i，j)，公式如下，
其中，Uyyi)表示第i個點的圖像平面坐標位置，Upyj)表示第j個點的圖像平面坐 標位置，i的取值為1，2,…，n，j的取值為1，2,…，η; 步驟2. 3,基於步驟2. 2所得的距離矩陣Dist計算概率分布矩陣Q，其中每個元素q(i，j)表示第i個點與第j個點之間的連通係數，定義如下，
其中，Dist(i,k)為第i個點和第k個點之間的距離，k的取值為1，2,…，η;σ是預設 的遊走係數，e為自然常數； 步驟2. 4,基於步驟2. 2所得的距離矩陣Dist統計每個點半徑r內的累計關注時間密 度Density1^i)，r為預設的密度半徑； 然後，軌跡點i的初始化權重w(i)計算如下，
式中，DensityJi)表示第i個點的密度； 步驟2. 5,將以上步驟所得的參數w(i)代入隨機遊走模型，模型定義如下，
式中，Ui)表示第i個點在第t次迭代過程中的權重值，l(t+1)⑴表示第i個點在第t+Ι次迭代過程中的權重值，初始值Itl (i) =w(i)，It (j)表示第j個點在第t次迭代過程 中的權重值，初始值l〇(j) =w(j) ;q(j，i)是概率分布矩陣Q中的元素，表示第j個點與第i個點之間的連通係數；α為一個自適應常數；η為歸一化常數因子，定義如下，
當輸入的各軌跡點都滿足|l(t+1)(i)_lt(i)l<Τ時，停止迭代，得到收斂的權重向量It =1α+υ，1α+?為第t+Ι次的權重向量，進入步驟2. 6,其中T為預設的收斂閾值；否則對各 軌跡點的權重值更新，令t=t+Ι，返回步驟2. 5計算下一次迭代中的各點權重值l(t+1) (i); 步驟2. 6,基於步驟2. 5所得的權重向量It，計算注視點中心位置，定義如下，
所得（?,夕）為所求類別的注視中心點的坐標位置，It⑴是權重向量It中第i個點相應 的權重值，記錄所得注視中心點的坐標位置、該類別第一個點的採集時刻和第一個點至最 後一個點的總停留時間。
2. 根據權利要求1所述基於隨機遊走的眼動注視點測定方法，其特徵在於：步驟2. 5 中，將隨機遊走模型轉化成矩陣進行計算，矩陣形式如下，
式中，向量It和W分別表示n個點第t次的權重、初始權重；diag(.)表示將向量轉化 為對角陣；Il.Ili表示向量元素的絕對值之和；I是n階單位陣；Λ表示n階對角陣；η為 歸一化常數因子。
3. 根據權利要求1或2所述基於隨機遊走的眼動注視點測定方法，其特徵在於：步驟 2. 4中，統計每個點半徑r內的累計關注時間密度Density1^i)如下， 計算第i個點周圍r半徑內的點的停留時間之和如下，
式中，4是第j個點的停留時間。
4. 根據權利要求1或2所述基於隨機遊走的眼動注視點測定方法，其特徵在於：步驟 2. 4中，統計每個點半徑r內的累計關注時間密度Density1^i)如下， 計算第i個點周圍在r半徑內的點的個數如下， Densityr (i) = {# (j) |Dist(i,j) 式中，#(j)表示符合條件的點的個數。
【文檔編號】G06T7/20GK104463916SQ201410855892
【公開日】2015年3月25日 申請日期:2014年12月31日 優先權日:2014年12月31日
【發明者】陳震中, 陳秀 申請人:武漢大學