基于纹理特征的眼动轨迹识别方法及装置的制造方法
【技术领域】
[0001] 本发明涉及图像处理技术，尤其涉及一种基于纹理特征的眼动轨迹识别方法及装 置。
【背景技术】
[0002] 生物特征识别，是指通过计算机利用人体所固有的特征来进行身份鉴定的技术。 眼动轨迹识别技术在身份鉴别和个人视觉信息加工的独特心理机制中得到广泛应用。
[0003] 现有技术中，眼动轨迹识别方法是基于注视点和眼跳的特征进行识别的方法，即 "复杂眼动模式生物特征"，"复杂眼动模式生物特征"是基于注视点和眼跳轨迹图提取的 特征，而注视点和眼跳轨迹图是以注视点和眼跳数据作图，因此得到的注视点和眼跳轨迹 非常稀疏，其中，眼动仪获取眼动轨迹图的原始数据，假设眼动仪的采样率是300HZ，注视 点是指当前采样点与下一个采用点的间隔时间大于等于某个预设阈值的点，该阈值通常为 200ms，眼跳是指两个注视点之间的快速移动的点，由于注视点和眼跳是基于原始眼动数据 人为划分的，并且，得到的注视点和眼跳轨迹非常稀疏，因此其识别的准确性低。
【发明内容】
[0004] 本发明提供的基于纹理特征的眼动轨迹识别方法及装置，通过在原始眼动轨迹图 上进行识别，其纹理细节更丰富，提高了识别准确率。
[0005] 本发明提供一种基于纹理特征的眼动轨迹识别方法，包括：获取眼动仪记录的N 张原始眼动轨迹图，所述N为大于等于1的整数；提取所述N张原始眼动轨迹图的特征；将 所述N张原始眼动轨迹图的特征输入到分类器，获取识别结果。
[0006] 所述N张原始眼动轨迹图的特征包括M个待识别的样本的特征；所述提取所述N 张原始眼动轨迹图的特征，包括：将所述N张原始眼动轨迹图组合成M个待识别的样本，其 中，每个所述待识别的样本中包含LXL张原始眼动轨迹图，所述L为大于等于1的整数，所 述M为大于等于1的整数，且所述LXLXM的积小于等于所述N;提取每个所述待识别的样 本的特征。
[0007] 所述将所述N张原始眼动轨迹图组合成M个待识别的样本，包括：从所述N张原 始眼动轨迹图中确定LXLXM张原始眼动轨迹图；对所述LXLXM张原始眼动轨迹图按照 LXL的分布方式组合成M个待识别的样本。
[0008] 所述提取每个所述待识别的样本的特征，包括：对每个所述待识别的样本进行 Gabor变换；提取Gabor变换之后的每个所述待识别的样本的特征。
[0009] 所述对每个所述待识别的样本进行Gabor变换，包括：将每个所述待识别的样 本转化为对应的二维矩阵；对每个所述二维矩阵进行二值化；使用不同频率f和方向0 的Gabor变换函数对二值化后的每个所述二维矩阵分别做二维卷积运算得到fX0个 结果矩阵，所述Gabor变换函数为
其中，
,f?为Gabor变换函数中正弦曲线的频率，0为Gabor变换函数的方 向，小为相位差，S为高斯函数的标准差，y为空间比例常数。
[0010]所述提取Gabor变换之后的每个所述待识别的样本的特征，包括：将所述fX0个 结果矩阵转化为fX0个一维向量，对所述fX0个一维向量分别求均值和方差得到fX0 个均值和fX0个方差，将所述fX0个均值和/或所述fX0个方差作为提取的一个待 识别的样本的特征。
[0011] 所述将所述N张原始眼动轨迹图的特征输入到分类器，获取识别结果，包括：从所 述N张原始眼动轨迹图的M个待识别的样本的M个特征向量中随机抽取m个特征向量作为 训练样本，（M-m)个特征向量作为测试样本，使用所述训练样本对分类器进行训练，将所述 测试样本的特征输入训练好的分类器，获取识别结果，一个所述待识别的样本对应一个所 述特征向量，所述m为大于等于1的整数。
[0012] 本发明提供一种基于纹理特征的眼动轨迹识别装置，包括：获取模块，用于获取眼 动仪记录的N张原始眼动轨迹图，所述N为大于等于1的整数；特征提取模块，用于提取所 述N张原始眼动轨迹图的特征；识别模块，用于将所述N张原始眼动轨迹图的特征输入到分 类器，获取识别结果。
[0013] 所述特征提取模块包括：图片处理单元，用于将所述N张原始眼动轨迹图组合成M 个待识别的样本，其中，每个所述待识别的样本中包含LXL张原始眼动轨迹图，所述L为大 于等于1的整数，所述M为大于等于1的整数，且所述LXLXM的积小于等于所述N;提取 单元，用于提取每个所述待识别的样本的特征。
[0014] 所述图片处理单元具体用于从所述N张原始眼动轨迹图中确定LXLXM张原始眼 动轨迹图；对所述LXLXM张原始眼动轨迹图按照LXL的分布方式组合成M个待识别的样 本。
[0015] 本实施例提供的基于纹理特征的眼动轨迹识别方法及装置，通过获取眼动仪记录 的原始眼动轨迹图，并提取原始眼动轨迹图的特征，将所提取的特征输入分类器中，获取识 别效果，通过在原始眼动轨迹图上进行识别，其纹理细节更丰富，提高了识别准确率。
【附图说明】
[0016] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发 明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以 根据这些附图获得其他的附图。
[0017] 图1是本发明基于纹理特征的眼动轨迹识别方法实施例一的流程图；
[0018] 图2为是本发明基于纹理特征的眼动轨迹识别方法实施例二的流程图；
[0019] 图3A为本发明一个应用实例数字搜索测试的原始眼动轨迹图组合后的一个待识 别的样本；
[0020] 图3B为本发明另外一个应用实例心里旋转测试的原始眼动轨迹图组合后的一个 待识别的样本；
[0021] 图4是本发明基于纹理特征的眼动轨迹识别方法实施例三的流程图；
[0022] 图5为Gabor变换函数的具体波形图；
[0023] 图6为不同频率特征值对应的识别正确率的差值；
[0024] 图7是本发明基于纹理特征的眼动轨迹识别装置实施例一的结构示意图；
[0025] 图8是本发明基于纹理特征的眼动轨迹识别装置实施例二的结构示意图。
【具体实施方式】
[0026] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0027] 图1是本发明基于纹理特征的眼动轨迹识别方法实施例一的流程图，如图1所示， 本实施例的方法可以包括：
[0028] 步骤101 :获取眼动仪记录的N张原始眼动轨迹图，其中，N为大于等于1的整数。
[0029] 首先获取眼动轨迹图的原始数据，采集眼动数据所用眼动仪的采样率是300HZ，如 果以现有技术采用的注视点数据作图，得到的注视点轨迹将非常稀疏，因而失去了大部分 视觉信息处理的纹理特征。因为我们是将被试的注视轨迹作为纹理进行分析，纹理细节越 丰富，越能反映被试的搜索特征，如果以300Hz的原始数据进行注视轨迹作图的话，会有更 多的纹理细节，因此，本实施例中将采用原始数据所作的眼动轨迹图。以每次测试眼动仪采 集到的数据绘图，得到N张原始眼动轨迹图片，其中N为大于等于1的整数。
[0030] 在本发明实施例一中，由于提取的是纹理特征，因此绘制眼动轨迹图时采用的是 眼动仪采集的原始数据，这样就能反映更多的视觉信息。另外，限于实验数据数量的问题， 在本发明的实例中优选的采用3X3的组合方式。
[0031] 步骤102 :提取N张原始眼动轨迹图的特征。
[0032] 特征提取是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特 征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的 曲线或者连续的区域。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
[0033] 本发明是基于纹理特征的眼动轨迹识别方法，纹理特征是一种全局特征，它描述 了图像或图像区域所对应景物的表面性质。与颜色特征不同，纹理特征不是基于像素点的 特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征 具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常 具有旋转不变性，并且对于噪声有较强的抵抗能力。
[0034] 在本步骤中，提取步骤101中的N张原始眼动轨迹图的特征以便进行识别。该特 征可以为均值、方差等统计数据。
[0035] 步骤103 :将N张原始眼动轨迹图的特征输入到分类器，获取识别结果。
[0036] 将步骤1