基于眼动跟踪的隐式意图识别分类方法技术

本发明专利技术公开了一种基于眼动跟踪的隐式意图识别分类方法，包括下述步骤：选取产品图片集作为视觉刺激的来源；设定图像区域（AOI），该图像区域包括没有目标的图像区域和有明确目标的图像区域两类，获取用户注视时长，注视次数和瞳孔大小；建立测量瞳孔大小变化的基线模型，采用基于图片强度的基线模型，分离强度变化对瞳孔刺激的影响，并且以此建立基于用户瞳孔大小信息的基准模型，确定基线阈值区分两种隐式意图：非目的性意图和目的性意图；基于注视时间、注视次数和瞳孔大小变化这三个参数，采用分类器把用户的隐式意图分为非目的性意图和目的性意图。本发明专利技术具有能在不同的意图条件下识别用户隐式意图，且识别精度高的特点。

【技术实现步骤摘要】
基于眼动跟踪的隐式意图识别分类方法
本专利技术属于人机交互
，具体地说是涉及一种基于眼动跟踪的隐式意图识别分类方法。
技术介绍
在心理学与认知科学中意图建模与识别被认为是创造人机界面(HCI)和人-机器人交互的新模式，解释用户的隐式意图识别一直是人机交互研究的热点。眼动是由人类认知系统控制的必不可少的运动。换而言之，眼球运动以及瞳孔的大小变化不是随机的，而是与用户接受的视觉刺激具有直接的相关性。作为一个“心灵的窗口”，眼动与人类的认知过程是紧密耦合的。当人们浏览一个视觉场景，不同隐式意图导致不同的眼动模式。根据“eye-mind”假说，认为所看即所想。因此，人类的视觉包含了关于一个人的兴趣，爱好，和意图等更丰富，更复杂的信息。现有技术中，程时伟等人提出了一种基于眼动跟踪的移动设备阅读辅助系统，根据瞳孔位置的变化定位当前阅读文本行，帮助阅读者在阅读中断后迅速找到中断前的阅读地点；李姗等人建立了一个面向残疾人式的眼动交互绘画系统，运用注视时间的长短判断眼动行为；Park等人使用支持向量机(SVM)分类的方法研究人的认知与情感；Hoeks等人提出了瞳孔的大小可以用来衡量人的注意力。在此类研究中，都将眼动跟踪作为研究途径来获取人的隐式意图，从而为产品或系统研发提供支持，但不能在不同意图条件下识别隐式意图，且识别精度低。
技术实现思路
本专利技术的目的在于克服上述缺点而提供一种能在不同的意图条件下识别用户隐式意图，且识别精度高的基于眼动跟踪的隐式意图识别分类方法。本专利技术的一种基于眼动跟踪的隐式意图识别分类方法，包括下述步骤：(1)选取产品图片集作为视觉刺激的来源；(2)设定图像区域(AOI)，该图像区域包括没有目标的图像区域和有明确目标的图像区域两类，获取用户注视时长，注视次数和瞳孔大小，其中有目标的图像区域和有明确目标的图像区域分别对应用户的非目的性意图和目的性意图；(3)建立测量瞳孔大小变化的基线模型，采用基于图片强度的基线模型，分离强度变化对瞳孔刺激的影响，并且以此建立基于用户瞳孔大小信息的基准模型，确定基线阈值区分两种隐式意图：非目的性意图和目的性意图；(4)基于注视时间、注视次数和瞳孔大小变化这三个参数，采用分类器把用户的隐式意图分为非目的性意图和目的性意图。(4)基于注视时间、注视次数和瞳孔大小变化这三个参数，采用分类器把用户的隐式意图分为非目的性意图和目的性意图。上述的基于眼动跟踪的隐式意图识别分类方法，其中：在步骤(3)中，所述基于图片强度的基线模型，将强度值在0-255范围内的视觉刺激图像平均分成11个等级，利用n阶多项式逼近函数的方法，得到了左、右眼的强度与瞳孔大小变化的关系曲线。上述的基于眼动跟踪的隐式意图识别分类方法，其中：所述设定感兴趣区域(AOI)采用搜索或定位方式。上述的基于眼动跟踪的隐式意图识别分类方法，其中：所述分类器为构造最近邻分类器(NN)或者支持向量机分类器(SVM)。本专利技术与现有技术的相比，具有明显的有益效果，由以上方案可知，设定图像区域(AOI)，该图像区域包括没有目标的图像区域和有明确目标的图像区域两类，获取用户注视时长，注视次数和瞳孔大小，其中有目标的图像区域和有明确目标的图像区域分别对应用户的非目的性意图和目的性意图。该方法把人即用户的隐式意图分为：非目的性意图和目的性意图。非目的性意图是指找到一些有趣的对象作为视觉输入，其中不包含特定的目标；目的性意图是指人渴望找到含有特定目标的感兴趣区域。该方法基于注视时间，注视次数，和瞳孔大小变化的人类隐式意图识别模型，并且定义了人类隐式意图的分类，使用最近邻(NN)和支持向量机(SVM)分类器有效地对人类隐式意图分类。总之，本专利技术能定性和定量地对人的意图信息进行分类，准确、快速地感知用户的隐性意图能为产品的研发起到指引性的作用。以下通过具体实施方式，进一步说明本专利技术的有益效果。附图说明图1为本专利技术的流程示意图；图2(a)为实施例中的榨汁机-1图；图2(b)为实施例中的榨汁机-2图；图2(c)为实施例中的榨汁机-3图；图2(d)为实施例中的榨汁机-4图；图2(e)为实施例中的榨汁机-5图；图3(a)为实施例中的瞳孔中心数据Ⅰ图；图3(b)为实施例中的瞳孔中心数据Ⅱ图；图3(c)为实施例中的瞳孔深度信息中心的点图；图3(d)为实施例中的校准的测试图像；图3(e)为实施例中的监测到的眼球位置图；图4(a)为实施例中的榨汁机-1非目的性热图；图4(b)为实施例中的榨汁机-2非目的性热图；图4(c)为实施例中的榨汁机-3非目的性热图；图4(d)为实施例中的榨汁机-4非目的性热图；图4(e)为实施例中的榨汁机-5非目的性热图；图5(a)为实施例中的“控制按钮”目的性意图的热图；图5(b)为实施例中的“控制按钮”目的性意图的瞳孔大小变化图；图5(c)为实施例中的“控制按钮”目的性意图的注视时间图；图5(d)为实施例中的“控制按钮”目的性意图的注视次数图；图6(a)为实施例中的“出汁嘴”目的性意图的热图；图6(b)为实施例中的“出汁嘴”目的性意图的瞳孔大小变化图；图6(c)为实施例中的“出汁嘴”目的性意图的注视时间图；图6(d)为实施例中的“出汁嘴”目的性意图的注视次数图；图7(a)为实施例中的瞳孔大小变化的平均值；图7(b)为实施例中的注视时间的平均值；图7(c)为实施例中的注视次数的平均值。具体实施方式以下结合附图及较佳实施例，对依据本专利技术提出的基于眼动跟踪的隐式意图识别分类方法结构具体实施方式、特征及其功效，详细说明如后。如图1所示，本专利技术的一种基于眼动跟踪的隐式意图识别分类方法，包括下述步骤：(1)选取产品图片集作为视觉刺激的来源；(2)采用搜索或定位方式设定图像区域(AOI)，该图像区域包括没有目标的图像区域和有明确目标的图像区域两类，获取用户注视时长，注视次数和瞳孔大小；(3)建立测量瞳孔大小变化的基线模型，采用基于图片强度的基线模型，分离强度变化对瞳孔刺激的影响，并且以此建立基于用户瞳孔大小信息的基准模型，确定基线阈值区分两种隐式意图：非目的性意图和目的性意图；其中，用基于图片强度的基线模型，将强度值在0-255范围内的视觉刺激图像平均分成11个等级，利用n阶多项式逼近函数的方法，得到了左、右眼的强度与瞳孔大小变化的关系曲线；(4)基于注视时间、注视次数和瞳孔大小变化这三个参数，采用构造最近邻分类器(NN)或者支持向量机分类器(SVM)把用户的隐式意图分为非目的性意图和目的性意图。(5)采用单因素方差分析数据，包括均值、标准偏差、显著性水平；采用配对t–检测来比较注视时间、注视次数和瞳孔大小变化之间的非目的性意图和目的性意图；为了精确地测量瞳孔大小的变化，提出了一个关于图片强度的基线模型。要生成模型，将强度值在0-255范围内的视觉刺激图像平均分成11个等级。利用n阶多项式逼近函数的方法，得到了左、右眼的强度与瞳孔大小变化的关系曲线。将强度设为x，瞳孔大小变化设为y，n＜M，输入到{(xi,yi),i＝1,2,.....,M}中。在(式1)中，可以通过最小二乘近似法得到：把(式1)带入(式2)中：第(n+1)项多项式的pn(x)的系数可以使用下面的等式来获得：可以推出左眼瞳孔随强度大小变化的表达式，如(式6)。右眼本文档来自技高网...

【技术保护点】
一种基于眼动跟踪的隐式意图识别分类方法，包括下述步骤：（1）选取产品图片集作为视觉刺激的来源；（2）设定图像区域（AOI），该图像区域包括没有目标的图像区域和有明确目标的图像区域两类，获取用户注视时长，注视次数和瞳孔大小；（3）建立测量瞳孔大小变化的基线模型，采用基于图片强度的基线模型，分离强度变化对瞳孔刺激的影响，并且以此建立基于用户瞳孔大小信息的基准模型，确定基线阈值区分两种隐式意图：非目的性意图和目的性意图；（4）基于注视时间、注视次数和瞳孔大小变化这三个参数，采用分类器把用户的隐式意图分为非目的性意图和目的性意图。

【技术特征摘要】
1.一种基于眼动跟踪的隐式意图识别分类方法，包括下述步骤：（1）选取产品图片集作为视觉刺激的来源；（2）设定图像区域（AOI），该图像区域包括没有目标的图像区域和有明确目标的图像区域两类，获取用户注视时长，注视次数和瞳孔大小；（3）建立测量瞳孔大小变化的基线模型，采用基于图片强度的基线模型，分离强度变化对瞳孔刺激的影响，并且以此建立基于用户瞳孔大小信息的基准模型，确定基线阈值区分两种隐式意图：非目的性意图和目的性意图；（4）基于注视时间、注视次数和瞳孔大小变化这三个参数，采用分类器把用户的隐式意图分为非目的性意图和目的性意图...

【专利技术属性】
技术研发人员：吕健，潘伟杰，黄海松，袁庆霓，马丽莎，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州,52