【技术实现步骤摘要】
本申请属深度学习，尤其涉及一种基于深度学习眼球追踪光斑检测方法及装置。
技术介绍
1、随着科技的发展，眼动追踪技术已然成为研究的热点，眼动追踪是一种用于研究人眼睛在视觉任务中的运动轨迹的技术。它可以记录人眼在观看视觉信息时的注视点位置和持续时间，并进一步推断人眼在视觉任务中的感知、认知和决策过程，帮助科学家了解人类视觉信息处理的机制。眼动追踪可以被应用于许多领域，例如人机交互设计、心理学、神经科学、广告和营销等。在眼动追踪中，视线估计是关键，但是视觉估计需要通过眼动光斑检测确认光斑序号进行视觉估计，现有技术中的眼动光斑检测精度不高，所以需要研究一套新的方案解决现有技术中问题。
技术实现思路
1、为了解决或缓解现有技术中的问题，因此提出一种基于深度学习眼球追踪光斑检测方法及装置。
2、第一方面，本申请实施例提供了一种基于深度学习眼球追踪光斑检测方法，包括：
3、将带有光斑的单通道样本眼球图像的数据组进行处理后存储在txt文件中；
4、读取txt文件中单通道样本眼球图像的数据组中首位数字不为0的数据组；
5、使用opencv图像视觉库生成像素值全为1的浮点型图像，所述浮点型图像大小与单通道样本眼球图像大小相同；
6、以每个所述数据组中的末尾两个值乘以单通道样本眼球图像的宽和高得到的值为圆心，以每个所述数据组的首位数字为像素，以预设像素值为半径在浮点型图像上画圆，得到单通道样本眼球图像对应的第一多通道标签图像；
7、
8、根据所述第一多通道标签图像与第二多通道标签图像确定损失函数；
9、通过所述损失函数迭代优化所述初级神经网络模型，得到最终神经网络模型；
10、通过所述最终神经网络模型对带有光斑的单通道待测眼球图像进行处理，并推理得到所述单通道待测眼球图像的光斑中心和光斑排序。
11、与现有技术相比，本申请实施例提供了一种基于深度学习眼球追踪光斑检测方法，将带有光斑的单通道样本眼球图像的数据组进行处理后存储在txt文件中；读取txt文件中单通道样本眼球图像的数据组中首位数字不为0的数据组；使用opencv图像视觉库生成像素值全为1的浮点型图像，所述浮点型图像大小与单通道样本眼球图像大小相同；以每个所述数据组中的末尾两个值乘以单通道样本眼球图像的宽和高得到的值为圆心，以每个所述数据组的首位数字为像素，以预设像素值为半径在浮点型图像上画圆，得到单通道样本眼球图像对应的第一多通道标签图像；通过初级神经网络模型对所述单通道样本眼球图像对应的数据组进行语义分割输出第二多通道标签图像；根据所述第一多通道标签图像与第二多通道标签图像确定损失函数；通过所述损失函数迭代优化所述初级神经网络模型，得到最终神经网络模型；通过所述最终神经网络模型对带有光斑的单通道待测眼球图像进行处理，并推理得到所述单通道待测眼球图像的光斑中心和光斑排序，通过本申请提供的技术方案可以较精确的进行眼动光斑检测以确认光斑序号。
12、第二方面，本申请实施例还提供了一种基于深度学习眼球追踪光斑检测装置，包括：
13、处理模块，用于将带有光斑的单通道样本眼球图像进行处理后存储在txt文件中；
14、生成模块，用于读取txt文件中的单通道样本眼球图像的数据组中首位数字不为0的数据组；使用opencv图像视觉库生成像素值全为1的浮点型图像，所述浮点型图像大小与单通道样本眼球图像大小相同；以每个所述数据组中的末尾两个值乘以单通道样本眼球图像的宽和高得到的值为圆心，以每个所述数据组的首位数字为像素，以预设像素值为半径在浮点型图像上画圆，得到单通道样本眼球图像对应的第一多通道标签图像；
15、语义分割模块，用于通过初级神经网络模型对所述单通道样本眼球图像对应的数据组进行语义分割输出第二多通道标签图像；
16、确定模块，用于根据所述第一多通道标签图像与第二多通道标签图像确定损失函数；
17、优化模块，用于通过所述损失函数迭代优化所述初级神经网络模型，得到最终神经网络模型；
18、推理模块，用于通过所述最终神经网络模型对带有光斑的单通道待测眼球图像进行处理，并推理得到所述单通道待测眼球图像的光斑中心和光斑排序。
19、与现有技术相比，本申请实施例提供了一种基于深度学习眼球追踪光斑检测装置的有益效果与第一方面提供的技术方案的有益效果相同，在此不再赘述。
本文档来自技高网...【技术保护点】
1.一种基于深度学习眼球追踪光斑检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习眼球追踪光斑检测方法，其特征在于，所述将带有光斑的单通道样本眼球图像的数据组进行处理后存储在txt文件中，包括：
3.如权利要求1所述的一种基于深度学习眼球追踪光斑检测方法，其特征在于，所述根据所述第一多通道标签图像与第二多通道标签图像确定损失函数，包括：
4.如权利要求3所述的一种基于深度学习眼球追踪光斑检测方法，其特征在于，所述第一多通道标签图像和第二多通道标签图像均为多张每个像素值是0或1的二值图。
5.如权利要求4所述的一种基于深度学习眼球追踪光斑检测方法，其特征在于，所述通过所述最终神经网络模型对带有光斑的单通道待测眼球图像进行处理，并推理得到所述单通道待测眼球图像的光斑中心和光斑排序，包括：
6.一种基于深度学习眼球追踪光斑检测装置，其特征在于，包括：
【技术特征摘要】
1.一种基于深度学习眼球追踪光斑检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习眼球追踪光斑检测方法，其特征在于，所述将带有光斑的单通道样本眼球图像的数据组进行处理后存储在txt文件中，包括：
3.如权利要求1所述的一种基于深度学习眼球追踪光斑检测方法，其特征在于，所述根据所述第一多通道标签图像与第二多通道标签图像确定损失函数，包括：
4.如权利要求3所述的...
【专利技术属性】
技术研发人员：毛凤辉，徐浩，邓继军，郭振民，
申请(专利权)人：南昌虚拟现实研究院股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。