一种用于视线跟踪的深度神经网络筛选方法

本发明属于深度学习领域，具体是一种用于视线跟踪的深度神经网络筛选方法。

背景技术：

1、近年来，由于环境光照的多变、个体眼球生理特性的差异、头部姿态的动态变化等,基于深度神经网络(dnn)的视线估计的精度仍然是一个具有挑战的热点问题。已报道的不同类型的dnn常采用不同的评价指标，有的采用角度误差，有点采用f1值、召回率和精度等其他指标，事实上，这些指标不能准确评价视线跟踪的动态性能。

技术实现思路

1、本发明采用特定运动模式的仿真人视频作为输入准确评判不同dnn的动态性能，为各行业挑选合适的dnn提供了一条简单适用的思路。

2、为达到上述目的，本发明所述的一种用于视线跟踪的dnn筛选方法，其特征在于，包括以下步骤：

3、步骤一，产生包含确定信号s(t)的仿真人视频is(x,y,t)；

4、步骤二，调整并运行的dnn得到输出g0(t)；

5、步骤三，对g(t)去噪后得到凝视角g1(t)；

6、步骤四，比较不同的dnn的g1(t)，选择与s(t)相比误差最小的的dnn用于视线跟踪。

7、根据权利要求1所述的一种用于视线跟踪的dnn筛选方法，其特征在于，步骤一中产生包含确定信号s(t)的仿真人视频is(x,y,t)，具体采用以下步骤：

8、步骤一，在软件blender中导入人头模型，眼动为静止，设置让人头的pitch和yaw按照一定规律变化，其变化为已知的信号s(t)；

9、步骤二，通过渲染得到人头具有特定运动方式的仿真人视频is(x,y,t)。

10、根据权利要求1所述的一种用于视线跟踪的dnn筛选方法，其特征在于，步骤二中调整并运行的dnn得到输出g0(t)，具体采用以下步骤：

11、步骤一，将dnn的输入统一为视频输入模式，输出统一为凝视角g0(t)：

12、g0(t)＝g_f(is(x,y,t))

13、其中，g_f为一种深度神经网络；

14、步骤二，输入仿真人视频is(x,y,t)，得到凝视角g0(t)：

15、g0(t)＝|(pitch(t)α+yaw(t)β)γ|+n(t)

16、其中，α、β和γ是dnn有关的参数，n(t)为与dnn有关的噪声。

17、4、根据权利要求1所述的一种用于视线跟踪的dnn筛选方法，其特征在于，步骤三中g0(t)去噪得到凝视角g1(t)，具体采用以下步骤：

18、步骤一，设置去噪算法参数；

19、步骤二，通过去噪算法作用g0(t)去噪得到凝视角g1(t)。

20、5、根据权利要求1所述的一种用于视线跟踪的dnn筛选方法，其特征在于，步骤四中比较采用不同dnn得到的g1(t)，选择与s(t)相比误差最小的dnn用于视线跟踪，具体采用以下步骤：

21、步骤一，选择不同种dnn得到g0(t)，并通过去噪算法作用g0(t)去噪得到凝视角g1(t)；

22、步骤二，采用以下公式计算误差：

23、

24、其中，n是对g1(t)和s(t)采样点总数，选择err最小的dnn用于视线跟踪。

技术特征：

1.一种用于视线跟踪的深度神经网络筛选方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种用于视线跟踪的深度神经网络筛选方法，其特征在于，步骤一中产生包含确定信号s(t)的仿真人视频is(x,y,t)，具体采用以下步骤：

3.根据权利要求1所述的一种用于视线跟踪的深度神经网络筛选方法，其特征在于，步骤二中调整并运行深度神经网络得到输出g0(t)，具体采用以下步骤：

4.根据权利要求1所述的一种用于视线跟踪的深度神经网络筛选方法，其特征在于，步骤三中对g0(t)去噪后得到凝视角g1(t)，具体采用以下步骤：

5.根据权利要求1所述的一种用于视线跟踪的深度神经网络筛选方法，其特征在于，步骤四中比较采用不同深度神经网络得到的g1(t)，选择与s(t)相比误差最小的深度神经网络用于视线跟踪，具体采用以下步骤：

技术总结
一种用于视线跟踪的深度神经网络筛选方法，包括以下步骤：产生包含确定信号s(t)的仿真人视频I<subgt;S</subgt;(x,y,t)；调整并运行深度神经网络得到输出g<subgt;0</subgt;(t)；g<subgt;0</subgt;(t)去噪得到凝视角g<subgt;1</subgt;(t)；比较不同深度神经网络的g<subgt;1</subgt;(t)，选择与s(t)相比误差最小的深度神经网络用于视线跟踪。

技术研发人员：刘丹平,曾靖涵,宋俊毅,覃文香,张奇阳,崔文娟,湛悦
受保护的技术使用者：重庆大学
技术研发日：
技术公布日：2024/9/23