论文部分内容阅读
基于计算机视觉的人眼检测与跟踪技术是当今眼动研究的主流方法。然而,基于计算机视觉的检测方法虽然使用起来较为方便,但该方法受光线影响较大,在光线较暗或背景环境发生变化的情况下,系统性能会急剧下降,甚至无法正确分析。而作为生物电信号的一种,眼电(EOG,Electrooculogram)信号能够实时反映不同状态下的眼动模式,EOG信号的幅值一般相对较大(相比其他生物电信号),便于检测和处理,且EOG信号受周围光线环境影响较小。因此,本文提出采用EOG信号和视频相结合的方法进行人眼眼动模式的检测,旨在通过EOG信号的眼动检测结果标注视频,并对视频检测方法进行改进,提高视频检测的准确率。本文主要围绕眨眼和包含有扫视、凝视等多种眼动类型的阅读这两种眼动模式进行分析与检测。全文的主要内容如下:(1)基于本文中算法研究对数据的需求,设计了四种光线变化实验范式以及三种阅读类型,实现了 EOG信号与面部视频数据的同步采集,并初步建立了一个小型基于EOG和面部视频的眼动数据库。(2)针对基于EOG的眼动检测,给出了一种基于EOG的阅读行为检测算法,用于阅读行为的检测与识别,且通过差分算法实现了基于EOG的眨眼检测。实验结果表明,基于EOG的眼动检测均有较高的准确率,且验证了 EOG受光线环境变化的影响较小。(3)针对基于面部视频的眨眼检测,给出了一种新的眨眼检测算法,该算法是通过定位并提取眼部区域,分别分析该区域中眼睑和瞳孔部位的大小变化情况来确定每次眨眼眼动的起始和结束时间。还通过定位瞳孔中心点坐标,将二维眼部区域图像转化为一维序列信号,再进行基于面部视频的阅读行为检测。实验结果表明,基于面部视频的眼动检测就会受到光线环境变化的影响,光线变化程度越大准确率越低,甚至无法进行准确识别。(4)针对视频受外界光线影响较大的情况,提出基于EOG和面部视频相结合的方法实现眼动检测。该方法利用EOG信号对眼动检测的高准确率,将EOG信号的眼动检测结果标注到同步采集的面部视频中,并对视频原有的检测方法进行改进。实验结果表明,改进后的视频检测方法提高了眼动检测的准确性。(5)根据所提阅读行为识别算法,设计并实现了一种基于EOG的阅读辅助系统,目的是为了帮助阅读障碍(Dyslexia)患者或者老年人保持阅读的流畅性。该系统可以通过生物电采集设备实时采集受试者的阅读EOG信号,同时采用本文所提阅读行为识别算法对该信号进行字符编码,并将编码结果转化为控制命令,实现对阅读辅助系统中放大镜设备的控制。