CN104504404B - 一种基于视觉行为的网上用户类型识别方法及系统 - Google Patents

Abstract

本发明公开一种基于视觉行为的网上用户类型识别方法及系统，对一个或多个不同类型用户的眼动数据进行采集和处理，获得注视信息数据集与用户类型集，根据注视信息数据集中的注视信息，获得一个或多个眼动特征数据，以形成采样数据集，从中选择眼动特征数据输入支持向量机，训练得到用户类型分类器，完成机器学习过程获得分类器，将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器，根据分类器识别网上任意用户的用户类型。主要利用眼动追踪技术，获取计算用户浏览网页时三种眼动特征数据，根据眼动特征数据的不同，判断网上用户类型。基于视觉行为的用户识别，能够主动记录网上用户的眼动数据，提取数据简便可靠，准确率高，可信度高。

Description

一种基于视觉行为的网上用户类型识别方法及系统

技术领域

本发明涉及用户类型自动识别技术领域，具体是指一种基于视觉行为的网上用户类型识别方法及系统。

背景技术

随着科技的发展和网络的普及，网络已经成为人们生活、学习、工作等不可缺少的通讯工具和信息交流平台，目前，网络只能通过计算机硬件的键盘、鼠标、触摸屏等被动的接受用户的信息请求，缓慢接收用户手动输入，而用户却能够快速从计算机界面和音频等得到大量的信息，由此就会造成一种人机交互带宽不平衡的问题。在计算机网络被广泛使用的同时以及大众需求标准日益提高的情况下，计算机网络智能的研究已经引起了广泛的重视。

网络智能不但要实现信息处理智能，而且还要做到人机交互智能，而网页是作为人和网络进行信息交互的重要的人机界面，其中，网上用户类型识别实现智能化尤为重要。眼动跟踪技术对网络智能的实现提供了一种途径，眼动追踪技术(简称眼动技术)能够记录用户眼球运动情况，使用户得以通过视觉通道直接对界面进行操作，以此可以解决人机交互带宽不平衡的问题。

比较容易知道，不同类型网上用户通过眼动技术对界面进行操作时，其视觉性模式会不同。例如，老年人由于年龄的增长，视力下降，眼睛的调节能力下降，视野变窄，认知功能减退，信息加工能力降低，其视觉行为与青年人明显不同。在浏览网页时，老年人比青年人从网页上获取和加工信息时需要付出更多的心理努力。研究表明老年人视觉浏览时更多的关注网页中心区域，浏览策略呈现一种中心特性，而青年人视觉浏览时采用无明显规律的自由浏览策略。

而现有的网上用户类型识别主要是通过问卷调查、网上点击率等方法，如此很难获得网上用户上网过程中的心理活动，识别准确率低，可信度不高。

因此，有必要提供一种新的基于视觉行为的网上用户类型识别方法及系统，以解决上述技术问题。

发明内容

本发明的目的是提供一种基于视觉行为的网上用户类型识别方法及系统，能够主动记录网上用户的眼动数据，根据眼动数据的不同识别用户，提取数据简便可靠，识别准确率高、可靠度高。

根据本发明的一个方面，提供一种基于视觉行为的网上用户类型识别方法，第一步，对一个或多个不同类型用户的眼动数据进行采集和处理，获得包括注视信息数据集F与用户类型集C；

第二步，根据注视信息数据集F中的注视信息，获得一个或多个眼动特征数据，以形成采样数据集；

第三步，从采样数据集中选择眼动特征数据输入支持向量机，训练得到用户类型分类器,从而完成机器学习过程获得分类器；

第四步，将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器，根据所述分类器识别网上任意用户的用户类型。

在上述技术方案中，注视信息数据集F＝{f₁,f₂,f₃,f₄,…f_m}中f_m是一个四元数组(t_fk,n_fk,d_lk,d_rk)，t_fk为此次浏览的时间；n_fk为t_fk时间内的浏览的注视点个数；d_lk为左瞳孔直径；d_rk为右瞳孔直径。

在上述技术方案中，多个眼动特征数据形成采样数据集包括步骤：

第一步、通过计算公式计算出所有m个S_Dk构成眼跳距离数据组S＝{S_D1,S_D2,S_D3,…,S_Dm},其中(x_k,y_k)和(x_k+1,y_k+1)分别是第k、k+1个注视点的坐标,i表示某一用户某次浏览任务的注视点个数；

第二步、通过计算公式注视频率fq_fk＝n_fk/t_fk，计算出所有m个fq_fk构成注视频率数据组f_f＝{f_f1,f_f2,f_f3,…,f_fm}；

第三步、通过计算公式计算出所有m个D_i集合构成瞳孔直径数组A_d＝[D₁,D₂,D₃,…,D_m],其中d_ij为第i个用户进行每一次任务时第j个注视点的瞳孔直径值；

第四步、选用上述第i个注视频率fq_fi、瞳孔直径D_i和眼跳距离S_Di三个眼动特征以及对应的用户类型C_q构成一个基本采样单元M_i＝{fq_fi,S_Di,D_i,c_q}，所有m个基本采样单元构成采样数据集：M’_m＝{M₁,M₂,…….M_m}。

在上述技术方案中，训练获得所述分类器包括以下步骤：

第一步、选出一个基本采样单元Mi＝{fq_fi,SD_i,D_i,c_q}；

第二步、提取其眼动特征数据即训练用样本特征参数fq_fi,SD_i以及D_i构成一个特征参数向量；

第三步、以采样符号函数作为判断语句，如果该条语句属于此特征参数对应的用户类型c_q，则令SVM输出yi＝1,否则yi＝-1，如此训练获得所述分类器。

在上述技术方案中，通过以下步骤实现用户类型识别：

第一步、将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器；

第二步、根据所述分类器识别网上任意用户的用户类型。

根据本发明的另一个方面，提供一种基于视觉行为的网上用户类型识别系统，包括依次连接的采集处理单元、获取单元、训练单元以及识别单元；其中，采集处理单元用于对一个或多个不同类型用户的眼动数据进行采集和处理，获得包括注视信息数据集与用户类型集；获取单元用于根据注视信息数据集F中的注视信息，获得一个或多个眼动特征数据，以形成采样数据集；训练单元用于从采样数据集中选择眼动特征数据输入支持向量机，训练得到用户类型分类器，从而完成机器学习过程获得分类器；识别单元用于将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器，根据所述分类器识别网上任意用户的用户类型。

在上述技术方案中，采集处理单元还包括：注视信息数据集F＝{f₁,f₂,f₃,f₄,…f_m}，其中f_m是一个四元数组(t_fk,n_fk,d_lk,d_rk)，t_fk为此次浏览的时间；n_fk为t_fk时间内的浏览的注视点个数；d_lk为左瞳孔直径；d_rk为右瞳孔直径。

在上述技术方案中，获取单元还包括：

通过计算公式计算出所有m个S_Dk构成眼跳距离数据组S＝{S_D1,S_D2,S_D3,…,S_Dm},其中(x_k,y_k)和(x_k+1,y_k+1)分别是第k、k+1个注视点的坐标,i表示某一用户某次浏览任务的注视点个数；

通过计算公式注视频率f_qfk＝n_fk/t_fk，计算出所有m个f_qfk构成注视频率数据组ff＝{f_f1,f_f2,f_f3,…,f_fm}；

通过计算公式计算出所有m个D_i集合构成瞳孔直径数组Ad＝[D₁,D₂,D₃,…,D_m],其中d_ij为第i个用户进行每一次任务时第j个注视点的瞳孔直径值；

选用上述第i个注视频率f_qfi、瞳孔直径D_i和眼跳距离S_Di三个眼动特征以及对应的用户类型C_q构成一个基本采样单元Mi＝{fqfi,S_Di,D_i,c_q}，所有m个基本采样单元构成采样数据集：M’m＝{M₁,M₂,…….M_m}。

在上述技术方案中，训练单元还包括：选出一个基本采样单元M_i＝{fq_fi,S_Di,D_i,c_q}，

提取其眼动特征数据即训练用样本特征参数fq_fi,S_Di以及D_i构成一个特征参数向量；

以采样符号函数作为判断语句，如果该条语句属于此特征参数对应的用户类型c_q，则令SVM输出yi＝1,否则yi＝-1，如此训练获得所述分类器。

在上述技术方案中，识别单元还包括：将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器；

根据所述分类器识别网上任意用户的用户类型。

本发明公开的一种基于视觉行为的网上用户类型识别方法及系统，主要利用眼动追踪技术，根据网上用户视觉模式和多项眼动特征识别网上用户类型。其用于眼动人机交互环境中，通过获取计算用户浏览网页时三种眼动特征数据，根据眼动特征数据的不同，判断出网上用户类型。基于视觉行为的用户识别，能够主动记录网上用户的眼动数据，提取数据简便可靠，准确率高，可信度高。

附图说明

图1是本发明基于视觉行为的网上用户类型识别方法的一实施例的流程图；

图2是眼动数据构成的一实施例的示意图；

图3本发明基于视觉行为的网上用户类型识别系统的一实施例的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

下面，参见图1所示本发明基于视觉行为的网上用户类型识别方法的一实施例的流程图，并结合图2所示眼动数据构成的一个实施例，描述本发明的方法的一实施方式。

在一个实施方式中，基于视觉行为的网上用户类型识别方法，主要可以包括以下步骤：

在步骤S1，对一个或多个不同类型用户的眼动数据(m个眼动数据)进行采集和处理，获得包括注视信息数据集F＝{f1,f2,f₃,f₄,…f_m}与用户类型集C＝{c₁,c₂,c₃,…c_q}等集合。

视觉行为，人产生对图形符号信息的敏感性和视觉感官反射出的思考方式(眼球根据视觉感官产生运动的行为)，这里指不同类型网上用户浏览网页时的特点，例如老年人浏览网页时更多的关注网页中心区域，青年人则呈现无规律的自由浏览策略。

眼动数据，这里是指与眼球运动相关的数据，包括但不限于与注视、眼跳和追随等眼球运动(或说眼球运动模式)等相关的数据。一类眼动数据的采集方式，例如可以通过包括光学系统、瞳孔中心坐标提取系统、视景与瞳孔坐标叠加系统和图像与数据的记录分析系统共同实现采集，常见的这类采集设备如具有红外摄影机的眼动仪等，其可以对网上用户的眼动数据进行采集、进而还可以对异常数据进行剔除，获得正确的注视信息数据集，例如：眼动仪可以采集并记录其眼动数据，并将眼动数据和用户类型作为学习集合来学习不同用户的眼动模式(眼球运动模式)。其中，根据眼动数据可以了解诸如浏览网页的用户的对于不同图形符号信息的敏感性和/或视觉感官反射的行为等。

注视信息数据，这里指眼动数据中，与“注视”被观察的对象的这类眼球运动信息相关的数据。

用户类型，这里是指与采集的眼动数据相对应的网络访问用户的类型。其中，可以预设需要划分的类型，比如：以年龄划分的类型(老年人、青年人)，以性别划分的类型(男人、女人)，等等。

采集用户的眼动数据，可以根据需要稍做处理，比如，可以通过集合、数组、矩阵等方式整理保存，并将所有记录分为几类基本数据集，主要的包括例如：注视信息数据集合F＝{f₁,f₂,f₃,f₄,…f_m}、用户类型集合C＝{c₁,c₂,c₃,…c_q}、等等。

在一个将网上用户类型预设为以年龄划分类型的例子中，可以采集不同年龄的网上用户(如：老年人和青年人)在浏览器界面中进行网页浏览的视觉行为。如一种具体的方式为：可以通过使用一种感知设备包括眼动仪装置(例：瑞典生产的Tobii T120非侵入式眼动仪的红外摄像机)，以120Hz的采样频率采集并记录52名不同类型用户(包括26名老年人和26名青年人)中，每名用户在网页界面中分别进行10次浏览任务所表现的视觉行为从而产生的眼动数据。在所采集的52名用户分别进行10次浏览任务时的上述眼动数据中，注视信息数据集F＝{f₁,f₂,f₃,f₄,…f_m}可以是F＝{f₁,f₂,f₃,f₄,…f₅₂₀}，即此例的m个眼动数据为52*10＝520个，即注视信息数据集F＝{f₁,f₂,f₃,f₄,…f₅₂₀}包含所有注视信息。与上述眼动数据对应的52名(p＝52)不同类型用户的用户类型的数据集合C＝{c₁,c₂,c₃,…c₅₂}，的一个例子：可以预设类型标记是青年人标记为1，老年人标记为2，如此，C＝{1,2,2,1……2}。

对于注视信息的数据集合F集合{f₁,f₂,f₃,f₄,…f_m}来说，其中任一元素如用f_k表示，则f_k是一个四元数组，其可以包含四种信息(t_fk,n_fk,d_lk,d_rk)，依次可以表示第k个用户某次的浏览时间t_fk、该t_fk时间内浏览的注视点个数、此时的左瞳孔直径、此时的右瞳孔直径。其中，注视点可以是指浏览网页时眼睛不动位于网页位置的点。如上述例子：第1个用户第1次浏览时的注视信息数据f₁包含四种信息(t_f1,n_f1,d_l1,d_r1),其中，t_f1为第1个用户第1次浏览的时间；n_f1为所述t_f1时间内浏览的注视点个数；d_l1为左瞳孔直径(左眼瞳孔直径)；d_r1为右瞳孔直径(右眼瞳孔直径)。

在步骤S2，根据注视信息数据集F中的注视信息，获得一个或多个眼动特征数据(或者获得至少一个眼动特征数据)，以形成采样数据集。

一个具体的方式如：提取注视信息数据集F中所包含的注视信息，通过计算，得出每一用户每一次浏览任务时的眼跳距离S_Dk、注视频率fq_fk、瞳孔直径d_fk等眼动特征数据(即表现眼球运动特点的特征数据)。

其中，眼跳距离，是指每个用户每次进行浏览任务，所述注视点位置发生变化时，两注视点的欧氏距离。如步骤S1的例子中，可根据52名用户分别进行10次浏览任务时的注视信息数据集F＝{f₁,f₂,f₃,f₄,…f₅₂₀}中的信息进行计算。

本发明中，一种计算眼跳距离S_Dk的方式可以是：如第1个用户第1次浏览任务时第i个注视点的坐标为(x_i，y_i)，第i+1个注视点的坐标为(x_i+1，y_i+1)，第i次眼跳距离的平均值作为此次眼跳距离(S_D1)特征，计算公式为：计算公式为：

其中，(x_k,y_k)和(x_k+1,y_k+1)分别是第k、k+1个注视点的坐标,i表示某一用户某次浏览任务的注视点个数，从而计算出S_D1＝0.7552。进而，依次提取注视信息数据集F＝{f₁,f₂,f₃,f₄,…f₅₂₀}中的信息，一一计算出对应的：S_D2＝0.9119；…；S_D520＝1.0004。以获得全部52名用户分别进行10次浏览任务(即520次)眼跳距离数据组(集合)：

S＝{0.7552,0.9119,…,1.0004}

其中，注视频率，是指每个用户每次进行浏览任务时单位时间内的注视点个数。同样，如步骤S1的例子中，可根据52名用户分别进行10次浏览任务时的注视信息数据集F＝{f₁,f₂,f₃,f₄,…f₅₂₀}中的信息进行计算。

本发明中，一种计算注视频率的方式可以是：注视频率fq_fk＝n_fk/t_fk，如上述例子中，假设采集的第1个用户第1次浏览任务时t_f1＝24，注视点个数n_f1＝10511，其单位时间内的注视点个数的计算(即注视频率)为：fq_f1＝n_f1/t_f1＝10511/24＝437.9583,进而，依次提取注视信息数据集F＝{f₁,f₂,f₃,f₄,…f₅₂₀}中的信息计算出：fq_f2＝n_f2/t_f2＝10365/45＝230.3333；…；fq_f520＝n_f520/t_f520＝10517/18＝584.2778。从而得到全部52名用户分别进行10次浏览任务(即520次)的注视频率数据组(集合)：

FQ_f＝{437.9683,230.3333,…,584.2778}；

其中，瞳孔直径d_fk，可以指每个用户在某次浏览时的某个注视点的瞳孔的直径值。比如：以步骤S1中所采集的注视信息数据集为例，提取该集合中采集到的左右瞳孔直径数据d_lk、d_rk，可以计算得到瞳孔直径。一种计算方式，例如：可以计算左右瞳孔直径的平均值以代表某个用户在某次浏览时其对应的瞳孔直径值，即瞳孔直径值d_fk＝(d_lk+d_rk)/2。由此，可以得到的全部的瞳孔直径，并设置瞳孔直径矩阵。例如，假设第q个用户进行浏览任务，每个任务中选择n个注视点，则构成了q×n的瞳孔直径矩阵Sd：

其中每一行代表同一个用户在某一浏览任务下的每一个注视点的瞳孔直径值，一共有n个注视点，所以每一行有n个瞳孔直径值；

瞳孔直径矩阵中各元素Di为瞳孔矩阵每行的平均值，即为：

所有m个D_i集合构成瞳孔直径数组A_d＝[D₁,D₂,D₃,…,D_m]，其中d_ij为第i个用户进行每一次任务时第j个注视点的瞳孔直径值；

承步骤S1中52人分别10次浏览的例子：根据其采集的注视信息数据集F＝{f₁,f₂,f₃,f₄,…f₅₂₀}中的信息按照上述计算方式可以依次计算出D₁＝1.2523；D₂＝1.3799；…；D₅₂₀＝-0.986，从而得到52名用户分别进行10次浏览任务即520次共同构成的瞳孔直径数据组：

A_d＝{1.2523,1.3799,…,-1.2757}。

承上述例子，选用注视频率fq_fn、瞳孔直径D_m和眼跳距离S_Di三个眼动特征数据，上述的每一个用户每一次进行浏览任务时的眼跳距离S_Di、注视频率fq_fi、瞳孔直径D_i以及此次该用户类型c_i可以组成一个基本采样单元(即采样数据集，也就是眼动特征数据的组合)：M_i＝{fq_fi,S_Di,D_i,c_q}。因此q名用户如52名用户分别进行n次如10次浏览任务的采样数据集为：M’_q×n＝{M₁,M₂,…，M_q×n}，如M’₅₂₀＝{M₁,M₂,…….M₅₂₀}。

进一步，还可以对采样数据集M’进行常规的归一化处理得到M’’，以改善数值或优化后续处理等。

在步骤S3，从采样数据集中选择眼动特征数据输入支持向量机，训练得到用户类型分类器。从而完成机器学习过程获得分类器。

在一个实施方式中，从步骤S2中的采样数据集中选择眼动特征数据，即注视频率数组、瞳孔直径数组和眼跳距离数组中的一组数值输入支持向量机SVM进行训练，从而训练得到用户类型分类器。

以上述52名用户10次浏览任务为例：采用SVM训练时，从眼动特征数据中选择老年人、青年人眼动特征数据语句作为训练样本，选择其中一种用户类型作为识别目标进行训练。具体地，可以从52名用户分别进行10次浏览任务所构成的采样数据集M’₅₂₀＝{M₁,M₂,…….M₅₂₀}中选出一个基本采样单元，如选择第1个用户类型为青年人进行第1浏览任务时的第一个基本采样单元M₁＝{fq_f1,S_D1,D₁,1}，具体数值即为M₁＝{437.9583,0.7552，1.2523,1}，提取其眼动特征数据即训练用样本特征参数fq_f1＝437.9583,S_D1＝0.7552以及D₁＝1.2523构成一个特征参数向量，采样符号函数作为判断语句，如果该条语句属于此特征参数对应的用户类型1，则令SVM输出yi＝1,否则yi＝-1，(其中，i＝1,2,3…n)；如选择第52个用户类型为老年人进行第10浏览任务时的最后一个基本采样单元M₅₂₀＝{fq_f520,S_D520,D₅₂₀,2}，具体数值即为

M₅₂₀＝{584.2778,1.0004，-0.986,2}，

提取其特征参数fq_f520＝584.2778,S_D520＝1.0004以及D₅₂₀＝-0.986构成一个特征参数向量，采样符号函数作为判断语句，如果该条语句属于此特征参数对应的用户类型2，则令SVM输出yi＝1,否则yi＝-1，(其中，i＝1,2,3…n)。如此，利用训练样本的特征参数向量和SVM输出作为训练集，选择核函数为高斯(径向基)函数，可以采用已有的分解算法对该相应用户类型(例：老年人或青年人)的支持向量机SVM进行训练，得到该训练集的支持向量xi(i＝1,2,3…n)、支持向量权值系数a和偏移系数；例如：训练成老年人和青年人用户类型分类器。

在步骤S4，将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器，根据所述分类器识别网上任意用户的用户类型。

在一个实施例中，眼动数据是采集到的(如眼动仪捕捉或采集到的)任意的网上用户的眼动数据，比如可以包括：所有已经采集的(例：步骤S1中采集的所有眼动数据)、和/或用户实时进行网上浏览时进一步被追踪采集到的实时(或者说当前)的眼动数据、等等，即得到的任意的在网上进行浏览的用户的眼动数据，并将这些数据输入到训练好的用户类型分类器。

在分类器中，一种方式可以是经输出判决函数判断对应的网上用户类型，从而识别出对应该任意眼动数据的网上用户的用户类型(比如：青年人或老年人、女人或男人、奢侈品用户或普通物品用户、等等)。

根据本发明另一方面，参见图3所示根据本发明基于视觉行为的网上用户类型识别系统的一实施例的结构示意图，对该系统进行具体的说明。

在该例子中，基于视觉行为的网上用户类型识别系统300，包括采集处理单元301、获取单元302、训练单元303以及识别单元304。

其中，采集处理单元301，用于对一个或多个不同类型用户的眼动数据(m个眼动数据)进行采集和处理，获得包括注视信息数据集F＝{f₁,f₂,f₃,f₄,…f_m}与用户类型集C＝{c₁,c₂,c₃,…c_q}等集合。该单元可以利用各种眼动数据采集设备如眼动仪等，对网上用户的眼动数据进行采集、进而还可以对异常数据进行剔除，获得正确的注视信息数据集等集合，如步骤S1所述的以年龄(老年人和青年人)区分用户类型的例子，在用户在界面中进行浏览网页时，记录其眼动数据，其眼动数据和用户类型作为学习集合来学习不同用户的眼动模式，采集用户的眼动数据后，稍作处理并根据需要将所有记录分为两类基本数据集，分别为注视信息数据集F＝{f₁,f₂,f₃,f₄,…f_m}与用户类型集C＝{c₁,c₂,c₃,…c_q}。其中，注视信息数据集F＝{f₁,f₂,f₃,f₄,…f_m}包含所有的注视信息，f_k是一个四元数组包含四种信息(t_fk,n_fk,d_lk,d_rk),t_fk为此次浏览的时间；n_fk为t_fk时间内的浏览的注视点个数；d_lk为左瞳孔直径；d_rk为右瞳孔直径。其中，用户类型集C＝{c₁,c₂,c₃,…c_n}包含青年人和老年人，用户类型是青年人，则标记为1，用户类型为老年人，则标记为2。

采集处理单元301的具体处理和功能参见步骤S1的描述。

其中，获取单元302，用于根据注视信息数据集F中的注视信息，获得一个或多个眼动特征数据(或者获得至少一个眼动特征数据)，以形成采样数据集。例如步骤S2中的例子，其可以根据来自采集处理单元301的注视信息数据集提取计算得出多个眼动特征数据从而构成采样数据集。眼动特征数据包括眼跳距离S_Dk、注视频率fq_fk、瞳孔直径d_fk等。各眼动特征数据有相应的数据组：眼跳距离数据组S＝{S_D1,S_D2,S_D3,…,S_Dm}、注视频率数据组FQ＝{f_f1,f_f2,f_f3,…,f_fm}、瞳孔直径数据组Ad＝[D1,D2,D3,…,Dm]、等等。并由注视频率fq_fk，眼跳距离S_Di，瞳孔直径D_i以及用户类型C_q构成一个基本采样单元，M_i＝{fq_fi,S_Di,D_i,c_q}，从而得到采样数据集为：M’_q×n＝{M₁,M₂,…，M_q×n}，如M’₅₂₀＝{M₁,M₂,…….M₅₂₀}。进而，还可以对采样眼动数据集进行归一化处理，得到优化后的新的采样数据集M’’。

获取单元302具体处理和功能参见步骤S2的描述。

其中，训练单元303，用于从所述采样数据集中选择眼动特征数据输入支持向量机，训练得到用户类型分类器。从而完成机器学习过程获得分类器。

例如：选择获取单元2的采集数据集中的眼动特征数据，即注视频率数组、瞳孔直径数组和眼跳距离数组中的一组数值，输入支持向量机SVM，训练得到用户类型分类器。具体的，SVM训练可以从眼动特征数组中选择老年人、青年人眼动特征数据语句作为训练样本；选择其中一种用户类型作为识别目标，对于第i条眼动数据语句，提取其特征参数构成一个特征参数向量，采样符号函数作为判断语句，如果该条语句属于此用户类型，则令SVM输出yi＝1,否则yi＝-1。如此，利用训练样本的特征参数向量和SVM输出作为训练集，核函数为高斯(径向基)函数，采用已有的分解算法对该用户类型的支持向量机进行训练，得到该训练集的支持向量xi(i＝1,2,3…n)、支持向量权值系数a和偏移系数，由老年人和青年人分别训练两个分类器。

训练单元303具体处理和功能参见步骤S3的描述。

其中，识别单元304用于将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器，根据所述分类器识别网上任意用户的用户类型。

比如，眼动数据可以是眼动仪捕捉或采集到的任意的网上用户的眼动数据(当前的、过去的、实时的等等)，包括：所有已经采集的(例：步骤S1中采集的所有眼动数据)、和/或用户实时进行网上浏览时进一步被追踪采集到的实时(或者说当前)的眼动数据、等等。即得到的任意的在网上进行浏览的用户的眼动数据，并将这些数据输入到训练好的用户类型分类器。

在分类器中，一种方式可以是由分类器经输出判决函数判断对应的网上用户类型，从而识别出对应该任意眼动数据的网上用户的用户类型(比如：青年人或老年人、女人或男人、奢侈品用户或普通物品用户、等等)。

识别单元304具体处理和功能参见步骤S4的描述。

由于本实施例的系统所实现的处理及功能基本相应于前述图1～图2所示的方法实施例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

下面，是本发明的识别方法及系统的一应用实例：

承前述52人10次例，通过使用瑞典生产的Tobii T120非侵入式眼动仪，以120Hz的采样频率记录了52名用户，其中包括26名老年人和26名青年人，分别进行10次浏览任务的眼动数据，用以学习不同类型用户浏览网页时的眼动模式。采集的52名用户的眼动数据以及对应的用户类型数据，将所有记录分为两类基本数据集：包含所有注视信息的用户的眼动数据的注视信息数据集

F＝{f₁,f₂,f₃,f₄,…f₅₂₀}，以及，

相应的用户类型数据集

C＝{c₁,c₂,c₃,…c₅₂}＝{1,1,…,2}。

由注视信息，计算用户的眼跳距离:S_D1＝0.7552，S_D2＝0.9119，…，S_D520＝1.0004，得到眼跳距离数据组：

S＝{0.7552,0.9119,…,1.0004}。

由注视信息，计算用户注视频率:fq_f1＝n_f1/t_f1＝10511/24＝437.9583，fq_f2＝n_f2/t_f2＝10365/45＝230.3333，…，fq_f520＝n_f520/t_f520＝10517/18＝584.2778，得到注视频率数据组：

FQ_F＝{437.9683,230.3333,…,584.2778}。

由注视信息，计算用户瞳孔直径：D₁＝1.2523，D₂＝1.3799，…，D₅₂₀＝-0.986，得到瞳孔直径数据组：

Ad＝{1.2523,1.3799,…,-1.2757}。

由此，基本采样单元为:

M₁＝{437.9583,1.2523,0.7552,1}；

M₂＝{230.3333,1.3799,0.9119,1}；

…

M₅₂₀＝{584.2778,-0.986,1.0004,2}；

构成的采样数据集为：

对采样眼动数据集进行归一化处理，可以得到新的采样数据集：

依据本发明所述方法和系统的上述实施例，将待识别的采样数据集输入(提取样本训练并获得分类器)并经输出判决函数判断，即选择注视频率、瞳孔直径、眼跳距离三个组合特征，分类函数选择线性函数，将待识别用户的眼动数据输入训练的分类器，输出被识别出的用户类型。

例如：分别对眼跳距离、注视频率、瞳孔直径以及特征组合选用Liner函数、Polynomial函数、Rbf核函数、Sigmoid函数分别分类，表1为分类结果如下：

表1：

	Liner	Polynomial	Rbf	Sigmoid
					注视频率	0.5537	0.4942	0.5471	0.5537
瞳孔直径	0.8946	0.7910	0.8997	0.8963
					眼跳距离	0.5652	0.5652	0.5652	0.5652
特征组合	0.9148	0.6426	0.7426	0.5185
					归一化后组合	0.9346	0.8962	0.9346	0.9346

本发明旨基于视觉行为的网上用户类型识别方法及系统，用于眼动人机交互环境中，通过获取计算用户浏览网页时三种眼动特征数据，根据眼动特征数据的不同，判断出网上用户类型视觉行为的识别，能够主动记录网上用户的眼动数据，提取数据简便可靠，准确率高，可信度高。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (8)

1.一种基于视觉行为的网上用户类型识别方法，其特征在于，包括:步骤：

S1、对一个或多个不同类型用户的眼动数据进行采集和处理，获得包括注视信息数据集F与用户类型集C；S2、根据注视信息数据集F中的注视信息，获得一个或多个眼动特征数据，以形成采样数据集；

所述步骤S2包括：提取注视信息数据集F中的注视信息，计算得出每一用户每一次浏览任务时的眼跳距离S_Dk、注视频率fq_fk、瞳孔直径d_fk的眼动特征数据；

所述步骤S2还包括：

S21、通过计算公式计算出所有m个S_Dk构成眼跳距离数据组S＝{S_D1,S_D2,S_D3,…,S_Dm},其中，(x_k,y_k)和(x_k+1,y_k+1)分别是第k、k+1个注视点的坐标,i表示某一用户某次浏览任务的注视点个数；

S22、通过计算公式注视频率fq_fk＝n_fk/t_fk，计算出所有m个fq_fk构成注视频率数据组f_f＝{f_f1,f_f2,f_f3,…,f_fm}；

S23、通过计算公式计算出所有m个D_i集合构成瞳孔直径数组A_d＝[D₁,D₂,D₃,…,D_m],其中d_ij为第i个用户进行每一次任务时第j个注视点的瞳孔直径值；

S24、选用第i个注视频率fq_fi、瞳孔直径D_i和眼跳距离S_Di三个眼动特征以及对应的用户类型C_q构成一个基本采样单元M_i＝{fq_fi,S_Di,D_i,c_q}，所有m个基本采样单元构成采样数据集：M’_m＝{M₁,M₂,……，M_m}；

S3、从采样数据集中选择眼动特征数据输入支持向量机，训练得到用户类型分类器，从而完成机器学习过程获得分类器；

S4、将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器，根据所述分类器识别网上任意用户的用户类型。

2.根据权利要求1所述的基于视觉行为的网上用户类型识别方法，其中，步骤S1还包括：

注视信息数据集F＝{f₁,f₂,f₃,f₄,…f_m}，其中f_m是一个四元数组(t_fk,n_fk,d_lk,d_rk)，t_fk为此次浏览的时间；n_fk为t_fk时间内的浏览的注视点个数；d_lk为左瞳孔直径；d_rk为右瞳孔直径。

3.根据权利要求1-2之一所述的基于视觉行为的网上用户类型识别方法，其中：所述步骤S3还包括：

S31、选出一个基本采样单元M_i＝{fq_fi,S_Di,D_i,c_q}，

S32、提取其眼动特征数据即训练用样本特征参数fq_fi,S_Di以及D_i构成一个特征参数向量；

S33、以采样符号函数作为判断语句，如果该条语句属于此特征参数对应的用户类型c_q，则令SVM输出yi＝1,否则yi＝-1，如此训练获得所述分类器。

4.根据权利要求1-2之一所述的基于视觉行为的网上用户类型识别方法，其中：步骤S4还包括：

S41、将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器；

S42、根据所述分类器识别网上任意用户的用户类型。

5.一种基于视觉行为的网上用户类型识别系统，特征在于：包括依次连接的数据采集处理单元、获取单元、训练单元单元以及识别单元；其中，

采集处理单元，用于对一个或多个不同类型用户的眼动数据进行采集和处理，获得包括注视信息数据集F与用户类型集C；

获取单元，用于根据注视信息数据集中的注视信息，获得一个或多个眼动特征数据，以形成采样数据集；

所述获取单元，用于提取注视信息数据集F中的注视信息，计算得出每一用户每一次浏览任务时的眼跳距离S_Dk、注视频率fq_fk、瞳孔直径d_fk的眼动特征数据；

获取单元还包括：

通过计算公式计算出所有m个S_Dk构成眼跳距离数据组S＝{S_D1,S_D2,S_D3,…,S_Dm},其中(x_k,y_k)和(x_k+1,y_k+1)分别是第k、k+1个注视点的坐标,i表示某一用户某次浏览任务的注视点个数；

通过计算公式注视频率fq_fk＝n_fk/t_fk，计算出所有m个fq_fk构成注视频率数据组f_f＝{f_f1,f_f2,f_f3,…,f_fm}；

通过计算公式计算出所有m个D_i集合构成瞳孔直径数组A_d＝[D₁,D₂,D₃,…,D_m],其中d_ij为第i个用户进行每一次任务时第j个注视点的瞳孔直径值；

选用第i个注视频率fq_fi、瞳孔直径D_i和眼跳距离S_Di三个眼动特征以及对应的用户类型C_q构成一个基本采样单元M_i＝{fq_fi,S_Di,D_i,c_q}，所有m个基本采样单元构成采样数据集：M’_m＝{M₁,M₂,……，M_m}；

训练单元，用于从采样数据集中选择眼动特征数据输入支持向量机，训练得到用户类型分类器，从而完成机器学习过程获得分类器；

识别单元，用于将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器，根据所述分类器识别网上任意用户的用户类型。

6.根据权利要求5所述的系统，其中，采集处理单元还包括：

注视信息数据集F＝{f₁,f₂,f₃,f₄,…f_m}，其中f_m是一个四元数组(t_fk,n_fk,d_lk,d_rk)，t_fk为此次浏览的时间；n_fk为t_fk时间内的浏览的注视点个数；d_lk为左瞳孔直径；d_rk为右瞳孔直径。

7.根据权利要求5-6之一所述的系统，其中，训练单元还包括：

选出一个基本采样单元M_i＝{fq_fi,S_Di,D_i,c_q}，

提取其眼动特征数据即训练用样本特征参数fq_fi,S_Di以及D_i构成一个特征参数向量；

以采样符号函数作为判断语句，如果该条语句属于此特征参数对应的用户类型c_q，则令SVM输出yi＝1,否则yi＝-1，如此训练获得所述分类器。

8.根据权利要求5-6之一所述的系统，其中，识别单元还包括：

将采集的网上任意用户的眼动数据输入到训练好的用户类型分类器；

根据所述分类器识别网上任意用户的用户类型。