TW201928875A - 過濾光斑的方法和裝置 - Google Patents

過濾光斑的方法和裝置 Download PDF

Info

Publication number
TW201928875A
TW201928875A TW107147363A TW107147363A TW201928875A TW 201928875 A TW201928875 A TW 201928875A TW 107147363 A TW107147363 A TW 107147363A TW 107147363 A TW107147363 A TW 107147363A TW 201928875 A TW201928875 A TW 201928875A
Authority
TW
Taiwan
Prior art keywords
light spot
type
image
vector
light
Prior art date
Application number
TW107147363A
Other languages
English (en)
Other versions
TWI691937B (zh
Inventor
劉偉
任冬淳
宮小虎
楊孟
聶鳳梅
Original Assignee
大陸商北京七鑫易維信息技術有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 大陸商北京七鑫易維信息技術有限公司 filed Critical 大陸商北京七鑫易維信息技術有限公司
Publication of TW201928875A publication Critical patent/TW201928875A/zh
Application granted granted Critical
Publication of TWI691937B publication Critical patent/TWI691937B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Ophthalmology & Optometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本發明係提供一種過濾光斑的方法及裝置。其中，該方法包含：獲取第一圖像以及與第一圖像相匹配的基準圖像，且，在第一圖像上顯示有第一類光斑；根據基準圖像確定第一圖像的第二類光斑，且，第二類光斑為基於基準圖像對第一圖像上的光斑進行估計所得到的光斑；根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑及第二類光斑的匹配結果；根據匹配結果對第一類光斑進行過濾。根據本發明之過濾光斑的方法及裝置，以解決相關技術不能準確濾除雜光斑的技術問題。

Description

過濾光斑的方法及裝置
本發明係關於視線追蹤領域，例如關於一種過濾光斑的方法及裝置。
虛擬實境(Virtual Reality，VR)技術係一種可以創建及體驗虛擬世界的電腦技術，VR技術在視線追蹤領域得到廣泛的應用。
在實際應用中，VR設備可根據基於眼球的三維(3Dimensions，3D)近似圓球模型中的瞳孔中心座標及角膜反射，對注視點的遠距離設備進行視線估計。若VR設備使用多相機多光源，則只需要進行單點校正即可估計視線。然而，由於光源及相機的相對位置的不同，可能導致處於某些位置上的相機無法捕獲到圖像，或者捕獲到的圖像不佳，從而導致無法有效的濾除干擾光斑或者雜光斑，進一步使得光斑與光源不能進行精確的匹配。
針對上述相關技術無法準確濾除雜光斑的問題，目前尚未提出有效的解決方案。
本發明實施型態提供一種過濾光斑的方法及裝置，以至少解決相關技術無法準確濾除雜光斑的技術問題。
根據本發明實施型態的一個態樣，提供一種過濾光斑的方法，其特徵係包含：獲取第一圖像以及與第一圖像相匹配的基準圖像，且，在第一圖像上顯示有第一類光斑；根據基準圖像確定第一圖像的第二類光斑，且，第二類光斑係基於基準圖像對第一圖像上的光斑進行估計所得到的光斑；根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑及第二類光斑的匹配結果；根據匹配結果對第一類光斑進行過濾。
根據本發明實施型態的另一態樣，亦提供一種過濾光斑的裝置，包含：獲取模組，設置為獲取第一圖像以及與第一圖像相匹配的基準圖像，且，在第一圖像上顯示有第一類光斑；第一確定模組，設置為根據基準圖像確定第一圖像的第二類光斑，且，第二類光斑為基於基準圖像對第一圖像上的光斑進行估計所得到的光斑；第二確定模組，設置為根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑及第二類光斑的匹配結果；過濾模組，設置為根據匹配結果對第一類光斑進行過濾。
根據本發明實施型態的另一態樣，亦提供一種儲存介質，其係包含儲存的程式，其中，程式執行過濾光斑的方法。
根據本發明實施型態的另一態樣，亦提供一種處理器，其係設置為運行程式，其中，程式運行時執行過濾光斑的方法。
根據本發明實施型態的另一態樣，亦提供一種視線追蹤設備，其係包含：控制器、輸入裝置、輸出裝置以及過濾光斑的裝置。
本發明實施型態中，採用圖匹配的方式，藉由獲取第一圖像以及與第一圖像相匹配的基準圖像，並根據基準圖像確定第一圖像的第二類光斑，然後根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑及第二類光斑的匹配結果，最後根據匹配結果對第一類光斑進行過濾，其中，在第一圖像上顯示有第一類光斑，第二類光斑為基於基準圖像對第一圖像上的光斑進行估計所得到的光斑達到準確濾除雜光斑的目的，從而實現對光源及光斑進行精確匹配的技術功效，進而解決相關技術無法準確濾除雜光斑的技術問題。
a‧‧‧眼球
b‧‧‧角膜表面
c‧‧‧角膜曲率中心
d‧‧‧眼球旋轉中心
p‧‧‧瞳孔中心
r‧‧‧瞳孔半徑
O1‧‧‧相機
I1、I2‧‧‧光源
u21、u11‧‧‧光源經角膜反射後達到相機的成像點
【圖1】根據本發明實施型態的一種過濾光斑的方法流程圖。
【圖2】根據本發明實施型態的一種視線追蹤設備的結構示意圖。
【圖3】根據本發明實施型態的一種過濾光斑的方法流程圖。
【圖4】根據本發明實施型態的一種第一類光斑與第二類光斑的匹配示意圖。
【圖5】根據本發明實施型態的一種過濾光斑的裝置結構示意圖。
【圖6】根據本發明實施型態的一種視線追蹤設備結構示意圖。
為使具有所屬技術領域之通常知識者更充分地理解本發明，以下將結合本發明實施例中之圖式，對本發明實施例中之技術手段進行清楚、完整地敘述，顯然，所敘述的實施例僅係本發明一部分的實施例，而非全部的實施例。基於本發明中的實施例，所屬技術領域中具有通常知識者在未經過度實驗之前提下所獲得的所有其他實施例，都應屬本發明保護的範圍。
本發明之說明書及申請專利範圍及上述圖式中的術語「第一」、「第二」等係用於區別類似的物件，而不必用於敘述特定的順序或先後次序。應該理解如此使用的編號在適當情況下可以互換，以便此處敘述之本發明的實施例能夠以此處之圖式或敘述等以外的順序實施。此外，術語「包含」及「具有」以及此等之類似用語，係意指非排他性之包含，例如，包含一系列步驟或元件的過程、方法、系統、產品或設備不必限於明確記載的步驟或元件，而是可包含沒有明確記載的或對於此等過程、方法、產品或設備固有的其它步驟或元件。
實施例1
根據本發明實施型態，提供一種過濾光斑的方法實施例，於圖式的流程圖中所表示的步驟可以在諸如一組電腦可執行指令的電腦系統中執行，此外，雖然流程圖中表示了邏輯順序，但在某些情況下，可用不同於此處 的順序執行所表示或敘述的步驟。
圖1係根據本發明實施型態的過濾光斑的方法流程圖，如圖1所示，該方法包含下列步驟：
步驟S102，獲取第一圖像以及與第一圖像相匹配的基準圖像，其中，在第一圖像上顯示有第一類光斑。
上述第一圖像為相機採集到的包含人的眼睛的圖像，並且在該圖像上具有第一類光斑，其中，第一類光斑不僅包含與光源相對應的光斑，即光源經角膜反射在相機上投影得到的光斑，亦包含雜光斑。上述雜光斑為異常光斑，需要被濾除。基準圖像是指與第一圖像相匹配的圖像，其中，基準圖像也包含人的眼睛的圖像以及與光源相對應的光斑。基準圖像上不具有雜光斑。
選擇性的，本發明中所有實施例中執行方法的主體為視線追蹤設備，其中，視線追蹤設備可以為但不限於虛擬實境設備、可進行視線追蹤的智慧終端機、例如，手機、電腦以及可穿戴設備等。
在一實施例中，圖2表示一種視線追蹤設備的結構示意圖，圖2中，a為眼球，b為角膜表面，c為角膜曲率中心，d為眼球旋轉中心，p為瞳孔中心，r為瞳孔半徑，O1為相機，I1及I2為兩個光源，u21及u11為光源經角膜反射後達到相機的成像點。其中，光源經角膜反射後達到相機的成像點即為上述光斑。藉此，視線追蹤設備可透過獲取相機拍攝到的圖像來得到第一圖像，而基準圖像可透過《Seperating style and content with bilinearmodels》一文中所介紹的雙線性模型訓練的方法從不同初始位置及不同視角採集到的多張圖像中取出，其中，基準圖像係與第一圖像最匹配 的圖像。
步驟S104，根據基準圖像確定第一圖像的第二類光斑，其中，第二類光斑係基於基準圖像對第一圖像上的光斑進行估計所得到的光斑。
由於基準圖像中的光斑為與光源相對應的光斑，且，基準圖像與第一圖像的匹配度最高，因此，以基準圖像為基準可粗略確定第一圖像中的第二類光斑。其中，第一圖像的第二類光斑表示與光源相對應的光斑。藉此，可根據第二類光斑來濾除第一類光斑中的雜光斑。
在一實施例中，可透過基準圖像中光斑與瞳孔的相對位置來確定第一圖像中的光斑與瞳孔的相對位置，由於瞳孔的位置可透過影像處理的相關演算法準確得到，因此，可透過將第一圖像中瞳孔的位置與基準圖像中瞳孔的位置進行匹配，進而，可根據基準圖像中的光斑粗略確定第一圖像中第二類光斑的位置。
步驟S106，根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑及第二類光斑的匹配結果。
在獲取到第一類光斑及第二類光斑的位置之後，可根據第一類光斑中每個光斑的位置與第二類光斑中每個光斑的位置之間的距離，來確定每個第一類光斑的第一位置與每個第二類光斑的第二位置之間的距離權重值，在獲得每個第一類光斑的第一位置與每個第二類光斑的第二位置之間的距離權重值之後，使用匹配演算法來完成第一類光斑與第二類光斑的匹配。
此外，可採用《Matching Theory》一書中所介紹的KM演 算法(Kuhn-Munkras演算法，即二分圖最佳匹配演算法)來對第一類光斑及第二類光斑進行匹配。
步驟S108，根據匹配結果對第一類光斑進行過濾。
在獲取到第一類光斑與第二類光斑的匹配結果之後，將匹配出的第一類光斑中的一個光斑與其他的光斑組成向量，同時，將第二類光斑中的與該光斑對應的光斑也與其他的第二類光斑組成向量，並根據兩個向量之間的夾角的大小來確定第一類光斑中的該光斑是否為異常光斑。例如，第一類光斑包含五個光斑，分別為A、B、C、D及E，第一類光斑中與第二類光斑相對應的光斑為A、C及E，對應的第二類光斑為A′、C′及 E′，則A與C及E分別組成向量及向量，A′與C′及E′分別組成 向量及向量則向量及向量之間的夾角為θ，向量及向量之間的夾角為δ，透過對比θ、δ與預設向量角的大小可確定光斑A的異常向量角的個數，進而根據光斑A的異常向量的個數來確定光斑A是否為異常光斑。如果A係異常光斑，則對光斑A進行濾除。其中，如果θ 大於預設向量角，則確定向量為異常向量，同樣，如果δ大於預設向 量角，則確定向量為異常向量。
基於上述步驟S102至步驟S108所限定的手段，可以得知，透過獲取第一圖像以及基準圖像，並根據基準圖像確定第一圖像的第二類光斑，然後根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑及第二類光斑之間的距離權重值，並根據距離權重值對第一類光斑及第二類光斑進行匹配，得到匹配結果，最後根據匹配結果對第一類光斑進行過濾，其中，在第一圖像上顯示有第一類光斑，第二類光斑為基於 基準圖像對第一圖像上的光斑進行估計所得到的光斑。
由於採用基準圖像確定第一圖像中的第二類光斑的第二位置的方法簡單，且確定第二類光斑的位置的準確率較高，藉此，可以進一步提高濾除雜光斑的精度。此外，在確定第二類光斑的位置之後，即粗略的確定第一圖像上的第一類光斑中的正常光斑，即與光源相對應的光斑的位置，然後再根據第一類光斑與第二類光斑之間的距離權重值來確定第一類光斑與第二類光斑的匹配結果，並根據匹配結果進一步剔除第一類光斑中的雜光斑。由上述內容可知，上述過程相當於對雜光斑進行了兩次過濾，從而進一步達到對雜光斑進行準確濾除的目的。
由上述內容可知，上述實施例可以達到準確濾除雜光斑的目的，從而實現對光源的光斑進行精確匹配，進而解決相關技術不能準確濾除雜光斑的技術問題。
在一實施例中，可透過下列方法獲取基準圖像：步驟S1022，構建雙線性模型；步驟S1024，將第一圖像輸入至雙線性模型；步驟S1026，確定雙線性模型的輸出數據；以及步驟S1028，根據輸出數據確定基準圖像。
在一實施例中，可透過圖像訓練的方法來構建雙線性模型，在得到雙線性模型之後，可將第一圖像作為雙線性模型的輸入，雙線性模型在接收到第一圖像之後，對第一圖像處理分析，找出與第一圖像最匹配的圖像，並輸出該圖像，其中，雙線性模型的輸出圖像即為與第一圖像相匹配的基準圖像。
透過圖像訓練的方法構建雙線性模型的方法包含下列步驟：步驟S1022a，採集多張圖像，其中，多張圖像中的每張圖像均包含與光源相對應的光斑；步驟S1022b，獲取每張圖像的參數資訊，其中，參數資訊至少包含下述任一者：每張圖像中的光斑的起始位置以及每張圖像的拍攝視角；以及步驟S1022c，根據每張圖像的參數資訊以及每張圖像中的光斑與瞳孔的相對位置得到雙線性模型。
採集多張圖像中的每張圖像的拍攝視角可為不同者，從而可以保證對同一角膜在不同拍攝視角下確定的光斑與瞳孔的相對位置是準確的。藉此，當雙線性模型接收到第一圖像之後，可根據第一圖像的參數資訊來確定與第一圖像最匹配的基準圖像。
此外，在雙線性模型構建完成後，將第一圖像輸入至雙線性模型中，並獲取雙線性模型輸出的基準圖像，視線追蹤設備可根據基準圖像確定第一圖像的第二類光斑，其步驟如下：步驟S1040，獲取基準圖像中的每個光斑與瞳孔的相對位置；步驟S1042，獲取第一圖像中的瞳孔的位置；步驟S1044，根據第一圖像中的瞳孔的位置以及基準圖像中的每個光斑與瞳孔的相對位置確定第二類光斑的位置。
在一實施例中，視線追蹤設備可確定基準圖像中的光斑與瞳孔的相對位置，同時也可得到第一圖像中的瞳孔的位置，基準圖像中光斑與瞳孔的相對位置及第一圖像中第二類光斑與瞳孔的相對位置相同，藉 此，根據基準圖像中光斑與瞳孔的相對位置以及第一圖像中的瞳孔位置即可確定第二類光斑的位置。例如，基準圖像中的光斑A′與瞳孔的相對位置為(30,40)，第一圖像中瞳孔的位置座標為(500,500)，則第一圖像中與基準圖像中的光斑A′相匹配的第二類光斑A的位置座標為(530,540)。
在實際應用中，第一圖像中與光源相對應的光斑的個數以及光斑的位置是不確定的，因此，為了更有效地確定第一圖像中的第二類光斑，需透過圖模型方法來對第一圖像中的第一類光斑及第二類光斑進行匹配，並根據匹配結果去除第一圖像中的異常光斑(即雜光斑)，方法如圖3所示。
在一實施例中，圖3表示一種過濾光斑的方法流程圖。由圖3可知，在獲取確定第二類光斑的位置之後，視線追蹤設備首先計算第一類光斑中的每個光斑與第二類光斑中的每個光斑的距離權重值，然後根據得到的距離權重值採用KM演算法對第一類光斑及第二類光斑進行匹配，最後根據匹配結果去除不滿足條件的異常光斑。
在一實施例中，根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑及第二類光斑的匹配結果包含下列步驟：步驟S1060，根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑與第二類光斑之間的距離權重值；步驟S1062，根據距離權重值對第一類光斑及第二類光斑進行匹配，得到匹配結果。
在一實施例中，可根據第一類光斑中的每個光斑與第二類光斑中的每個光斑之間的距離權重值cii′來確定第一類光斑與第二類光斑之 間的距離權重值γ，公式如下：
上式中，γ為第一類光斑與第二類光斑之間的距離權重值，γ的取值可為1，cii′為第一類光斑中的每個光斑與第二類光斑中的每個光斑之間的距離權重值，V(Gi)為第i個第一類光斑的位置座標，V(Gi′)為第i′個第二類光斑的位置座標。
由上式可知，當第i個第一類光斑與第i′個第二類光斑的距離超過距離閾值時，cii′的權重值為0，即當第i個第一類光斑與第i′個第二類光斑的距離無窮大時，每個權重值均接近於0，即下式成立：
其中，上式中的σ為距離閾值。
在實際情況下，將上述方法得到的距離權重值應用到KM演算法中，得到的第一類光斑與第二類光斑的匹配度都比較低，藉此，本發明採用透過期望最大化演算法(Expectation Maximization Algorithm，EM)來對第一類光斑與第二類光斑之間的距離權重值γ進行修正，修正後的距離權重值為γ*，公式如下：
yii'=qii'
其中，V(Gi)為第i個第一類光斑Gi的第一位置，V(Gi′)為第i′個第二類光斑Gi′的第二位置，σ為距離閾值，γ*為第一類光斑與第二類光斑之間的距離權重值，qii′為第i個第一類光斑與第i′個第二類光斑之間的距離權重值，I為第一類光斑的集合，I′為第二類光斑的集合，Yi′為第i′個第二類光斑的位置權重值。
在一實施例中，於確定第一類光斑與第二類光斑之間的距離權重值後，可根據KM演算法來對第一類光斑及第二類光斑進行匹配，其中，KM演算法的步驟如下：(1)初始化可行頂標的值；(2)在等價子圖中尋找完備匹配；(3)若未找到完備匹配則修改可行頂標的值；以及(4)重複步驟(2)及(3)，直至找到所有相等子圖的完備匹配位置。
將上述KM演算法應用到本發明中，可得到第一類光斑與第二類光斑之間的最佳匹配，即根據距離權重值對第一類光斑及第二類光斑進行匹配，得到匹配結果，包含下列步驟：步驟S1080，確定第一類光斑與第二類光斑的匹配組合，其中，匹配組合包含第一類光斑與第二類光斑的多個對應關係；步驟S1082，分別計算每個對應關係中的每個第一類光斑與每個第二類光斑之間的距離權重值的權重和；以及 步驟S1084，確定多個對應關係中權重和最大的對應關係，其中，權重和最大時所對應的對應關係表徵第一類光斑與第二類光斑相匹配。
在一實施例中，第一類光斑包含A、B、C、D及E五個光斑，其中，與第一類光斑相對應的第二類光斑的匹配組合包含以下三種：(1)組合一：A′、B′、C′、D′及E′；(2)組合二：A′、B′、F′、D′及E′；(3)組合三：A′、B′、C′、G′及E′。
以組合一為例進行說明，光斑A與A′之間的權重值為a1，光斑B與B′之間的權重值為b1，光斑C與C′之間的權重值為c1，光斑D與D′之間的權重值為d1，光斑E與E′之間的權重值為e1。則組合一所對應的權重和為L1=α1a1+β1b1+γ1c1+μ1d1+ε1e1，其中，α1、β1、γ1、μ1及ε1為加權係數。同樣地，可得到組合二對應的權重和為L2，組合三對應的權重和為L3。如果三個組合所對應的權重和的大小關係為：L2>L3>L1
由於組合二對應的權重和最大，因此，選擇組合二所對應的光斑作為與第一類光斑相匹配的第二類光斑，即選擇光斑A′、B′、F′、D′及E′作為與第一類光斑A、B、C、D及E相匹配的第二類光斑。
透過上述過程可找到與第二類光斑中的每個光斑相對應的第一類光斑，即完成第一類光斑與第二類光斑的匹配。在完成第一類光斑與第二類光斑的匹配之後，可根據匹配結果對第一類光斑進行過濾，具體方法如下：步驟S1102，將第一類光斑劃分為第一光斑及至少一個第二光斑，並 獲取第一光斑與至少一個第二光斑中的每個光斑組成的第一向量組；步驟S1104，將第二類光斑劃分為第三光斑及至少一個第四光斑，並獲取第三光斑與至少一個第四光斑中的每個光斑組成的第二向量組；步驟S1106，計算第一向量組中的每個向量與第二向量組中的對應的向量之間的向量角；以及步驟S1108，根據向量角確定第一光斑是否為異常光斑，並在第一光斑為異常光斑的情況下對異常光斑進行過濾處理。
其中，步驟S1108，根據向量角確定第一光斑是否為異常光斑包含下列步驟：步驟S1108a，確定第一向量組中的每個向量與第二向量組中的對應的向量之間的向量角是否大於預設向量角；步驟S1108b，在向量角大於預設向量角的情況下，確定向量角為異常向量角；步驟S1108c，確定異常向量角的個數；以及步驟S1108d，在異常向量角的個數大於預設數量的情況下，確定第一光斑為異常光斑。
在一實施例中，與第二類光斑匹配的第一類光斑為A、B、C及D，對應的第二類光斑分別為A′、B′、C′及D′。首先，將A作為第一光斑，則B、C及D作為第二光斑，A′為第三光斑，則B′、C′及D′作為第四光斑，則第一向量組包含：、以及對應的第二向量組包含、以及。其中，與之間的向量角為θ1，與之間的向量角為θ2，與之間的向量角為θ3。在得到第一向量 組及第二向量組之後，確定第一向量組中的每個向量及第二向量組中的對應的向量之間的向量角，與預設向量角θ之間的大小關係，例如，如果θ1>θ，θ2<θ，θ3<θ，則A作為第一光斑時的異常向量角的個數為1。同樣地，根據上述方法，分別計算B、C及D作為第一光斑時的異常向量角的個數，例如，B、C及D作為第一光斑時的異常向量角的個數分別為3、2、0，在預設數量為2的情況下，由於B作為第一光斑時的異常向量角個數大於2，則確定B為異常光斑，並對其進行濾除。如圖4所示，黑色實點表示第二類光斑，白色點表示第一類光斑，虛線框所標出的白色點為上述異常光斑。
實施例2
根據本發明實施型態，亦提供一種過濾光斑的裝置實施例，其中，圖5是根據本發明實施型態的過濾光斑的裝置結構示意圖，如圖5所示，該裝置包含：獲取模組501、第一確定模組503、第二確定模組505以及過濾模組507。
其中，獲取模組501，設置為獲取第一圖像以及與第一圖像相匹配的基準圖像，其中，在第一圖像上顯示有第一類光斑；第一確定模組503，設置為根據基準圖像確定第一圖像的第二類光斑，其中，第二類光斑為基於基準圖像對第一圖像上的光斑進行估計所得到的光斑；第二確定模組505，設置為根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑及第二類光斑的匹配結果；以及過濾模組507，設置為根據匹配結果對第一類光斑進行過濾。
上述獲取模組501、第一確定模組503、第二確定模組505以 及過濾模組507對應於實施例1中的步驟S102至步驟S108，四個模組與對應的步驟所實現的示例及應用場景相同，但不限於上述實施例1所揭露的內容。
在一實施例中，第一類光斑包含與光源相對應的光斑及雜光斑，第二類光斑包含與光源相對應的光斑。
在一實施例中，獲取模組包含：構建模組、輸入模組、第三確定模組以及第四確定模組。其中，構建模組，設置為構建雙線性模型；輸入模組，設置為將第一圖像輸入至雙線性模型；第三確定模組，設置為確定雙線性模型的輸出數據；以及第四確定模組，設置為根據輸出數據確定基準圖像。
上述構建模組、輸入模組、第三確定模組以及第四確定模組對應於實施例1中的步驟S1022至步驟S1028，四個模組與對應的步驟所實現的示例及應用場景相同，但不限於上述實施例1所揭露的內容。
在一實施例中，構建模組包含：採集模組、第一獲取模組以及處理模組。其中，採集模組，設置為採集多張圖像，其中，多張圖像中的每張圖像均包含與光源相對應的光斑；第一獲取模組，設置為獲取每張圖像的參數資訊，其中，參數資訊至少包含下述任一者：每張圖像中的光斑的起始位置以及每張圖像的拍攝視角；以及處理模組，設置為根據每張圖像的參數資訊以及每張圖像中的光斑與瞳孔的相對位置得到雙線性模型。
上述採集模組、第一獲取模組以及處理模組對應於實施例1中的步驟S1022a至步驟S1022c，三個模組與對應的步驟所實現的示例及應 用場景相同，但不限於上述實施例1所揭露的內容。
在一實施例中，第一確定模組包含：第二獲取模組、第三獲取模組以及第五確定模組。其中，第二獲取模組，設置為獲取基準圖像中的每個光斑與瞳孔的相對位置；第三獲取模組，設置為獲取第一圖像中的瞳孔的位置；以及第五確定模組，設置為根據第一圖像中的瞳孔的位置以及基準圖像中的每個光斑與瞳孔的相對位置確定第二類光斑的位置。
上述第二獲取模組、第三獲取模組以及第五確定模組對應於實施例1中的步驟S1040至步驟S1044，三個模組與對應的步驟所實現的示例及應用場景相同，但不限於上述實施例1所揭露的內容。
在一實施例中，第二確定模組包含：第六確定模組以及匹配模組。其中，第六確定模組，設置為根據第一類光斑的第一位置以及第二類光斑的第二位置確定第一類光斑與第二類光斑之間的距離權重值；以及匹配模組，設置為根據距離權重值對第一類光斑及第二類光斑進行匹配，得到匹配結果。
上述第六確定模組以及匹配模組對應於實施例1中的步驟S1060至步驟S1062，兩個模組與對應的步驟所實現的示例及應用場景相同，但不限於上述實施例1所揭露的內容。
在一實施例中，匹配模組包含：第七確定模組、第一計算模組以及第八確定模組。其中，第七確定模組，設置為確定第一類光斑與第二類光斑的匹配組合，其中，匹配組合包含第一類光斑與第二類光斑的多個對應關係；第一計算模組，設置為分別計算每個對應關係中的每個第一類光斑與每個第二類光斑之間的距離權重值的權重和；以及第八確定模 組，設置為確定多個對應關係中權重和最大的對應關係，其中，權重和最大時所對應的對應關係表徵第一類光斑與第二類光斑相匹配。
上述第七確定模組、第一計算模組以及第八確定模組對應於實施例1中的步驟S1080至步驟S1084，三個模組與對應的步驟所實現的示例及應用場景相同，但不限於上述實施例1所揭露的內容。
在一實施例中，過濾模組包含：第四獲取模組、第五獲取模組、第二計算模組以及第九確定模組。其中，第四獲取模組，設置為將第一類光斑劃分為第一光斑及至少一個第二光斑，並獲取第一光斑與至少一個第二光斑中的每個光斑組成的第一向量組；第五獲取模組，設置為將第二類光斑劃分為第三光斑及至少一個第四光斑，並獲取第三光斑與至少一個第四光斑中的每個光斑組成的第二向量組；第二計算模組，設置為計算第一向量組中的每個向量與第二向量組中的對應的向量之間的向量角；以及第九確定模組，設置為根據向量角確定第一光斑是否為異常光斑，並在第一光斑為異常光斑的情況下對異常光斑進行過濾處理。
上述第四獲取模組、第五獲取模組、第二計算模組以及第九確定模組對應於實施例1中的步驟S1102至步驟S1108，四個模組與對應的步驟所實現的示例及應用場景相同，但不限於上述實施例1所揭露的內容。
在一實施例中，第八確定模組包含：第十確定模組、第十一確定模組、第十二確定模組以及第十三確定模組。其中，第十確定模組，設置為確定第一向量組中的每個向量與第二向量組中的對應的向量之間的向量角是否大於預設向量角；第十一確定模組，設置為在向量角大於 預設向量角的情況下，確定向量角為異常向量角；第十二確定模組，設置為確定異常向量角的個數；以及第十三確定模組，設置為在異常向量角的個數大於預設數量的情況下，確定第一光斑為異常光斑。
上述第十確定模組、第十一確定模組、第十二確定模組以及第十三確定模組對應於實施例1中的步驟S1108a至步驟S1108d，四個模組與對應的步驟所實現的示例及應用場景相同，但不限於上述實施例1所揭露的內容。
實施例3
根據本發明實施型態的另一態樣，亦提供一種儲存介質，其係包含儲存的程式，其中，程式執行上述實施例1中的過濾光斑的方法。
實施例4
根據本發明實施型態的另一態樣，亦提供一種處理器，其係設置為運行程式，其中，程式運行時執行上述實施例1中的過濾光斑的方法。
實施例5
如圖6所示，根據本發明實施型態的另一態樣，亦提供一種視線追蹤設備，其係包含控制器60、輸入裝置70、輸出裝置80以及實施例2中的過濾光斑的裝置。
上述本發明實施例序號僅僅為了敘述，不代表實施例的優劣。
在本發明的上述實施例中，對各個實施例的敘述都各有側重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關敘述。
在本發明所提供的幾個實施例中，應該理解到，所揭露的 技術內容，可透過其它的方式實現。其中，以上所敘述的裝置實施例僅屬示意，例如前述單元的劃分，可以為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或元件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。此外，所顯示或討論的相互之間的耦合或直接耦合或通訊連接可以是透過一些埠，單元或模組的間接耦合或通訊連接，可以是電性或其它的形式。
前述作為分離部件說明的單元可以是亦或不是物理上分開的，作為單元顯示的部件可以是亦或不是物理單元，即可以位於一個地方，亦或可以分佈到多個單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例型態的目的。
又，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，亦或是各個單元單獨物理存在，亦或是兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用軟體功能單元的形式實現。
前述集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以儲存在一個電腦可讀取儲存介質中。基於如此的理解，本發明的技術手段本質上或者說對相關技術做出貢獻的部分或者該技術手段的全部或部分可以以軟體產品的形式體現出來，該電腦軟體產品儲存在一個儲存介質中，包含若干指令用以使得一台電腦設備(可為個人電腦、伺服器或者網路設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的儲存介質包含：隨身碟、唯讀記憶體(ROM，Read-Only Memory)、隨機存取記憶體(RAM，Random Access Memory)、行動硬 碟、磁碟或者光碟等各種可以儲存程式碼的媒介。
以上所述僅係本發明的理想實施方式，應當指出，對於本發明所屬技術領域中具有通常知識者而言，在不脫離本發明原理的前提下，亦可以做出若干改進及潤飾，此等改進及潤飾亦應視為本發明的保護範圍。

Claims (21)

  1. 一種過濾光斑的方法，其特徵係包含：獲取第一圖像以及與前述第一圖像相匹配的基準圖像，且，在前述第一圖像上顯示有第一類光斑；根據前述基準圖像確定前述第一圖像的第二類光斑，且，前述第二類光斑為基於前述基準圖像對前述第一圖像上的光斑進行估計所得到的光斑；根據前述第一類光斑的第一位置以及前述第二類光斑的第二位置確定前述第一類光斑及前述第二類光斑的匹配結果；以及根據前述匹配結果對前述第一類光斑進行過濾。
  2. 如申請專利範圍第1項所記載之方法，其中，前述第一類光斑包含與光源相對應的光斑及雜光斑，前述第二類光斑包含前述與光源相對應的光斑。
  3. 如申請專利範圍第2項所記載之方法，其中，前述獲取與前述第一圖像相匹配的基準圖像，包含：構建雙線性模型；將前述第一圖像輸入至前述雙線性模型；確定前述雙線性模型的輸出數據；以及根據前述輸出數據確定前述基準圖像。
  4. 如申請專利範圍第3項所記載之方法，其中，前述構建雙線性模型，包含： 採集多張圖像，且，前述多張圖像中的每張圖像均包含與前述光源相對應的光斑；獲取前述每張圖像的參數資訊，且，前述參數資訊至少包含下述任一者：前述每張圖像中的光斑的起始位置以及前述每張圖像的拍攝視角；根據前述每張圖像的參數資訊以及前述每張圖像中的光斑與瞳孔的相對位置得到前述雙線性模型。
  5. 如申請專利範圍第1項所記載之方法，其中，前述根據前述基準圖像確定前述第一圖像的第二類光斑，包含：獲取前述基準圖像中的每個光斑與瞳孔的相對位置；獲取前述第一圖像中的瞳孔的位置；以及根據前述第一圖像中的瞳孔的位置以及前述基準圖像中的前述每個光斑與前述瞳孔的相對位置確定前述第二類光斑的位置。
  6. 如申請專利範圍第1項所記載之方法，其中，前述根據前述第一類光斑的第一位置以及前述第二類光斑的第二位置確定前述第一類光斑及前述第二類光斑的匹配結果，包含：根據前述第一類光斑的第一位置以及前述第二類光斑的第二位置確定前述第一類光斑與前述第二類光斑之間的距離權重值；以及根據前述距離權重值對前述第一類光斑及前述第二類光斑進行匹配，得到匹配結果。
  7. 如申請專利範圍第6項所記載之方法，其中，前述根據前述距離權重值對前述第一類光斑及前述第二類光斑進行匹配，得到匹配結果，包含：確定前述第一類光斑與前述第二類光斑的匹配組合，且，前述匹配組合 包含前述第一類光斑與前述第二類光斑的多個對應關係；分別計算前述多個對應關係中的每個第一類光斑與每個第二類光斑之間的距離權重值的權重和；以及確定前述多個對應關係中前述權重和最大的對應關係，且，前述權重和最大時所對應的對應關係表徵前述第一類光斑與前述第二類光斑相匹配。
  8. 如申請專利範圍第7項所記載之方法，其中，前述根據前述匹配結果對前述第一類光斑進行過濾，包含：將第一類光斑劃分為第一光斑及至少一個第二光斑，並獲取前述第一光斑與前述至少一個第二光斑中的每個光斑組成的第一向量組；將第二類光斑劃分為第三光斑及至少一個第四光斑，並獲取第三光斑與前述至少一個第四光斑中的每個光斑組成的第二向量組；計算前述第一向量組中的每個向量與前述第二向量組中的對應的向量之間的向量角；以及根據前述向量角確定前述第一光斑是否為異常光斑，並在前述第一光斑為前述異常光斑的情況下對前述異常光斑進行過濾處理。
  9. 如申請專利範圍第8項所記載之方法，其中，根據前述向量角確定前述第一光斑是否為異常光斑，包含：確定前述第一向量組中的每個向量與前述第二向量組中的對應的向量之間的向量角是否大於預設向量角；在前述向量角大於前述預設向量角的情況下，確定前述向量角為異常向量角； 確定前述異常向量角的個數；以及在前述異常向量角的個數大於預設數量的情況下，確定前述第一光斑為前述異常光斑。
  10. 一種過濾光斑的裝置，其特徵係包含：獲取模組，設置為獲取第一圖像以及與第一圖像相匹配的基準圖像，且，在前述第一圖像上顯示有第一類光斑；第一確定模組，設置為根據前述基準圖像確定前述第一圖像的第二類光斑，且，前述第二類光斑為基於前述基準圖像對前述第一圖像上的光斑進行估計所得到的光斑；第二確定模組，設置為根據前述第一類光斑的第一位置以及前述第二類光斑的第二位置確定前述第一類光斑及前述第二類光斑的匹配結果；以及過濾模組，設置為根據前述匹配結果對前述第一類光斑進行過濾。
  11. 如申請專利範圍第10項所記載之裝置，其中，前述第一類光斑包含與光源相對應的光斑及雜光斑，前述第二類光斑包含前述與光源相對應的光斑。
  12. 如申請專利範圍第11項所記載之裝置，其中，前述獲取模組包含：構建模組，設置為構建雙線性模型；輸入模組，設置為將前述第一圖像輸入至前述雙線性模型；第三確定模組，設置為確定前述雙線性模型的輸出數據；以及第四確定模組，設置為根據前述輸出數據確定前述基準圖像。
  13. 如申請專利範圍第12項所記載之裝置，其中，前述構建模組包含： 採集模組，設置為採集多張圖像，且，前述多張圖像中的每張圖像均包含與前述光源相對應的光斑；第一獲取模組，設置為獲取前述每張圖像的參數資訊，且，前述參數資訊至少包含下述任一者：前述每張圖像中的光斑的起始位置以及前述每張圖像的拍攝視角；以及處理模組，設置為根據前述每張圖像的參數資訊以及前述每張圖像中的光斑與瞳孔的相對位置得到前述雙線性模型。
  14. 如申請專利範圍第10項所記載之裝置，其中，前述第一確定模組包含：第二獲取模組，設置為獲取前述基準圖像中的每個光斑與瞳孔的相對位置；第三獲取模組，設置為獲取前述第一圖像中的瞳孔的位置；以及第五確定模組，設置為根據前述第一圖像中的瞳孔的位置以及前述基準圖像中的前述每個光斑與前述瞳孔的相對位置確定前述第二類光斑的位置。
  15. 如申請專利範圍第10項所記載之裝置，其中，前述第二確定模組包含：第六確定模組，設置為根據前述第一類光斑的第一位置以及前述第二類光斑的第二位置確定前述第一類光斑與前述第二類光斑之間的距離權重值；以及匹配模組，設置為根據前述距離權重值對前述第一類光斑及前述第二類光斑進行匹配，得到匹配結果。
  16. 如申請專利範圍第15項所記載之裝置，其中，前述匹配模組包含：第七確定模組，設置為確定前述第一類光斑與前述第二類光斑的匹配組 合，且，前述匹配組合包含前述第一類光斑與前述第二類光斑的多個對應關係；第一計算模組，設置為分別計算前述多個對應關係中的每個第一類光斑與每個第二類光斑之間的距離權重值的權重和；以及第八確定模組，設置為確定前述多個對應關係中前述權重和最大的對應關係，且，前述權重和最大時所對應的對應關係表徵前述第一類光斑與前述第二類光斑相匹配。
  17. 如申請專利範圍第16項所記載之裝置，其中，前述過濾模組包含：第四獲取模組，設置為將第一類光斑劃分為第一光斑及至少一個第二光斑，並獲取前述第一光斑與前述至少一個第二光斑中的每個光斑組成的第一向量組；第五獲取模組，設置為將第二類光斑劃分為第三光斑及至少一個第四光斑，並獲取第三光斑與前述至少一個第四光斑中的每個光斑組成的第二向量組；第二計算模組，設置為計算前述第一向量組中的每個向量與前述第二向量組中的對應的向量之間的向量角；以及第九確定模組，設置為根據前述向量角確定前述第一光斑是否為異常光斑，並在前述第一光斑為前述異常光斑的情況下對前述異常光斑進行過濾處理。
  18. 如申請專利範圍第17項所記載之裝置，其中，前述第八確定模組包含：第十確定模組，設置為確定前述第一向量組中的每個向量與前述第二向量組中的對應的向量之間的向量角是否大於預設向量角； 第十一確定模組，設置為在前述向量角大於前述預設向量角的情況下，確定前述向量角為異常向量角；第十二確定模組，設置為確定前述異常向量角的個數；以及第十三確定模組，設置為在前述異常向量角的個數大於預設數量的情況下，確定前述第一光斑為前述異常光斑。
  19. 一種儲存介質，其特徵係包含儲存的程式，其中，前述程式執行申請專利範圍第1至9項中任一項所記載之過濾光斑的方法。
  20. 一種處理器，其特徵係設置為運行程式，其中，前述程式運行時執行申請專利範圍第1至9項中任一項所記載之過濾光斑的方法。
  21. 一種視線追蹤設備，其特徵係包含：控制器、輸入裝置、輸出裝置以及申請專利範圍第10至18項中任一項所記載之過濾光斑的裝置。
TW107147363A 2017-12-27 2018-12-27 過濾光斑的方法和裝置、電腦可讀取儲存介質、處理器、視線追蹤設備 TWI691937B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
??201711455781.3 2017-12-27
CN201711455781.3 2017-12-27
CN201711455781.3A CN108257112B (zh) 2017-12-27 2017-12-27 过滤光斑的方法和装置

Publications (2)

Publication Number Publication Date
TW201928875A true TW201928875A (zh) 2019-07-16
TWI691937B TWI691937B (zh) 2020-04-21

Family

ID=62724269

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107147363A TWI691937B (zh) 2017-12-27 2018-12-27 過濾光斑的方法和裝置、電腦可讀取儲存介質、處理器、視線追蹤設備

Country Status (4)

Country Link
US (1) US11250588B2 (zh)
CN (1) CN108257112B (zh)
TW (1) TWI691937B (zh)
WO (1) WO2019128676A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257112B (zh) * 2017-12-27 2020-08-18 北京七鑫易维信息技术有限公司 过滤光斑的方法和装置
JP2020025745A (ja) * 2018-08-13 2020-02-20 日本電信電話株式会社 瞳孔特徴量抽出装置、瞳孔特徴量抽出方法、プログラム
CN109034108B (zh) * 2018-08-16 2020-09-22 北京七鑫易维信息技术有限公司 一种视线估计的方法、装置和系统
CN111368784B (zh) * 2020-03-16 2024-04-02 广州文远知行科技有限公司 一种目标识别方法、装置、计算机设备和存储介质
CN114428398B (zh) * 2020-10-29 2023-12-26 北京七鑫易维信息技术有限公司 一种光斑与光源的匹配方法、装置、设备及存储介质
CN112995502B (zh) * 2021-02-07 2023-04-07 维沃移动通信有限公司 图像处理方法、装置和电子设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2568253B1 (en) * 2010-05-07 2021-03-10 Shenzhen Taishan Online Technology Co., Ltd. Structured-light measuring method and system
EP2751609B1 (en) * 2011-08-30 2017-08-16 Microsoft Technology Licensing, LLC Head mounted display with iris scan profiling
CN102999230A (zh) * 2012-11-05 2013-03-27 南京芒冠光电科技股份有限公司 一种电子白板设备自动像素映射方法
CN103544420B (zh) * 2013-08-15 2016-05-11 马建 用于智能眼镜的防伪虹膜身份认证方法
CN104732191B (zh) 2013-12-23 2018-08-17 北京七鑫易维信息技术有限公司 利用交比不变性实现虚拟显示屏视线追踪的装置及其方法
TWI557004B (zh) * 2014-01-10 2016-11-11 Utechzone Co Ltd Identity authentication system and its method
WO2015113479A1 (zh) * 2014-01-28 2015-08-06 北京中科虹霸科技有限公司 一种具有人机交互机制的移动终端虹膜识别装置和方法
CN104182938B (zh) 2014-08-18 2017-01-18 国家电网公司 一种全天空云图的太阳光斑修复方法
CN105844712B (zh) 2016-03-16 2018-11-13 山东大学 一种改进的面向3d打印的半色调投影与模型生成方法
CN108257112B (zh) 2017-12-27 2020-08-18 北京七鑫易维信息技术有限公司 过滤光斑的方法和装置

Also Published As

Publication number Publication date
WO2019128676A1 (zh) 2019-07-04
TWI691937B (zh) 2020-04-21
US20210287396A1 (en) 2021-09-16
US11250588B2 (en) 2022-02-15
CN108257112A (zh) 2018-07-06
CN108257112B (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
TWI691937B (zh) 過濾光斑的方法和裝置、電腦可讀取儲存介質、處理器、視線追蹤設備
CN109558764B (zh) 人脸识别方法及装置、计算机设备
CN110147721B (zh) 一种三维人脸识别方法、模型训练方法和装置
CN110147744B (zh) 一种人脸图像质量评估方法、装置及终端
CN110276317B (zh) 一种物体尺寸检测方法、物体尺寸检测装置及移动终端
CN106372629B (zh) 一种活体检测方法和装置
CN108345821B (zh) 面部追踪方法及设备
US11380134B2 (en) Method and device for determining parameter for gaze tracking device
CN107423306B (zh) 一种图像检索方法及装置
US9613404B2 (en) Image processing method, image processing apparatus and electronic device
WO2012082210A1 (en) Facial recognition using a sphericity metric
JP2019191981A (ja) 行動認識装置、モデル構築装置及びプログラム
CN108550167B (zh) 深度图像生成方法、装置及电子设备
US10791321B2 (en) Constructing a user&#39;s face model using particle filters
CN111354029B (zh) 手势深度确定方法、装置、设备及存储介质
CN113902781A (zh) 三维人脸重建方法、装置、设备及介质
TWI680309B (zh) 匹配光源與光斑的方法和裝置
CN110032941B (zh) 人脸图像检测方法、人脸图像检测装置及终端设备
CN110866873A (zh) 内腔镜图像的高光消除方法及装置
CN110264505A (zh) 一种单目深度估计方法、装置、电子设备及存储介质
CN110856014B (zh) 动态图像生成方法、装置、电子设备及存储介质
US9786030B1 (en) Providing focal length adjustments
CN116798130A (zh) 一种人脸防伪方法、装置及存储介质
CN111416938A (zh) 一种增强现实合拍方法、设备及计算机可读存储介质
CN111222448B (zh) 图像转换方法及相关产品