【技術實現步驟摘要】
本專利技術涉及3d顯示領域，尤其涉及一種用于裸眼3d的動態眼球跟蹤方法及平板電腦。
技術介紹
1、目前的裸眼3d屏幕技術主要有兩種技術路線，分別是視差屏障式3d技術和柱狀透鏡式3d技術。視差屏障式3d技術是使用遮擋片使左、右眼應該看到的圖像顯示在左右相鄰的像素上，通過光線沿直線傳播，遮擋一邊進入左眼，遮擋另一邊進入右眼，使兩個眼睛能夠在一個屏幕上看到兩幅不同的圖像，實現裸眼3d效果。柱狀透鏡式3d技術是使用柱狀透鏡使左、右眼應該看到的圖像顯示在左右相鄰的像素柵上，通過光線的折射原理，折射一邊進入左眼，折射另一邊進入右眼，使兩個眼睛能夠在一個屏幕上看到兩幅不同的圖像，實現裸眼3d效果。
2、上述的兩個方案都存在問題：眼睛距離屏幕的距離和眼睛所處的角度和位置必須正好在遮擋/折射后左右眼光線所在位置，若有偏離，則會產生重影，當偏移超過一定程度則無法看到正常的圖像。
技術實現思路
1、鑒于以上技術問題，本專利技術提供了一種用于裸眼3d的動態眼球跟蹤方法及平板電腦，以解決現有的裸眼3d屏在觀察者位置不夠正確或觀察者移動時產生重影，同時當觀察者偏移超過一定程度則無法達到裸眼3d效果的問題。
2、本公開的其他特征和優點將通過下面的詳細描述變得顯然，或部分地通過本公開的實踐而習得。
3、根據本專利技術的一方面，公開一種用于裸眼3d的動態眼球跟蹤方法，所述方法包括：
4、獲取由平板電腦拍攝的視頻幀，基于錯誤學習框架對所述視頻幀進行眼鼻區域的檢測，所述錯
5、對所述眼鼻區域進行內容分類，內容分類的條件包括是否佩戴眼鏡、光照環境類型、眼鏡反射、厚眼鏡，基于尺度不變特征變換算法，提取所述眼鼻區域中提取sift特征，根據內容分類的結果，選擇對應的監督下降模型，對所述sift特征來訓練多個下降方向，以最小化每個界標點的非線性平方函數的平均值，使得所述sift特征執行基于回歸的界標點對齊，使得所述眼鼻區域的眼鼻形狀對齊，得到人眼的瞳孔中心的第一坐標；
6、根據通用的3d臉部模型和所述第一坐標，估計所述瞳孔中心的三維坐標，基于所述三維坐標動態調整所述平板電腦的屏幕的像素排列方式及柱透鏡光柵的位置，使得所述平板電腦所投射的左眼圖像、右眼圖像與所述瞳孔中心的所述三維坐標配合。
7、進一步的，所述錯誤學習框架在訓練時，包括早期階段、中期階段、成熟階段，其中：
8、在早期階段中，基于所述adaboost算法的所述局部二值模式從第一樣本圖像集中檢測出人臉的鼻子和眼睛的局部紋理信息，基于所述局部紋理信息訓練第一級聯分類器，將所述第一級聯分類器應用于第二樣本圖像集中，收集出所述第一級聯分類器分類錯誤的樣本圖像，所述第一樣本圖像集中包括正樣本圖像和負樣本圖像，所述正樣本圖像為具有人臉的圖像，所述負樣本為不包含人臉的圖像；
9、在中期階段中，基于在早期階段中分類錯誤的所述樣本圖像，設置調整得到第二級聯分類器，利用所述第二級聯分類器對早期階段分類錯誤的所述樣本圖像進行分類，收集再次分類錯誤的所述樣本圖像；
10、在成熟階段中，設置分類準確度的閾值，持續調整所述第二級聯分類器，直至所述第二級聯分類器對再次分類錯誤的所述樣本圖像的分類準確度達到閾值。
11、進一步的，所述方法還包括：
12、在獲取所述瞳孔中心的所述第一坐標后，基于跟蹤檢查器對對齊后的所述眼鼻區域進行檢查，以檢查對齊結果正確包含了瞳孔，所述跟蹤檢查器包括sift特征、預訓練的支持向量機分類器、adaboost算法；
13、在所述跟蹤檢查器檢查出對齊結果不正確時，執行計算所述視頻幀的后續幀的所述瞳孔中心的所述第一坐標；
14、在所述跟蹤檢查器檢查出對齊結果正確時，維持對齊結果，以所述第一坐標作為起始坐標，基于所述跟蹤檢查器，在所述視頻幀的后續幀中跟蹤和檢查所述瞳孔中心。
15、進一步的，所述跟蹤檢查器在檢查時，包括：
16、基于所述支持向量機分類器對對齊后的所述眼鼻區域進行所述sift特征的提取，對提取的所述sift特征進行分類后判斷其是否包括瞳孔；
17、基于所述adaboost算法中的局部二值模式捕捉所述眼鼻區域中的局部紋理特征，以判斷所述眼鼻區域中是否包含瞳孔；
18、對所述支持向量機分類器和所述adaboost算法的判斷結果進行加權融合，得到最終的檢查結果。
19、進一步的，在訓練所述跟蹤檢查器時，將所述adaboost算法判斷結果進行識別，將所述adaboost算法識別錯誤的樣本輸入所述支持向量機分類器中，以對所述支持向量機分類器進行訓練。
20、進一步的，在估計所述瞳孔中心的三維坐標時，沿著面部法線方向計算，并結合固定的瞳孔距離，得到所述瞳孔中心的三維坐標，所述面部法線方向是通過所述3d臉部模型和所述眼鼻區域的預設標志點的對齊情況估計得到的。
21、進一步的，所述方法還包括：
22、所述平板電腦以近紅外攝像頭拍攝所述視頻幀，在內容分類時，若內容分類結果包括眼鏡反射，則對所述眼鼻區域中的反射區域進行修復。
23、進一步的，所述對所述眼鼻區域中的反射區域進行修復，包括：
24、基于像素梯度信息，檢測所述眼鼻區域中的所述反射區域；
25、對所述反射區域進行邊緣最小化，執行所述邊緣最小化時包括平滑處理法、插值法；
26、基于所述像素梯度信息，對所述反射區域的梯度差異進行最小化。
27、根據本專利技術的另一方面，公開一種用于裸眼3d的動態眼球跟蹤平板電腦，所述平板電腦包括：
28、眼鼻檢測模塊，用于獲取前置攝像頭拍攝的視頻幀，基于錯誤學習框架對所述視頻幀進行眼鼻區域的檢測，所述錯誤學習框架的檢測器包括使用具有局部二值模式的adaboost算法；
29、眼鼻對齊模塊，用于對所述眼鼻區域進行內容分類，內容分類的條件包括是否佩戴眼鏡、光照環境類型、眼鏡反射、厚眼鏡，基于尺度不變特征變換算法，提取所述眼鼻區域中提取sift特征，根據內容分類的結果，選擇對應的監督下降模型，對所述sift特征來訓練多個下降方向，以最小化每個界標點的非線性平方函數的平均值，使得所述sift特征執行基于回歸的界標點對齊，使得所述眼鼻區域的眼鼻形狀對齊，得到人眼的瞳孔中心的第一坐標；
30、控制顯示模塊，用于根據通用的3d臉部模型和所述第一坐標，估計所述瞳孔中心的三維坐標，基于所述三維坐標動態調整屏幕的像素排列方式及柱透鏡光柵的位置，使得屏幕所投射的左眼圖像、右眼圖像與所述瞳孔中心的所述三維坐標配合。
31、本公開的技術方案具有以下有益效果：
32、本公開基于內容分類，能滿足各種環境條件下的瞳孔中心的跟蹤，所采用的分類、檢測、跟蹤的方法僅需cpu的資源，不依賴于gpu計算，使得能在較低的系統資源條件下也能夠本文檔來自技高網...
【技術保護點】
1.一種用于裸眼3D的動態眼球跟蹤方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種用于裸眼3D的動態眼球跟蹤方法，其特征在于，所述錯誤學習框架在訓練時，包括早期階段、中期階段、成熟階段，其中：
3.根據權利要求1所述的一種用于裸眼3D的動態眼球跟蹤方法，其特征在于，所述方法還包括：
4.根據權利要求3所述的一種用于裸眼3D的動態眼球跟蹤方法，其特征在于，所述跟蹤檢查器在檢查時，包括：
5.根據權利要求4所述的一種用于裸眼3D的動態眼球跟蹤方法，其特征在于，在訓練所述跟蹤檢查器時，將所述Adaboost算法判斷結果進行識別，將所述Adaboost算法識別錯誤的樣本輸入所述支持向量機分類器中，以對所述支持向量機分類器進行訓練。
6.根據權利要求1所述的一種用于裸眼3D的動態眼球跟蹤方法，其特征在于，在估計所述瞳孔中心的三維坐標時，沿著面部法線方向計算，并結合固定的瞳孔距離，得到所述瞳孔中心的三維坐標，所述面部法線方向是通過所述3D臉部模型和所述眼鼻區域的預設標志點的對齊情況估計得到的。
7.根據權利
8.根據權利要求7所述的一種用于裸眼3D的動態眼球跟蹤方法，其特征在于，所述對所述眼鼻區域中的反射區域進行修復，包括：
9.一種用于裸眼3D的動態眼球跟蹤平板電腦，其特征在于，所述平板電腦包括：
...【技術特征摘要】
1.一種用于裸眼3d的動態眼球跟蹤方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種用于裸眼3d的動態眼球跟蹤方法，其特征在于，所述錯誤學習框架在訓練時，包括早期階段、中期階段、成熟階段，其中：
3.根據權利要求1所述的一種用于裸眼3d的動態眼球跟蹤方法，其特征在于，所述方法還包括：
4.根據權利要求3所述的一種用于裸眼3d的動態眼球跟蹤方法，其特征在于，所述跟蹤檢查器在檢查時，包括：
5.根據權利要求4所述的一種用于裸眼3d的動態眼球跟蹤方法，其特征在于，在訓練所述跟蹤檢查器時，將所述adaboost算法判斷結果進行識別，將所述adaboost算法識別錯誤的樣本輸入所述支持向量...
【專利技術屬性】
技術研發人員：臧永昌，蔣仕熙，植滇業，吳君強，陳冬香，歐陽福彪，
申請(專利權)人：深圳市華瑞安科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。