[发明专利]一种基于眼动轨迹数据两步聚类的图像感兴趣区域提取方法和系统

权利要求书

1.一种基于眼动数据两步聚类的感兴趣区域提取方法，其特征在于：包括预聚类阶段和聚类阶段；

所述预聚类阶段进行眼动数据噪声点的剔除，包含以下步骤：

步骤1.1，读入测试图片上多个观察者产生的眼动轨迹点数据，假设有N个观察者浏览了该测试图片，则产生N组眼动轨迹点记录；

步骤1.2，将每两个观察者的眼动轨迹点数据合并进行聚类，将其分为若干类；

步骤1.3，基于上述聚类结果中的每个类进行噪声检测，并设定点层面及类层面噪声检测准则；

步骤1.4，对图像上每两个观察者合并后的眼动轨迹点重复以上步骤1.2-1.3，得到剔除噪声后的预聚类结果，即属于有效注视过程的眼动轨迹点；

所述聚类阶段进行感兴趣区域的提取，包含以下步骤：

步骤2.1，合并所有经过噪声剔除的属于有效注视过程的眼动轨迹点为一个点集，

步骤2.2，对合并后的点集进行聚类，经过聚类得到的眼动轨迹点类即可代表图像感兴趣区域，以聚类后每类的中心点代表感兴趣区域位置，类中点的数量代表感兴趣区域所吸引注意力的多少。

2.如权利要求1所述的一种基于眼动数据两步聚类的感兴趣区域提取方法，其特征在于：步骤1.1中对每个观察者n，其眼动轨迹点记录可表达为每个点空间坐标的集合如下：

其中，I_n为观察者n所产生的眼动轨迹点数目。

3.如权利要求2所述的一种基于眼动数据两步聚类的感兴趣区域提取方法，其特征在于：步骤1.2中采用近邻传播聚类方法进行聚类，具体过程如下，

步骤1.2.1，计算轨迹点间的相似度，构成相似度矩阵，其中相似度以负欧氏距离度量，以遵循两点距离越近，则相似度越高的原则；相似度计算公式如下：

其中，s(a，b)为点a与点b的相似度，x_a，y_a，x_b，y_b分别为点a与点b的横纵坐标，Q为两个点集中注视点的总数目；

对集合中每两个点计算相似度后构成相似度矩阵如下：

此外，将相似度矩阵对角线上元素s(j，j)，即自相似度，设为相同的值，代表每个点成为聚类中心的可能性相同，j＝1,2，...，Q；

步骤1.2.2，基于局部相似度矩阵及近邻传播聚类的消息传递机制，在轨迹数据点间定义两类消息Responsibility和Availability，并将所有点的两类消息分别组成两个初始消息矩阵R_Q×Q和A_Q×Q；Responsibility为自数据点向候选中心点传递的消息，是数据点表达各个候选中心适合成为其中心的程度的消息，其初始值计算公式如下：

其中，i代表第i个轨迹点，其取值为1,2，...，n；k代表作为候选中心点的第k个轨迹点，其取值为1,2，...，n；k′为除k外的其他候选中心点；R(i，k)为第i点向候选中心点k传递的消息，即Responsibility；Sim(i，k)为第i点与第k点的相似度；Sim(i，k′)则为第i点与除第k点外的其他候选中心点间的相似度；

Availability为自候选中心向数据点传递的消息，是候选中心表达其对于成为各点中心的适合程度的消息，其初始值为0；

步骤1.2.3，对两类消息分别更新如下：

其中，i′代表除第i点和第k点外的其他轨迹点；A(i，k′)为自除第k点外的其他候选中心点向第i点传递的消息；R(i′，k)为除第i点外的其他数据点i′向候选中心点k传递的消息，i′≠i且i′≠k：

步骤1.2.4，为去除来自其他点的Responsibility过大的影响，以不同的方式更新A(k，k)如下：

步骤1.2.5，为避免可能出现的数值振荡，在更新后为所有新消息增加阻尼如下：

R(i，k)＝(1-λ)R(i，k)+λr_old(i，k)

A(i，k)＝(1-λ)A(i，k)+λa_old(i，k)

其中，λ为阻尼系数，λ∈(0，1)；r_old(i，k)与a_old(i，k)分别为两类消息在前一次传递中的值；

步骤1.2.6，重复以上步骤1.2.3-1.2.5，至矩阵R与前一次传递得到的矩阵R_old相等时则停止消息传递过程；

步骤1.2.7，将以上步骤所得Responsibility矩阵与Availability矩阵相加得到矩阵E作为聚类的依据如下：

步骤1.2.8，取矩阵E的对角线元素E(l，l)，若E(l，l))＞0，则对应的轨迹点即被选为聚类中心，其他非中心的轨迹点将会被分配至与其具有最大相似度的聚类中心点所代表的类中。