8、基于支持向量机的注视识别系统实现

基于支持向量机的注视识别系统实现

1. 引言

在当今科技发展中，注视识别系统有着广泛的应用前景，如人机交互、无障碍辅助等。不过，现有的注视识别系统存在一些不足。部分基于面部运动的系统，通过在面部特定位置附着标记并跟踪其运动来确定用户注视方向，但当标记或面部特征超出相机范围、性能不佳或无法检测到细微变化时，就会出现问题。还有跟踪瞳孔运动的系统，虽能通过瞳孔闪光和角膜反射来识别注视方向，但有些需要安装在头部，会给用户带来不适。

为解决这些问题，我们提出并实现了一种基于支持向量机（SVM）的注视识别系统，结合先进的眼部区域检测方法和网络摄像头。准确的眼部区域检测对注视识别至关重要，我们采用Gabor滤波器和二值化方法来检测眼角和虹膜。

2. 相关工作

2.1 面部和眼部区域检测

注视识别的第一步是检测图像中的面部和眼部区域。我们使用基于Haar-like特征的AdaBoost算法来完成这一任务。Haar-like特征是一种用于目标检测的特征表示方法，其特征值通过白色区域像素和减去黑色矩形区域像素和得到，输入图像会在位置和尺度上进行扫描。

AdaBoost是一种通过组合多个弱分类器构建强分类器的方法。弱分类器是单层感知器，定义如下：
[
h_j =
\begin{cases}
1, & \text{if } f_j(x) < \theta_j \
0, & \text{otherwise}
\end{cases}
]
其中，每个弱分类器 (h_j) 与特征 (f_j) 和阈值 (\theta_j) 相关，(x) 表示子窗