基于样本扩充和改进Lasso回归的视线估计

为了利用眼部特征进行准确的视线估计,提出了一种基于样本扩充和改进Lasso回归的方法,建立眼部特征与视线之间的映射关系.通过对小样本评分得到优质样本,进而完成样本扩充,利用改进的Lasso回归得到准确的视线估计模型.该方法对标定过程中的眨眼等干扰具有鲁棒性,受干扰后仍可保持相对较高的视线估计准确度.实验结果表明:标定过程无干扰,该方法视线估计准确度比传统方法提高11.25%;标定数据加入6.67%异常数据,该方法视线估计准确度比传统方法提高22.62%.      

士兵和装甲车目标多尺度检测方法

针对士兵和装甲车目标的尺度差异大以及目标距离远近造成的目标多尺度问题,以YOLOv4深度学习算法为基础,提出了一种多尺度目标检测方法. 通过针对性的数据增强方法丰富小目标样本的多样性,对输入图像进行分割预处理以提高网络输入小目标的分辨率,并基于特征金字塔网络实现大、中、小目标的分离检测,最后匹配检测结果并进行NMS处理去除冗余检测框,从而实现多尺度目标检测. 实验结果表明,本文方法在保持大目标检测效果的情况下,中、小目标的平均检测精度分别提升了1.20%和5.54%,有效提高了中、小目标的检测效果.      

瞳孔检测的图像裁剪与异常瞳孔排除

为获取眼部特征进行视线跟踪,提出了一种具有较高实时性和正确率的瞳孔检测方法.使用模板匹配定位眼睛在图像中位置,裁剪边缘冗余图像,降低瞳孔检测计算量,从而提高实时性;利用瞳孔的形状、颜色等特征以及眼球运动规律,得到瞳孔在图像中分布规律,对错误的瞳孔信息进行排除,从而提高瞳孔检测正确率.实验结果表明,在NVIDIA Jetson TX2嵌入式计算机上,该瞳孔检测方法检测正确率达到95.06%,检测速率为95 fps,耗时平均减少55.33%,具有良好的实用性.