隨著5G和VR（Virtual Reality）的發(fā)展,基于全景內(nèi)容的應(yīng)用受到廣泛關(guān)注。研究用戶對(duì)于全景內(nèi)容的感知和情緒反應(yīng)對(duì)多媒體處理和用戶體驗(yàn)質(zhì)量評(píng)估至關(guān)重要。眼球的運(yùn)動(dòng)特征在不同全景內(nèi)容情緒刺激下會(huì)發(fā)生顯著變化,且眼動(dòng)監(jiān)測(cè)具備便捷、真實(shí)的特點(diǎn),在情緒識(shí)別研究領(lǐng)域備受關(guān)注。當(dāng)前基于全景內(nèi)容誘發(fā)下眼動(dòng)監(jiān)測(cè)的情緒識(shí)別研究存在以下問(wèn)題:（1）全景內(nèi)容下帶有情緒標(biāo)簽的眼動(dòng)數(shù)據(jù)集較少,相關(guān)研究常利用頭動(dòng)代替眼動(dòng)數(shù)據(jù);（2）研究表明二維內(nèi)容下眼動(dòng)和情緒存在聯(lián)系,但三維全景誘發(fā)態(tài)眼動(dòng)模式與二維靜態(tài)內(nèi)容并不同,全景圖片自由瀏覽模式下如何提取眼動(dòng)特征并分析眼動(dòng)偏差與情緒關(guān)系亟待研究;（3）以往研究多基于原始眼動(dòng)數(shù)據(jù),缺乏眼動(dòng)行為特征分析,也未能充分挖掘眼動(dòng)序列時(shí)序關(guān)聯(lián)信息。針對(duì)以上問(wèn)題,本文進(jìn)行了如下工作:（1）基于LS2N實(shí)驗(yàn)室創(chuàng)建的全景圖片-顯著性數(shù)據(jù)集,選擇刺激素材并建立了一個(gè)包含情緒標(biāo)簽（積極、中性、消極）的360度全景圖片-情緒-眼動(dòng)數(shù)據(jù)集,包含基于HTC Vive頭顯和SMI Eye-tracker設(shè)備記錄的19位受試者自由頭動(dòng)和眼動(dòng)數(shù)據(jù)。（2）根據(jù)虛擬現(xiàn)實(shí)頭顯的交互特點(diǎn),本文提出了全景... 

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 選題背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 眼動(dòng)信號(hào)處理方法與應(yīng)用
        1.2.2 基于眼動(dòng)信號(hào)的情緒研究現(xiàn)狀
        1.2.3 全景圖片的研究現(xiàn)狀
        1.2.4 存在問(wèn)題
    1.3 本文主要工作
        1.3.1 研究目標(biāo)及研究?jī)?nèi)容
        1.3.2 主要工作
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 眼動(dòng)相關(guān)研究背景知識(shí)
    2.1 全景圖片與虛擬現(xiàn)實(shí)技術(shù)
    2.2 眼動(dòng)及其特征
        2.2.1 人眼視覺系統(tǒng)
        2.2.2 眼動(dòng)追蹤
        2.2.3 眼動(dòng)行為表示
    2.3 情緒模型
    2.4 相關(guān)算法介紹
        2.4.1 相關(guān)機(jī)器學(xué)習(xí)算法
        2.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.5 本章小結(jié)
第三章 全景圖片誘發(fā)態(tài)眼動(dòng)數(shù)據(jù)集的創(chuàng)建與眼動(dòng)行為差異研究
    3.1 眼動(dòng)-情緒數(shù)據(jù)集創(chuàng)建
        3.1.1 全景圖片刺激素材
        3.1.2 實(shí)驗(yàn)設(shè)備
        3.1.3 實(shí)驗(yàn)步驟
    3.2 全景圖片下的眼動(dòng)行為特征提取方法
        3.2.1 視口二維坐標(biāo)映射
        3.2.2 基于時(shí)間和速度的閾值算法提取眼動(dòng)凝視位置坐標(biāo)
        3.2.3 眼動(dòng)特征表示
    3.3 不同情緒刺激下的眼動(dòng)行為探索
        3.3.1 SAM得分及情緒分類
        3.3.2 僅頭動(dòng)和頭動(dòng)加眼動(dòng)數(shù)據(jù)生成的顯著性圖比較
        3.3.3 眼動(dòng)行為特征的方差分析
        3.3.4 情緒對(duì)眼動(dòng)偏差的影響與全景掃視特點(diǎn)
    3.4 本章小結(jié)
第四章 基于眼動(dòng)行為特征的情緒識(shí)別算法研究
    4.1 情緒識(shí)別算法研究
        4.1.1 特征提取
        4.1.2 分類器訓(xùn)練
        4.1.3 基于掃描路徑的分類
        4.1.4 特征選擇
    4.2 實(shí)驗(yàn)結(jié)果與分析
        4.2.1 原始眼動(dòng)追蹤數(shù)據(jù)和眼動(dòng)行為特征分類比較
        4.2.2 基于SVM的不同特征表示比較
        4.2.3 不同算法模型方法比較
        4.2.4 不同特征選擇方式比較
        4.2.5 情緒場(chǎng)景二分類比較
    4.3 本章討論
第五章 基于眼動(dòng)序列門控循環(huán)單元的情緒識(shí)別方法
    5.1 基于門控循環(huán)單元的眼動(dòng)情緒分類網(wǎng)絡(luò)
        5.1.1 門控循環(huán)單元
        5.1.2 數(shù)據(jù)劃分
        5.1.3 網(wǎng)絡(luò)結(jié)構(gòu)
    5.2 實(shí)驗(yàn)結(jié)果與分析
        5.2.1 實(shí)驗(yàn)參數(shù)設(shè)置
        5.2.2 原始眼動(dòng)追蹤數(shù)據(jù)和切分掃描路徑的性能比較
        5.2.3 不同特征序列分類比較
        5.2.4 GRU網(wǎng)絡(luò)和LSTM分類效果對(duì)比
        5.2.5 GRU網(wǎng)絡(luò)和GBDT方法對(duì)比
        5.2.6 GRU網(wǎng)絡(luò)情緒場(chǎng)景二分類比較
    5.3 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附錄


【參考文獻(xiàn)】：
碩士論文
[1]虛擬現(xiàn)實(shí)視覺誘發(fā)態(tài)下基于前額腦電及眼動(dòng)的情緒分類研究[D]. 吳施儀.華南理工大學(xué) 2019



本文編號(hào)：3652374