视线估计技术是利用现有的不同检测方法获取用户当前注视方向的技术。视线估计在生活中发挥着越来越重要的作用。在注视的过程中,伴随着头部的运动行为,如何提高头部运动变化时中的视线估计精确度,是目前视线估计领域的一个挑战。本文提出使用眼动特征并结合头部运动变化特征的视线估计模型。论文主要研究了如下内容:1)眼动特征提取本文眼动特征主要包括瞳孔中心、眼角点以及二者构成的眼动向量。首先应用Haar特征和Adaboost算法进行人脸检测;然后进行人脸特征点检测,利用ASM算法定位并获取眼部图像;最后,利用双重Haar-like特征提取和边缘过滤、形态学像素模型等技术精确定位瞳孔中心位置。2)头部运动变化特征提取本文中的头部运动特征提取数据为头部旋转包括横滚角、俯仰角、偏航角以及沿X、Y、Z方向上的平移,共六个自由度数据构成。采用EPn P算法结合人脸特征点,通过三维变换将特征映射到二维空间中,改变模型的参数,计算出当前头部空间位置的姿态数据。3)头眼运动数据融合视线估计模型在本实验室研究环境基础上,为评估所提出的视线估计模型的有效性,设计开展了静态和动态实验,其中动态实验包含单一头部旋转运动以及三种旋转运动的混合头部运动视线数据采集实验,通过相机采集图像数据以及记录图像对应的目标点坐标,用于视线估计。本文探讨了眼球运动和头部运动之间的协调关系,并将头部运动变化特征和眼球运动特征相结合。首先通过多项式映射模型计算初始视线落点,然后通过学习回归头部运动变化对视线落点的偏差影响,最后得到补偿后的视线落点。为探讨头部运动变化对视线估计的影响,分别对三种头部旋转运动方式下的视线估计进行分析,最后,分析复合头部运动变化中的视线估计。本文采用头部运动变化状态下的视线估计补偿模型,得到的视线估计平均误差约为2.32°。