基于眼球追蹤大數據的心動異性自動識別方法和系統的制作方法
【技術領域】
[0001]本發明涉及信息技術領域，尤其涉及一種基于眼球追蹤大數據的心動異性自動識別方法和系統。
【背景技術】
[0002]目前相親交友節目中嘉賓在出場時需要從一批異性嘉賓中手工選擇自己的心動異性，相親交友網站也需要用戶從一批隨機推薦的異性照片中選擇自己的心動異性。現有技術無法自動識別用戶的心動異性，用戶需要手工選擇心動異性，當用戶需要選擇的異性較多、可用于選擇的時間較短時，用戶往往會看了這個忘了那個，從而會影響對心動異性選擇的客觀性、真實性，進而會影響相親交友的成功率。
[0003]因此，現有技術還有待于改進和發展。
【發明內容】
[0004]本發明的目的在于提供一種基于眼球追蹤大數據的心動異性自動識別方法，旨在提高對用戶心動異性選擇的客觀性、真實性，進而提高用戶相親交友的成功率。
[0005]本發明實施例是這樣實現的，一種心動異性識別方法，所述方法包括以下步驟:
獲取大量用戶對各個異性的心動程度的打分，同時獲取所述大量用戶注視各個異性的時間相對長短、瞳孔相對大小；
統計出大量用戶對各個異性的心動程度與其注視各個異性的時間相對長短、瞳孔相對大小之間的對應關系；
獲取用戶注視各個異性的時間相對長短、瞳孔相對大小；
根據用戶注視各個異性的時間相對長短、瞳孔相對大小及其與用戶對各個異性的心動程度的對應關系計算出用戶對各個異性的心動程度。
[0006]本發明實施例的另一目的在于提供一種心動異性識別裝置，所述裝置包括:
采集模塊，用于獲取大量用戶對各個異性的心動程度的打分，同時獲取所述大量用戶注視各個異性的時間相對長短、瞳孔相對大小；
學習模塊，用于統計出大量用戶對各個異性的心動程度與其注視各個異性的時間相對長短、瞳孔相對大小之間的對應關系；
輸入單元，用于獲取用戶注視各個異性的時間相對長短、瞳孔相對大小；
識別模塊，用于根據用戶注視各個異性的時間相對長短、瞳孔相對大小及其與用戶對各個異性的心動程度的對應關系計算出用戶對各個異性的心動程度。
[0007]本發明實施例的還一目的在于提供一種心動異性識別系統，所述系統包括本發明實施例提供的心動異性識別裝置。
[0008]本發明實施例通過大數據統計出用戶對異性的注視時間長短、瞳孔大小與用戶對異性的心動程度之間的相關性，來自動識別用戶對異性的心動程度，不僅極大地提高了用戶識別心動異性的準確率和客觀性，還方便了用戶，節省了用戶的手工選擇時間，利于提高相親交友的成功率，提高相親交友節目、相親交友網站的推薦心動異性成功率。
[0009]
【附圖說明】
[0010]圖1是本發明實施例提供的心動異性識別方法的流程圖；
圖2是本發明實施例提供的基于大數據識別心動異性的示意圖；
圖3是本發明實施例提供的心動異性識別系統中心動異性識別裝置的結構圖。
[0011]
【具體實施方式】
[0012]為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
[0013]圖1示出了本發明實施例提供的心動異性識別方法的流程。
[0014]在步驟SlOl中，獲取大量用戶對各個異性的心動程度的打分，同時獲取所述大量用戶注視各個異性的時間相對長短、瞳孔相對大小；
其中，用戶注視各個異性的時間長短、瞳孔大小可以利用眼球追蹤器獲取，現有的眼球追蹤器有2種類型，一種是安裝在計算機顯示器上的，另一種是安裝在眼鏡上的；不管是哪一種，只要能夠采集到用戶的看各個異性時的注視的時間長短、瞳孔大小就可以。眼球追蹤器采集到的原始數據是各個時間點的眼球及瞳孔的區域信息及位置信息。通過一個時間點的用戶眼球及瞳孔的區域及位置，用戶的面孔朝向、以及各個異性所在的空間位置，就能夠判斷出這個時間點上用戶在注視哪個異性。從而可以計算出用戶注視各個異性的時間長短。通過一個時間點的瞳孔的區域大小的計算，就能夠計算出這個時間點的瞳孔大小，可以利用計算機系統自動完成這些計算，從而可以根據眼球追蹤器采集的數據計算出用戶注視各個異性的時間長短、瞳孔大小；用戶將視線從一個異性切換到另一個異性時，這種切換的時間不包括在注視的時間之內；用戶注視一個異性時，可能會眨眼，眨眼的時間包括在注視的時間之內。
[0015]在步驟S102中，統計出大量用戶對各個異性的心動程度與其注視各個異性的時間相對長短、瞳孔相對大小之間的對應關系；
其中，用戶對各個異性的心動程度與其注視各個異性的時間相對長短、瞳孔相對大小之間的對應關系是有著一定規律的，因為人們在見到更心動的異性時，看的時間會更長一些、注視時的瞳孔會更大一些，這些都是人的本能反應。所以通過這種對應關系反過來可以根據用戶對一個異性的注視時間長短和注視時的瞳孔大小推導出用戶對這個異性的心動程度。
[0016]在步驟S103中，獲取用戶注視各個異性的時間相對長短、瞳孔相對大小；
其中，用戶注視各個異性的時間長短、瞳孔大小可以利用眼球追蹤器獲取。
[0017]在步驟S104中，根據用戶注視各個異性的時間相對長短、瞳孔相對大小及其與用戶對各個異性的心動程度的對應關系計算出用戶對各個異性的心動程度。
[0018]其中，用戶注視各個異性的時間相對長短為用戶注視各個異性的時間長度與用戶注視各個異性的平均時間長度的比值，用戶注視各個異性的瞳孔相對大小為用戶注視各個異性的瞳孔大小與用戶注視各個異性的平均瞳孔大小的比值，用戶對各個異性的心動程度可以用非常心動、心動、有點心動、不心動這四個等級來表示，也可以采用百分制的打分方式來表示，還可以采用其他可以區分不同心動程度的方式來表示。
[0019]其中，用戶對各個異性的心動程度與其注視各個異性的時間相對長短、瞳孔相對大小之間的對應關系為注視異性的時間相對長短、瞳孔相對大小到對異性的心動程度的映射，統計出大量用戶對各個異性的心動程度與其注視各個異性的時間相對長短、瞳孔相對大小之間的對應關系的算法包括但不限于回歸分析算法、神經網絡算法，當使用回歸分析算法時，將注視異性的時間相對長短、注視異性的瞳孔相對大小作為自變量，異性的心動程度作為因變量進行回歸分析，所述對應關系蘊含在回歸分析得到的回歸方程中，當使用神經網絡算法時，將注視異性的時間相對長短、注視異性的瞳孔相對大小作為神經網絡的輸入，異性的心動程度作為神經網絡的輸出，對神經網絡進行訓練，所述對應關系蘊含在訓練得到的神經網絡中。
[0020]其中，根據用戶注視各個異性的時間相對長短、瞳孔相對大小及其與用戶對各個異性的心動程度的對應關系計算出用戶對各個異性的心動程度時，當對應關系蘊含在回歸方程中，則用注視異性的時間相對長短、注視異性的瞳孔相對大小作為回歸方程的輸入，回歸方程的輸出為對異性的心動程度，當對應關系蘊含在神經網絡中，則用注視異性的時間相對長短、注視異性的瞳孔相對大小作為神經網絡的輸入，神經網絡的輸出為對異性的心動程度。
[0021]譬如，請參閱圖2，圖2為基于大數據識別心動異性的示意圖。
[0022]在數據采集階段，在用戶手工選擇心動異性時，讓用戶將各個異性打分，同時用眼球追蹤器記錄用戶注視各異性時的時間長度及瞳孔大小。此時，心動程度(即用戶給各個異性的打分值)和用戶注視各異性時的時間長度及瞳孔大小都已知，這樣就可以對采集到的大量用戶的數據利用回歸分析或神經網絡等算法進行學習訓練，計算出心動程度與用戶注視異性的時間相對長短及瞳孔相對大小之間的關系。
[0023]假設采用的是神經網絡算法，因為得到的神經網絡是由已知的大數據樣本中訓練出來的，所以可以用于識別新的樣本，譬如，可以根據新用戶注視各個異性的時間相對長短和瞳孔相對大小來識別出新用戶對各個異性的心動程度，也可以根據老用戶注視新異性的時間相對長短和瞳孔相對大小來識別出老用戶對新異性的心動程度。
[0024]圖3示出了本發明實施例提供的心動異性識別裝置的結構。
[0025]其中，采集模塊31，用于獲取大量用戶對各個異性的心動程度的打分，同時獲取所述大量用戶注視各個異性的時間相對長短、瞳孔相對大小；
學習模塊32，用于統計出大量用戶對各個異性的心動程度與其注視各個異性的時間相對長短、瞳孔相對大小之間的對應關系；
輸入單元33，用于獲取用戶注視各個異性的時間相對長短、瞳孔相對大小；
在具體實施過程中