一种三维立体显示的视疲劳检测系统和方法

文档序号:7795293阅读:377来源:国知局
一种三维立体显示的视疲劳检测系统和方法
【专利摘要】本发明公开了一种三维立体显示的视疲劳检测系统和方法,本系统包括立体显示设备、闪光融合临界频率值CFF测量设备、近点距离NPD测量设备和数据处理单元;CFF测量设备,用于采集用户观看所述立体显示时的CFF值,并将其传输给所述数据处理单元;NPD测量设备,用于采集该用户观看所述立体显示时的NPD值,并将其传输给所述数据处理单元;数据处理单元包括一立体视疲劳预测模型;立体视疲劳预测模型根据输入的CFF和NPD预测该用户的立体视疲劳;本发明能快速检测立体显示造成的视疲劳程度,并可用于评价立体显示设备和内容,以及指导设备生产和制作舒适的立体资源等。
【专利说明】一种三维立体显示的视疲劳检测系统和方法
【技术领域】
[0001]本发明属于三维显示评估领域,具体涉及到一种三维立体显示的视疲劳检测系统和方法。
【背景技术】
[0002]近些年来,立体显示技术在电视广播、视频游戏、会议、医疗、教育、商业等领域的应用越来越多。尽管其应用惠及消费者和商家,但目前由于技术和成本的限制,立体显示技术的发展受到很多阻碍。主要是3D显示的成像原理和人的视觉系统工作机制存在冲突,造成了 3D显示不可忽视的副作用。例如,长时间观看立体图像/视频会使观看者感到眼睛疲劳、头晕、呕吐等不适。甚至有研究表明,观看立体显示或许会对人们的健康产生长远影响或不可逆的损害。这些健康隐患的存在使得人们不便长期观看立体显示,更不利于一些特殊人群,如小孩观看。这些问题不仅严重影响用户体验,也制约了三维显示技术的发展,及其相关产品的应用普及。因此,预防立体显示对观看过程中造成的视疲劳等不适症状具有重要的意义。
[0003]目前的立体显示视疲劳数据检测方法主要有两种:主观检测和客观测量。前者是让观看者表述观看不适感的程度,或者完成一些特殊设计的问卷;后者主要是测量相关的一些生理指标。但这些方法都各有缺点,主观表述往往因人而异,没有统一的量化标准;很多客观测量的设备复杂昂贵,对受试者的限制较多,有些甚至还需要测量者具备相当的领域知识才能处理后期的数据。同时客观参量的选择以及它们反应主观不适程度的阈值等都还没有标准可循。为此,寻找一种操作简单且有效的立体资源视疲劳数据检测方法势在必行。因此,本发明提供了一种三维立体显示的视疲劳检测系统和方法,该系统提供了进行视疲劳检测所需的软硬件环境和基本流程,在其基础上,通过本发明提供的视疲劳检测方法将能简单快速地量化立体显示造成的视疲劳程度,用于检测立体显示设备和内容,以及指导设备生产和制作舒适的立体资源等。

【发明内容】

[0004]针对现有技术中在检测立体显示的立体视疲劳时常用客观测量方法存在的不足,提供一种三维立体显示的视疲劳检测系统和方法,本系统和方法能够对用户针对立体显示的主观感受进行客观量化,从而简单快速的获取立体显示的视疲劳评测数据。
[0005]本发明中的立体显示视疲劳检测系统包括立体显示设备、主观视疲劳(SS)连续打分装置、两种视功能特征测量设备(闪光融合临界频率值(CFF)和近点距离(NPD))、以及配有桌椅、提供基本照明等条件的室内房间。该系统提供了进行视疲劳检测所需的软硬件环境和基本流程,其框架图如图2所示。数据输入输出层主要是对用户的SS,CFF, NPD进行测量,获取其在不同时刻的数值,然后经过数据处理层的加工,得到用CFF,NPD预测用户视疲劳的模型公式,最后利用该模型公式可直接根据所测得的CFF、NPD的值,输出用户的预测立体视疲劳(SS’)。通过该系统获得的立体视疲劳预测模型,可用于各种立体显示的客观评测,从而不再需要用户主观进行打分,而只需要测量用户的CFF和NPD,再带入模型公式进行计算即可。
[0006]所示立体显示设备包括各种类型的可显示立体内容的立体显示器、立体投影等。设备的设置参数推荐使用默认值,并根据相关标准(ITU-R BT.500)控制观看距离,满足不同设备对最佳观看距离的要求。同时还应该合理控制环境光照、温度等,保持正常水平。
[0007]所述具备桌椅和照明等条件的室内房间,其大小要能满足被测立体显示设备对最佳观看距离的限制,并保证正常稳定的室内环境。桌子大小能够摆放开上述所有硬件设备,并避免设备之间的碰触干扰,特别是测量设备对显示设备的遮挡等。
[0008]所述两种视功能特征的定义分别为:(a)近点是指当眼睛高度调节时,即用最大的调节力所能看清的最近一点,该点离眼睛的距离就是近点距离;(b)闪光融合临界频率是指刚刚能够引起闪光融合感觉的刺激的最小频率。
[0009]所述两种视功能特征和视疲劳的关系分别是:(a)发生视疲劳时,近点距离变大;b)发生视疲劳时,闪光融合临界频率降低。并且,在用户可承受范围内,随着视疲劳程度的增加,两种视功能特征的值会持续变化。
[0010]所述主观视疲劳连续打分装置为一个手持滑块交互式语音装置,通过左右两个按钮进行加分和减分操作,增量为1,打分范围为[1,10]。每次打分都会有语音反馈,在让用户知晓当前打分情况的基础上又不需要占用用户的观看时间。用户的打分会被实时记录在文件中,方便后期的分析处理。其中,10分表示没有疲劳,9-7分表示轻微疲劳,6-5分表示中等疲劳,4-3分表示明显疲劳,2-1分表示严重视疲劳。
[0011]所述两种视功能特征的测量方法分别是:(I)所测近点距离指的是双目近点距离而不区分左右眼。测量工具可自制。自制近点测量工具包括一个30cm左右的直尺和一个可在直尺上前后移动的视标。用支架固定直尺,使得其上的视标中心和眼睛等高,测量时两眼中心距离直尺开始端0.5cm,让视标从眼睛处开始慢慢远离,直到视标变得清晰不模糊为止,读取此时视标所在的刻度值,即为双目近点距离;(2)闪光融合临界频率的测量同样是两眼同时进行。可使用商业闪光融合频率仪,分两次测量,即渐增测量——将亮点调到明显闪烁,然后调节旋扭直到刚刚看不到亮点闪烁为止,记录此次频率值;渐减测量——将亮点调到明显不闪烁,然后调节旋扭直到刚刚看到亮点闪烁为止;记录此次频率值。每次测量时,可以在闪与不闪附近反复调整旋钮,直到确定不再闪烁为止。最后,两次测得数据的平均值即为该时刻的闪光融合临界频率值。
[0012]所述数据处理层首先对输入的三种原始数据(SS,CFF, NPD)进行归一化,以消除不同数据的单位量级差异。对于每个用户,上述三种数据都分别是一组在不同时刻测得的数值。在用户个人数据集内,将每种数据归一化到O到I范围内,以方便后续计算。对于归一后的上述三种数据,进行每种数据的变化量计算,即某种数据的每个数值相对于该种数据的第一个数值的差异。变化量计算先是以用户为单位,在每个用户的数据集内部进行,得到每个用户每种数据在不同时刻的变化量。然后综合所有用户在每个时刻上述三种数据的变化量,求取它们在各时刻处的变化量均值。对于上述三种数据对应的三组变化量均值,首先分别将CFF和SS,NPD和SS对应的数据(即归一变化量均值)进行一元线性拟合,分别得到单个因子(CFF或NPD)和SS归一变化量均值之间的线性关系。进而,对CFF, NPD和SS进行多元回归处理,得到多因子(CFF和NPD)与SS之间的模型公式,即为立体视疲劳的预测模型。
[0013]所述数据存储层用于存放测得的上述三种原始数据和经过数据处理层处理后获得的各种关系模型等结果数据。
[0014]基于上述视疲劳检测系统,本发明还提供一套具体的检测方法,即在用户观看3D视频过程中,在等间隔的时间点测量观看者的主观疲劳度评分和两种视功能特征(CFF和NPD),来综合检测用户视疲劳,从而确定立体显示是否合格,本方法包括两个部分:模型建立阶段和模型应用阶段。其中,模型建立阶段的步骤为:
[0015]I)首先搭建上述立体显示的视疲劳检测环境,选择合适的室内空间,布置立体显示器、座椅、两种视功能测量装置和主观视疲劳连续打分装置,以及相关的量表和纸质材料等;
[0016]2)然后,对用户进行立体视觉筛查,当立体视觉达到200",即认为其可以参与实验,最终参与用户数量为M个;
[0017]3)把待测立体显示的观看过程分成N个等长的观看时间段,在每个观看时间段之后,紧跟着是测量时间段,测量内容包括近点距离(NPD)和闪光融合临界频率(CFF);在观看时间段中,用户使用连续打分装置对主观视疲劳(SS)进行连续打分;在第一个观看时间段之前,即实验开始前,先对用户进行上述三项测量,获得它们的初始值,该测量时间记为第O个测量时间段;
[0018]4)对步骤 3)测 得的数据进行编号,即 SS(i,j),NPD(i, j)和 CFF(i,j), i=l, 2...M, j=0, 1-N ;NPD(i, j)和CFF(i,j)分别表示第i个用户的第j个测量时间段所测得的NPD和CFF值;SS(i,j)表示的是第i个用户在第j个观看时间段里连续主观打分的均值,将其作为该用户第j个测量时间段应测的主观视疲劳度;
[0019]5)对步骤4)中已编号的数据进行归一化处理,即对每个用户的SS,NH)和CFF数据,分别得到一组归一化值 uniSS(i,j),uniNPD(i,j)和 uniCFF(i, j), i=l, 2…M,j=0, I...N ;它们分别表示第i个用户在第j个测量时间段所测得的SS,NPD和CFF值的归一值,取值范围为[O, I];
[0020]6)计算步骤5)的数据的变化量,即对每个用户归一后的SS,NH)和CFF数据,分另1J 得到一组变化量值 Delta_uniSS(i, j), Delta_uniNPD(i, j)和 Delta_uniCFF(i, j), i=l, 2...Μ,j=0, I…N ;它们分别表示第i个用户在第j个测量时间段出现的SS, NPD和CFF归一值的变化量;
[0021]7)计算步骤 6)中数据的均值,即 avg_Delta_uniSS (j),avg_Delta_uniNPD (j)和avg_Delta_uniCFF (j), j=0, I...N ;它们分别表示全部用户在第j个测量时间段出现的SS,NPD和CFF归一变化量的均值;
[0022]8)分析步骤7)中数据之间的相关性,即对avg_Delta_uniSS和avg_Delta_uniNPD, avg_Delta_uniSS 和 avg_Delta_uniCFF 进行线性拟合,均满足关系 y=ax+b, y 表不avg_DeIta_uniSS, x 表不 avg_De11a_uniNPD 或 avg_Delta_uniCFF,拟合程度越高越好;
[0023]9)对步骤7)中的数据,进行多元线性回归,可得到关系模型SS’ =UniSS(O)+avg_Delta_uniSS,其中,uniSSh(O)表示所有用户的第O个测量时间段里视疲劳的归一值;avg_Delta_uniSS=w1*avg_DeIta_uniNPD+w2*avg_DeIta_uniCFF+c, W1 和 w2 代表各个特征指标的权重,c是一个常量;[0024]上述步骤1-9建立的模型关系,应用于三维显示视疲劳的客观评估,即为模型应用阶段,其步骤为:
[0025]a)按照模型建立阶段的步骤3)测得每个用户的一组NPD值和一组CFF值;
[0026]b)按照模型建立阶段的步骤4)至步骤7)对数据进行处理;
[0027]c)将处理后的数据值带入上述关系模型,即可得到一组avg_Delta_uniSS(j),j=0, Ρ..Ν;表示用户在第j个测量时间段发生的视疲劳归一值的变化量;
[0028]d)对所有用户在第O个测量时间段测得的主观视疲劳归一值uniSS (i, O),i=l, 2…M,求其均值为 avg_uniSS (O);
[0029]e)至此,可计算第j个测量时间段时用户的视疲劳程度预测值为SS’ (j)=avg_uniSS (O) +avg_Delta_uniSS (j), j=0, 1-N ;SS’取值范围[0,I],数值越大表示疲劳程度越小。
[0030]进一步的,所述步骤2)中,参与检测的用户数量M越大越好,建议不少于5人。综合越多用户的体验感受,越能接近真实地对显示设备或内容进行检测。
[0031]进一步的,所述步骤3)中测量的顺序是:先测量近点距离,然后测量闪光融合临界频率。以此避免测量后者时,所用设备(如闪光融合频率仪)对眼睛造成的影响。
[0032]进一步的,所述步骤3)中,观看时间段个数应N的取值取决于所观看的立体内容或设备,原则上要保证用户观看N/2个时间段后能够出现视疲劳症状。为此,每个观看时间段的持续时间和整个实 验耗时也会受到限制,而测量时间段的耗时则尽量小于观看时间段的时长,以保证用户产生的视疲劳不会在测量过程中得到太多恢复。
[0033]进一步的,为了尽量缩短测量时间段的耗费时间,需要在正式开始立体观看之前,训练用户熟练使用两种视功能特征的测量设备,直到可以在允许的时间内完成。
[0034]进一步的,对步骤5)中所述的归一化处理是针对每个用户分别进行的,即对于用户 i 的 SS, NPD 和 CFF 的值进行如下处理:uniXX(i, j) = (XX(i, j) _MIN(XX (i,O),...XX(i,N)))/(MAX (XX(i,0),...XX (i, N))-MIN (XX (i, 0),...XX(i,N))),i=l, 2,…M; j=0, I,...N。其中符号” XX”代表SS,NPD或CFF。此步骤旨在于通过归一化处理消除用户个体间差
巳升。
[0035]进一步的,对步骤6)中所述的变化量的计算过程也是针对每个用户分别进行的,在步骤5)获得的数据基础上,对于用户i的SS,NPD和CFF的归一值进行如下处理:Delta_uniXX(i, j) =UniXX(i, j)-uniXX(i, 0),i=l, 2,…M; j=0, I,...N。其中符号”XX”代表 SS, NPD或 CFF。
[0036]进一步的,对步骤8)中所述的相关性分析,拟合程度通常以线性拟合的线性系数R2来判断,一般R2越大越好。此步骤旨在于确保所测视功能特征与主观疲劳度之间存在有效的相关性,从而为后续寻找它们之间的关系模型提供保障。
[0037]进一步的,对步骤9)中所述的多元线性回归,其根据在于步骤8)验证了所测视功能特征与主观视疲劳之间的相关性为线性,从而可以用这些视功能特征作为自变量,主观视疲劳打分作为因变量,找到它们之间的关系模型。
[0038]进一步的,对步骤9)中所得到的关系模型,其有效性可通过回归判定系数、斯皮尔曼等级相关系数或均方根误差等方法来进行判定。而为了提高其有效性,则应进行较大规模的实验,收集大量数据以稳定关系模型中的各项系数。在各种条件允许的情况下实验规模越大越好。
[0039]本方法的实施流程如图3所示,由观看时间段和测量时间段交替组成。为了保证用户在实验过程中出现视疲劳,观看时间段时长,测量时间段时长和观看时间段个数等需要根据具体观看的立体显示内容或设备来定。在每个测量时间段里,先进行近点距离的测量,然后是闪光融合临界频率的测量。在模型建立阶段的每个观看时间段里,用户使用连续打分装置进行主观视疲劳的实时打分。实验中,环境光照、温度等一般保持正常值不变,而所观看的立体显示设备和立体内容需要根据不同的目标进行相应的差异控制。若目标是检测显示设备,则应控制每个观看时间段里立体内容的差异尽量小,特别是立体内容的运动、视差和亮度等;若目标是检测立体内容,则应控制整个观看过程中显示设备参数是恒定的,即设定参数为推荐值,并保持不变。
[0040]根据本方法所得关系模型,只需要测量两种视功能特征,即可实现对立体视疲劳的定量计算,而不再需要用户的主观打分。所用视功能特征的测量方法简单,对测量设备要求很低,甚至可以自制。后期的数据处理只需要一次归一化,即可直接利用所给公式计算出立体视疲劳预测值。本方法一方面对用户没有任何强制性限制,只需要能够熟练操作两种测量设备即可;另一方面,数据处理部分对测量者基本没有门槛,只要有基础的数学知识就能完成计算。
[0041]与现有技术相比,本发明具有如下的优点和技术效果:
[0042]1.方法的有效性
[0043]本方法从分析视疲劳客观指标的时序变化,客观指标和主观视疲劳之间的一致性和相关性等方面入手,验证所测客观指标的有效性,并通过一系列数据处理得到用所测客观指标预测主观视疲劳的关系模型。其中,在模型建立阶段,通过主观视疲劳连续打分装置可以获取用户视疲劳的实时情况,并用每个时间段的平均值作为计算数据,一定程度上增加了主观打分的可靠性和稳定性。
[0044]2.测量过程简单,测量设备可自制。
[0045]本方法所使用的两种视功能特征数据,其获取非常简单,对设备的要求很低。在理解其测量原理的基础上,可自制测量设备。而主观视疲劳连续打分装置只需要将带有两个按钮的单片机和具有语音功能的交互软件连接起来,进行简单的数据读取,即可实现用户自主地进行主观打分。因此,使用本方法检测立体视疲劳的花费低。
[0046]3.数据量少,处理简单。
[0047]本方法中模型建立阶段最终收集的数据包括主观视疲劳、近点距离和闪光融合临界频率,且在模型应用阶段只需要后两种即可,每种数据量级可控。应用所得模型进行三维显示视疲劳评估时,通过简单的公式带入,即可得到用户视疲劳的预测值。数据处理部分对测量者几乎没有门槛。
[0048]4.通过寻找合适的预测模型,可以不再需要主观评价,减少了个体情感等主观因
素影响。
[0049]通过本方法所获预测模型计算的立体视疲劳,没有掺杂任何人的主观情感,因而结果更客观。同时不需要主观评价,也减轻了用户的任务负担。
【专利附图】

【附图说明】[0050]图1本系统的实施环境图;
[0051]图2本系统的框架图;
[0052]图3本方法的实施流程图;
[0053]图4本方法的具体实施案例中的结果图(NPD和SS);
[0054]图5本方法的具体实施案例中的结果图(CFF和SS)。
【具体实施方式】
[0055]为了使本【技术领域】的技术人员更好的理解,下面结合附图1和附图3对本方法作进一步的详细说明。使用本方法检测一个立体电影的视疲劳,其过程主要包括四个阶段:布置环境、练习演示、观看和测量,以及数据处理。
[0056]1.布置环境
[0057]观看环境主要包括一台23英寸的偏振眼镜式立体显示器、近点距离测量设备、闪光融合临界频率测量设备、可旋转的移动座椅和一台主机。显示器的亮度、对比度等参数设为推荐值(ITU-R BT.500)。近点距离测量设备是自制的,用一个铁架台固定一个50厘米长的钢尺,钢尺上有一个可前后移动的视标。视标是一个6.5cmX6.5cm的正方形PC板,中心有一个十字架符号。视标下边缘做出一个
[0058]深1.5厘米的槽口,正好卡在钢尺上,如此,视标中心的十字架符号距离钢尺表面5厘米左右,近似等于两眼中心距离鼻尖的距离。闪光融合临界频率测量设备采用的是购买的商业仪器。这两个测量设备放置于用户的左手侧桌面上。在距离立体显示器所在平面3倍屏幕高度(87厘米)的地面上,用黄色线标记为座椅位置。主机用来控制立体电影《变形金刚3》的播放。周围环境光照和温度维持正常值不变。
[0059]2.练习演示
[0060]先对用户进行立体视力检查,通过随机点立体图筛选出可以识别出视差为200"的用户。共有13名用户通过筛选,接着主试者向这些用户演示两种测量设备的使用方法,然后给予用户一定时间进行操作练习。
[0061]近点距离测量:演示时,主试者把鼻尖轻轻抵在钢尺的开始端,此时两眼中心和视标中心的十字符号处在等高面上。左手扶住钢尺后半部,右手捏住视标右下角,从眼睛处慢慢向远处推动,直到能清楚的看到视标中心的十字位置。然后,由用户自己练习操作,主试者记录每次练习的距离值和花费时间。
[0062]闪光融合临界频率测量:首先依次演示渐增和渐减测量,(I)渐增测量——主试者将亮点调至明显闪烁,然后边操作边解释:“现在看到的是一个闪烁的亮点,用右手向外侧调节旋钮直到刚刚看不到亮点闪烁为止;可以在闪与不闪附近反复调整,直至确定不再闪烁为止。”(2)渐减测量——主试者将亮点调到明显不闪烁,然后边操作边解释:“现在看到的是一个不闪烁的亮点,用右手向内侧调节旋扭直到刚刚看到亮点闪烁为止;同样可以在闪与不闪附近反复调整,直到确定闪烁为止。”之后,由用户自己练习操作,主试者记录每次的渐增频率值和渐减频率值,并计算它们的均值为一次结果。同时主试记录完成一次测量的时间。
[0063]当用户最后2次测量值基本不变,且能够在I分钟内完成所有测量时,则结束练习阶段。接着进行实验演示,即按照正式的实验流程,让用户观看5-10分钟左右的视频,并完成相应的测量和打分,以此增加他们对实验的熟悉度。
[0064]接下来,在正式开始实验之前,主试者向用户介绍大概过程,需要的时间和注意事项:“接下来你将看到一部立体电影的部分内容,分成12段,每段5分钟。每段结束时会有提示铃声,紧接着进行近点距离和闪光融合临界频率的测量,如此反复。整个观看过程大约需要I小时20分钟。期间,若感觉特别不适,无法继续观看,可随时终止。”
[0065]3.观看和测量
[0066]主试者调整座椅位置,使其前轮位于黄色标记线处。然后指导用户以一个舒适的姿势坐在座椅上,并左右移动显示器,直到用户表示正对着屏幕中心为止。用户带上立体眼镜和耳机,主试者开始播放立体电影,并开始计时。
[0067]观看过程中,周围环境保持安静,主试者坐在用户视野外的某个位置,通过无线鼠标控制播放。用户手持连续打分装置,对观看过程中的视疲劳进行实时打分。5分钟之后,主试者暂停电影播放,用户摘下立体眼镜,移动座椅至测量设备旁,依次开始测量近点距离和闪光融合临界频率,主试者记录数据。之后,主试者再次调整座椅位置,用户带上立体眼镜,继续观看电影,直到下一个5分钟时,重复上述测量过程。
[0068]当第12个5分钟后的测量完成后,整个观看过程结束。
[0069]4.数据处理
[0070]观看过程结束后,共记录了 13名用户的三种数据,即SS(i,j),NPD(i,j)和CFF(i,j), i=l, 2...13,j=0, I...12 ;对这些数据一次进行如下处理:
[0071](1)归一化处理,即对每个用户的SS,Nro和CFF数据,分别得到一组归一化值uniSS(i, j), uniNPD(i, j)和 uniCFF(i, j), i=l, 2…13,j=0, 1...12 ;
[0072](2)计算每种数据的归一变化量,即对每个用户归一后的SS,NB)和CFF数据,分另1J 得到一组变化量值 Delta_uniSS(i, j), Delta_uniNPD(i, j)和 Delta_uniCFF(i, j), i=l, 2…13,j=0, 1...12 ;
[0073](3)计算全部用户每一种数据的归一变化量均值,即avg_Delta_uniSS(j), avg_Delta_uniNPD(j)和 avg_Delta_uniCFF(j), j=0, 1...12 ;
[0074](4)进行三种数据归一变化量均值之间的相关性分析,即对avg_Delta_uniSS和a V g_D e 11 a_un i NPD, avg_Delta_uniSS 和 avg_Delta_uniCFF 分别进行线性拟合,其中 avg_Delta_uniSS作为因变量,avg_De11a_uniNPD或avg_Delta_uniCFF作为自变量。得到如下拟合结果:
[0075]avg_Delta_uniSS=-l.0215*avg_De11a_uniNPD+0.0247, R2=0.9730 (I)
[0076]avg_De11a_uniSS=0.8724*avg_Delta_uniCFF+0.0305, R2=0.9343 (2)
[0077]等式(1)和(2)的结果对应图4和图5.经此步骤可确保所测NPD和CFF与主观视疲劳之间存在明显的线性相关。
[0078](5)进行多元线性回归,以NPD和CFF的归一变化量均值为自变量,主观视疲劳的归一变化量均值为因变量,得到关系模型avg_Delta_SS=wl*avg_Delta_uniNPD+w2*avg_Delta_uniCFF+e,其中 wl=_0.8404,w2=0.1629, e=0.0305.回归判定系数为 0.9750,达到非常闻的有效性。
[0079]经过数据处理得到的关系模型,在被实际应用于主观视疲劳预测之前,应进行大规模上述实验,以提升模型的有效性和稳定性。
【权利要求】
1.一种三维立体显示的视疲劳检测系统,其特征在于包括立体显示设备、闪光融合临界频率值CFF测量设备、近点距离NPD测量设备和数据处理单元;其中: 所述闪光融合临界频率值CFF测量设备,用于采集用户观看所述立体显示上的三维立体显示时的CFF值,并将其传输给所述数据处理单元; 所述近点距离NPD测量设备,用于采集该用户观看所述立体显示上的三维立体显示时的NPD值,并将其传输给所述数据处理单元; 所述数据处理单元包括一立体视疲劳预测模型;所述立体视疲劳预测模型根据输入的CFF和NPD预测该用户的立体视疲劳; 其中,所述立体视疲劳预测模型为SS’ =UniSS(0) +avg_Delta_uniSS ;avg_Delta_uniSS=w1*avg_DeIta_uniNPD+w2*avg_DeIta_uniCFF+c ;c 是一个常量;uniSSh (O)表不用户起始视疲劳归一值;avg_Delta_SS为视疲劳的归一变化量均值的预测值,avg_Delta_uniNPD为用户归一后的NPD数据变化量的均值,其权重为W1 ;avg_Delta_uniCFF为用户归一后的CFF数据变化量的均值,其权重为w2。
2.如权利要求1所述的系统,其特征在于还包括一主观视疲劳连续打分装置,用于采集设定时刻用户观看所述立体显示上的三维立体显示时的用户视疲劳打分值SS,并将其传输给所述数据处理单元。
3.如权利要求2所述的系统,其特征在于所述闪光融合临界频率值CFF测量设备采集设定时刻用户观看所述立体显示上的三维立体显示时的CFF值,并将其传输给所述数据处理单元;所述近点距离NPD测量设备采集设定时刻用户观看所述立体显示上的三维立体显示时的NH)值,并将其传输给所述数据处理单元;所述数据处理单元根据输入的SS值序列、CFF值序列和NPD值序列构建所述立体视疲劳预测模型。
4.如权利要求3所述的系统,其特征在于所述数据处理单元首先对输入的SS、CFF、NPD三种数据进行归一化;然后计算每个用户每种数据在不同时刻的变化量;然后综合所有用户在每个时刻上三种数据的变化量均值,得到三种数据对应的三组归一变化量均值;然后分别将CFF和SS,NPD和SS对应的归一变化量均值进行一元线性拟合,分别得到CFF和SS、NPD和SS之间的线性关系;然后对CFF、NPD和SS对应的归一变化量均值进行多元回归处理,得到所述立体视疲劳的预测模型。
5.如权利要求2所述的系统,其特征在于所述主观视疲劳连续打分装置为一个手持滑块交互式语音装置,通过左右两个按钮进行加分和减分操作。
6.如权利要求1所述的系统,其特征在于所述近点距离NPD测量设备包括一近点测量工具;所述近点测量工具包括一直尺和一可在该直尺上前后移动的视标,以及直尺固定支架。
7.—种三维立体显示的视疲劳检测方法,其步骤为: 1)采集用户观看所述立体显示上的三维立体显示时的CFF值; 2)采集该用户观看所述立体显示上的三维立体显示时的NPD值,并将其传输给所述数据处理单元; 3)所述数据处理单元根据输入的CFF和NPD利用立体视疲劳预测模型预测该用户的立体视疲劳; 其中,所述立体视疲劳预测模型为SS’ =UniSS(0) +avg_Delta_uniSS ;uniSSh (0)表不用户起始视疲劳归一值!avg—Delta—uniSSzWi^avg—Delta—uniNPD+wdavg—Delta.uni CFF+c ;c是一个常量;avg_Delta_SS为视疲劳的归一变化量均值的预测值,avg_Delta_uniNPD为用户归一后的NPD数据变化量的均值,其权重为W1 ;avg_Delta_uniCFF为用户归一后的CFF数据变化量的均值,其权重为w2。
8.如权利要求7所述的方法,其特征在于所述立体视疲劳预测模型的建立方法为: 1)将待测三维立体显示的观看过程分成N个观看时间段,在每个观看时间段之后对用户的近点距离NPD和闪光融合临界频率CFF进行测量;在观看时间段中,用户使用主观视疲劳连续打分装置对主观视疲劳SS进行打分;分别得到一 SS(i,j)序列、NPD(i,j)序列和CFF(i,j)序列;其中,i=l,2…M,j=0,1...Ν;Μ为用户总数;NPD(i, j)和CFF(i,j)分别表示第i个用户的第j个测量时间段所测得的NPD和CFF值;SS(i,j)表示的是第i个用户在第j个观看时间段里连续主观打分的均值; 2)对SS(i,j)序列、NPD (i,j)序列和CFF (i,j)序列中的数据进行归一化处理,分别得到一组归一化值 uniSS (i, j),uniNPD (i, j)和 uniCFF (i, j); 3)计算每个用户归一后的SS、NPD和CFF数据变化量Delta_uniSS(i,j)、Delta_uniNPD(i, j)和 Delta_uniCFF (i, j); 4)计算全部用户在第j个测量时间段出现的SS,NPD和CFF归一变化量的均值:avg_Delta_uniSS(j), avg_Delta_uniNPD(j)和 avg_Delta_uniCFF(j);
5)对avg_Delta_uniSS 和 avg_Delta_uniNPD,avg_Delta_uniSS 和 avg_Delta_uniCFF进行线性拟合; 6)对步骤5)中的数据进行多元线性回归,得到所述立体视疲劳预测模型。
9.如权利要求8所述的方法,其特征在于所述归一化处理方法为:对于每一用户i的 SS、NPD 和 CFF 的值进行如下处理:uniXX (i, j) = (XX (i, j) -MIN (XX (i, O),...XX (i, N))) /(MAX (XX (i, O),...XX (i, N)) -MIN (XX (i, O),...XX (i, N)));其中符号”XX”代表 SS,NPD 或 CFF。
10.如权利要求7或8或9所述的方法,其特征在于先测量近点距离NPD,然后测量闪光融合临界频率CFF。
【文档编号】H04N13/04GK103796010SQ201410019363
【公开日】2014年5月14日 申请日期:2014年1月16日 优先权日:2014年1月16日
【发明者】王丹力, 王婷婷, 王宏安 申请人:中国科学院软件研究所
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1