电子信息技术

本发明公开了一种低光环境下高精度的视线估计方法，包括如下步骤：S1.数据集预处理，模拟低光环境S2.低光图像增加，得到增强后的图像；S3.增强图像校准，得到校准图像；S4.图像进行特征提取，输出特征向量；使用改进的残差网络模型ResNet18对校准后的图像进行特征提取；S5.通过全连接层将特征向量映射成三维输出向量；S6.对三维输出向量的前两个元素应用双曲正切变换，以获取精确的预测视线方向；S7.对三维输出向量的第三个元素通过sigmoid函数变换，得到视线预测的不确定性；S8.采用MSELoss损失函数来度量预测结果与真实值之间的误差。本发明方法能有效解决在低光环境下视线估计精度显著下降的问题，从而提高系统的实用性和准确性。

低光环境下高精度的视线估计方法在多个领域具有重要应用价值。在智能驾驶领域，可提升夜间驾驶员疲劳监测和注意力预警系统的可靠性；在安防监控中，支持暗光条件下的可疑人员视线追踪和行为分析；在VR/AR设备中，增强低光环境下的沉浸式交互体验，如夜间训练或娱乐场景。此外，该技术还可应用于军事夜视装备（如狙击手监测）、医疗辅助（弱光手术中的医生视线跟踪）以及智能家居（夜间人机交互控制）。随着红外成像与自适应增强算法的发展，其在夜间作业、隐私保护等特殊场景的应用潜力将进一步释放。

1.本发明引入了弱光图像增强技术，该技术通过多尺度特征融合与全局信息提取专注于提升低光环境中眼部细节的清晰度。增强和校准模块的协同作用显著提高了图像的可见性和质量，为视线估计提供了高质量的输入数据，从而增强了模型的准确性和可靠性。

2.本发明提出了结合特征净化和注意力机制的视线估计模型。特征净化模块通过自适应权重和区域关注机制有效提取眼部细节，而注意力机制则通过整合空间和通道权重以及特征相关性分析，实现了更精准的视线估计。经广泛测试，本方法在Dark_comp、Dark_super、Dark_gamma、和Dark_light四种低光环境下的Gaze360数据集上显示的角度误差分别为12.75°、13.27°、12.43°、11.57°，均优于现有的先进网络模型。

3.本发明不仅开辟了利用弱光图像增强技术改善低光环境下视线估计的新研究方向，还为视线估计技术提供了新的思路和解决方案。此外，这一技术对于低光环境下人机交互、驾驶员疲劳驾驶监测等应用领域提供了重要的技术支持，拓宽了其应用范围。