论文部分内容阅读
视线跟踪技术是通过采集实时眼动信息,建立人眼和目标区域之间的关系,有着广泛的应用。视线跟踪技术中数学模型较为复杂,如三维角膜曲率中心和二维瞳孔中心模型都是非线性数学模型,直接求解比较困难。由于系统对实时、准确及稳定性要求高,经典算法往往不能达到满意的效果,而一些智能算法,如差分进化(DE)算法和混合蛙跳算法(SFLA),由于易发生“早熟”现象使它们在求解精度方面不能满足要求。因此,本文主要研究差分进化混合算法并用于解决视线跟踪中的两个数学问题。主要工作如下:1.提出了基于DE与Nelder-Mead单纯形法(NMSM)的混合蛙跳算法。针对差分进化算法易陷入局部最优的不足,本文以DE为核心,结合NMSM及SFLA的算法优势,提出了一种新型混合算法,即DE-NM-SFL算法。利用无穷乘积理论,证明了DE-NM-SFL算法的收敛性,通过10个Benchmark标准测试函数数值实验,将DE-NM-SFL算法与DE、NMSM、SFLA及DE-SFL四种算法进行比较和分析,验证了DE-NM-SFL算法在精度和鲁棒性方面的优势。2.提出了一种狼群动态差分进化算法。本文对动态差分(DDE)策略进行了改进,并结合新型自适应狼群(WP)游走算子,提出了一种新的差分进化混合算法,即WPS-DDE算法。利用随机泛函原理对该算法的渐进收敛性进行了证明,并通过10个Benchmark标准测试函数的数值实验,将算法WPS-DDE与DE、WPS、DE-WPA、DDE四种算法进行比较和分析,验证了WPS-DDE算法不仅具有更快的收敛速度和更强的鲁棒性能,其在运行速率方面也得到了较大改善。3.视线跟踪技术中的应用。一是将非线性角膜曲率中心求解模型转化成无约束优化模型,分别使用DE-NM-SFL算法、经典算法及其他四种智能优化算法对其进行求解、比较与分析,结果表明了DE-NM-SFL具有更高的精度和较好的鲁棒性能;二是结合图像处理方法将二维瞳孔中心坐标的求解问题转化成二次曲线拟合问题,然后分别采用WPS-DDE算法与其他三种方法进行求解,结果显示了WPS-DDE具有较高的求解精度和运行速度。