Моделирование зрения. Часть шестая. Моделирование eye tracking
1 Экскурсия в глаз — 2 Восприятие — 3 Геометрия зрения — 4 Eye tracking — 5 Как поймать взгляд — 6 Моделирование eye tracking
Шестая часть, заключительная. Рассказ непосредственно о принципах моделирования eye tracking, а так же как это может быть применимо к реальной жизни. В этой части, наконец-то, пригодятся цифры и принципы, освещённые в третьем, четвёртом и пятом постах.
Какие модели eye tracking представляют интерес?
Как было рассказано в четвёртой части, существует прямая связь между временем, потраченным на просмотр региона изображения и степенью внимания, уделённому этому же региону сознанием человека. Как минимум, если человек уж не осознает, на что он смотрел, то запомнит-то это точно!
Поэтому, одним из видов моделирование является создание тепловой карты длительности просмотра или информация о том, какой потенциал для длительного изучения имеет какой-либо регион изображения.
Другим интересным видом моделей является динамика саккад: диаграмма, показывающая в какую точку устремится взгляд человека, если сейчас он смотрит на текущую. Анализируя этот вид диаграмм, можно понять, какие части изображения при просмотре кажутся наиболее важными. Совмещая же диаграмму динамики с тепловой картой можно понять, какие побочные детали способны отвлечь взгляд человека от того, что он считает наиболее важным.
Границы применимости моделирования
Моделированию саккад хорошо поддаются только психологически-нейтральные изображения: эмоционально окрашенные картины значительно смещают центры притяжения внимания. К примеру, при просмотре плачущего ребёнка взгляд человека неизбежно больше будет уделять внимания изучению выражения лица, чем побочным контурам.
Этот же фактор означает, что взгляд человека исключительно индивидуален: если конкретный человек неравнодушен к голубям, то при просмотре фотографии с голубями он несомненно будет перемещать взгляд иначе, чем человек равнодушный к птицам.
Наличие на картине (пусть даже психологически-нейтральной) небольших, но узнаваемых контуров (лиц людей, символов текста и т.д.) ставят перед моделированием задачу предварительного распознавания образов этих контуров. В программе, послужившей поводом написания сего мануала, распознавания вообще нет, а есть исключительно оценка сложности восприятия контура. Но вывод, что качество распознавания образов существенно улучшает соответствие модели данным, полученным на реальных eye tracking, а отсутствие может приводить к фатальным несоответствиям сделать необходимо.
Моделирование хорошо работает для ситуаций обзора картинки без какой-либо цели, без полученного задания. В случае просмотра изображения с определённой целью, повышается роль распознавания образов, влияющая на силу восприятия контуров.
Где это может быть применимо?
При ознакомлении с границами применимости моделей возникает логичный вопрос «А где это, с такими-то ограничениями, может быть применимо в реальной жизни?»
А применимо это в широком классе задач, прежде всего связанных с анализом текста. Как известно, на восприятие текста оказывает сильное влияние его форматирование, величина пустых мест между абзацами, словами и символами, начертание шрифтов и т.д.
Текст изначально, до обработки, видится психологически-нейтральной картинкой идеально подходящей для анализа методами моделирования саккад. Та же тепловая карта показывает, какие слова, абзацы и другие текстовые юниты наиболее склонны к запоминанию, поскольку из-за форматирования текста на них обращается большее количество внимания. И с другой стороны можно понять, какие блоки текста из-за того же форматирования выпадают из внимания вследствии попадания в зону неразличимости.
Кроме анализа восприятия текстов, модели неплохо могут работать для нахождения оптимальных регионов восприятия (чтобы что-то показать — рекламный блок) или невосприятия (чтобы что-то спрятать — контактный телефон) ;)
Ну и не нужно совсем уж исключать класс задач быстрого анализа изображений с целью юзабилити-тестирования. Доступа ко «взрослой» системе eye tracking и десятку человек из фокус-группы часто является невозможной роскошью.
Как оно работает
Моделирование векторов саккад на простейшем уровне (т.е. так, как оно у меня работает) заключается в решении двух задач:
- Вычисление некой «силы восприятия» для указанной области.
- Нахождение и выделение ловушек взгляда на основе информации о «весе» центра внимания.
Классическое решение первой задачи выполняется с помощью следующей последовательности действий:
- Выделение необходимой области, в соответствии с углом оптического восприятия глаза;
- Нормализация выделенной области в соответствии с параметрами остроты зрения человека (поэтому размытие по Гауссу тут не совсем применимо);
- Выделение контуров с использованием частотного анализа и пороговых значений восприятия (для нас на этом этапе важны не столько сами контуры, сколько их примерные очертания, неплохо подходят фильтры Габора);
- Обнаружение нарушений непрерывности контуров и нормализация точек нарушения непрерывности алгоритмом Гласса (для нахождения векторов субъективных контуров и дополнения ими контуров объективных);
- Вычисление веса зоны на основе количества смены направления, разброса направлений векторов контуров и количества точек разрыва.
На самом деле, так как вес зоны представляет из себя всего лишь оценку сложности контуров в ней находящихся, а сложность контуров — это некая композиция от разброса направлений векторов и точек разрывов. А для второй задачи нам требуется не точные числа, а их относительный вес. Поэтому вместо функции от сложности контура можно взять её производную. А производная, в своём случае, пропорциональна композиции координат краёв отрезков в радиальных координатах. Соответственно задачу определения сложности контура можно свести к нахождения количества пересечений контуров с большим количеством радиальных хорд.
Опыт же показывает, что при малых размерах радиуса (в случае 96dpi, радиус зоны острого зрения будет составлять около 18 пикселей, а изучаемый регион с учётом периферического зрения — 57), для приемлимого вычисления веса достаточно 9 радиальных хорд с шагом в 20 градусов. Уменьшение углового шага повышает точность определение порядка веса, но незначительно по стравнению с результатами, полученными по классической модели вычисления веса.
Тот же опыт показывает, что для разных dpi и, соответственно, разных радиусов зон зрения имеет смысл использовать ту же 18-лучевую модель с предварительной нормализацией региона в виде приведения её к кругу радиусом в 30 пикселей.
Из-за чего большая точность вычислений в любом случае не приводит к лучшему результату? А из-за того, что сама операция выделения контуров обладает определённой погрешностью и погрешность вычислений 18-лучевой модели сравнимо невелика относительно погрешности самого метода.
Вторая задача – задача выделения ловушек для взгляда может решаться таким образом:
- Сканирование всей области картины с выделением зон с максимальными весами
- Построение графа из найденных точек с установлением веса связей между ними
- Решение стандартной задачи на графе
1 Экскурсия в глаз — 2 Восприятие — 3 Геометрия зрения — 4 Eye tracking — 5 Как поймать взгляд — 6 Моделирование eye tracking