Angesichts des Problems, dass Fixationspunkte auf Nicht-Zielobjekten in bestehenden Augenbewegungsbild-Annotierungsalgorithmen leicht Lokalisierungsstörungen verursachen und somit die Genauigkeit der Annotation verringern, untersucht diese Arbeit zunächst experimentell die Augenbewegungsmuster bei der Annotierungsaufgabe; anschließend wird vorgeschlagen, die Annotation-Fixationssequenz in zwei Phasen zu unterteilen: visuelle Suche und visuelle Erkennung, und es wird eine Klassifizierungsmethode für Fixationspunkte basierend auf einem parameteradaptiven DBSCAN-Algorithmus für visuelle Suche und visuelle Erkennung entworfen, mit dem Ziel, die extrahierten Erkennungsfixationen als Eingabe für den Augenbewegungsbild-Annotierungsalgorithmus zu verwenden, um die Genauigkeit der Annotationsergebnisse zu verbessern; schließlich wurden Experimente, Vergleiche und Analysen basierend auf dem Datensatz 2014 DIMITRIOS P durchgeführt. Die Experimentergebnisse zeigen, dass im Vergleich zu bestehenden verwandten Algorithmen die F1-Metrik um 4 % verbessert wurde, die Algorithmuseffizienz sich nahezu verdoppelte und die Genauigkeit des Augenbewegungsbild-Annotierungsalgorithmus um 3,34 % erhöht wurde, womit die Anforderungen an Stabilität, Zuverlässigkeit, hohe Genauigkeit und schnelle Ausführung erfüllt sind.

Fixationsklassifikation bei Augenbewegungen; Annotierung von Augenbewegungsbildern; visuelle Suche; visuelle Erkennung; parameteradaptiver DBSCAN