基于头部姿态补偿的注视点定位算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 1 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 注视点跟踪方法综述 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-19页 |
| 1.4 本文主要研究内容 | 第19-21页 |
| 1.4.1 论文的研究内容 | 第19-20页 |
| 1.4.2 论文组织结构 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 2 实验系统搭建 | 第22-29页 |
| 2.1 硬件实验平台搭建 | 第22-25页 |
| 2.2 深度学习实验平台搭建 | 第25-27页 |
| 2.2.1 Caffe的安装 | 第25-26页 |
| 2.2.2 CUDA开发环境的搭建 | 第26-27页 |
| 2.2.3 安装过程中的注意事项 | 第27页 |
| 2.3 本章小结 | 第27-29页 |
| 3 基于AAM的头部姿态检测 | 第29-49页 |
| 3.1 AAM算法 | 第29-42页 |
| 3.1.1 形状模型 | 第30-34页 |
| 3.1.2 纹理模型 | 第34-37页 |
| 3.1.3 组合模型 | 第37-38页 |
| 3.1.4 模型训练 | 第38-41页 |
| 3.1.5 模型拟合 | 第41-42页 |
| 3.2 头部姿态估计 | 第42-47页 |
| 3.2.1 比例正交投影迭代变换 | 第43-46页 |
| 3.2.2 头部姿态估计 | 第46-47页 |
| 3.3 实验结果 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 基于CNN的头部姿态检测 | 第49-59页 |
| 4.1 卷积神经网络 | 第49-55页 |
| 4.1.1 卷积 | 第49-50页 |
| 4.1.2 卷积层 | 第50-52页 |
| 4.1.3 子采样层 | 第52-54页 |
| 4.1.4 梯度计算 | 第54-55页 |
| 4.2 模型训练 | 第55-58页 |
| 4.2.1 图像预处理 | 第56页 |
| 4.2.2 模型网络搭建与实验结果 | 第56-58页 |
| 4.3 本章小结 | 第58-59页 |
| 5 头部姿态注视点补偿 | 第59-71页 |
| 5.1 注视点检测定位 | 第59-66页 |
| 5.1.1 瞳孔光斑中心提取 | 第60-63页 |
| 5.1.2 注视点校准算法 | 第63-66页 |
| 5.2 头部姿态补偿 | 第66页 |
| 5.3 实验对比 | 第66-70页 |
| 5.4 本章小结 | 第70-71页 |
| 6 总结和展望 | 第71-73页 |
| 6.1 工作总结 | 第71页 |
| 6.2 存在不足和未来展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 附录AAM算法形状建模程序 | 第77-80页 |
| 作者简历 | 第80页 |
