| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 人脸识别研究现状 | 第10-11页 |
| 1.2.2 人脸检测研究现状及研究方法 | 第11-12页 |
| 1.3 研究内容与创新点 | 第12-13页 |
| 1.3.1 本文主要研究内容 | 第12页 |
| 1.3.2 本文创新点 | 第12-13页 |
| 1.4 本文结构安排 | 第13-15页 |
| 2 相关技术的研究 | 第15-25页 |
| 2.1 人眼检测的研究 | 第15-17页 |
| 2.2 人脸面部检测技术的研究 | 第17-24页 |
| 2.2.1 人脸面部检测技术概述 | 第17-18页 |
| 2.2.2 人脸面部检测算法分析 | 第18-19页 |
| 2.2.3 Haar特征和传统的Adaboost算法 | 第19-20页 |
| 2.2.4 Adaboost算法使用特征绑定 | 第20-24页 |
| 2.3 本章小结 | 第24-25页 |
| 3 基于机器视觉的人脸检测识别模块的实现 | 第25-33页 |
| 3.1 专注度评测系统的架构 | 第25页 |
| 3.2 图像处理模块 | 第25-26页 |
| 3.2.1 图像采集 | 第25-26页 |
| 3.2.2 数字图像处理模块 | 第26页 |
| 3.3 基于Viola-Jones算法实现人脸检测模块 | 第26-32页 |
| 3.3.1 Viola-Jones经典人脸定位算法的介绍 | 第26-31页 |
| 3.3.1.1 经典Adaboost分类器 | 第29页 |
| 3.3.1.2 优化Better Adaboost分类器 | 第29-31页 |
| 3.3.2 人眼特征识别 | 第31-32页 |
| 3.3.3 人脸定位与人眼定位的差异 | 第32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于机器视觉判断学生上课专注度的算法实现 | 第33-41页 |
| 4.1 人眼张合度的定义 | 第33-34页 |
| 4.2 人眼识别的目标的定位 | 第34-35页 |
| 4.3 专注度判断的算法原理 | 第35-37页 |
| 4.4 专注度判断的实现 | 第37-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 测试与分析 | 第41-47页 |
| 5.1 实验环境 | 第41-42页 |
| 5.2 实验过程 | 第42-43页 |
| 5.3 实验结果与对比 | 第43-46页 |
| 5.4 本章小结 | 第46-47页 |
| 6 总结与展望 | 第47-49页 |
| 6.1 本文内容总结 | 第47-48页 |
| 6.2 下一步工作展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 本文作者在硕士研究生期间参与的科研项目及成果 | 第52-53页 |
| 致谢 | 第53-54页 |
