| 中文摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 1 绪论 | 第13-23页 |
| 1.1 研究背景和意义 | 第13-17页 |
| 1.1.1 头部姿态估计的定义 | 第14-15页 |
| 1.1.2 头部姿态估计的意义 | 第15-16页 |
| 1.1.3 头部姿态估计的难点及待解决的问题 | 第16-17页 |
| 1.2 研究目标 | 第17-18页 |
| 1.3 研究内容 | 第18-21页 |
| 1.4 本文的创新点 | 第21页 |
| 1.5 论文的结构安排 | 第21-23页 |
| 2 相关研究现状综述 | 第23-35页 |
| 2.1 头部姿态估计算法综述 | 第23-29页 |
| 2.1.1 基于模板匹配的方法 | 第23-24页 |
| 2.1.2 基于机器学习的方法 | 第24-26页 |
| 2.1.3 基于几何的方法 | 第26-28页 |
| 2.1.4 基于注册跟踪的方法 | 第28-29页 |
| 2.1.5 基于多算法组合的方法 | 第29页 |
| 2.1.6 本节小结 | 第29页 |
| 2.2 人脸特征点检测算法综述 | 第29-32页 |
| 2.2.1 基于颜色信息的方法 | 第30页 |
| 2.2.2 基于先验信息的方法 | 第30-31页 |
| 2.2.3 基于几何形状信息的方法 | 第31页 |
| 2.2.4 基于统计学习的方法 | 第31页 |
| 2.2.5 基于关联的方法 | 第31页 |
| 2.2.6 本节小结 | 第31-32页 |
| 2.3 注意力识别技术综述 | 第32-33页 |
| 2.3.1 基于侵入式传感器的方法 | 第32页 |
| 2.3.2 基于非侵入式的方法 | 第32-33页 |
| 2.3.3 本节小结 | 第33页 |
| 2.4 智能化的课堂教学管理系统综述 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 非约束环境下的基于D-RF分层学习的离散头部姿态估计 | 第35-49页 |
| 3.1 随机森林 | 第35-37页 |
| 3.2 基于DIRICHLET树结构增强随机森林的头部姿态估计 | 第37-43页 |
| 3.2.1 人脸子区域的先验分类 | 第38-39页 |
| 3.2.2 Dirichlet-Tree树结构增强随机森林的训练 | 第39-41页 |
| 3.2.3 水平头部姿态估计 | 第41-42页 |
| 3.2.4 竖直头部姿态估计 | 第42-43页 |
| 3.3 DIRICHLET-TREE树结构增强随机森林的多层概率模型 | 第43页 |
| 3.4 实验和分析 | 第43-48页 |
| 3.4.1 训练 | 第44-45页 |
| 3.4.2 测试 | 第45-46页 |
| 3.4.3 估计准确率比较和分析 | 第46-47页 |
| 3.4.4 Dirichlet-tree增强随机森林的级联层数分析 | 第47页 |
| 3.4.5 最新算法的比较 | 第47页 |
| 3.4.6 运行时间的比较 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 大场景下的基于混合特征和权重投票决策的头部姿态估计 | 第49-61页 |
| 4.1 大场景数据库采集 | 第50-51页 |
| 4.2 大场景下基于混合特征和分层学习算法的头部姿态估计 | 第51-54页 |
| 4.2.1 人脸正子区域块的混合特征提取 | 第52-53页 |
| 4.2.2 分层学习算法的训练和预测 | 第53页 |
| 4.2.3 混合权重的稀疏投票决策方法 | 第53-54页 |
| 4.3 实验和分析 | 第54-59页 |
| 4.3.1 置信参数对误差率的影响 | 第55-57页 |
| 4.3.2 组合特征和算法的比较 | 第57页 |
| 4.3.3 最新算法比较 | 第57-59页 |
| 4.3.4 鲁棒性分析 | 第59页 |
| 4.4 本章小结 | 第59-61页 |
| 5 自然场景下的基于迭代回归算法的连续头部姿态估计 | 第61-80页 |
| 5.1 基于DIRICHLET-TREE增强随机森林算法的人脸特征点检测 | 第61-69页 |
| 5.1.1 引言 | 第61-62页 |
| 5.1.2 基于D-RF分层回归的人脸精确特征点检测 | 第62-65页 |
| 5.1.3 实验分析 | 第65-69页 |
| 5.1.4 本节小结 | 第69页 |
| 5.2 基于回归迭代算法的连续头部姿态估计 | 第69-73页 |
| 5.2.1 算法介绍 | 第70-72页 |
| 5.2.2 基于迭代更新的头部姿态和特征点 | 第72页 |
| 5.2.3 基于回归D-RF的连续头部姿态估计 | 第72-73页 |
| 5.3 实验和分析 | 第73-78页 |
| 5.3.1 连续头部姿态估计 | 第74-76页 |
| 5.3.2 迭代的特征点检测 | 第76-78页 |
| 5.4 本章小结 | 第78-80页 |
| 6 基于头部姿态估计和分析的课堂教学管理系统 | 第80-104页 |
| 6.1 智能签到模块 | 第81-82页 |
| 6.2 课堂学习交互模块 | 第82-83页 |
| 6.3 头部姿态估计和分析子系统 | 第83-94页 |
| 6.3.1 头部定位 | 第85-89页 |
| 6.3.2 多人头部姿态估计 | 第89-91页 |
| 6.3.3 注意力分析 | 第91-94页 |
| 6.4 课堂教学管理系统的试验和评估 | 第94-103页 |
| 6.4.1 智能考勤模块和学习交互模块 | 第94-95页 |
| 6.4.2 头部姿态估计和分析子系统 | 第95-103页 |
| 6.5 本章小结 | 第103-104页 |
| 7 总结和展望 | 第104-108页 |
| 7.1 总结 | 第104-105页 |
| 7.2 展望 | 第105-108页 |
| 参考文献 | 第108-120页 |
| 在校期间发表的论文、科研成果 | 第120-121页 |
| 致谢 | 第121-122页 |
