| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题背景 | 第9-10页 |
| 1.1.1 人脸检测的应用背景 | 第9页 |
| 1.1.2 人眼检测跟踪的应用背景 | 第9-10页 |
| 1.2 国内外现状及应用 | 第10-13页 |
| 1.2.1 人脸检测的发展现状 | 第10-11页 |
| 1.2.2 人眼检测跟踪的发展现状 | 第11-12页 |
| 1.2.3 人眼跟踪方法 | 第12-13页 |
| 1.3 人眼跟踪应用 | 第13-14页 |
| 1.4 本论文研究的主要内容 | 第14-15页 |
| 1.5 软硬件平台描述 | 第15-16页 |
| 2 AdaBoost 算法介绍 | 第16-27页 |
| 2.1 AdaBoost 算法原理 | 第16-18页 |
| 2.1.1 强分类器训练分析 | 第16-18页 |
| 2.1.2 弱分类器的训练 | 第18页 |
| 2.2 Harr 特征与积分图 | 第18-23页 |
| 2.2.1 Haar-like 特征 | 第18-20页 |
| 2.2.2 扩展的 Haar-like 特征 | 第20-21页 |
| 2.2.3 积分图介绍 | 第21-23页 |
| 2.3 AdaBoost 级联分类器 | 第23-26页 |
| 2.3.1 构建级联 AdaBoost 算法 | 第23-25页 |
| 2.3.2 误差分析 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 人脸检测 | 第27-39页 |
| 3.1 OpenCV 基础 | 第27-28页 |
| 3.1.1 OpenCV 简介 | 第27-28页 |
| 3.1.2 VC++6.0 环境下全局配置 OpenCV | 第28页 |
| 3.2 人脸检测算法概述 | 第28-31页 |
| 3.3 样本预处理 | 第31-33页 |
| 3.3.1 人脸样本训练 | 第31-32页 |
| 3.3.2 人脸检测界面 | 第32-33页 |
| 3.4 人脸检测步骤 | 第33-34页 |
| 3.5 人脸检测结果分析 | 第34-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 人眼检测 | 第39-53页 |
| 4.1 人眼检测方法 | 第39-40页 |
| 4.2 人眼样本训练 | 第40页 |
| 4.3 人眼检测 | 第40-47页 |
| 4.3.1 动态图像中人眼检测 | 第40-42页 |
| 4.3.2 检测结果 | 第42-46页 |
| 4.3.3 误检分析 | 第46-47页 |
| 4.4 人眼状态识别 | 第47-49页 |
| 4.4.1 二值化分割 | 第47-48页 |
| 4.4.2 灰度积分投影 | 第48-49页 |
| 4.5 人眼瞳孔定位 | 第49-52页 |
| 4.5.1 人眼定位效果 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 5 基于改进 CamShift 算法的人眼跟踪系统设计 | 第53-63页 |
| 5.1 MeanShift 算法 | 第53-55页 |
| 5.1.1 MeanShift 算法概述 | 第53-54页 |
| 5.1.2 算法步骤 | 第54-55页 |
| 5.2 CamShift 跟踪算法 | 第55-56页 |
| 5.2.1 CamShift 算法原理 | 第55-56页 |
| 5.2.2 算法步骤 | 第56页 |
| 5.3 改进的 CamShift 算法的人眼跟踪 | 第56-61页 |
| 5.3.1 改进算法基本原理 | 第57页 |
| 5.3.2 算法步骤 | 第57-58页 |
| 5.3.3 实验结果分析 | 第58-60页 |
| 5.3.4 错误跟踪分析 | 第60-61页 |
| 5.4 眼控鼠标的实现 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 6 结论与展望 | 第63-65页 |
| 6.1 本论文的主要结论 | 第63页 |
| 6.2 论文的后续工作 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 附录 | 第71页 |
| 作者在攻读学位期间发表的论文目录 | 第71页 |