摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
符号对照表 | 第11-13页 |
缩略语对照表 | 第13-17页 |
第一章 绪论 | 第17-23页 |
1.1 选题背景与意义 | 第17-18页 |
1.2 研究现状 | 第18-19页 |
1.2.1 国内发展状况 | 第18页 |
1.2.2 国外发展现状 | 第18-19页 |
1.3 人眼状态检测技术关键点 | 第19-20页 |
1.4 本文的论文结构安排和主要工作 | 第20-23页 |
1.4.1 论文结构安排 | 第20-21页 |
1.4.2 本文主要工作 | 第21-23页 |
第二章 图像目标特征 | 第23-33页 |
2.1 Haar-like特征 | 第23-25页 |
2.1.1 Haar-like特征特点 | 第23-24页 |
2.1.2 积分图 | 第24-25页 |
2.2 LBP特征 | 第25-30页 |
2.2.1 LBP算子 | 第26-30页 |
2.2.2 LBP特征的提取流程 | 第30页 |
2.3 HOG特征 | 第30-32页 |
2.3.1 HOG特征的主要思想 | 第30页 |
2.3.2 HOG特征计算过程 | 第30-32页 |
2.4 本章总结 | 第32-33页 |
第三章 Adaboost分类算法 | 第33-39页 |
3.1 Adaboost算法 | 第33页 |
3.2 Adaboost分类算法流程 | 第33-35页 |
3.3 Adaboost错误检测率上限 | 第35页 |
3.4 级联分类器 | 第35-36页 |
3.5 Adaboost检测流程 | 第36-38页 |
3.6 本章总结 | 第38-39页 |
第四章 图像目标跟踪 | 第39-51页 |
4.1 Kalman跟踪 | 第39-40页 |
4.1.1 Kalman滤波器理论 | 第39-40页 |
4.1.2 Kalman跟踪过程 | 第40页 |
4.2 Template跟踪 | 第40-41页 |
4.3 MeanShift跟踪 | 第41-45页 |
4.3.1 核函数 | 第41-42页 |
4.3.2 MeanShift理论 | 第42-43页 |
4.3.3 MeanShift跟踪原理 | 第43页 |
4.3.4 CamShift跟踪 | 第43-45页 |
4.4 光流跟踪 | 第45-48页 |
4.4.1 光流速度场 | 第45-47页 |
4.4.2 LK与HS跟踪算法 | 第47-48页 |
4.4.3 光流法跟踪流程 | 第48页 |
4.5 本章总结 | 第48-51页 |
第五章 人眼状态检测与跟踪实现 | 第51-73页 |
5.1 人脸检测实现 | 第51-58页 |
5.1.1 人脸检测总设计方案 | 第51-53页 |
5.1.2 人脸图像预处理 | 第53-56页 |
5.1.3 本文人脸检测Facedetect与OpenCV中检测性能对比 | 第56-58页 |
5.2 人眼检测实现 | 第58-61页 |
5.2.1 人脸几何位置特征 | 第58-59页 |
5.2.2 人眼检测方法实现 | 第59-61页 |
5.3 人眼跟踪实现 | 第61-64页 |
5.4 人眼状态检测实现 | 第64-71页 |
5.4.1 人眼状态检测原理 | 第64页 |
5.4.2 人眼状态检测方法的选择 | 第64-65页 |
5.4.3 基于轮廓法人眼开闭检测实现 | 第65-70页 |
5.4.4 人眼睁眼频率检测实现 | 第70-71页 |
5.5 本章总结 | 第71-73页 |
第六章 人眼状态检测平台设计实现 | 第73-93页 |
6.1 软件平台 | 第73-78页 |
6.1.1 OpenCV库 | 第73页 |
6.1.2 Gstreamer库 | 第73-75页 |
6.1.3 V4L2与Media视频处理框架 | 第75-78页 |
6.2 硬件平台 | 第78-80页 |
6.2.1 处理器的选择 | 第78页 |
6.2.2 采集卡的选择 | 第78-79页 |
6.2.3 模拟摄像头的选择 | 第79页 |
6.2.4 硬件平台的搭建 | 第79-80页 |
6.3 测试结果与分析 | 第80-91页 |
6.4 本章总结 | 第91-93页 |
第七章 总结与展望 | 第93-95页 |
参考文献 | 第95-99页 |
致谢 | 第99-101页 |
作者简介 | 第101-102页 |
1.基本情况 | 第101页 |
2.教育背景 | 第101-102页 |