| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-15页 |
| 1.1 人眼定位技术研究背景 | 第9-10页 |
| 1.2 面向无辅助立体显示的人眼定位技术 | 第10-11页 |
| 1.3 人眼定位技术的难点 | 第11-12页 |
| 1.4 本文的研究内容和创新点 | 第12-13页 |
| 1.5 本文的组织结构 | 第13-15页 |
| 第二章 候选区域提取 | 第15-25页 |
| 2.1 基于亮瞳效应的候选区域提取 | 第15-17页 |
| 2.2 基于快速肤色筛选的候选区域提取 | 第17-22页 |
| 2.2.1 肤色空间选取 | 第17-20页 |
| 2.2.2 肤色模型 | 第20-21页 |
| 2.2.3 人脸候选窗口筛选 | 第21-22页 |
| 2.3 实验结果 | 第22-25页 |
| 第三章 人脸检测 | 第25-38页 |
| 3.1 HAAR特征和积分图原理 | 第25-27页 |
| 3.1.1 Haar特征 | 第25-26页 |
| 3.1.2 积分图 | 第26-27页 |
| 3.2 人脸分类器 | 第27-35页 |
| 3.2.1 AdaBoost算法 | 第28-29页 |
| 3.2.2 查找表型弱分类器的构建 | 第29-30页 |
| 3.2.3 连续Adaboost算法的训练过程 | 第30-32页 |
| 3.2.4 提高分类器泛化性能的方法 | 第32-33页 |
| 3.2.5 瀑布型级联检测器 | 第33-34页 |
| 3.2.6 人脸位置的跟踪与滤波 | 第34-35页 |
| 3.3 实验结果 | 第35-38页 |
| 第四章 人眼精确定位 | 第38-56页 |
| 4.1 SVM算法原理 | 第38-40页 |
| 4.2 基于ADABOOST+SVM分类器的人眼检测 | 第40-42页 |
| 4.3 瞳孔精确定位的方法论证 | 第42-51页 |
| 4.3.1 基于Hough圆变换的方法 | 第42-45页 |
| 4.3.2 基于角点检测的方法 | 第45-47页 |
| 4.3.3 基于混合投影的方法 | 第47-51页 |
| 4.3.4 各种方法的比较 | 第51页 |
| 4.4 基于运动相关性的人眼位置滤波 | 第51-53页 |
| 4.5 系统总体结构 | 第53-54页 |
| 4.6 实验结果 | 第54-56页 |
| 第五章 基于GPGPU并行计算的ADABOOST算法训练 | 第56-71页 |
| 5.1 GPGPU技术 | 第56-64页 |
| 5.1.1 GPGPU技术概述 | 第56-58页 |
| 5.1.2 并行计算模型分析 | 第58-59页 |
| 5.1.3 基于CUDA的并行计算系统架构 | 第59-64页 |
| 5.2 基于CUDA的ADABOOST训练加速 | 第64-69页 |
| 5.2.1 AdaBoost算法计算量分析 | 第64-65页 |
| 5.2.2 AdaBoost算法并行化论证 | 第65-66页 |
| 5.2.3 基于CUDA的AdaBoost算法并行化实现 | 第66-69页 |
| 5.3 实验结果 | 第69-71页 |
| 第六章 总结和展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间取得的科研成果 | 第77-78页 |
