| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的主要研究内容 | 第10-11页 |
| 1.4 本文章节安排 | 第11-12页 |
| 第二章 主要的视线跟踪算法原理 | 第12-20页 |
| 2.1 视线跟踪系统的分类 | 第12-13页 |
| 2.2 非光学的视线跟踪算法 | 第13-14页 |
| 2.2.1 电流记录法 | 第13-14页 |
| 2.2.2 电磁感应法 | 第14页 |
| 2.3 2D视线跟踪算法 | 第14-17页 |
| 2.3.1 瞳孔-角膜反射法 | 第14-15页 |
| 2.3.2 普金野象法 | 第15-16页 |
| 2.3.3 虹膜-巩膜边缘法 | 第16-17页 |
| 2.3.4 基于人工神经网络的方法 | 第17页 |
| 2.4 3D视线跟踪算法 | 第17-19页 |
| 2.4.1 眼球模型 | 第17-18页 |
| 2.4.2 3D视线跟踪算法介绍 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 眼睛图像特征提取算法的研究 | 第20-39页 |
| 3.1 普通光照条件下人眼图像特征介绍 | 第20-21页 |
| 3.2 人眼虹膜中心定位算法 | 第21-28页 |
| 3.2.1 基于阈值技术和椭圆拟合的虹膜中心定位算法 | 第21-26页 |
| 3.2.2 基于梯度向量的虹膜中心定位算法 | 第26-28页 |
| 3.3 眼睛角点检测 | 第28-35页 |
| 3.3.1 Harris角点检测 | 第29-31页 |
| 3.3.2 Shi-Tomasi角点检测 | 第31-32页 |
| 3.3.3 FAST角点检测 | 第32-33页 |
| 3.3.4 SUSAN角点检测 | 第33-35页 |
| 3.4 眨眼检测 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 视线跟踪算法的研究与改进 | 第39-49页 |
| 4.1 人工神经网络的介绍 | 第39-40页 |
| 4.1.1 人工神经网络的结构和基本特征 | 第40页 |
| 4.1.2 人工神经网络的优点 | 第40页 |
| 4.2 基于人工神经网络的视线跟踪系统 | 第40-44页 |
| 4.2.1 人工神经网络输入特征向量 | 第41-42页 |
| 4.2.2 人工神经网络的结构 | 第42-43页 |
| 4.2.3 人工神经网络的样本获取及训练过程 | 第43-44页 |
| 4.3 改进的基于人工神经网络的视线跟踪系统 | 第44-48页 |
| 4.3.1 人工神经网络输入特征向量的改进 | 第45-46页 |
| 4.3.2 人工神经网络的结构的改进 | 第46-48页 |
| 4.4 本文视线跟踪系统的特点 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 系统的实现及实验结果分析 | 第49-64页 |
| 5.1 系统硬件和软件平台 | 第49-51页 |
| 5.1.1 系统硬件平台 | 第49-50页 |
| 5.1.2 系统软件平台 | 第50-51页 |
| 5.2 系统的实现 | 第51-54页 |
| 5.2.1 眼睛参数提取模块 | 第53页 |
| 5.2.2 样本获取模块 | 第53页 |
| 5.2.3 视线跟踪模块 | 第53-54页 |
| 5.3 结果分析 | 第54-63页 |
| 5.3.1 虹膜中心定位结果分析 | 第54页 |
| 5.3.2 眼睛角点检测结果分析 | 第54-55页 |
| 5.3.3 眨眼检测结果分析 | 第55-56页 |
| 5.3.4 视线跟踪结果分析 | 第56-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 附录1攻读硕士学位期间撰写的论文 | 第68-69页 |
| 致谢 | 第69页 |