戴眼镜情况下眼睛定位及眼睛状态识别算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题背景研究及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 眼睛定位算法介绍 | 第12-13页 |
| 1.2.2 眼睛状态识别算法介绍 | 第13-14页 |
| 1.3 本文相关技术难点 | 第14-16页 |
| 1.3.1 佩戴眼镜 | 第15页 |
| 1.3.2 多姿态 | 第15-16页 |
| 1.3.3 复杂光照 | 第16页 |
| 1.4 本文框架 | 第16页 |
| 1.5 本文组织架构 | 第16-18页 |
| 第二章 眼睛定位基本原理 | 第18-24页 |
| 2.1 人脸定位算法 | 第18-19页 |
| 2.2 基于Adaboost算法的眼睛定位算法 | 第19-23页 |
| 2.2.1 Haar特征 | 第19-20页 |
| 2.2.2 训练分类器 | 第20-22页 |
| 2.2.3 基于Cascade算法的分类器级联 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于眼镜检测的眼睛定位算法 | 第24-39页 |
| 3.1 本文眼睛定位算法 | 第24-25页 |
| 3.2 本文眼镜检测算法 | 第25-28页 |
| 3.2.1 人脸姿态检测 | 第26-27页 |
| 3.2.2 眼镜横梁位置选取 | 第27页 |
| 3.2.3 形态学检测 | 第27-28页 |
| 3.3 眼睛定位实验结果 | 第28-38页 |
| 3.3.1 实验环境 | 第28-29页 |
| 3.3.2 眼镜检测实验结果分析 | 第29-30页 |
| 3.3.3 眼睛定位实验结果分析 | 第30-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 眼睛状态识别基本原理 | 第39-47页 |
| 4.1 不变矩特征 | 第39-42页 |
| 4.1.1 Hu矩特征 | 第39-40页 |
| 4.1.2 小波矩特征 | 第40-41页 |
| 4.1.3 伪Zernike矩特征 | 第41-42页 |
| 4.2 光照不变特征 | 第42-44页 |
| 4.2.1 Gabor特征 | 第42-43页 |
| 4.2.2 HOG特征 | 第43-44页 |
| 4.2.3 LBP特征 | 第44页 |
| 4.3 特征融合 | 第44-45页 |
| 4.4 SVM分类器 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于特征级融合的眼睛状态识别算法 | 第47-58页 |
| 5.1 本文眼睛状态识别方法 | 第47-53页 |
| 5.1.1 不变矩特征提取 | 第47-49页 |
| 5.1.2 光照不变特征提取 | 第49-50页 |
| 5.1.3 特征融合 | 第50-52页 |
| 5.1.4 本文眼睛状态识别算法 | 第52-53页 |
| 5.2 眼睛状态识别实验结果 | 第53-57页 |
| 5.2.1 实验环境 | 第53页 |
| 5.2.2 眼睛状态识别实验结果分析 | 第53-57页 |
| 5.3 本章小结 | 第57-58页 |
| 结论和展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录 眼睛数据库建立方案 | 第64-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |
