| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景与意义 | 第11-13页 |
| 1.1.1 课题研究背景 | 第11页 |
| 1.1.2 课题研究的主要意义 | 第11-13页 |
| 1.2 视线估计技术的研究现状 | 第13-18页 |
| 1.2.1 视线估计的近况 | 第13-14页 |
| 1.2.2 基于模型的视线估计 | 第14-16页 |
| 1.2.3 基于表观的视线估计 | 第16-18页 |
| 1.2.4 基于深度学习的视线估计方法 | 第18页 |
| 1.3 存在的主要问题 | 第18-19页 |
| 1.4 论文的主要工作及内容安排 | 第19-21页 |
| 1.4.1 论文主要完成工作 | 第19页 |
| 1.4.2 论文章节安排 | 第19-21页 |
| 第2章 图像信息的采集与预处理 | 第21-37页 |
| 2.1 图像采集的准备工作 | 第21-22页 |
| 2.1.1 相机校准 | 第21-22页 |
| 2.1.2 图像数据的采集过程 | 第22页 |
| 2.2 基于改进ADABOOST级联算法的人脸检测 | 第22-28页 |
| 2.2.1 人脸特征的选择提取 | 第22-25页 |
| 2.2.2 传统的AdaBoost级联检测算法 | 第25-27页 |
| 2.2.3 基于肤色模型的人脸区域分割 | 第27-28页 |
| 2.3 基于CLM的人脸特征点检测 | 第28-33页 |
| 2.3.1 形状模型的构建 | 第30-31页 |
| 2.3.2 图像块模型构建 | 第31-32页 |
| 2.3.3 搜索过程 | 第32-33页 |
| 2.4 实验结果与分析 | 第33-36页 |
| 2.4.1 基于肤色分割与AdaBoost人脸检测效果 | 第34-35页 |
| 2.4.2 特征点检测效果与分析 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 姿态数据的获取 | 第37-47页 |
| 3.1 头部姿态数据 | 第37-42页 |
| 3.1.1 头部姿态的计算方法 | 第37-39页 |
| 3.1.2 三维模型到平面的映射 | 第39-40页 |
| 3.1.3 三维模型的变形 | 第40-41页 |
| 3.1.4 头部姿态估计 | 第41-42页 |
| 3.2 基于灰度阈值的瞳孔中心定位 | 第42-43页 |
| 3.3 实验结果分析 | 第43-45页 |
| 3.3.1 头部姿态估计 | 第43-44页 |
| 3.3.2 瞳孔定位实验与分析 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第4章 基于CNN的视线估计算法 | 第47-60页 |
| 4.1 基于传统CNN结构的视线估计算法 | 第47-49页 |
| 4.1.1 基于传统CNN的算法结构 | 第47-48页 |
| 4.1.2 计算过程 | 第48-49页 |
| 4.1.3 存在的不足 | 第49页 |
| 4.2 基于结构调整的改进方法 | 第49-53页 |
| 4.2.1 基于残差块的改进 | 第49-52页 |
| 4.2.2 浅层的残差网络结构 | 第52-53页 |
| 4.2.3 对激活函数的调整 | 第53页 |
| 4.3 实验效果与分析 | 第53-57页 |
| 4.3.1 基于公开数据集的实验 | 第54-56页 |
| 4.3.2 基于本地数据集的实验 | 第56-57页 |
| 4.4 本章小结 | 第57-60页 |
| 第5章 全文总结与展望 | 第60-62页 |
| 5.1 本文的主要工作总结 | 第60页 |
| 5.2 工作展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 作者简介及科研成果 | 第68-70页 |
| 致谢 | 第70-71页 |