| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景意义 | 第10页 |
| 1.2 视线追踪技术概述 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.3.1 国内研究现状 | 第12-13页 |
| 1.3.2 国外研究现状 | 第13页 |
| 1.4 本文研究内容 | 第13-14页 |
| 1.5 论文结构 | 第14-16页 |
| 第2章 人眼视线追踪模型 | 第16-23页 |
| 2.1 引言 | 第16页 |
| 2.2 人眼视线追踪流程 | 第16-22页 |
| 2.2.1 人脸人眼检测 | 第17页 |
| 2.2.2 头部姿态检测 | 第17-18页 |
| 2.2.3 人眼转动视角探测 | 第18-20页 |
| 2.2.4 视线方向计算 | 第20-21页 |
| 2.2.5 视线落点计算 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于Adaboost的人脸人眼检测 | 第23-42页 |
| 3.1 图像分割算法 | 第23-35页 |
| 3.1.1 分水岭图像分割算法 | 第23-24页 |
| 3.1.2 基于颜色的自适应阈值图像分割算法研究 | 第24-25页 |
| 3.1.3 基于颜色的自适应阈值图像分割算法的核心思想 | 第25-26页 |
| 3.1.4 基于颜色的自适应阈值图像分割算法的步骤描述 | 第26-27页 |
| 3.1.5 基于颜色的自适应阈值图像分割算法详细代码实现 | 第27-34页 |
| 3.1.6 图像分割效果对比 | 第34-35页 |
| 3.2 基于Adaboost的人脸人眼检测算法 | 第35-41页 |
| 3.2.1 Haar特征概述 | 第36-37页 |
| 3.2.2 积分图计算特征值 | 第37-38页 |
| 3.2.3 Boosting算法背景 | 第38-39页 |
| 3.2.4 Adaboost算法原理 | 第39-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 头部姿态及人眼视线方向检测 | 第42-70页 |
| 4.1 非线性降维的图像预处理 | 第42-61页 |
| 4.1.1 流形学习方法算法 | 第42-45页 |
| 4.1.2 基于局部线性流形增量学习算法的研究 | 第45-57页 |
| 4.1.3 局部线性流形增量学习算法的图像非线性降维 | 第57-61页 |
| 4.2 基于BP神经网络计算头部姿态的检测 | 第61-69页 |
| 4.2.1 BP神经网络 | 第61-66页 |
| 4.2.2 LLIMA与BP神经网络结合 | 第66-68页 |
| 4.2.3 训练头部姿态 | 第68-69页 |
| 4.3 本章小结 | 第69-70页 |
| 第5章 视线落点检测实验 | 第70-74页 |
| 5.1 实验环境 | 第70页 |
| 5.2 实验设计 | 第70-71页 |
| 5.3 实验结果与分析 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第6章 结论与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 参考文献 | 第76-79页 |
| 致谢 | 第79页 |
