基于计算机视觉的人眼行为识别算法分析
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 人眼定位 | 第7-14页 |
| 1.1 人眼标定 | 第7页 |
| 1.2 存在的问题 | 第7-8页 |
| 1.2.1 主观因素 | 第7-8页 |
| 1.2.2 客观因素 | 第8页 |
| 1.3 常用的检测算法 | 第8-10页 |
| 1.3.1 算法综述 | 第8-9页 |
| 1.3.2 优缺点比较 | 第9-10页 |
| 1.4 本文算法 | 第10-12页 |
| 1.4.1 纹理特征 | 第10-11页 |
| 1.4.2 几何特征 | 第11-12页 |
| 1.4.3 降维处理 | 第12页 |
| 1.4.4 分类器工具 | 第12页 |
| 1.5 实验结果 | 第12-13页 |
| 1.6 小结 | 第13-14页 |
| 第二章 眼睛跟踪算法 | 第14-22页 |
| 2.1 跟踪技术 | 第14-15页 |
| 2.2 本文引用算法 | 第15-17页 |
| 2.2.1 算法理论 | 第15-17页 |
| 2.2.2 算法改进 | 第17页 |
| 2.3 算法实现 | 第17-20页 |
| 2.3.1 模型建立 | 第17-18页 |
| 2.3.2 训练学习 | 第18-19页 |
| 2.3.3 跟踪 | 第19页 |
| 2.3.4 多尺度 | 第19-20页 |
| 2.4 实验结果 | 第20-21页 |
| 2.4.1 传统算法实验结果 | 第20页 |
| 2.4.2 本文算法实验结果 | 第20-21页 |
| 2.5 小结 | 第21-22页 |
| 第三章 人眼区域特征分析 | 第22-27页 |
| 3.1 瞳孔定位 | 第22-23页 |
| 3.2 算法实现 | 第23-26页 |
| 3.2.1 预处理 | 第23-24页 |
| 3.2.2 加窗过滤法 | 第24-25页 |
| 3.2.3 实验结果分析 | 第25-26页 |
| 3.3 区域切割技术 | 第26页 |
| 3.4 小结 | 第26-27页 |
| 第四章 眼状态识别 | 第27-37页 |
| 4.1 眼状态 | 第27页 |
| 4.2 图像处理与图像库设计 | 第27-29页 |
| 4.2.1 图像预处理实现 | 第27-29页 |
| 4.2.2 图片库设计 | 第29页 |
| 4.3 分类算法 | 第29-30页 |
| 4.3.1 分类器定义 | 第29页 |
| 4.3.2 分类算法比较 | 第29-30页 |
| 4.4 SVM支持向量机 | 第30-33页 |
| 4.4.1 优点 | 第30页 |
| 4.4.2 算法描述 | 第30-32页 |
| 4.4.3 核选择 | 第32-33页 |
| 4.5 分类器实现 | 第33-34页 |
| 4.6 实验结果 | 第34-36页 |
| 4.7 小结 | 第36-37页 |
| 第五章 视频流人眼行为识别 | 第37-46页 |
| 5.1 眨眼 | 第37-40页 |
| 5.1.1 眨眼频率 | 第37-38页 |
| 5.1.2 算法实现 | 第38-40页 |
| 5.2 疲劳分析 | 第40-42页 |
| 5.2.1 视疲劳检测 | 第40-41页 |
| 5.2.2 眼疲劳检测 | 第41-42页 |
| 5.3 实验结果 | 第42-45页 |
| 5.3.1 疲劳检测结果 | 第42-44页 |
| 5.3.2 眼疲劳检测结果 | 第44-45页 |
| 5.4 小结 | 第45-46页 |
| 第六章 结论 | 第46-48页 |
| 6.1 工作总结 | 第46-47页 |
| 6.2 展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 在学期间的研究成果 | 第51-52页 |
| 致谢 | 第52页 |
