| 摘要 | 第3-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文的研究内容和章节安排 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 基于Haar-LBP的特征提取 | 第14-25页 |
| 2.1 Haar特征 | 第14-17页 |
| 2.1.1 特征模板 | 第14页 |
| 2.1.2 Haar特征的计算 | 第14-16页 |
| 2.1.3 积分图 | 第16-17页 |
| 2.2 LBP特征 | 第17-20页 |
| 2.2.1 基本LBP | 第17-18页 |
| 2.2.2 MBLBP特征 | 第18-20页 |
| 2.3 Haar-LBP特征 | 第20-23页 |
| 2.3.1 Haar-LBP特征模板与编码 | 第20-22页 |
| 2.3.2 Haar-LBP特征维数 | 第22-23页 |
| 2.4 实验结果和分析 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于FDR-AdaBoost训练模型 | 第25-39页 |
| 3.1 传统AdaBoost训练模型 | 第25-26页 |
| 3.2 FDR-AdaBoost训练模型 | 第26-29页 |
| 3.2.1 基于Haar-LBP特征的多值弱分类器 | 第26-27页 |
| 3.2.2 FDR-AdaBoost强分类器训练模型 | 第27-28页 |
| 3.2.3 Haar-LBP弱分类器的权重调整 | 第28-29页 |
| 3.3 FDR-AdaBoost模型的训练 | 第29-34页 |
| 3.3.1 基于Haar-LBP的弱分类器训练 | 第31-32页 |
| 3.3.2 FDR-AdaBoost强分类器训练 | 第32-33页 |
| 3.3.3 级联分类器训练 | 第33-34页 |
| 3.4 实验结果和分析 | 第34-37页 |
| 3.4.1 样本选取 | 第34-35页 |
| 3.4.2 分类器性能分析和比较 | 第35-37页 |
| 3.5 本章小结 | 第37-39页 |
| 4 眼睛定位算法 | 第39-56页 |
| 4.1 眼睛定位算法流程 | 第39-40页 |
| 4.2 基于Haar-LBP特征的眼睛区域定位 | 第40-43页 |
| 4.2.1 传统的目标检测过程 | 第40-42页 |
| 4.2.2 基于Haar-LBP特征的检测过程 | 第42-43页 |
| 4.3 检测结果合并和蹄选 | 第43-48页 |
| 4.3.1 检测窗口的合并 | 第44-46页 |
| 4.3.2 检测结果蹄选 | 第46-48页 |
| 4.4 眼睛中心的定位 | 第48-53页 |
| 4.4.1 灰度方差投影 | 第48-49页 |
| 4.4.2 梯度方差投影 | 第49-50页 |
| 4.4.3 混合方差投影法的提出 | 第50-52页 |
| 4.4.4 眼睛中心定位的实现 | 第52页 |
| 4.4.5 实验结果 | 第52-53页 |
| 4.5 系统测试与分析 | 第53-55页 |
| 4.5.1 度量标准 | 第53页 |
| 4.5.2 实验与分析 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 工作总结 | 第56-57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |