在线学习中融合视线分析的注意力检测方法的研究和应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 注意力检测方法概述 | 第11-12页 |
| 1.3 国内外研究发展现状 | 第12-14页 |
| 1.4 课题研究内容及结构 | 第14-16页 |
| 1.4.1 研究内容 | 第14页 |
| 1.4.2 论文结构 | 第14-16页 |
| 2 图像采集及人脸检测 | 第16-22页 |
| 2.1 图像采集 | 第16-17页 |
| 2.1.1 OpenCV简介 | 第16-17页 |
| 2.1.2 图像采集处理 | 第17页 |
| 2.2 人脸检测概述及分析 | 第17-19页 |
| 2.3 Adaboost算法 | 第19-21页 |
| 2.4 人脸检测 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 眼睛开闭检测 | 第22-29页 |
| 3.1 人眼检测算法概述 | 第22-23页 |
| 3.2 人眼检测 | 第23-28页 |
| 3.2.0 人眼粗定位 | 第23-24页 |
| 3.2.1 眼部截取及预处理 | 第24-25页 |
| 3.2.2 轮廓检测与椭圆拟合 | 第25-28页 |
| 3.3 人眼开闭状态判别 | 第28页 |
| 3.4 本章小结 | 第28-29页 |
| 4 视线及头部偏转检测 | 第29-42页 |
| 4.1 视线检测概述 | 第29-30页 |
| 4.2 视线检测 | 第30-39页 |
| 4.2.1 眼睛轮廓信息提取 | 第31-33页 |
| 4.2.2 虹膜中心定位 | 第33-35页 |
| 4.2.3 视线分析 | 第35-36页 |
| 4.2.4 SVM分类器训练 | 第36-39页 |
| 4.3 头部偏转检测 | 第39-40页 |
| 4.4 本章小结 | 第40-42页 |
| 5 注意力检测及实验分析 | 第42-52页 |
| 5.1 注意力状态判别 | 第42-44页 |
| 5.1.1 PERCLOS | 第42页 |
| 5.1.2 基于人脸检测的状态分析 | 第42-43页 |
| 5.1.3 基于头部姿态的状态分析 | 第43页 |
| 5.1.4 基于眼睛的状态分析 | 第43-44页 |
| 5.2 注意力检测系统介绍 | 第44-49页 |
| 5.2.1 注意力检测系统 | 第44-46页 |
| 5.2.2 注意力检测场景 | 第46页 |
| 5.2.3 注意力检测系统功能测试 | 第46-49页 |
| 5.3 实验设计及数据分析 | 第49-52页 |
| 5.3.1 实验数据采集 | 第49-50页 |
| 5.3.2 数据分析 | 第50-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 论文总结 | 第52页 |
| 6.2 未来展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |
