上海交通大学硕士学位论文
IV 目录
实时人眼定位算法的研究与实现 (1)
摘要 ···················································································································································I I ABSTRACT ·······································································································································I II
第一章绪论 (9)
1.1 人眼定位的研究意义及难点 (9)
1.1.1 人眼定位的研究意义 (9)
1.1.2 人眼定位的难点 (11)
1.2 人眼定位的国内外研究现状 (12)
1.2.1 国内现状 (12)
1.2.2 国外现状 (13)
1.3 论文探究内容和研究目标 (14)
1.3.1 研究内容 (14)
1.3.2 研究目标 (15)
1.4 论文的主要内容与章节安排 (15)
第二章人眼定位算法的研究 (17)
2.1 人脸检测 (17)
2.1.1 人脸检测的必要性 (17)
2.1.2 人脸检测方法 (18)
2.1.3 经典人脸检测算法的局限性 (21)
2.2 人眼定位算法的研究 (22)
2.2.1 人眼检测和定位的基本思想 (22)
2.2.2 图像预处理和后处理 (26)
2.2.3 分类与回归 (27)
2.3 不同人眼定位算法间的比较评估标准 (27)
2.4 本章小结 (30)
第三章基于几何特征的人眼定位算法的设计与实现 (31)
3.1 积分投影算法 (31)
3.2 边缘检测算法 (34)
3.3 基于梯度的算法 (36)
3.4 基于等照度线曲率的算法 (41)
3.5 算法的比较 (43)
3.6 本章小结 (48)
第四章基于随机森林算法的人眼定位系统的设计与实现 (49)
4.1 平台的搭建与人脸检测的实现 (49)
万方数据
上海交通大学硕士学位论文
4.2 决策树模型 (49)
4.2.1 回归树与选取特征 (49)
4.2.2 训练流程 (52)
4.3 集成技术 (54)
4.3.1 随机森林 (55)
4.3.2 梯度提升决策树 (56)
4.3.3 集成技术效果及总结 (58)
4.4 训练样本处理 (59)
4.5 模型优化 (61)
4.5.1 集成方法优化 (61)
4.5.2 多级定位结构 (62)
4.6 本章小结 (64)
第五章实验结果分析与总结 (65)
5.1 随机森林模型的实验结果分析与总结 (65)
5.1.1 单颗决策树 (65)
5.1.2 随机森林与梯度提升决策树 (68)
5.1.3 改进模型 (70)
5.1.4 决策树模型性能比较与总结 (72)
5.2 与其他方法的比较 (73)
5.3 本章小结 (74)
第六章总结与展望 (75)
6.1 全文总结 (75)
6.2 下一步工作展望 (75)
参考文献 (77)
附录1 (81)
致谢 (82)
攻读硕士学位期间已发表或录用的论文 (83)
V
万方数据
上海交通大学硕士学位论文
VI 图录
图1-1人眼定位的应用 (10)
图1-2人眼定位难点实例 (12)
图2-1人眼定位流程图 (17)
图2-2H AAR特征提取 (18)
图2-3H AAR特征提取 (19)
图2-4人眼定位系统架构图 (22)
图2-5可变性人眼模型 (23)
图2-6H OUGH变换用于直线检测 (24)
图2-7基于红外线的人眼定位 (25)
图2-8图像预处理 (26)
图2-9不同定位误差举例 (28)
图3-1瞳孔在人脸中分布统计结果 (32)
图3-2面部图像的积分投影 (33)
图3-3基于点到边缘的人眼-眉毛区域检测方法 (35)
图3-4利用梯度方向定位圆心的示意图 (37)
图3-5基于梯度定位算法中基本图案的目标函数热区图 (38)
图3-6基于梯度的人眼定位效果图 (40)
图3-7基于等照度线曲率的人眼定位算法示意图 (41)
图3-8对等照度线的圆心投票 (42)
图3-9基于等照度线曲率的定位效果图 (43)
图3-10基于梯度和等照度曲率的人眼算法准确率对比 (45)
图3-11基于几何特征的人眼定位效果图 (46)
图3-12基于梯度和等照度曲率的人眼算法准确率对比 (47)
图4-2一个2层决策树模型 (51)
图4-3运用集成技术的人眼定位过程示意图 (58)
图4-4人脸库样张 (60)
图4-5多姿态训练样本生成举例 (60)
图4-6多级定位结构 (63)
图4-1系统框图 (64)
图5-1样本到其类别中心的的均方误差与决策树深度之间的关系 (65)
图5-2单颗决策树性能与决策树深度的关系 (66)
图5-3单颗决策树性能与训练次数间的关系 (67)
图5-4单颗决策树性能与训练样本数量的关系 (68)
图5-5单颗决策树的定位能力对比 (68)
万方数据
上海交通大学硕士学位论文
图5-6集成技术对定位性能的提升 (69)
图5-7多级定位结构对定位性能的提升 (70)
图5-8置信度对定位性能的提升 (71)
图5-9自适应梯度提升算法的提升 (72)
VII
万方数据
上海交通大学硕士学位论文
VIII 表录
表格2-1不同定位误差对应的定位效果等级 (29)
表格3-1积分投影算法与基于点到边缘算法的比较 (44)
表格3-2基于梯度与等照度线曲率的效果对比 (46)
表格5-1基于几何特征与基于CART模型的人眼定位 (73)
表格5-2CART模型与其他方法的比较 (74)
万方数据