基于机器学习图像识别分类以及单摄像模组视线追踪应用研究

摘要

图像处理是对输入的图像或者视频进行任何形式的处理。图像处理的输出可以是图像或者与图像有关的一组特征或者参数。首先用照相机或者摄像机等光学设备导入图像，然后通过改进图像、数据汇总、分析图像找到人眼看不到的规则等。比如本文中第2章前半部分用这个方法找到不同细胞图像的规则特征，然后通过规则特征生成模型，用得到的模型区分正常细胞和病变细胞;第2章后半部分用相同的方法完成人手的识别;第3章用这个方法处理人脸图像找到人脸规则以监测人脸。 本文介绍了机器学习在图像处理及分类上的应用;并搭建了视线追踪系统，介绍了局部约束算法，完成了一些应用性的光学研究。 主要研究内容和创新点可以概括为如下3点: 1)研究了Convolutional Architecture for Fast Feature Embedding框架。利用显微镜得到的细胞病理图，标定正常淋巴结组织图和增生性淋巴结炎组织，以及正常宫颈细胞、宫颈纤维鳞癌细胞和宫颈角化鳞癌细胞。修改了合适的代码以及参数，训练出的模型可以识别正常细胞和病变。 2)研究了Darknet You Only Look Once(YOLO)的框架。标定了自己的数据库，借助YOLO的框架，修改了合适的代码以及参数，达到手部识别，可以跟随手的移动而移动。 3)本文视线追踪系统的亮点在于不同于寻常眼动仪需要复杂的设备或者用特殊的红外光源搭建设备，本文系统设备较为简单，只需要带摄像头的笔记本电脑或者摄像头和一台主机，且只用了一个摄像头。研究了局部约束算法，实现了单摄像头模组的视线追踪。用得到的眼部特征点坐标和头部方位坐标建模，通过线性方程计算得到参数，代入方程式得到注视点坐标。经过标定即可达到视线追踪效果。通过测试注视点坐标对比和模拟鼠标的测试，验证了方法的可行性。

目录

声明

致谢

序言

摘要

图目录

1绪论

1．1研究背景

1．2国内外研究情况

1．3机器学习简介

1．4人工神经网络的介绍

1．4．1神经元模型

1．4．2神经网络

1．4．3卷积神经网络

1．5视线追踪系统

1．5．1技术现状及难点

1．6论文章节安排

2机器学习图像处理应用

2．1细胞图像分类

2．1．1系统方案

2．1．2软件系统方案

2．1．3计算机平台及工具

2．1．4细胞分类实验

2．2手部检测追踪系统

2．2．1硬件系统方案

2．2．2 You Only Look Once框架

2．2．3软件系统方案

2．2．4计算机平台及工具

2．2．5手部追踪实验

2．3本章小结

3视线追踪系统的设计

3．1人眼结构特征以及眼动行为

3．1．1人眼结构特征

3．1．2眼动行为的特点

3．2视线追踪系统结构介绍

3．3硬件系统方案

3．4软件系统方案

3．4．1整体算法描述

3．4．2基于局部约束模型算法的人脸监测

3．4．3瞳孔定位

3．4．4注视点定位

3．4．5计算机平台及工具

3．5视线追踪系统测试实验

3．5．1坐标位置测试

3．5．2模拟鼠标测试

3．6本章小结

4总结与展望

4．1工作总结

4．2不足及展望

参考文献

作者简历