,
, template <typename _Tp> 2. void feature : : CSLBP_ (const Mat& src, Mat& dst, int radius, vol.1
, zeros(src.rows -2*radius, src.cols -2*radius
, * cos( 2.0*M_PI*n/static_cast<oa t>(neighbors))
, * -sin(2.0*M_PI*n/static_cast<oat>(neighbors))
, 16. int cy = static_cast<int>(ceil(y)) ; = y -fy
, Point EyeMap(IplImage* source, int width, int height, int x0
,
, CvScalar s, s1, s2
, , vol.32
, , vol.32
, , vol.32
, for( x = 0 ; x < source->width ; x++) 13. {for(y = 0 ; y < source->height ; y++) { 14. s = cvGet2D( source, vol.12
, Matrix ObjetManifold : :laplacianEigenmaps( double sigma, double epsilon ) 2. { 3. Matrix K( objetimages.size(), objetimages.size(
, for( int i = 0 ; i < objetimages.size() ; i++ ) 5. for( int j = 0 ; j < objetimages.size() ; j++ ) { 6, vol.4
,
, Matrix I( objetimages.size(), objetimages.size() )
, I.set_identity(
,
, Matrix P( objetimages.size(), objetimages.size() )
, for( int i = 0 ; i < objetimages.size() ; i++ ) 15. { double som = 0, vol.14
, for( int j = 0 ; j < objetimages.size() ; j++ ) 17. som = som + K( i, j ), vol.16
,
, // calculer la matrice du Laplacien 21
, // résolution du système P*y=lambda*D*y 23. vnl_generalized_eigensystem test=vnl_generalized_eigensystem
, Classe Diusion Maps
, Matrix ObjetManifold : :diusionmaps( double sigma, double epsilon ) 2. { 3. Matrix K( objetimages.size(), objetimages.size(
, for( int i = 0 ; i < objetimages.size() ; i++ ) 5. for( int j = 0 ; j < objetimages.size() ; j++ ) { 6, vol.4
,
, Matrix I( objetimages.size(), objetimages.size() )
, I.set_identity(
,
, Matrix P( objetimages.size(), objetimages.size() )
, for( int i = 0 ; i < objetimages.size() ; i++ ) 15. { double som = 0, vol.14
, for( int j = 0 ; j < objetimages.size() ; j++ ) 17. som = som + K( i, j ), vol.16
,
,
,
, V, X_ ; 24. Vector Lambda, Matrix K_new=K
, // résolution du système K_new*y=lambda*y 26. vnl_symmetric_eigensystem_compute(K_new
, for( int i = 0 ; i < objetimages.size() ; i++ ) 28. {for( int j = 1 ; j <4 ; j++ ) { 29. double v=V(i,objetimages.size()-j-1)* 30, vol.27
A tutorial on particle lters for online nonlinear/non-gaussian bayesian tracking, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.28, p.20372041, 2002. ,
Updating : A psychological basic situation of probability revision. Thinking & Reasonning, Advances in Neural Information Processing Systems, p.404417, 1994. ,
Laplacian eigenmaps and spectral techniques for embedding and clustering, NIPS, vol.15, issue.6, p.13731396, 2001. ,
Laplacian eigenmaps for dimensionality reduction and data representation, Neural Comput, vol.15, issue.6, 2003. ,
, Automated classication of gaze direction using spectral regression and support vector machine, International Conference on Aective Computing and Intelligent Interaction (ACII), p.16, 1989.
, Accurate twodimensional eye tracker using rst and fourth purkinje images, IEEE International Workshop on AMFG2005, vol.3723, p.8495, 1973.
, Eye tracking during a visual paired comparison task as a predictor of early dementia, Une introduction au positionnement multidimensionnel. Modulad, p.128, 2005.
Special issue on Monte Carlo Methods for Statistical Signal Processing, IEEE Transactions on Signal Processing, 2002. ,
, Lower bounds for the partitioning of graphs, Psychological Review, vol.17, issue.8, p.420425, 1901.
Multiple cue adaptive tracking of deformable objects with particle lter, ICIP(International Conference on Image Processing, 2008. ,
A tutorial on particle ltering and smoothing : Fifteen years later, Eye Tracking Methdology Theory and Practice, 2006. ,
, Model-based eye-tracking method for low-resolution eye-images. 2nd Workshop on Eye Gaze in Intelligent Human Machine Interaction, IEEE TRANSACTIONS, vol.32, p.478500, 1990.
Discriminatively trained particle lters for complex multi-object tracking. CVPR 09, Proc. of Fourth Alvey Vision Conference, vol.42, p.425436, 1988. ,
, Face detection in color images, IEEE TRANSACTIONS, 2002.
Preliminary experiments in the physiology and psychology of reading, American Journal of Psychology, vol.9, p.575586, 1898. ,
La rétine et son fonctionnement, Science Et Vie, issue.216, 2001. ,
, Condensation -conditional density propagation for visual tracking, IJIP, p.404417, 1995.
OpenCV 2 Computer Vision Application Programming Cookbook, Transactions of the ASME -Journal of Basic Engineering, vol.82, 1960. ,
, Eye blink detection for smart glasses, IEEE ISM, 2013.
An extended set of haar-like features for rapid object detection, IEEE ICIP 2002, p.91110, 2002. ,
Texture analysis with local binary patterns. Handbook of Pattern Recognition and Computer Vision, 2005. ,
Gaze estimation using local features and non-linear regression, ICIP(International Conference on Image Processing, 2012. ,
, Visual exploration behaviour during clock reading in alzheimer's disease. Brain, 127. [Muja and Lowe, Diusion maps, spectral clustering and reaction coordinates of dynamical systems, p.331340, 1992.
Image sensors and signal processing for digital still cameras, 2005. ,
, Calibration-free eye gaze direction detection with gaussian processes, Proceedings of the International Conference on Computer Vision Theory and Application, 2008.
, Performance evaluation of texture measures with classication based on kullback discrimination of distributions, Proceedings of the International Conference on Pattern Recognition, 1994.
, Multiresolution gray-scale and rotation invariant texture classication with local binary patterns, IEEE Trans. Pattern Anal. Mach. Intell, 2002.
Freak : Fast retina keypoint, Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), CVPR '12, p.510517, 2012. ,
On lines and planes of closest t to systems of points in space, IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION & PATTERN RECOGNITION, p.559572, 1901. ,
, Image spaces and video trajectories : Using isomap to explore video sequences, Proc. International Conference on Computer Vision (ICCV), 2002.
Using thousands of images of an object, 2002. ,
, Betting on conditionals. Thinking & Reasonning, p.172197, 2010.
, Learning appearance manifolds from video, Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05, vol.1, p.868875, 2005.
, Isomap tracking with particle lter. ICIP(International Conference on Image Processing, 2007.
Gaussian processes for machine learning, 2006. ,
Nonlinear dimensionality reduction by locally linear embedding, SCIENCE, vol.290, p.23232326, 2000. ,
Visual search, eye movements and display units, human factors report, Journal of Computer Science, 1993. ,
Normalized cuts and image segmentation, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2000. ,
Optimised kdtrees for fast image descriptor matching, CVPR, vol.25, p.365373, 2007. ,
The brainstem control of saccadic eye movements, Nature Reviews : Neuroscience, 2002. ,
Spectral partitioning works : Planar graphs and nite element meshes, Proceedings of the 10th European Conference on Computer Vision : Part III, ECCV '08, p.656667, 1904. ,
, A global geometric framework for nonlinear dimensionality reduction, Proc, 2000.
Active shape models their training and application. Computer vision and image understanding, vol.61, p.3859, 1995. ,
Multidimensional scaling : I. theory and method. Psychometrica, p.401419, 1952. ,
Robust real-time object detection, Second International Workshop on Statistidal and Computational Theories of Vision-Modeling, Learning, Computing, and Sampling, 2001. ,
L'exploration oculaire. La perception de l'environnement, International Journal of Computer Vision, vol.57, p.161177, 1991. ,
Sparse and semisupervised visual mapping with the s3p, Proc. IEEE CS Conf. Computer Vision and Pattern Recognition, 2006. ,
A novel approach to real-time non-intrusive gaze nding, Proc. British Machine Vision Conference, 1998. ,
Extended isomap for pattern classication, Eighteenth national conference on Articial intelligence, p.224229, 2002. ,
Discussion of a set of points in terms of their mutual distances. Psychometrica, Intelligent Multimedia Processing with Soft Computing, p.281300, 1938. ,
, Discrimination of gaze directions using low-level eye image features, Proceedings of the 1st international workshop on pervasive eye tracking & ; mobile eye-based interaction, PETMEI '11, p.914, 2011.
, , p.10
, L'apparence des images des yeux par une webcam
, Schéma des champs visuels et coupe schématique horizontale du cerveau, p.15
, , p.16
,
, Six muscles extra-oculaires
, L'appareil mécanique de l'enregistrement des mouvements oculaires conçu par Huey
, , p.23
, Example de la bobine intégrée dans une lentille de contact portée sur l'÷il pour mesurer les mouvements des yeux
, Exemple de l'éctro-oculographique (EOG) mesurant les mouvements oculaires, p.24
, Dodge Photochronograph, p.26, 1908.
, Dispositif de contrôle des mouvements oculaires de Jouen, p.26, 1995.
,
,
,
, Le schéma global des composants dans un système d'oculométrie numérique, p.29
, , p.30
, La méthode 3D modélise la structure de l'÷il
Longueurs d'ondes visibles et invisibles pour l'÷il humain, p.33 ,
, L'eet de la pupille sombre et claire qui est utilisé pour identier l'÷il, p.33
,
, La fonctionnalité "smart scroll" du Samsung Galaxy smartphone, p.36
,
, , p.38
, Composants principaux d'une webcam et l'acquisition d'une image numérique, p.40
, La diérence des images sources capturée par des caméras diérentes, p.42
, , p.44
, Eets du changement de luminance sur la qualité des images à traiter, p.47
, Eets du changement de position de la tête sur la qualité des images à traiter, p.47
,
, Exemples de la base de données du visage MUCT et 60 points caractéristiques pour décrire le visage
,
Les itérations du déplacement des points caractéristiques, p.52 ,
, Les résultat de ASM sur les exemples des images de la base de données de l'institut
, Résultats de EyeMapC sur les exemples du visage
, , p.55
, Calcul de l'image EyeMap pour diérents exemples de visages, p.55
,
, Les résultats de détection des yeux sur les images
, La réussite de notre méthode pour détecter la région des yeux dans les exemples où la présence des yeux est dicile à détecter par la méthode de Viola et Jones, p.57
,
où R est le rayon du cercle et P est le nombre des pixels espacés régulièrement sur un cercle de rayon R, p.61 ,
, , p.61
, Les 58 motifs uniformes avec le voisinage
Diérentes structures primitives locales détectées par LBP, p.63 ,
Calcul de la valeur CS-LBP sur le point n c avec un voisinage (8, R), p.64 ,
, Exemples des images LBPs avec un voisinage, p.64
, Démonstration du calcul de la somme des pixels dans la région D par l'image intégrale
, Une approximation de type box lter des dérivées secondes de la gaussienne, p.67
, Détermination de l'angle de recalage du SURF, en analysant la répartition des réponses des ondelettes de Haar
, Zone d'analyse du SURF divisée en 4 × 4 régions, elles même divisées en 5 × 5 sous-régions
, Extraction des diérents composants du vecteur de caractéristiques, p.69
, La construction et la recherche de plus proches voisins avec un arbre k-d, p.70
, Représentation d'un image de l'÷il par la combinaison des histogrammes CS-LBP sur chaque bloc de l'image (par exemple 20 blocs)
, Démonstration de la robustesse de CS-LBP au changement d'illumination, p.72
, Diérence des histogrammes
, Mise en correspondance des points détectés par SURF
, , p.76
, , p.78
, Approximation particulaire d'une distribution p(x)
,
,
,
, Les résultats du suivi du logo par le ltre particulaire en utilisant diérent descripteurs
, Le suivi de l'objet (le rectangle rouge) dans le cas où l'illumination change, p.86
÷il (dans le rectangle rouge) en utilisant le descripteur CS-LBP lorsque l'illumination change ,
÷il en utilisant la méthode proposée sur la séquence d'images capturée par la webcam. t désigne l'ordre de la image ,
, La projection d'un ensemble d'images des yeux dans un sous-espace 3D par la méthode de réduction de la dimensionnalité non-linéaire
, Les applications de l'apprentissage par variétés pour l'analyse de la variation des positions du visage et l'analyse des expressions faciales
,
, Exemple de ACP sur une distribution gaussienne avec ses 2 premières composantes principales
Exemple de ACP sur un ensemble de données non-linéaire, p.95 ,
, Distance euclidienne et géodésique entre deux points appartenant à la variété appelée Le bras de Venus (swiss roll)
,
, Les échantillons des images de regard vers les 4 coins (120 images) et leurs variétes, p.107
, 108 4.10 2 variétés diérentes obtenues par le Laplacian Eigenmaps, avec diérents , sur les exemples d'images des yeux sur les 24 points, La variété des yeux obtenue par Laplacien Eigenmaps ( = 100) de 5 sujets diérents vers les 16 points et 4 coins à l'écran
, Les variétés de 110 images des yeux par le Laplacian Eigenmaps avec diérents, p.110
, Les variétés de 110 images des yeux par le Diusion Maps avec diérents, p.110
, Les variétés générées par les 3 techniques (le Laplacian Eigenmaps, le Diusion Maps et l'ACP) sur les 3 ensembles : I, I CS?LBP et I in
, Les variétés générées par les 3 techniques (le Laplacian Eigenmaps, le Diusion Maps et l'ACP) sur les 3 ensembles : I + , I + CS?LBP et I + in
, Les deux manières d'estimation du regard
122 5.4 Classication par la variété de l'ensemble de 30 images de l'÷il capturées pendant une seconde de l'apparition d'un point de calibration sur l'écran, p.123 ,
, Génération d'un ensemble actif A et classication d'images selon la variété de l'ensemble d'images de l'÷il capturées pendant une calibration en 5 points, p.125
, L'estimation de la position du regard (point rouge) vers les 24 points (points verts) dans une région de taille 800 × 600 pixels
, Comparaison des résultats obtenus par les méthodes supervisée (GPR) et semisupervisée (SGPR) en utilisant 3 conditions de calibration (4, 5 et 8 points), p.127
, La variété d'un ensemble qui contient 32 images de l'÷il, qui représentent les regards du sujet vers les 4 régions de l'écran
,
, Temps de calcul par la classication spectrale en fonction du nombre d'exemples, vol.134
, , p.135
, Les structures des tableaux et les résultats du regard du visiteur estimés par notre système
, L'installation et l'utilisation du prototype Ubiquiet dans une expérimentation, p.137
, Interface de création des scénari des LEDs et les positions des LEDs intégrés dans le prototype
, Résultat d'estimation de la position du regard en situation de poursuite d'une LED (point vert). Les positions des regards sont indiquées par les points rouges, p.138
, Le protocole appliquée pour l'expérimentation sur le raisonnement humain, p.139
, Démonstration des comportements d'un personnage (une jeune lle) : fermer les yeux, parler, sourire, être en colère et être triste
, Démonstration du modèle pour créer une séquence des comportements du personnage en temps réel avec les cinq signaux : DH?parler, DB?être triste, GH?sourire, GB?être en colère et CL?fermer les yeux, p.140
, ICM) en interaction avec le système oculométrique
,
,
, Le calcul le point (x, y) autour des 4 points par l'interpolation bilinéaire, p.148
, Liste des tableaux
37 2.2 Les critères de six oculomètres présentés dans la Figure 2.19, p.37 ,
, Les comparaisons des techniques de réduction de la dimensionnalité, p.106
Comparaison des résultats avec des autres travaux réalisés, p.128 ,