C. Classe,

, template <typename _Tp> 2. void feature : : CSLBP_ (const Mat& src, Mat& dst, int radius, vol.1

. Mat, 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

Y. Oat, . Cr1, . Cb, R. Cr, G. et al.,

, CvScalar s, s1, s2

. Iplimage*-y_map-=-cvcreateimage, , vol.32

*. Iplimage, , vol.32

. Iplimage*-y_dilate-=-cvcreateimage, , 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

. K(i,j)-=t,

, Matrix I( objetimages.size(), objetimages.size() )

, I.set_identity(

D. ,

, 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

. D(-i,-i-)-=-som,

, // 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

. K(i,j)-=t,

, Matrix I( objetimages.size(), objetimages.size() )

, I.set_identity(

D. ,

, 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

. D(-i,-i-)-=-som,

. P=d2*k,

. K=p*p*p*p,

, 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

. Références-[ahonen, 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.

S. Pomerleau-;-baluja, D. Pomerleau, and . Baratgin, Updating : A psychological basic situation of probability revision. Thinking & Reasonning, Advances in Neural Information Processing Systems, p.404417, 1994.

M. Niyogi-;-belkin and P. Niyogi, Laplacian eigenmaps and spectral techniques for embedding and clustering, NIPS, vol.15, issue.6, p.13731396, 2001.

M. Niyogi-;-belkin, P. Niyogi, P. Besse, and B. Laurent, 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.

P. M. Djuric and S. J. Godsill, 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.

. Dore, Multiple cue adaptive tracking of deformable objects with particle lter, ICIP(International Conference on Image Processing, 2008.

J. Doucet, A. Johansen, and A. M. , 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.

C. Stephens-;-harris, M. Stephens, and . Heikkilä, 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.

E. B. Huey-;-huey, Preliminary experiments in the physiology and psychology of reading, American Journal of Psychology, vol.9, p.575586, 1898.

M. Imbert, La rétine et son fonctionnement, Science Et Vie, issue.216, 2001.

, Condensation -conditional density propagation for visual tracking, IJIP, p.404417, 1995.

R. Kalman-;-kalman, M. P. Kassner, W. R. Patera, and R. Laganiere, 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.

R. Maydt-;-lienhart and J. Maydt, An extended set of haar-like features for rapid object detection, IEEE ICIP 2002, p.91110, 2002.

T. Maenpaa and M. Pietikäinen, Texture analysis with local binary patterns. Handbook of Pattern Recognition and Computer Vision, 2005.

. Martinez, 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.

J. Nakamura, 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.

R. Ortiz-;-ortiz, Freak : Fast retina keypoint, Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), CVPR '12, p.510517, 2012.

K. Pearson and . Pentland, 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.

R. Simon-;-pless and I. Simon, 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.

N. Bircheld-;-rane and S. Bircheld, Isomap tracking with particle lter. ICIP(International Conference on Image Processing, 2007.

C. E. Rasmussen and C. K. Williams, Gaussian processes for machine learning, 2006.

S. T. Saul-;-roweis and L. K. Saul, Nonlinear dimensionality reduction by locally linear embedding, SCIENCE, vol.290, p.23232326, 2000.

. Scott, Visual search, eye movements and display units, human factors report, Journal of Computer Science, 1993.

M. ;. Shi, J. Malik, and J. , Normalized cuts and image segmentation, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2000.

. -anan, C. Hartley-;-silpa-anan, R. Hartley, R. Souvenir, and R. Pless, Optimised kdtrees for fast image descriptor matching, CVPR, vol.25, p.365373, 2007.

D. Sparks, The brainstem control of saccadic eye movements, Nature Reviews : Neuroscience, 2002.

C. Spearman-;-spearman, D. A. Spielman, S. Teng, R. Stiefelhagen, J. Yang et al., 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.

F. Cootes, Active shape models their training and application. Computer vision and image understanding, vol.61, p.3859, 1995.

W. Torgerson-;-torgerson, Multidimensional scaling : I. theory and method. Psychometrica, p.401419, 1952.

P. Jones-;-viola and M. Jones, Robust real-time object detection, Second International Workshop on Statistidal and Computational Theories of Vision-Modeling, Learning, Computing, and Sampling, 2001.

P. Jones-;-viola and M. Jones, L'exploration oculaire. La perception de l'environnement, International Journal of Computer Vision, vol.57, p.161177, 1991.

. Williams, Sparse and semisupervised visual mapping with the s3p, Proc. IEEE CS Conf. Computer Vision and Pattern Recognition, 2006.

T. Wittman and . Xu, A novel approach to real-time non-intrusive gaze nding, Proc. British Machine Vision Conference, 1998.

M. Yang, Extended isomap for pattern classication, Eighteenth national conference on Articial intelligence, p.224229, 2002.

A. Yarbus, G. Young, A. Householder, and . Zhang, 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 &#38 ; mobile eye-based interaction, PETMEI '11, p.914, 2011.

. .. La-méthode-puille-reets, , p.10

, L'apparence des images des yeux par une webcam

, Schéma des champs visuels et coupe schématique horizontale du cerveau, p.15

. .. Le, , p.16

L. and .. .. ,

, Six muscles extra-oculaires

, L'appareil mécanique de l'enregistrement des mouvements oculaires conçu par Huey

L. Technique and . .. Yarbus, , 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.

D. La-technique,

.. .. Modèles-d&apos;oculomètre-À-distance,

.. .. Modèles-de-l&apos;oculomètre-portable,

, Le schéma global des composants dans un système d'oculométrie numérique, p.29

. .. La-méthode-p-cr, , 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

.. .. Les,

, La fonctionnalité "smart scroll" du Samsung Galaxy smartphone, p.36

G. Glass and ;. .. Gg),

O. .. L&apos;environnement-de-l&apos;expérimention-en-utilisant-le-modèle, , 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

. .. Le-schéma-de-quatre, , 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

.. .. Le-schéma-de-la-méthode-de-suivre-des-yeux,

, Exemples de la base de données du visage MUCT et 60 points caractéristiques pour décrire le visage

.. .. Le,

. .. , 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

. .. Résultats-de-eyemapl, , p.55

, Calcul de l'image EyeMap pour diérents exemples de visages, p.55

D. Le-schéma,

, 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

U. and .. .. ,

P. and R. , où R est le rayon du cercle et P est le nombre des pixels espacés régulièrement sur un cercle de rayon R, p.61

.. .. Un-exemple-d&apos;un-motif-non-uniforme, , p.61

R. ). , 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

P. .. , 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

H. .. Le-diagramme-de-dépendance-d&apos;un-modèle, , p.76

L. .. , , p.78

, Approximation particulaire d'une distribution p(x)

.. .. ,

. .. Rééchantillonnage-de-kitagawa,

.. .. Le,

, 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

L. , ÷il (dans le rectangle rouge) en utilisant le descripteur CS-LBP lorsque l'illumination change

L. , ÷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

. .. Le-principe-de-l&apos;acp,

, 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)

L. .. Étapes-de,

, 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

D. B. Dh, G. H. , G. , and .. .. , 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

.. .. Le-schéma-du-modèle,

, Temps de calcul par la classication spectrale en fonction du nombre d'exemples, vol.134

. .. Photomaton-de-l&apos;expérimentation-au-musée-tatihou, , 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

. Tablette and .. .. Smart-home,

V. .. ,

, Le calcul le point (x, y) autour des 4 points par l'interpolation bilinéaire, p.148

, Liste des tableaux

L. .. , 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