基于人脸特征点的驾驶员疲劳检测算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景意义 | 第10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-14页 |
| 1.2.1 国内外研究现状 | 第10-12页 |
| 1.2.2 发展趋势 | 第12-14页 |
| 1.3 论文主要内容及结构安排 | 第14-16页 |
| 第2章 人脸检测 | 第16-26页 |
| 2.1 Haar-like特征 | 第16-17页 |
| 2.2 HOG特征 | 第17-18页 |
| 2.3 Adaboost级联算法 | 第18-21页 |
| 2.3.1 训练弱分类器 | 第18-20页 |
| 2.3.2 训练强分类器 | 第20-21页 |
| 2.3.3 强分类器级联 | 第21页 |
| 2.4 人脸检测算法 | 第21-24页 |
| 2.4.1 改进的人脸检测算法 | 第21-22页 |
| 2.4.2 实验结果对比 | 第22-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 基于人脸特征点的疲劳特征提取 | 第26-38页 |
| 3.1 主动形状模型 | 第26-29页 |
| 3.1.1 主动形状模型训练 | 第26-28页 |
| 3.1.2 主动形状模型特征点搜索 | 第28-29页 |
| 3.2 主动外观模型 | 第29-31页 |
| 3.2.1 统计形状模型 | 第29-30页 |
| 3.2.2 统计纹理模型 | 第30-31页 |
| 3.3 回归树级联 | 第31-37页 |
| 3.3.1 回归树级联 | 第32页 |
| 3.3.2 学习回归函数 | 第32-33页 |
| 3.3.3 基于回归的树 | 第33-35页 |
| 3.3.4 处理缺失标签 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 疲劳检测算法 | 第38-44页 |
| 4.1 改进的PERCLOS算法 | 第38-40页 |
| 4.1.1 PERCLOS算法 | 第38页 |
| 4.1.2 改进的PERCLOS算法 | 第38-40页 |
| 4.2 模糊神经网络系统 | 第40-42页 |
| 4.3 疲劳检测算法 | 第42页 |
| 4.4 本章小节 | 第42-44页 |
| 第5章 系统实验框架与结果分析 | 第44-50页 |
| 5.1 系统实验框架 | 第44-46页 |
| 5.2 实验结果与分析 | 第46-49页 |
| 5.3 本章小节 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
