| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究的目的及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 疲劳产生机理的研究现状 | 第12-13页 |
| 1.2.2 疲劳识别的研究现状 | 第13-14页 |
| 1.2.3 疲劳识别系统的现状与趋势 | 第14-15页 |
| 1.3 本文的研究内容 | 第15页 |
| 1.4 本文的组织框架 | 第15-17页 |
| 第2章 人脸检测 | 第17-30页 |
| 2.1 经典的人脸检测方法 | 第17-18页 |
| 2.2 人脸的检测 | 第18-26页 |
| 2.2.1 图像预处理 | 第19-21页 |
| 2.2.2 基于双肤色色彩空间的人脸检测 | 第21-23页 |
| 2.2.3 类Haar特征的Ada Boost分类器的人脸检测算法 | 第23-26页 |
| 2.3 实验的算法与分析 | 第26-29页 |
| 2.3.1 环境的选择 | 第27-29页 |
| 2.3.2 人脸位置的选择 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 自适应支持向量机模型 | 第30-40页 |
| 3.1 SVM支持向量机原理 | 第30-35页 |
| 3.1.1 支持向量机SVM模型 | 第30-32页 |
| 3.1.2 SVM非线性可分分类器的构建 | 第32-35页 |
| 3.2 核函数的选择 | 第35-36页 |
| 3.3 局部差异性Ada Boost支持向量机 | 第36-39页 |
| 3.3.1 Ada Boost算法 | 第36-37页 |
| 3.3.2 局部差异性Ada Boost支持向量机 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 眼睛的特征提取与疲劳识别 | 第40-51页 |
| 4.1 人眼检测技术的发展现状 | 第40-41页 |
| 4.2 人眼的定位 | 第41-48页 |
| 4.2.1 积分投影粗定位人眼 | 第41-43页 |
| 4.2.2 最小二乘法曲线拟合原理 | 第43-45页 |
| 4.2.3 改进的瞳孔圆定位算法 | 第45-48页 |
| 4.3 基于差异性Ada Boost支持向量机模型的眼睛疲劳识别 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 嘴巴的特征提取与疲劳识别 | 第51-64页 |
| 5.1 嘴巴检测技术的发展现状 | 第51-52页 |
| 5.2 嘴巴检测定位与特征提取 | 第52-61页 |
| 5.2.1 嘴巴粗定位的算法 | 第53页 |
| 5.2.2 Harris角点算法分析 | 第53-55页 |
| 5.2.3 改进的Harris角点嘴巴的检测算法 | 第55-59页 |
| 5.2.4 嘴巴的轮廓拟合 | 第59-60页 |
| 5.2.5 Harris角点算法与改进的Harris角点算法的比较 | 第60-61页 |
| 5.3 基于差异性Ada Boost支持向量机的嘴巴疲劳识别 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 多信息融合的精神疲劳识别 | 第64-71页 |
| 6.1 信息融合的原理及方案 | 第64-65页 |
| 6.2 基于D-S证据理论的特征融合 | 第65-69页 |
| 6.2.1 D-S原理 | 第66-67页 |
| 6.2.2 D-S证据理论的合成规则 | 第67-69页 |
| 6.3 基于差异性Ada Boost支持向量机的疲劳识别 | 第69-70页 |
| 6.4 本章小结 | 第70-71页 |
| 结论 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第76-77页 |
| 致谢 | 第77-78页 |
