基于眼睛状态的驾驶人疲劳检测技术的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题研究的背景及意义 | 第9-11页 |
| ·疲劳驾驶概述 | 第9-10页 |
| ·疲劳检测的意义 | 第10-11页 |
| ·国内外驾驶人疲劳检测的研究现状 | 第11-12页 |
| ·存在的问题及发展趋势 | 第12页 |
| ·本文内容及组织结构 | 第12-14页 |
| ·本文的主要研究内容 | 第12-13页 |
| ·本文的组织结构 | 第13-14页 |
| 第二章 基于DM642的视频系统 | 第14-26页 |
| ·DSP系统开发环境 | 第14-16页 |
| ·CCS集成开发环境 | 第14-15页 |
| ·实时内核DSP/BIOS | 第15-16页 |
| ·系统硬件平台及原理 | 第16-17页 |
| ·视频系统结构及原理 | 第16-17页 |
| ·TMS320DM642简介 | 第17页 |
| ·基于DM642和TVP5150的视频采集系统 | 第17-21页 |
| ·近红外CCD摄像机 | 第18-19页 |
| ·DM642的存储系统 | 第19-20页 |
| ·EDMA数据搬移 | 第20-21页 |
| ·视频驱动程序开发 | 第21-25页 |
| ·FVID类驱动模型 | 第23页 |
| ·基于FVID的DM642驱动设计及使用 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于Haar分类器的人脸检测 | 第26-43页 |
| ·人脸检测和定位方法 | 第26-27页 |
| ·AdaBoost算法概述 | 第27-33页 |
| ·Haar矩形特征及积分图 | 第28-30页 |
| ·基于Haar矩形特征的弱分类器 | 第30页 |
| ·基于AdaBoost算法的强分类器训练 | 第30-31页 |
| ·级联强分类器 | 第31-33页 |
| ·基于Haar分类器的人脸检测 | 第33-42页 |
| ·Haar分类器离线训练 | 第33-36页 |
| ·人脸在线检测 | 第36-41页 |
| ·检测结果与分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 人眼区域检测与定位 | 第43-54页 |
| ·人眼检测与定位方法 | 第43-44页 |
| ·人眼感兴趣区域选取及处理 | 第44-49页 |
| ·中值滤波 | 第45-46页 |
| ·阈值分割 | 第46-48页 |
| ·形态学滤波 | 第48-49页 |
| ·人眼候选区域验证 | 第49-50页 |
| ·基于投影曲线的人眼定位 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 基于PERCLOS的疲劳状态判别 | 第54-61页 |
| ·PERCLOS原理简介 | 第54-56页 |
| ·眼睛睁闭状态识别 | 第55-56页 |
| ·PERCLOS参数的计算 | 第56页 |
| ·基于RF5框架的疲劳检测系统 | 第56-60页 |
| ·疲劳检测算法流程 | 第56-57页 |
| ·基于RF5的程序框架设计 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| ·工作总结 | 第61-62页 |
| ·工作展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士期间的主要研究成果 | 第69页 |
