基于机器视觉和握力波动的疲劳驾驶研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 基于驾驶员行为特征的疲劳检测技术 | 第11页 |
| 1.2.2 基于驾驶员生理特征的疲劳检测技术 | 第11-13页 |
| 1.2.3 基于车辆行为特征的疲劳检测技术 | 第13页 |
| 1.2.4 三种检测方法的对比 | 第13-14页 |
| 1.3 基于握力与机器视觉的疲劳驾驶检测系统设计 | 第14-16页 |
| 1.4 论文的研究内容和创新点 | 第16-17页 |
| 1.5 论文的章节安排 | 第17-19页 |
| 第二章 基于线性动力系统模型的握力特征提取 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 握力的时域特征 | 第19-20页 |
| 2.3 压力提取 | 第20-28页 |
| 2.3.1 传感器矫正 | 第20-22页 |
| 2.3.2 压力数据提取 | 第22-23页 |
| 2.3.3 特征平滑过滤 | 第23-24页 |
| 2.3.4 基于线性动力系统模型的平滑方法 | 第24-28页 |
| 2.4 小结 | 第28-29页 |
| 第三章 人脸定位技术在疲劳检测中的应用 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 人脸检测技术概述 | 第30-32页 |
| 3.3 级联Adaboost的研究与实现 | 第32-40页 |
| 3.3.1 Haar-like特征 | 第33-38页 |
| 3.3.2 人脸检测的预处理 | 第38页 |
| 3.3.3 Adaboost的分类器训练 | 第38-40页 |
| 3.4 小结 | 第40-41页 |
| 第四章 基于改进主动形状模型的视觉特征提取 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 经典OSTU算法提取特征的不足 | 第41-42页 |
| 4.3 改进的主动形状模型算法 | 第42-51页 |
| 4.3.1 主动形状模型 | 第42-44页 |
| 4.3.2 ASM的形状模型 | 第44-45页 |
| 4.3.3 ASM的轮廓模型 | 第45-47页 |
| 4.3.4 多分辨率搜索 | 第47页 |
| 4.3.5 二维轮廓模型 | 第47-51页 |
| 4.4 基于改进的ASM算法仿真分析 | 第51-54页 |
| 4.5 小结 | 第54-55页 |
| 第五章 基于模糊控制的多疲劳特征融合 | 第55-66页 |
| 5.1 引言 | 第55页 |
| 5.2 多信息融合综述 | 第55-57页 |
| 5.2.1 多信息融合的介绍 | 第55-56页 |
| 5.2.2 图像和握力信息融合算法的选择 | 第56-57页 |
| 5.3 模糊推理系统 | 第57-61页 |
| 5.4 模糊算法仿真分析 | 第61-65页 |
| 5.4.1 仿真环境 | 第61-62页 |
| 5.4.2 模糊语义表与模糊规则 | 第62-64页 |
| 5.4.3 与现有方法对比 | 第64-65页 |
| 5.4.4 结论 | 第65页 |
| 5.5 小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-75页 |
| 致谢 | 第75-76页 |
| 附录：攻读硕士期间发表的论文和专利 | 第76页 |
