| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 论文的章节安排 | 第13-15页 |
| 第2章 基于视频的人脸定位 | 第15-30页 |
| 2.1 基于视频人脸定位的难点 | 第15页 |
| 2.2 图像预处理 | 第15-17页 |
| 2.3 基于视频的人脸定位算法概述 | 第17-19页 |
| 2.4 Adaboost算法介绍 | 第19-24页 |
| 2.4.1 Haar-Like特征介绍 | 第21-22页 |
| 2.4.2 积分图介绍 | 第22-23页 |
| 2.4.3 级联分类器介绍 | 第23-24页 |
| 2.5 Adaboost算法的优化 | 第24-26页 |
| 2.5.1 弱分类器的优化 | 第24-26页 |
| 2.5.2 强分类器的优化 | 第26页 |
| 2.6 实验结果与分析 | 第26-28页 |
| 2.7 本章小结 | 第28-30页 |
| 第3章 人脸特征点提取 | 第30-41页 |
| 3.1 人脸特征点提取方法概述 | 第30-33页 |
| 3.1.1 基于先验规则的方法 | 第30-31页 |
| 3.1.2 基于灰度信息的方法 | 第31页 |
| 3.1.3 基于几何形状的方法 | 第31-32页 |
| 3.1.4 基于小波的方法 | 第32-33页 |
| 3.2 ASM人脸特征点提取方法介绍 | 第33-34页 |
| 3.3 基于SDM算法的人脸特征点提取 | 第34-37页 |
| 3.4 SDM算法的优化 | 第37-39页 |
| 3.5 驾驶员眼睛、嘴巴的提取 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 疲劳驾驶行为判定 | 第41-51页 |
| 4.1 PERCLOS疲劳驾驶状态判定 | 第41-44页 |
| 4.1.1 PERCLOS算法理论 | 第41-43页 |
| 4.1.2 PERCLOS疲劳驾驶行为检测程序设计 | 第43-44页 |
| 4.1.3 PERCLOS疲劳驾驶判定实验结果及分析 | 第44页 |
| 4.2 基于眨眼频率的疲劳驾驶状态判定 | 第44-47页 |
| 4.2.1 眨眼频率与疲劳状态的关系 | 第44-45页 |
| 4.2.2 基于眨眼频率的疲劳检测程序设计 | 第45-46页 |
| 4.2.3 基于眨眼频率的疲劳驾驶判定实验结果及分析 | 第46-47页 |
| 4.3 基于哈欠频率的疲劳驾驶判定 | 第47-49页 |
| 4.3.1 哈欠频率与疲劳状态的关系 | 第47-48页 |
| 4.3.2 基于哈欠频率的疲劳检测程序设计 | 第48页 |
| 4.3.3 测试结果及分析 | 第48-49页 |
| 4.4 多参数综合判定疲劳行为 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 疲劳驾驶行为检测算法实现 | 第51-55页 |
| 5.1 软件开发环境介绍 | 第51页 |
| 5.2 软件开发平台介绍 | 第51-52页 |
| 5.3 系统结构与流程 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 主要研究工作总结 | 第55页 |
| 6.2 本课题展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-61页 |
| 致谢 | 第61页 |
