| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 课题研究及意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于生理信号的驾驶员疲劳检测 | 第14-15页 |
| 1.2.2 基于车辆行为的驾驶员疲劳检测 | 第15-16页 |
| 1.2.3 基于驾驶员脸部特征的疲劳检测 | 第16-17页 |
| 1.3 当前存在的问题 | 第17-18页 |
| 1.4 本文的研究内容 | 第18-19页 |
| 1.5 本文的组织结构 | 第19-21页 |
| 第2章 图像预处理 | 第21-28页 |
| 2.1 光照对人脸图像的影响 | 第21-23页 |
| 2.2 图像预处理概述 | 第23-27页 |
| 2.2.1 图像光补偿 | 第23-25页 |
| 2.2.2 图像灰度化 | 第25页 |
| 2.2.3 图像降噪 | 第25-27页 |
| 2.3 图像预处理流程及实验验证 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 驾驶员面部检测到人眼提取 | 第28-47页 |
| 3.1 驾驶员面部检测 | 第28-37页 |
| 3.1.1 人脸检测方法概述 | 第28-30页 |
| 3.1.2 基于Haar-like特征的Adaboost的检测算法 | 第30-37页 |
| 3.2 基于集成回归树的人脸关键点检测 | 第37-40页 |
| 3.3 眼部区域定位与提取 | 第40-41页 |
| 3.4 实验与结果分析 | 第41-46页 |
| 3.4.1 数据采集与数据集 | 第41-44页 |
| 3.4.2 人眼区域提取过程 | 第44-45页 |
| 3.4.3 实验结果分析 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于卷积神经网络的人眼状态识别 | 第47-58页 |
| 4.1 卷积神经网络 | 第47-51页 |
| 4.1.1 卷积神经网络的算法特性 | 第47-49页 |
| 4.1.2 卷积神经网络的结构 | 第49-51页 |
| 4.2 实验结果与分析 | 第51-57页 |
| 4.2.1 数据集 | 第51-52页 |
| 4.2.2 网络结构 | 第52页 |
| 4.2.3 实验和结果分析 | 第52-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第5章 驾驶员疲劳检测 | 第58-64页 |
| 5.1 疲劳参数与疲劳判定 | 第58-62页 |
| 5.1.1 疲劳参数 | 第58-61页 |
| 5.1.2 疲劳判定阈值选取 | 第61-62页 |
| 5.2 实验与结果分析 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72页 |