基于面部视觉特征的疲劳检测方法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 主观疲劳检测方法 | 第11-12页 |
| 1.2.2 客观疲劳检测方法 | 第12-13页 |
| 1.2.3 疲劳检测系统现状 | 第13-14页 |
| 1.3 主要研究内容及工作 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第2章 相关技术背景 | 第16-26页 |
| 2.1 疲劳检测状态判定概述 | 第16-17页 |
| 2.1.1 PERCLOS准则 | 第16-17页 |
| 2.1.2 眨眼频率 | 第17页 |
| 2.1.3 嘴的状态 | 第17页 |
| 2.1.4 头部移动状态 | 第17页 |
| 2.2 人工神经网络相关技术概述 | 第17-23页 |
| 2.2.1 神经网络 | 第17-19页 |
| 2.2.2 神经网络优化算法 | 第19-20页 |
| 2.2.3 反向传播算法 | 第20-21页 |
| 2.2.4 卷积神经网络 | 第21-23页 |
| 2.3 深度学习相关技术 | 第23-25页 |
| 2.3.1 数据增广技术 | 第24页 |
| 2.3.2 dropout技术 | 第24-25页 |
| 2.3.3 BN算法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 人脸检测研究 | 第26-38页 |
| 3.1 人脸检测概述 | 第26-27页 |
| 3.2 常用人脸检测算法 | 第27-36页 |
| 3.2.1 Adaboost人脸检测方法 | 第27-31页 |
| 3.2.2 FacenessNet人脸检测方法 | 第31-35页 |
| 3.2.3 实验分析 | 第35-36页 |
| 3.3 本章小结 | 第36-38页 |
| 第4章 基于人脸特征点的疲劳检测算法研究 | 第38-50页 |
| 4.1 人脸特征点检测概述 | 第38-42页 |
| 4.1.1 基于参数化形状模型的方法 | 第39页 |
| 4.1.2 基于非参数形状模型的方法 | 第39-42页 |
| 4.2 基于人脸特征点的疲劳检测算法 | 第42-49页 |
| 4.2.1 人眼疲劳特征检测 | 第43-45页 |
| 4.2.2 嘴疲劳特征检测 | 第45-46页 |
| 4.2.3 融合疲劳信息检测疲劳 | 第46-47页 |
| 4.2.4 实验分析 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 基于深度学习的疲劳检测研究 | 第50-56页 |
| 5.1 基于深度学习的疲劳检测概述 | 第50-51页 |
| 5.2 基于深度学习的疲劳检测 | 第51-55页 |
| 5.2.1 SSD目标检测 | 第51-53页 |
| 5.2.2 人脸部件检测模型的训练 | 第53-55页 |
| 5.2.3 疲劳判定及实验结果分析 | 第55页 |
| 5.3 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56页 |
| 6.2 后续研究展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
