| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 本文的研究背景 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 驾驶行为检测方法及分类 | 第13-14页 |
| 1.2.2 基于计算机视觉检测方法的研究现状 | 第14页 |
| 1.2.3 现有研究存在的一些问题 | 第14-15页 |
| 1.3 本文的内容与结构 | 第15-17页 |
| 第2章 深度学习理论 | 第17-30页 |
| 2.1 概述 | 第17-18页 |
| 2.2 神经网络模型 | 第18-23页 |
| 2.2.1 神经元 | 第18-19页 |
| 2.2.2 神经网络模型 | 第19-21页 |
| 2.2.3 BP算法 | 第21-23页 |
| 2.3 卷积神经网络 | 第23-29页 |
| 2.3.1 CNN基本结构 | 第23页 |
| 2.3.2 卷积操作 | 第23-25页 |
| 2.3.3 池化操作 | 第25页 |
| 2.3.4 AlexNet | 第25-27页 |
| 2.3.5 其他常见CNN | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于Yolo的头部检测和分类方法 | 第30-43页 |
| 3.1 头部检测方法概述 | 第30-36页 |
| 3.1.1 概述 | 第30页 |
| 3.1.2 RCNN | 第30-31页 |
| 3.1.3 SPP-Net | 第31-32页 |
| 3.1.4 Fast-RCNN | 第32-34页 |
| 3.1.5 Faster-RCNN | 第34-35页 |
| 3.1.6 Yolo | 第35-36页 |
| 3.2 基于Yolo算法的头部检测 | 第36-38页 |
| 3.2.1 算法流程 | 第36-37页 |
| 3.2.2 网络结构设计 | 第37-38页 |
| 3.3 基于CNN的头部状态分类 | 第38-39页 |
| 3.3.1 网络结构设计 | 第38-39页 |
| 3.4 实验过程与分析 | 第39-42页 |
| 3.4.1 实验平台和数据集 | 第39页 |
| 3.4.2 头部位置检测 | 第39-40页 |
| 3.4.3 实验结果与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于TinyPose的姿态识别和分类方法 | 第43-57页 |
| 4.1 姿态检测方法概述 | 第43-46页 |
| 4.1.1 概述 | 第43页 |
| 4.1.2 OpenPose | 第43-46页 |
| 4.2 基于TinyPose的姿态识别方法 | 第46-48页 |
| 4.2.1 算法流程 | 第46-47页 |
| 4.2.2 网络结构设计 | 第47页 |
| 4.2.3 关键点检测 | 第47-48页 |
| 4.3 基于BP的驾驶员姿态分类 | 第48-51页 |
| 4.3.1 网络结构设计 | 第48-49页 |
| 4.3.2 优化器选择 | 第49-51页 |
| 4.4 实验过程与分析 | 第51-56页 |
| 4.4.1 实验平台与数据集 | 第51页 |
| 4.4.2 实验对比OpenPose和TinyPose网络 | 第51-53页 |
| 4.4.3 基于TinyPose网络提取关键点信息 | 第53页 |
| 4.4.4 实验结果与分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 总结和展望 | 第57-58页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-65页 |
| 作者简介及在学期间取得的科研成果 | 第65-66页 |
| 致谢 | 第66页 |