| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 接触式驾驶姿态识别方法 | 第9-10页 |
| 1.2.2 非接触式的基于计算机视觉的驾驶姿态识别方法 | 第10-12页 |
| 1.3 本文内容安排及技术路线 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 基于可变形部件模型的驾驶姿态区域检测方法 | 第14-34页 |
| 2.1 驾驶姿态图像集采集 | 第14-16页 |
| 2.1.1 Kaggle驾驶姿态图像集 | 第14-15页 |
| 2.1.2 SEU驾驶姿态图像集 | 第15-16页 |
| 2.2 基于DPM的驾驶姿态区域检测方法 | 第16-26页 |
| 2.2.1 驾驶姿态区域 | 第16-17页 |
| 2.2.2 可变形部件模型理论分析 | 第17-18页 |
| 2.2.3 增强的HOG特征提取 | 第18-21页 |
| 2.2.4 驾驶姿态区域检测模型训练 | 第21-24页 |
| 2.2.5 驾驶姿态区域检测 | 第24-26页 |
| 2.3 其他基于驾驶姿态区域的检测方法 | 第26-29页 |
| 2.3.1 基于HOG特征及SVM分类器的检测方法 | 第26-28页 |
| 2.3.2 基于Haar特征及Adaboost的检测方法 | 第28页 |
| 2.3.3 基于LBP特征及Adaboost的目标检测方法 | 第28-29页 |
| 2.4 实验分析 | 第29-30页 |
| 2.5 驾驶姿态区域图像集构建 | 第30-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 基于全局可变形部件模型特征的驾驶姿态识别方法 | 第34-46页 |
| 3.1 基于全局DPM特征的驾驶姿态识别方法 | 第34-37页 |
| 3.1.1 DPM得分模型 | 第34-36页 |
| 3.1.2 DPM特征提取及分类 | 第36-37页 |
| 3.2 其他驾驶姿态识别方法 | 第37-42页 |
| 3.2.1 基于肤色特征和RF分类器的驾驶姿态识别方法 | 第37-38页 |
| 3.2.2 基于HOG特征及SVM分类器的驾驶姿态识别方法 | 第38-39页 |
| 3.2.3 基于Gabor特征及SVM分类器的驾驶姿态识别方法 | 第39-40页 |
| 3.2.4 基于LBP特征及SVM的驾驶姿态识别方法 | 第40-42页 |
| 3.3 实验分析 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于局部可变形部件模型融合特征的驾驶姿态识别方法 | 第46-64页 |
| 4.1 驾驶姿态核心区域检测方法 | 第46-56页 |
| 4.1.1 驾驶姿态核心区域定义 | 第46-47页 |
| 4.1.2 驾驶姿态核心区域DPCA检测 | 第47-54页 |
| 4.1.3 检测性能 | 第54页 |
| 4.1.4 驾驶姿态核心区域图像集构建 | 第54-56页 |
| 4.2 局部DPM融合特征提取 | 第56-58页 |
| 4.2.1 DPM得分模型 | 第56-57页 |
| 4.2.2 DPM融合特征 | 第57-58页 |
| 4.3 分类方法 | 第58-60页 |
| 4.3.1 支持向量机 | 第58-59页 |
| 4.3.2 随机森林 | 第59页 |
| 4.3.3 XGBoost | 第59-60页 |
| 4.4 实验分析 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者简介 | 第72页 |
