| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.1.1 疲劳检测的研究背景及意义 | 第8-9页 |
| 1.1.2 疲劳检测的几种方式 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 疲劳检测研究现状 | 第10-11页 |
| 1.2.2 目标跟踪研究现状 | 第11-12页 |
| 1.3 论文研究的主要内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第2章 人脸检测与定位 | 第14-29页 |
| 2.1 面部检测技术概述 | 第14-16页 |
| 2.2 图像的预处理 | 第16-19页 |
| 2.2.1 中值滤波 | 第16-18页 |
| 2.2.2 光照补偿 | 第18-19页 |
| 2.3 基于肤色人脸区域预分割 | 第19-23页 |
| 2.4 Adaboost算法人脸检测 | 第23-28页 |
| 2.4.1 Haar-like特征 | 第23-25页 |
| 2.4.2 训练haar分类器 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 人脸跟踪与面部特征检测 | 第29-42页 |
| 3.1 MeanShift跟踪算法 | 第29-35页 |
| 3.1.1 MeanShift跟踪原理 | 第29-31页 |
| 3.1.2 MeanShift跟踪过程 | 第31-34页 |
| 3.1.3 MeanShift跟踪结果 | 第34-35页 |
| 3.2 Kalman滤波器 | 第35-37页 |
| 3.2.1 Kalman滤波器原理 | 第35-36页 |
| 3.2.2 Kalman人脸跟踪 | 第36-37页 |
| 3.3 融合改进的MeanShift与 Kalman跟踪算法 | 第37-39页 |
| 3.3.1 改进的MeanShift算法 | 第37-39页 |
| 3.3.2 融合改进的MeanShift与 Kalman算法 | 第39页 |
| 3.4 面部跟踪结果分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 面部特征检测和疲劳状态判断 | 第42-54页 |
| 4.1 面部特征检测 | 第42-45页 |
| 4.1.1 人眼检测 | 第42-43页 |
| 4.1.2 嘴巴检测 | 第43-45页 |
| 4.1.3 面部特征检测结果分析 | 第45页 |
| 4.2 面部特征状态识别 | 第45-48页 |
| 4.2.1 人眼状态识别 | 第45-48页 |
| 4.2.2 嘴巴状态识别 | 第48页 |
| 4.3 基于PERCLOS的疲劳判断 | 第48-52页 |
| 4.3.1 PERCLOS方法简介 | 第48-49页 |
| 4.3.2 根据PERCLOS准则判断疲劳状态 | 第49-50页 |
| 4.3.3 其他疲劳判断依据 | 第50-52页 |
| 4.4 系统实验结果分析 | 第52-53页 |
| 4.4.1 系统软件平台 | 第52页 |
| 4.4.2 结果分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 全文总结与展望 | 第54-56页 |
| 5.1 本文的主要工作 | 第54页 |
| 5.2 工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60页 |