基于深度学习的驾驶疲劳检测应用的设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 国外研究现状 | 第12-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 论文的主要研究内容 | 第16-17页 |
| 1.4 论文的结构 | 第17-18页 |
| 第2章 疲劳驾驶图像检测基础方法 | 第18-26页 |
| 2.1 人脸检测算法 | 第18-20页 |
| 2.1.1 基于先验知识的方法 | 第19页 |
| 2.1.2 基于特征的方法 | 第19-20页 |
| 2.1.3 基于统计学习的方法 | 第20页 |
| 2.2 人体目标跟踪算法 | 第20-24页 |
| 2.2.1 小波运动跟踪方法 | 第21页 |
| 2.2.2 区域物体跟踪方法 | 第21-22页 |
| 2.2.3 轮廓物体跟踪方法 | 第22-23页 |
| 2.2.4 网格物体跟踪方法 | 第23页 |
| 2.2.5 模型物体跟踪方法 | 第23-24页 |
| 2.2.6 变形模板物体跟踪方法 | 第24页 |
| 2.2.7 分割和描述符物体跟踪算法 | 第24页 |
| 2.3 眼睛检测算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 深度学习模型介绍 | 第26-40页 |
| 3.1 深度置信网络 | 第26-32页 |
| 3.1.1 RBM模型 | 第27-29页 |
| 3.1.2 RBM训练算法 | 第29-30页 |
| 3.1.3 深度信念网络 | 第30-31页 |
| 3.1.4 DBN训练算法 | 第31-32页 |
| 3.2 卷积神经网络 | 第32-37页 |
| 3.2.1 模型 | 第32-36页 |
| 3.2.2 分层无监督特征学习 | 第36页 |
| 3.2.3 卷积神经网络训练 | 第36-37页 |
| 3.3 栈式自编码网络 | 第37-39页 |
| 3.3.1 自编码模型 | 第37-38页 |
| 3.3.2 激活函数 | 第38-39页 |
| 3.3.3 栈式自编码网络 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于深度信任网络的驾驶员疲劳检测算法 | 第40-49页 |
| 4.1 基于图像的疲劳特征提取 | 第41-46页 |
| 4.1.1 面部疲劳特征提取 | 第41-42页 |
| 4.1.2 眼睛疲劳特征提取 | 第42-45页 |
| 4.1.3 头部位置特征提取 | 第45-46页 |
| 4.2 基于深度信任网络的驾驶员疲劳检测算法 | 第46-48页 |
| 4.2.1 面部、眼部、头部动作检测数据集的建立 | 第46页 |
| 4.2.2 因变量向量 | 第46-47页 |
| 4.2.3 基于DBN的疲劳驾驶判别模型 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 驾驶员疲劳检测系统设计及验证 | 第49-57页 |
| 5.1 开发环境所需应用介绍 | 第49-50页 |
| 5.2 硬件设施 | 第50-51页 |
| 5.3 系统程序实现及参数选择 | 第51-53页 |
| 5.3.1 系统程序实现 | 第51-53页 |
| 5.3.2 参数选择及数据集 | 第53页 |
| 5.4 实验结果与分析 | 第53-56页 |
| 5.4.1 对比验证模型 | 第53-54页 |
| 5.4.2 BP-ANN | 第54页 |
| 5.4.3 对比验证结果 | 第54-55页 |
| 5.4.4 参数优化 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-58页 |
| 6.1 全文总结 | 第57页 |
| 6.2 展望 | 第57-58页 |
| 附录 部分核心代码 | 第58-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68页 |
