基于主动形状模型的多特征融合驾驶员疲劳检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 疲劳驾驶检测研究现状 | 第11-16页 |
| 1.2.1 基于车辆行为的检测方法 | 第12-13页 |
| 1.2.2 基于驾驶员生理信号的检测方法 | 第13-14页 |
| 1.2.3 基于驾驶员生理反应的检测方法 | 第14-16页 |
| 1.3 本文主要的研究内容 | 第16-19页 |
| 第2章 图像预处理及人脸定位 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 图像滤波处理 | 第19-22页 |
| 2.2.1 均值滤波 | 第19-21页 |
| 2.2.2 中值滤波 | 第21-22页 |
| 2.3 颜色空间 | 第22-24页 |
| 2.3.1 RGB颜色空间 | 第22-23页 |
| 2.3.2 归一化RGB颜色空间 | 第23页 |
| 2.3.3 HSV颜色空间 | 第23-24页 |
| 2.3.4 YCbCr颜色空间 | 第24页 |
| 2.4 类Haar特征 | 第24-28页 |
| 2.4.1 类Haar特征简介 | 第24-26页 |
| 2.4.2 Haar特征的计算 | 第26-28页 |
| 2.5 积分图 | 第28-30页 |
| 2.6 Adaboost算法 | 第30-34页 |
| 2.7 本章小结 | 第34-35页 |
| 第3章 基于主动形状模型的人脸特征定位 | 第35-44页 |
| 3.1 引言 | 第35页 |
| 3.2 人脸主动形状模型训练 | 第35-40页 |
| 3.2.1 形状向量的提取 | 第35-36页 |
| 3.2.2 人脸形状向量的归一化处理 | 第36-38页 |
| 3.2.3 人脸主动形状模型的主成分降维 | 第38-39页 |
| 3.2.4 构造局部灰度模型 | 第39-40页 |
| 3.3 主动形状模型的匹配 | 第40-42页 |
| 3.3.1 建立初始模型 | 第40页 |
| 3.3.2 局部搜索特征点的位置 | 第40-41页 |
| 3.3.3 主动形状模型参数调整 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 疲劳特征参数的获取 | 第44-50页 |
| 4.1 引言 | 第44页 |
| 4.2 面部疲劳状态参数 | 第44-45页 |
| 4.2.1 面部疲劳状态参数的选取 | 第44-45页 |
| 4.2.2 疲劳状态参数的初始化 | 第45页 |
| 4.3 疲劳特征参数 | 第45-49页 |
| 4.3.1 PERCLOS特征参数 | 第45-47页 |
| 4.3.2 AECS特征参数 | 第47-48页 |
| 4.3.3 哈欠频率特征参数 | 第48页 |
| 4.3.4 点头频率特征参数 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 疲劳程度分类算法 | 第50-59页 |
| 5.1 引言 | 第50页 |
| 5.2 神经网络 | 第50-54页 |
| 5.3 模糊集合 | 第54-55页 |
| 5.4 基于自适应神经模糊推理系统的疲劳识别 | 第55-57页 |
| 5.5 本章小结 | 第57-59页 |
| 总结与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录A 攻读学位期间的研究成果 | 第66页 |
