基于视觉特征的疲劳检测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 疲劳驾驶相关概念 | 第10-11页 |
| 1.2.1 疲劳驾驶的定义 | 第10页 |
| 1.2.2 疲劳驾驶的机理分析 | 第10-11页 |
| 1.3 国内外疲劳检测研究现状 | 第11-15页 |
| 1.3.1 基于生理参数的疲劳检测 | 第11-12页 |
| 1.3.2 基于驾驶行为的疲劳检测 | 第12-13页 |
| 1.3.3 基于视觉特征的疲劳检测 | 第13-14页 |
| 1.3.4 几种疲劳检测方法比较 | 第14-15页 |
| 1.4 论文的主要内容及组织结构 | 第15-17页 |
| 1.4.1 论文的主要内容 | 第15页 |
| 1.4.2 论文的组织结构 | 第15-17页 |
| 第二章 人脸检测及关键点定位 | 第17-29页 |
| 2.1 人脸检测算法 | 第17-23页 |
| 2.1.1 Haar-like人脸特征 | 第17-18页 |
| 2.1.2 积分图加速特征值 | 第18-20页 |
| 2.1.3 基于Adaboost的强分类器 | 第20-22页 |
| 2.1.4 Cascade强分类器级联 | 第22-23页 |
| 2.2 人脸关键点定位 | 第23-28页 |
| 2.2.1 ASM的训练过程 | 第23-25页 |
| 2.2.2 ASM的搜索过程 | 第25-27页 |
| 2.2.3 检测验证与优化 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 多视觉疲劳特征的提取及量化 | 第29-41页 |
| 3.1 疲劳视觉特征分析 | 第29-30页 |
| 3.2 眼部疲劳特征提取和量化 | 第30-32页 |
| 3.2.1 眨眼频率 | 第30-31页 |
| 3.2.2 PERCLOS | 第31-32页 |
| 3.3 嘴部疲劳特征提取和量化 | 第32-34页 |
| 3.3.1 打哈欠的频率 | 第32-33页 |
| 3.3.2 打哈欠的总时长 | 第33-34页 |
| 3.4 头部疲劳特征提取和量化 | 第34-36页 |
| 3.4.1 点头的频率 | 第34-35页 |
| 3.4.2 点头的总时长 | 第35-36页 |
| 3.4.3 转头的频率 | 第36页 |
| 3.4.4 转头的总时长 | 第36页 |
| 3.5 实验结果及分析 | 第36-40页 |
| 3.5.1 实验方案设计 | 第36-37页 |
| 3.5.2 实验结果及分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于机器学习的多特征融合疲劳检测 | 第41-57页 |
| 4.1 基于视觉特征的疲劳检测算法 | 第41-43页 |
| 4.1.1 基于单特征的疲劳检测算法 | 第41-42页 |
| 4.1.2 基于模糊理论的多特征融合检测算法 | 第42-43页 |
| 4.2 基于机器学习的多视觉特征融合疲劳检测 | 第43-52页 |
| 4.2.1 机器学习模型及指标 | 第44-47页 |
| 4.2.2 特征选择与评价函数 | 第47-48页 |
| 4.2.3 模型训练验证与筛选 | 第48-50页 |
| 4.2.4 实验结果及分析 | 第50-52页 |
| 4.3 实时疲劳检测系统搭建 | 第52-56页 |
| 4.3.1 检测系统的软硬件平台 | 第52-53页 |
| 4.3.2 系统检测流程及步骤 | 第53-54页 |
| 4.3.3 系统疲劳检测结果分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 本文主要工作总结 | 第57-58页 |
| 5.2 下一步的研究工作和展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 作者攻读硕士期间发表的学术论文目录 | 第65页 |
