| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 论文的研究背景和意义 | 第10-11页 |
| 1.2 疲劳状态识别的国内外现状与发展趋势 | 第11-16页 |
| 1.2.1 主观评价方法 | 第11-12页 |
| 1.2.2 客观评价方法 | 第12-16页 |
| 1.3 疲劳状态识别存在问题及发展趋势 | 第16-17页 |
| 1.4 主要研究内容 | 第17-20页 |
| 第2章 人脸检测与面部疲劳显著变形区域定位 | 第20-38页 |
| 2.1 人脸图像预处理 | 第20-26页 |
| 2.1.1 人脸图像光线补偿 | 第20-24页 |
| 2.1.2 图像去噪 | 第24-26页 |
| 2.2 人脸检测 | 第26-31页 |
| 2.2.1 人脸检测概述 | 第26-28页 |
| 2.2.2 基于肤色信息的人脸检测 | 第28-31页 |
| 2.3 疲劳显著变形区域定位 | 第31-37页 |
| 2.3.1 人脸器官定位分割方法 | 第31-33页 |
| 2.3.2 基于后验概率可变形模型的显著变形部位定位 | 第33-36页 |
| 2.3.3 “三庭五眼”显著变形区域定位 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第3章 融合PHOG和金字塔SVTP的人脸疲劳特征提取 | 第38-54页 |
| 3.1 特征提取方法 | 第38-39页 |
| 3.2 基于PHOG和SVTP的疲劳特征提取 | 第39-49页 |
| 3.2.1 PHOG疲劳特征提取 | 第39-42页 |
| 3.2.2 SVTP疲劳特征提取 | 第42-47页 |
| 3.2.3 金字塔SVTP特征提取 | 第47-49页 |
| 3.2.4 融合PHOG和金字塔SVTP的疲劳特征提取 | 第49页 |
| 3.3 实验结果分析 | 第49-53页 |
| 3.3.1 金字塔SVTP算子的尺寸大小选取 | 第50-52页 |
| 3.3.2 融合特征的识别率及运行时间分析 | 第52-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 基于稀疏形变模型的疲劳状态分类识别算法 | 第54-66页 |
| 4.1 疲劳状态分类识别方法 | 第54-55页 |
| 4.2 疲劳人脸图像的形变模型表示 | 第55-57页 |
| 4.2.1 形变模型建立 | 第55-56页 |
| 4.2.2 疲劳人脸形变模型表示 | 第56-57页 |
| 4.3 基于稀疏形变模型的疲劳状态分类 | 第57-60页 |
| 4.3.1 在线字典学习提取过完备基函数矩阵 | 第57-59页 |
| 4.3.2 疲劳人脸图像的稀疏形变模型表示 | 第59页 |
| 4.3.3 基于稀疏形变模型的的疲劳状态分类识别 | 第59-60页 |
| 4.4 融合时间窗优化识别 | 第60-62页 |
| 4.4.1 贝叶斯理论 | 第60-61页 |
| 4.4.2 基于贝叶斯的时间窗疲劳状态分类识别 | 第61-62页 |
| 4.5 实验仿真 | 第62-65页 |
| 4.5.1 单帧图像疲劳状态识别 | 第63-65页 |
| 4.5.2 基于时间窗的疲劳状态识别 | 第65页 |
| 4.6 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士期间发表的论文和取得的科研成果 | 第74-76页 |
| 致谢 | 第76页 |
