| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-14页 |
| 表目录 | 第14-15页 |
| 图目录 | 第15-18页 |
| 第一章 绪论 | 第18-25页 |
| 1.1 研究背景和意义 | 第18-19页 |
| 1.2 国内外研究现状 | 第19-22页 |
| 1.2.1 疲劳检测的国内外研究现状 | 第20-21页 |
| 1.2.2 运动目标检测与识别的国内外研究现状 | 第21-22页 |
| 1.3 本文的主要研究工作 | 第22-23页 |
| 1.4 本文的组织和结构 | 第23-25页 |
| 第二章 疲劳检测的相关技术背景 | 第25-31页 |
| 2.1 人脸检测技术概述 | 第25-27页 |
| 2.1.1 基于面部重要特征的人脸检测方法 | 第25页 |
| 2.1.2 基于模板匹配的人脸检测方法 | 第25-26页 |
| 2.1.3 基于肤色分割的人脸检测方法 | 第26页 |
| 2.1.4 基于统计理论的人脸检测方法 | 第26-27页 |
| 2.2 人眼检测技术概述 | 第27-28页 |
| 2.2.1 基于模板匹配的人眼检测方法 | 第27-28页 |
| 2.2.1.1 灰度投影模板 | 第27页 |
| 2.2.1.2 几何特征模板 | 第27-28页 |
| 2.2.2 基于统计理论的人眼检测方法 | 第28页 |
| 2.3 OPENCV 简介 | 第28-29页 |
| 2.3.1 OpenCV 的特征 | 第29页 |
| 2.3.2 OpenCV 的功能 | 第29页 |
| 2.4 人眼疲劳的评价标准 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 图像预处理 | 第31-36页 |
| 3.1 灰度化 | 第31-32页 |
| 3.1.1 算法原理 | 第31-32页 |
| 3.1.1.1 分量法 | 第31页 |
| 3.1.1.2 最大值法 | 第31页 |
| 3.1.1.3 平均值法 | 第31-32页 |
| 3.1.1.4 加权平均值法 | 第32页 |
| 3.1.2 灰度化效果 | 第32页 |
| 3.2 直方图均衡化 | 第32-33页 |
| 3.2.1 算法原理 | 第32-33页 |
| 3.2.2 灰度化效果 | 第33页 |
| 3.3 中值滤波 | 第33-34页 |
| 3.3.1 算法原理 | 第33-34页 |
| 3.3.2 中值滤波效果 | 第34页 |
| 3.4 光照补偿 | 第34-35页 |
| 3.4.1 算法原理 | 第34-35页 |
| 3.4.2 光照补偿效果 | 第35页 |
| 3.5 二值化 | 第35页 |
| 3.5.1 算法原理 | 第35页 |
| 3.5.2 二值化效果 | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于 ADABOOST 算法的人脸（眼）检测 | 第36-49页 |
| 4.1 ADABOOST 算法概述 | 第36-41页 |
| 4.1.1 Haar-like 特征 | 第36-37页 |
| 4.1.2 基本的 AdaBoost 算法原理 | 第37-41页 |
| 4.1.2.1 弱分类器 | 第37-38页 |
| 4.1.2.2 强分类器 | 第38-39页 |
| 4.1.2.3 强分类器的级联 | 第39-40页 |
| 4.1.2.4 积分图 | 第40-41页 |
| 4.2 分类器检测结果对比及分析 | 第41-48页 |
| 4.2.1 左眼分类器 | 第41-43页 |
| 4.2.1.1 正确的检测结果 | 第41-42页 |
| 4.2.1.2 包含正确结果的虚警结果 | 第42页 |
| 4.2.1.3 不含正确结果的虚警结果 | 第42页 |
| 4.2.1.4 对比分析 | 第42-43页 |
| 4.2.2 右眼分类器 | 第43-44页 |
| 4.2.2.1 正确的检测结果 | 第43页 |
| 4.2.2.2 包含正确的虚警结果 | 第43-44页 |
| 4.2.2.3 不包含正确的虚警结果 | 第44页 |
| 4.2.2.4 对比分析 | 第44页 |
| 4.2.3 双眼分类器 | 第44-45页 |
| 4.2.3.1 正确的检测结果 | 第44页 |
| 4.2.3.2 包含正确的虚警结果 | 第44-45页 |
| 4.2.3.3 不包含正确的虚警结果 | 第45页 |
| 4.2.3.4 对比分析 | 第45页 |
| 4.2.4 人脸分类器 | 第45-47页 |
| 4.2.4.1 正确的检测结果 | 第45-46页 |
| 4.2.4.2 包含正确的虚警结果 | 第46页 |
| 4.2.4.3 不包含正确的虚警结果 | 第46页 |
| 4.2.4.4 对比分析 | 第46-47页 |
| 4.2.5 综合对比分析 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 改进的 ADABOOST 人眼检测算法 | 第49-52页 |
| 5.1 算法基本思想 | 第49-50页 |
| 5.2 算法流程图 | 第50-51页 |
| 5.3 算法性能分析 | 第51页 |
| 5.3.1 检测效果 | 第51页 |
| 5.3.2 性能分析 | 第51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 人眼状态判别算法 | 第52-58页 |
| 6.1 人眼状态判别算法概述 | 第52-55页 |
| 6.1.1 投影函数法的基本原理 | 第52-54页 |
| 6.1.1.1 二值化水平和垂直积分投影 | 第52-53页 |
| 6.1.1.2 方差投影 | 第53-54页 |
| 6.1.2 投影函数法的优势与不足 | 第54-55页 |
| 6.2 本系统所采用的人眼状态判别算法 | 第55-57页 |
| 6.3 本章小结 | 第57-58页 |
| 第七章 疲劳检测测试结果与分析 | 第58-61页 |
| 7.1 测试结果 | 第58页 |
| 7.2 综合分析 | 第58-59页 |
| 7.3 本章小结 | 第59-61页 |
| 第八章 运动目标检测与识别的相关技术背景 | 第61-66页 |
| 8.1 运动目标检测 | 第61-63页 |
| 8.1.1 背景消除法 | 第61-62页 |
| 8.1.2 三帧差分法 | 第62页 |
| 8.1.3 光流法 | 第62-63页 |
| 8.2 运动目标识别 | 第63-65页 |
| 8.2.1 产生式模型 | 第63-64页 |
| 8.2.2 判别式模型 | 第64-65页 |
| 8.3 本章小结 | 第65-66页 |
| 第九章 基于自适应混合高斯模型的背景提取 | 第66-71页 |
| 9.1 混合高斯背景模型 | 第66-67页 |
| 9.2 混合高斯模型的参数初始化 | 第67页 |
| 9.3 混合高斯模型的参数更新 | 第67-68页 |
| 9.4 背景与前景的分割 | 第68-69页 |
| 9.5 算法执行效果 | 第69-70页 |
| 9.6 本章小结 | 第70-71页 |
| 第十章 改进的基于 SVM 运动目标识别算法 | 第71-79页 |
| 10.1 HOG 特征提取 | 第71-74页 |
| 10.2 自适应的运动目标跟踪窗口 | 第74-75页 |
| 10.3 骨架提取算法 | 第75-76页 |
| 10.4 改进的基于 SVM 运动目标识别算法 | 第76-78页 |
| 10.5 本章小结 | 第78-79页 |
| 第十一章 运动目标检测与识别测试结果与分析 | 第79-82页 |
| 11.1 测试结果 | 第79-80页 |
| 11.2 综合分析 | 第80-81页 |
| 11.3 本章小结 | 第81-82页 |
| 第十二章 总结与展望 | 第82-86页 |
| 12.1 总结 | 第82-83页 |
| 12.2 展望 | 第83-86页 |
| 参考文献 | 第86-89页 |
| 致谢 | 第89-90页 |
| 附件 | 第90页 |