| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 选题背景与研究意义 | 第10-11页 |
| 1.2 国内外疲劳驾驶检测研究现状 | 第11-18页 |
| 1.2.1 基于生理参数的检测 | 第11-13页 |
| 1.2.2 基于机器视觉的检测 | 第13-16页 |
| 1.2.3 基于车辆行为的检测 | 第16-17页 |
| 1.2.4 研究现状小结 | 第17-18页 |
| 1.3 本文研究内容 | 第18-20页 |
| 1.4 本文组织结构 | 第20-21页 |
| 第2章 基于图像特征学习的夜间人脸识别 | 第21-43页 |
| 2.1 Viola-Jones 人脸识别方法概述 | 第21-27页 |
| 2.1.1 AdaBoost 算法 | 第21-23页 |
| 2.1.2 Haar-like 特征 | 第23-27页 |
| 2.1.3 级联分类器 | 第27页 |
| 2.2 Viola-Jones 人脸识别方法改进 | 第27-36页 |
| 2.2.1 Gentle AdaBoost 算法 | 第29-31页 |
| 2.2.2 标准化像素差特征 | 第31-34页 |
| 2.2.3 基于 Gentle AdaBoost 与标准化像素差特征的级联分类器 | 第34-36页 |
| 2.3 基于改进 Viola-Jones 的近红外人脸检测 | 第36-42页 |
| 2.3.1 近红外人脸图像特征 | 第36-38页 |
| 2.3.2 近红外人脸检测器训练 | 第38-40页 |
| 2.3.3 近红外人脸检测效果 | 第40-42页 |
| 2.4 本章小结 | 第42-43页 |
| 第3章 基于近红外图像的眼睛跟踪与嘴巴识别 | 第43-68页 |
| 3.1 基于近红外图像的眼睛定位 | 第43-48页 |
| 3.1.1 眼睛区域粗略定位 | 第43-45页 |
| 3.1.2 眼睛区域精确定位 | 第45-48页 |
| 3.2 融合尺度自适应 Mean-Shift 与 TLD 的眼睛跟踪 | 第48-64页 |
| 3.2.1 TLD跟踪算法分析 | 第48-52页 |
| 3.2.2 TLD跟踪算法实现 | 第52-55页 |
| 3.2.3 Mean-Shift 跟踪算法 | 第55-58页 |
| 3.2.4 尺度自适应 Mean-Shift 跟踪算法 | 第58-61页 |
| 3.2.5 尺度自适应 Mean-Shift 与 TLD 跟踪算法融合 | 第61-62页 |
| 3.2.6 近红外眼睛跟踪效果 | 第62-64页 |
| 3.3 基于近红外图像的嘴巴识别 | 第64-67页 |
| 3.3.1 嘴巴区域粗略定位 | 第65-66页 |
| 3.3.2 嘴巴区域精确定位 | 第66-67页 |
| 3.4 本章小结 | 第67-68页 |
| 第4章 疲劳判别及原型系统设计 | 第68-78页 |
| 4.1 基于眼睑开度计算的疲劳状态分析 | 第68-71页 |
| 4.1.1 眼睑开度计算 | 第68-69页 |
| 4.1.2 PERCLOS疲劳识别 | 第69-71页 |
| 4.2 基于嘴巴哈欠识别的疲劳状态分析 | 第71-73页 |
| 4.2.1 嘴巴轮廓提取 | 第71-72页 |
| 4.2.2 哈欠行为识别 | 第72-73页 |
| 4.3 原型系统设计与实现 | 第73-75页 |
| 4.3.1 系统开发环境 | 第74页 |
| 4.3.2 系统运行界面 | 第74-75页 |
| 4.4 系统测试及结果分析 | 第75-77页 |
| 4.5 本章小结 | 第77-78页 |
| 第5章 总结与展望 | 第78-80页 |
| 5.1 本文工作总结 | 第78-79页 |
| 5.2 未来研究展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 攻读硕士学位期间发表的论文及参加的科研项目 | 第85页 |
