| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-19页 |
| ·课题研究背景和意义 | 第9-11页 |
| ·国内外疲劳检测技术的研究现状 | 第11-16页 |
| ·基于驾驶员生理参数的检测方法 | 第11-12页 |
| ·基于驾驶员行为特征的检测方法 | 第12-13页 |
| ·基于车辆行为的检测方法 | 第13-14页 |
| ·国内外驾驶疲劳检测发展成果 | 第14-16页 |
| ·本文研究内容 | 第16-17页 |
| ·本文结构安排 | 第17-19页 |
| 2 疲劳特征提取和分类相关技术 | 第19-25页 |
| ·引言 | 第19页 |
| ·模式识别技术 | 第19-20页 |
| ·模式识别思想 | 第19页 |
| ·模式识别系统 | 第19-20页 |
| ·疲劳特征提取相关技术 | 第20-22页 |
| ·几何特征提取 | 第21页 |
| ·外观特征提取 | 第21-22页 |
| ·动态特征提取 | 第22页 |
| ·疲劳特征分类相关技术 | 第22-24页 |
| ·分类器思想 | 第22-23页 |
| ·分类器技术 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 基于HAAR-LIKE特征和ADABOOST算法的人脸检测 | 第25-47页 |
| ·引言 | 第25页 |
| ·基于HAAR-LIKE特征和ADABOOST算法的人脸检测方法 | 第25-40页 |
| ·Adaboost算法思想 | 第25-28页 |
| ·Haar-like矩形特征 | 第28-33页 |
| ·Adaboost分类器设计 | 第33-35页 |
| ·Adaboost算法的检测过程 | 第35-36页 |
| ·实验结果和分析 | 第36-40页 |
| ·人脸检测方法的优化 | 第40-45页 |
| ·Haar-like矩形特征的扩展 | 第40-42页 |
| ·实验结果比较与分析 | 第42-45页 |
| ·本章小结 | 第45-47页 |
| 4 基于MLBP-HF特征和SVM的驾驶员疲劳检测 | 第47-69页 |
| ·引言 | 第47页 |
| ·基于MLBP特征和SVM的疲劳检测方法 | 第47-62页 |
| ·局部二进制模式(LBP) | 第47-52页 |
| ·多尺度局部二进制模式(MLBP)特征 | 第52-53页 |
| ·SVM种类和标准分类步骤 | 第53-58页 |
| ·基于MLBP特征和SVM的疲劳检测过程 | 第58-61页 |
| ·实验结果和分析 | 第61-62页 |
| ·疲劳检测方法的优化 | 第62-67页 |
| ·利用傅立叶变换扩展MLBP特征 | 第62-65页 |
| ·实验结果比较与分析 | 第65-67页 |
| ·本章小结 | 第67-69页 |
| 5 总结与展望 | 第69-71页 |
| 参考文献 | 第71-79页 |
| 攻读学位期间主要的研究成果 | 第79-81页 |
| 致谢 | 第81页 |
