基于机器视觉的校车安全监测系统
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-19页 |
| 1.1 课题的提出 | 第11-13页 |
| 1.2 关键技术及研究现状 | 第13-17页 |
| 1.2.1 乘客考勤 | 第13-16页 |
| 1.2.2 驾驶员异常检测 | 第16-17页 |
| 1.2.3 乘客异常检测 | 第17页 |
| 1.3 究目标与内容 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 2 校车考勤系统算法设计 | 第19-40页 |
| 2.1 技术原理分析 | 第19-21页 |
| 2.2 人脸检测算法设计 | 第21-38页 |
| 2.2.1 生成检测子窗口 | 第23-24页 |
| 2.2.2 特征选择 | 第24-28页 |
| 2.2.2.1 Haar特征 | 第24-26页 |
| 2.2.2.2 LBP特征 | 第26-28页 |
| 2.2.2.3 两种特征的比较 | 第28页 |
| 2.2.3 分类器的构建 | 第28-32页 |
| 2.2.3.1 Adaboost分类器 | 第29-30页 |
| 2.2.3.2 弱分类器 | 第30-32页 |
| 2.2.3.3 分类器级联 | 第32页 |
| 2.2.4 样本的选择和分类器的训练 | 第32-34页 |
| 2.2.5 多窗口融合 | 第34-35页 |
| 2.2.6 人脸检测算法优化 | 第35-37页 |
| 2.2.7 检测结果 | 第37-38页 |
| 2.3 基于FACE++的人脸识别 | 第38-40页 |
| 2.3.1 FACE++使用中的问题 | 第38-39页 |
| 2.3.2 人脸识别效果 | 第39-40页 |
| 3 驾驶员异常状态检测算法设计 | 第40-59页 |
| 3.1 异常检测标准 | 第40-44页 |
| 3.1.1 PERCLOS值 | 第40-43页 |
| 3.1.2 闭眼持续时间 | 第43页 |
| 3.1.3 驾驶中通话 | 第43-44页 |
| 3.2 卷积神经网络算法 | 第44-52页 |
| 3.2.1 人工神经网络 | 第44-48页 |
| 3.2.1.1 感知器 | 第44-47页 |
| 3.2.1.2 多层前馈网络和BP算法 | 第47-48页 |
| 3.2.2 卷积神经网络 | 第48-52页 |
| 3.2.2.1 卷积神经网络结构 | 第49-51页 |
| 3.2.2.2 卷积层的梯度计算 | 第51页 |
| 3.2.2.3 降采样层的梯度计算 | 第51-52页 |
| 3.3 人脸特征点提取 | 第52-56页 |
| 3.3.1 特征点提取神经网络模型 | 第53页 |
| 3.3.2 神经网络训练过程中的注意事项 | 第53-54页 |
| 3.3.3 特征点提取结果 | 第54-56页 |
| 3.4 实验结果与分析 | 第56-59页 |
| 4 乘客异常检测算法设计 | 第59-66页 |
| 4.1 乘客异常检测方法 | 第59-60页 |
| 4.2 HoG特征 | 第60-62页 |
| 4.3 检测器训练 | 第62-63页 |
| 4.4 检测效果 | 第63-66页 |
| 5 系统软硬件设计 | 第66-79页 |
| 5.1 系统硬件平台选择 | 第66-69页 |
| 5.1.1 系统硬件架构 | 第66-68页 |
| 5.1.2 系统外围模块 | 第68-69页 |
| 5.2 系统软件设计 | 第69-79页 |
| 5.2.1 Linux下程序设计 | 第69-70页 |
| 5.2.2 乘客考勤系统软件设计 | 第70-72页 |
| 5.2.3 驾驶员异常状态检测软件设计 | 第72-77页 |
| 5.2.3.1 基于Caffe的卷积神经网络实现 | 第72-75页 |
| 5.2.3.2 异常检测应用软件设计 | 第75-77页 |
| 5.2.4 乘客异常检测软件设计 | 第77-79页 |
| 6 结论与展望 | 第79-81页 |
| 6.1 结论 | 第79-80页 |
| 6.2 展望 | 第80-81页 |
| 参考文献 | 第81-84页 |
