基于Kinect的疲劳驾驶检测系统的设计与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 疲劳检测技术的国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 疲劳驾驶检测方法的研究进展 | 第14-16页 |
| 1.3.1 基于生理指标的疲劳驾驶检测 | 第14页 |
| 1.3.2 基于面部特征的疲劳驾驶检测 | 第14-15页 |
| 1.3.3 基于车辆行为的特征的检测 | 第15-16页 |
| 1.4 论文主要内容和章节安排 | 第16-18页 |
| 第2章 疲劳检测系统需求分析与设计概要 | 第18-25页 |
| 2.1 疲劳检测系统设计的意义 | 第18页 |
| 2.2 系统需求分析 | 第18-19页 |
| 2.3 疲劳检测系统的整体方案设计 | 第19页 |
| 2.4 系统的开发环境 | 第19-24页 |
| 2.4.1 系统的硬件平台介绍 | 第19-21页 |
| 2.4.2 Kinect的深度成像原理 | 第21-22页 |
| 2.4.3 系统的软件设计 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 疲劳检测系统具体的设计与实现 | 第25-63页 |
| 3.1 用Kinect实现人体分割 | 第25-29页 |
| 3.1.1 人体分割 | 第25-27页 |
| 3.1.2 深度图像实验结果 | 第27-29页 |
| 3.2 人脸检测部分的设计与实现 | 第29-39页 |
| 3.2.1 基于AdaBoost算法的人脸检测 | 第30-31页 |
| 3.2.2 Haar特征 | 第31-32页 |
| 3.2.3 积分图 | 第32-35页 |
| 3.2.4 AdaBoost分类器的设计 | 第35-37页 |
| 3.2.5 人脸检测部分实验数据分析 | 第37-39页 |
| 3.3 基于均值漂移的人脸跟踪 | 第39-44页 |
| 3.3.1 Mean Shift算法 | 第39-42页 |
| 3.3.2 人脸跟踪部分实验结果 | 第42-44页 |
| 3.4 人眼的粗定位 | 第44-45页 |
| 3.4.1 三庭五目介绍 | 第44-45页 |
| 3.4.2 人眼粗定位 | 第45页 |
| 3.5 人眼的精确定位 | 第45-56页 |
| 3.5.1 人眼定位方法的选择 | 第46-47页 |
| 3.5.2 基于积分投影法的人眼定位的实现 | 第47-50页 |
| 3.5.3 基于改进的积分投影法的人眼定位 | 第50-54页 |
| 3.5.4 实验结果 | 第54-56页 |
| 3.6 人眼状态分析部分的设计与实现 | 第56-62页 |
| 3.6.1 常见的人眼状态识别方法 | 第56-57页 |
| 3.6.2 基于多阈值的人眼状态识别方法的设计 | 第57-59页 |
| 3.6.3 人眼状态分析实验结果 | 第59-62页 |
| 3.7 本章小结 | 第62-63页 |
| 第4章 疲劳检测及系统测试 | 第63-70页 |
| 4.1 基于PERCLOS的疲劳状态判断 | 第63-67页 |
| 4.1.1 PERCLOS方法介绍 | 第63-64页 |
| 4.1.2 疲劳检测 | 第64-65页 |
| 4.1.3 疲劳状态检测数据分析 | 第65-67页 |
| 4.2 系统测试实验数据 | 第67-69页 |
| 4.3 本章小结 | 第69-70页 |
| 第5章 总结与展望 | 第70-72页 |
| 5.1 本文的主要工作总结 | 第70页 |
| 5.2 未来的工作展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 作者简介 | 第76页 |
