| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 疲劳状态识别的研究现状 | 第11-14页 |
| 1.3 疲劳状态识别存在的问题 | 第14-15页 |
| 1.4 论文章节安排 | 第15-16页 |
| 第2章 驾驶员疲劳状态识别系统设计 | 第16-24页 |
| 2.1 疲劳状态识别系统的总体方案设计 | 第16-19页 |
| 2.1.1 疲劳检测流程设计 | 第16-17页 |
| 2.1.2 疲劳检测功能模块 | 第17-19页 |
| 2.2 人脸图像的预处理结果及分析 | 第19-23页 |
| 2.2.1 人脸图像灰度化处理 | 第20-21页 |
| 2.2.2 直方图均衡化处理 | 第21-22页 |
| 2.2.3 自适应光照补偿 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 驾驶员脸部的检测 | 第24-54页 |
| 3.1 人脸检测方法的对比 | 第24-27页 |
| 3.2 基于YCgCr颜色空间的肤色聚类人脸检测 | 第27-34页 |
| 3.2.1 色彩空间的选择 | 第28-31页 |
| 3.2.2 YCgCr颜色空间上肤色模型的建立 | 第31-32页 |
| 3.2.3 肤色阈值分割结果与分析 | 第32-34页 |
| 3.3 基于Viola-Jones框架的人脸检测 | 第34-44页 |
| 3.3.1 Haar-like特征及积分图 | 第35-38页 |
| 3.3.2 AdaBoost算法思想 | 第38-42页 |
| 3.3.3 Viola-Jones框架的级联结构 | 第42-44页 |
| 3.4 基于肤色聚类和Viola-Jones框架相结合的人脸检测 | 第44-47页 |
| 3.4.1 两种检测方法的优缺点 | 第44页 |
| 3.4.2 改进的Viola-Jones框架的结构 | 第44-45页 |
| 3.4.3 人脸检测流程及结果分析 | 第45-47页 |
| 3.5 Camshift人脸跟踪算法 | 第47-53页 |
| 3.5.1 区域肤色Hue直方图的获取 | 第48-49页 |
| 3.5.2 Meanshift迭代过程 | 第49-50页 |
| 3.5.3 Camshift算法跟踪结果与分析 | 第50-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第4章 面部关键部位的定位分割 | 第54-64页 |
| 4.1 五官定位分割方法的对比 | 第54-55页 |
| 4.2 眼睛区域的定位 | 第55-62页 |
| 4.2.1 基于灰度积分投影的人眼粗定位 | 第55-58页 |
| 4.2.2 采用Sobel算子提取人眼轮廓 | 第58-62页 |
| 4.3 嘴巴区域的定位 | 第62-63页 |
| 4.3.1 常用的嘴巴检测算法分析 | 第62-63页 |
| 4.3.2 “三庭五眼”实现嘴巴区域的定位 | 第63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 信息融合技术在疲劳识别中的应用 | 第64-79页 |
| 5.1 疲劳状态分析 | 第64-67页 |
| 5.1.1 PERCLOS疲劳检测分析 | 第64-66页 |
| 5.1.2 YawnFreq参数的提取 | 第66-67页 |
| 5.2 特征融合的方法 | 第67-68页 |
| 5.3 基于Fuzzy推理模型的信息融合 | 第68-73页 |
| 5.3.1 Fuzzy推理系统结构 | 第68-70页 |
| 5.3.2 基于模糊逻辑的疲劳判别系统的设计 | 第70-73页 |
| 5.4 驾驶员疲劳状态识别系统的评判结果 | 第73-78页 |
| 5.4.1 图像检测结果与分析 | 第74-76页 |
| 5.4.2 疲劳状态的识别 | 第76-78页 |
| 5.5 本章小结 | 第78-79页 |
| 结论 | 第79-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88页 |