| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 插图索引 | 第10-12页 |
| 附表索引 | 第12-13页 |
| 第1章 绪论 | 第13-19页 |
| ·研究背景及意义 | 第13-14页 |
| ·国内外研究现状 | 第14-17页 |
| ·疲劳检测存在的问题 | 第17页 |
| ·本文研究内容 | 第17-18页 |
| ·论文组织结构 | 第18-19页 |
| 第2章 疲劳检测相关技术 | 第19-36页 |
| ·疲劳检测一般步骤 | 第19页 |
| ·图像预处理技术 | 第19-21页 |
| ·图像二值化 | 第19-20页 |
| ·平滑去噪 | 第20-21页 |
| ·图像特征提取方法 | 第21-28页 |
| ·特征提取技术 | 第21-28页 |
| ·并行模型 | 第28-31页 |
| ·OpenMP模型 | 第29-30页 |
| ·MPI | 第30-31页 |
| ·分类识别 | 第31-35页 |
| ·常用分类器 | 第31-35页 |
| ·多分类器集成 | 第35页 |
| ·小结 | 第35-36页 |
| 第3章 基于并行Gabor和1-NN的疲劳检测算法 | 第36-47页 |
| ·基于并行Gabor小波和1-NN的人脸疲劳检测模型 | 第36-37页 |
| ·基于OpenMP的并行Gabor图像特征提取 | 第37-39页 |
| ·Gabor小波变换 | 第37页 |
| ·基于Gabor变换的疲劳图像特征表示 | 第37-38页 |
| ·基于OpenMP的并行Gabor小波变换图像特征矩阵提取算法流程 | 第38-39页 |
| ·多方向特征图像融合 | 第39-40页 |
| ·融合规则 | 第40页 |
| ·基于1-NN分类器的疲劳模式识别算法 | 第40-41页 |
| ·算法基本思想 | 第40-41页 |
| ·图像特征矩阵提取时间复杂度分析 | 第41-42页 |
| ·实验结果与分析 | 第42-45页 |
| ·实验环境与参数设定 | 第42页 |
| ·疲劳检测率分析 | 第42-43页 |
| ·疲劳检测运行时间与加速比 | 第43-45页 |
| ·小结 | 第45-47页 |
| 第4章 疲劳检测系统的设计与实现 | 第47-57页 |
| ·系统概述 | 第47页 |
| ·系统实现平台 | 第47-48页 |
| ·系统整体架构及工作流程 | 第48-49页 |
| ·系统功能模块设计 | 第49-56页 |
| ·视频获取模块 | 第49-51页 |
| ·人脸侦测模块 | 第51-52页 |
| ·样本训练模块 | 第52-54页 |
| ·基于1-NN的疲劳监测模块 | 第54-56页 |
| ·小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读硕士学位期间所发表的学术论文目录 | 第65-66页 |
| 附录B 攻读学位期间所获软件著作权目录 | 第66页 |
