| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 驾驶员面部检测与跟踪研究现状 | 第13-14页 |
| 1.3 驾驶员疲劳检测研究现状 | 第14-15页 |
| 1.4 本文主要研究的内容 | 第15-18页 |
| 第2章 驾驶员的面部检测 | 第18-30页 |
| 2.1 驾驶员的面部识别 | 第18-24页 |
| 2.1.1 深度卷积神经网络模型 | 第19-21页 |
| 2.1.2 基于深度卷积神经网络模型的驾驶员面部识别 | 第21-24页 |
| 2.2 基于滑动窗口法的驾驶员面部定位 | 第24-29页 |
| 2.2.1 基于传统滑动窗口法生成候选区域的面部定位 | 第25页 |
| 2.2.2 基于改进自适应滑动窗口法生成候选区域的面部定位 | 第25-27页 |
| 2.2.3 仿真实验验证 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 驾驶员面部的实时跟踪方法研究 | 第30-46页 |
| 3.1 传统的目标跟踪算法 | 第30-37页 |
| 3.1.1 Meanshift跟踪算法 | 第30-33页 |
| 3.1.2 Camshift跟踪算法 | 第33-35页 |
| 3.1.3 改进DSST跟踪算法 | 第35-37页 |
| 3.2 基于区域预判与改进DSST算法的驾驶员面部跟踪 | 第37-39页 |
| 3.3 基于GPU加速的驾驶员面部跟踪 | 第39-40页 |
| 3.3.1 基于YOLO算法的驾驶员面部检测跟踪 | 第39页 |
| 3.3.2 基于YOLO算法的驾驶员面部跟踪模型的训练 | 第39-40页 |
| 3.4 不同场景下驾驶员驾驶视频跟踪算法对比验证 | 第40-45页 |
| 3.4.1 目标跟踪算法的评价方法 | 第40-42页 |
| 3.4.2 各种跟踪算法的比较 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 驾驶员疲劳状态的实时检测 | 第46-61页 |
| 4.1 驾驶员面部的精细化识别 | 第46-51页 |
| 4.1.1 眼部定位 | 第46-48页 |
| 4.1.2 驾驶员眼部定位实验与分析 | 第48-51页 |
| 4.2 驾驶员疲劳状态判别模型建立 | 第51-57页 |
| 4.2.1 驾驶员疲劳概述 | 第51-52页 |
| 4.2.2 疲劳状态判别参数 | 第52-53页 |
| 4.2.3 驾驶员疲劳检测模型的搭建 | 第53-57页 |
| 4.3 驾驶员疲劳状态检测模型的验证 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 附录 A 攻读学位期间完成的主要成果 | 第69页 |
