| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 驾驶员疲劳检测国内外研究现状 | 第12-15页 |
| 1.2.1 基于眼睛特征的疲劳检测研究现状 | 第13-15页 |
| 1.3 驾驶员疲劳检测系统目前的研究成果 | 第15-17页 |
| 1.4 复杂环境下驾驶员疲劳检测的技术难点 | 第17-18页 |
| 1.5 本文的研究内容及关键技术 | 第18-19页 |
| 1.6 本文的组织架构 | 第19-20页 |
| 第二章 近红外眼睛图像数据库的构建 | 第20-28页 |
| 2.1 近红外眼睛图像采集系统 | 第20-21页 |
| 2.2 近红外眼睛图像模型 | 第21-22页 |
| 2.3 近红外眼睛图像采集环境 | 第22-25页 |
| 2.3.1 姿态变化模式子库 | 第23页 |
| 2.3.2 光照变化模式子库 | 第23-24页 |
| 2.3.3 饰物变化模式子库 | 第24页 |
| 2.3.4 背景模式子库 | 第24-25页 |
| 2.3.5 夜间模式子库 | 第25页 |
| 2.4 近红外眼睛图像数据库 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 复杂环境下驾驶员疲劳检测技术关键算法概述 | 第28-33页 |
| 3.1 本文关键算法概述 | 第28页 |
| 3.2 驾驶员人脸定位算法概述 | 第28-29页 |
| 3.3 驾驶员眼睛定位算法概述 | 第29-31页 |
| 3.4 驾驶员眼睛状态识别算法概述 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 基于级联结构的近红外眼睛定位算法 | 第33-51页 |
| 4.1 本章算法流程 | 第33-34页 |
| 4.2 基于 Haar 特征的定位方法 | 第34-36页 |
| 4.3 基于团块检测的定位方法 | 第36-40页 |
| 4.4 基于主动形状模型的定位方法 | 第40-49页 |
| 4.4.1 主动形状模型的训练 | 第41-47页 |
| 4.4.2 主动形状模型的匹配 | 第47-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 基于 HOG-LBP 特征融合的眼睛状态识别算法 | 第51-70页 |
| 5.1 本章算法流程 | 第51-52页 |
| 5.2 近红外眼睛特征的选择和提取 | 第52-54页 |
| 5.3 HOG 特征描述和提取 | 第54-58页 |
| 5.3.1 HOG 特征描述 | 第54-55页 |
| 5.3.2 HOG 特征提取 | 第55-57页 |
| 5.3.3 HOG 特征可视化及分析 | 第57-58页 |
| 5.4 LBP 特征描述和提取 | 第58-62页 |
| 5.4.1 LBP 特征描述 | 第58-59页 |
| 5.4.2 圆形邻域 LBP 特征 | 第59-60页 |
| 5.4.3 均匀模式 LBP 特征 | 第60-61页 |
| 5.4.4 LBP 特征提取 | 第61-62页 |
| 5.5 HOG-LBP 特征提取 | 第62-63页 |
| 5.6 近红外眼睛状态判别模型 | 第63-69页 |
| 5.6.1 建立 SVM 眼睛状态判别模型 | 第64-68页 |
| 5.6.2 模型最优参数选取 | 第68-69页 |
| 5.7 本章小结 | 第69-70页 |
| 第六章 仿真环境介绍及实验结果分析 | 第70-82页 |
| 6.1 系统仿真环境 | 第70页 |
| 6.2 近红外眼睛定位结果分析 | 第70-74页 |
| 6.3 近红外眼睛状态识别结果分析 | 第74-80页 |
| 6.4 驾驶员疲劳检测系统设计 | 第80-81页 |
| 6.5 本章小结 | 第81-82页 |
| 结论和展望 | 第82-84页 |
| 参考文献 | 第84-91页 |
| 攻读硕士学位期间取得的研究成果 | 第91-93页 |
| 致谢 | 第93-94页 |
| 附件 | 第94页 |