基于深度学习的多姿态眼睛定位算法研究及应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 眼睛定位国内外研究现状 | 第10-15页 |
| 1.2.1 基于深度学习的眼睛定位研究现状 | 第12-15页 |
| 1.3 多姿态眼睛定位算法技术难点 | 第15页 |
| 1.4 本文的研究内容和关键技术 | 第15-16页 |
| 1.5 本文组织结构 | 第16-18页 |
| 第二章 相关技术介绍及眼睛定位模型 | 第18-31页 |
| 2.1 相关技术原理 | 第18-23页 |
| 2.1.1 卷积神经网络基础 | 第18-21页 |
| 2.1.2 多任务学习 | 第21-23页 |
| 2.2 基于多任务学习的模型 | 第23-27页 |
| 2.3 基于级联结构的模型 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于改进mtcnn网络的多姿态眼睛定位 | 第31-44页 |
| 3.1 算法整体概述 | 第31-33页 |
| 3.2 mtcnn网络结构模型 | 第33-37页 |
| 3.2.1 网络的整体框架 | 第33-34页 |
| 3.2.2 网络的结构 | 第34-36页 |
| 3.2.3 mtcnn网络的分析 | 第36-37页 |
| 3.3 眼睛回归网络结构模型 | 第37-40页 |
| 3.3.1 网络的整体框架 | 第37-39页 |
| 3.3.2 网络的结构 | 第39页 |
| 3.3.3 眼睛回归网络的分析 | 第39-40页 |
| 3.4 模型的建立过程 | 第40-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 眼睛定位在疲劳驾驶检测中的应用 | 第44-53页 |
| 4.1 疲劳驾驶检测系统框架 | 第44页 |
| 4.2 基于边框估计的眼睛ROI提取 | 第44-50页 |
| 4.2.1 多姿态眼睛边框分析 | 第44-48页 |
| 4.2.2 多姿态眼睛边框估计模型的建立 | 第48-50页 |
| 4.3 疲劳驾驶检测系统的实现 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 实验结果与分析 | 第53-61页 |
| 5.1 实验环境 | 第53页 |
| 5.2 实验主要数据库 | 第53-55页 |
| 5.3 眼睛定位实验结果分析 | 第55-58页 |
| 5.4 疲劳驾驶检测系统实验结果分析 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |
