| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 驾驶员眼动规律及基于眼动的驾驶员状态监测研究现状 | 第11-13页 |
| 1.2.1 驾驶员眼动规律的研究 | 第11-13页 |
| 1.2.2 基于驾驶员眼动情况的驾驶员非安全驾驶状态检测系统 | 第13页 |
| 1.3 视觉显著性检测研究现状与发展动态 | 第13-16页 |
| 1.3.1 基于图像特征组合模型的视觉显著性检测算法 | 第13-15页 |
| 1.3.2 基于学习的视觉显著性检测算法 | 第15-16页 |
| 1.4 视觉显著性检测数据库 | 第16页 |
| 1.5 基于深度神经网络的物体检测算法 | 第16-17页 |
| 1.6 本文研究内容及主要贡献 | 第17-22页 |
| 1.6.1 本文的研究内容及组织结构 | 第17-19页 |
| 1.6.2 本文的主要贡献 | 第19-22页 |
| 第二章 视觉显著性数据库的设计与构建 | 第22-36页 |
| 2.1 基于眼动仪的眼动信息采集 | 第22-25页 |
| 2.1.1 TobiiX2-60眼动采集系统 | 第22-23页 |
| 2.1.2 眼动信息采集系统架构 | 第23-25页 |
| 2.2 基于眼动信息指导的显著性区域标注 | 第25-34页 |
| 2.2.1 基本思想 | 第25-26页 |
| 2.2.2 基于SLIC超像素的标注 | 第26-29页 |
| 2.2.3 基于改进的IntelligentScissors算法的标注 | 第29-32页 |
| 2.2.4 语义信息标注 | 第32-33页 |
| 2.2.5 自然图片的标注结果 | 第33-34页 |
| 2.2.6 交通场景图片的标注 | 第34页 |
| 2.3 视觉显著性数据库的应用 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于深度神经网络的实时视觉显著性检测算法研究与设计 | 第36-52页 |
| 3.1 颜色信息对视觉显著性算法的影响研究 | 第36-40页 |
| 3.1.1 实验设计 | 第36-37页 |
| 3.1.2 SR算法在彩色空间的推广 | 第37页 |
| 3.1.3 对颜色敏感的彩色图像 | 第37-39页 |
| 3.1.4 ROCC评价准则 | 第39-40页 |
| 3.1.5 颜色对显著性模型的影响研究的结论 | 第40页 |
| 3.2 基于深度神经网络的视觉显著性检测模型 | 第40-49页 |
| 3.2.1 ZF深度卷积网络模型 | 第40-42页 |
| 3.2.2 RPN模型 | 第42-44页 |
| 3.2.3 基于概率模型的显著性检测 | 第44-45页 |
| 3.2.4 ROI池化操作 | 第45页 |
| 3.2.5 基于全局及局部信息的检测模型(Global-LocalFeatureRCNN) | 第45-48页 |
| 3.2.6 GLRCNN的训练过程 | 第48页 |
| 3.2.7 GLRCNN与FasterRCNN比较分析 | 第48-49页 |
| 3.3 基于深度神经网络的实时视觉显著性检测算法的优势 | 第49-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第四章 驾驶员非安全驾驶状态检测系统设计与构建 | 第52-60页 |
| 4.1 Tobii眼动仪SDK的使用及眼动仪的标定 | 第52-54页 |
| 4.1.1 Tobii眼动采集分析SDK简介 | 第52页 |
| 4.1.2 眼动仪的标定 | 第52-54页 |
| 4.2 驾驶员非安全驾驶状态检测系统的构建 | 第54-58页 |
| 4.2.1 视角误差分析 | 第54-56页 |
| 4.2.2 驾驶员非安全驾驶状态判断策略 | 第56-57页 |
| 4.2.3 驾驶员非安全驾驶状态检测系统架构 | 第57-58页 |
| 4.3 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 作者在学期间取得的学术成果 | 第68页 |
