| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 前言 | 第10-11页 |
| 1.2 疲劳驾驶实时检测研究背景及意义 | 第11-13页 |
| 1.2.1 研究背景 | 第12页 |
| 1.2.2 研究意义 | 第12-13页 |
| 1.3 疲劳驾驶实时检测研究现状 | 第13-15页 |
| 1.3.1 国外疲劳检测研究现状 | 第13-14页 |
| 1.3.2 国内疲劳检测研究现状 | 第14-15页 |
| 1.4 疲劳驾驶实时检测中存在的难点和不足 | 第15-17页 |
| 1.5 论文研究的主要内容 | 第17-18页 |
| 第2章 驾驶员视频图像的预处理 | 第18-29页 |
| 2.1 光照补偿 | 第18-23页 |
| 2.2 图像增强 | 第23-28页 |
| 2.2.1 空域增强 | 第23-26页 |
| 2.2.2 频域增强 | 第26-27页 |
| 2.2.3 空域滤波与频域滤波的关系 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 驾驶员视频图像的特征粗提取 | 第29-42页 |
| 3.1 颜色空间简介 | 第29-34页 |
| 3.1.1 面向硬设备的彩色模型 | 第29-30页 |
| 3.1.2 面向视觉感知的彩色模型 | 第30-34页 |
| 3.2 基于双色彩空间的肤色信息的人脸分割 | 第34-35页 |
| 3.3 增强的边缘检测与裁剪 | 第35-41页 |
| 3.3.1 图像边缘 | 第35-41页 |
| 3.3.2 Canny边缘裁剪 | 第41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 人脸和人眼的检测和特征提取 | 第42-53页 |
| 4.1 概述 | 第42页 |
| 4.2 常见的人脸识别方法 | 第42-43页 |
| 4.2.1 基于几何特征的方法 | 第43页 |
| 4.2.2 基于人脸全貌的方法 | 第43页 |
| 4.3 人脸跟踪方法简介 | 第43-44页 |
| 4.4 人脸识别系统中常用的分类准则 | 第44-45页 |
| 4.4.1 相似性测度 | 第44页 |
| 4.4.2 分类器 | 第44-45页 |
| 4.5 人脸检测系统性能评价重要指标 | 第45页 |
| 4.6 人脸数据库 | 第45页 |
| 4.7 疲劳驾驶实时检测过程中的人脸检测 | 第45-48页 |
| 4.7.1 Adaboost算法 | 第45-46页 |
| 4.7.2 Adaboost算法的缺点及改进 | 第46-47页 |
| 4.7.3 改进的Adaboost算法实验验证 | 第47-48页 |
| 4.8 疲劳驾驶实时检测过程中的人眼检测 | 第48-51页 |
| 4.8.1 人眼检测方法概述 | 第48-50页 |
| 4.8.2 人眼分类器的训练 | 第50-51页 |
| 4.8.3 人眼检测 | 第51页 |
| 4.9 本章小结 | 第51-53页 |
| 第5章 疲劳驾驶实时检测实验验证 | 第53-70页 |
| 5.1 疲劳驾驶定义 | 第53页 |
| 5.2 疲劳驾驶产生原因 | 第53页 |
| 5.3 疲劳检测方法分类 | 第53-54页 |
| 5.4 PERCLOS方法 | 第54-57页 |
| 5.5 基于眼部特征的疲劳驾驶实时检测算法流程图 | 第57-58页 |
| 5.6 疲劳驾驶实时检测实验平台 | 第58-59页 |
| 5.7 基于眼部特征的疲劳驾驶实时检测实验分析 | 第59-60页 |
| 5.8 基于眼部与基于嘴巴和基于双特征的疲劳驾驶实时检测方法比较 | 第60-66页 |
| 5.8.1 基于嘴巴特征的疲劳驾驶实时检测算法 | 第60-63页 |
| 5.8.2 基于嘴巴特征的疲劳驾驶实时检测算法流程图 | 第63页 |
| 5.8.3 基于眼部和嘴巴双特征的疲劳驾驶实时检测算法流程图 | 第63页 |
| 5.8.4 基于嘴巴特征的疲劳驾驶实时检测实验分析 | 第63-65页 |
| 5.8.5 疲劳驾驶实时检测实验结果比较 | 第65-66页 |
| 5.9 疲劳驾驶实时检测实验总结 | 第66-68页 |
| 5.10 本章小结 | 第68-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-79页 |
| 致谢 | 第79-80页 |
| 附录A 攻读硕士学位期间发表的学术论文目录、获奖 | 第80-81页 |
| 附录B 24小时脑电图 | 第81-85页 |
