基于特征点分析的人脸疲劳状态及身份识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 研究进展及现状 | 第16-25页 |
| 1.2.1 面部特征点定位 | 第16-18页 |
| 1.2.2 疲劳驾驶检测技术 | 第18-21页 |
| 1.2.3 人脸识别技术 | 第21-25页 |
| 1.3 论文研究内容及章节安排 | 第25-27页 |
| 第二章 基于快速面部特征分析的疲劳驾驶检测 | 第27-39页 |
| 2.1 引言 | 第27-28页 |
| 2.2 面部特征点检测与定位算法 | 第28-31页 |
| 2.3 疲劳驾驶的视觉特征提取及判定规则 | 第31-34页 |
| 2.3.1 特征数据的获取和处理 | 第31-32页 |
| 2.3.2 视觉疲劳算子的度量 | 第32-34页 |
| 2.3.3 疲劳驾驶计算准则 | 第34页 |
| 2.4 实验结果与分析 | 第34-35页 |
| 2.5 本章小结 | 第35-39页 |
| 第三章 基于多尺度高维特征的活体人脸识别算法 | 第39-49页 |
| 3.1 引言 | 第39-40页 |
| 3.2 多尺度高维特征的提取与预处理 | 第40-43页 |
| 3.2.1 局部二值模式(LBP) | 第40-41页 |
| 3.2.2 高维特征的构造 | 第41-43页 |
| 3.2.3 活体判断 | 第43页 |
| 3.3 数据的降维与识别 | 第43-46页 |
| 3.3.1 基于PCA的数据降维 | 第44页 |
| 3.3.2 基于LDA的鉴别性特征提取 | 第44-45页 |
| 3.3.3 k-近邻与投票法 | 第45-46页 |
| 3.4 实验结果与分析 | 第46-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 总结与展望 | 第49-51页 |
| 4.1 总结 | 第49-50页 |
| 4.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-57页 |
| 作者简介 | 第57-58页 |
