| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 背景调研 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 疲劳驾驶相关概念 | 第11-12页 |
| 1.2.1 疲劳驾驶的定义 | 第11-12页 |
| 1.2.2 疲劳驾驶的机理 | 第12页 |
| 1.3 国内外研究现状及发展动态分析 | 第12-16页 |
| 1.3.1 疲劳驾驶检测方法 | 第12-16页 |
| 1.3.2 驾驶人疲劳判定方法 | 第16页 |
| 1.4 疲劳驾驶监测拟解决的关键技术问题 | 第16-17页 |
| 1.4.1 数据采集 | 第16页 |
| 1.4.2 建立操控员疲劳驾驶状态监测研究 | 第16页 |
| 1.4.3 疲劳关系模型计算与求解 | 第16-17页 |
| 1.4.4 模型的综合评价 | 第17页 |
| 1.5 论文研究内容和章节安排 | 第17-18页 |
| 2 操控员疲劳驾驶状态监测系统的设计 | 第18-24页 |
| 2.1 系统组成与软件体系结构 | 第18-19页 |
| 2.2 关键技术 | 第19-20页 |
| 2.2.1 数据采集 | 第19页 |
| 2.2.2 建立操控员疲劳驾驶状态监测研究 | 第19-20页 |
| 2.2.3 疲劳关系模型计算与求解 | 第20页 |
| 2.2.4 模型的综合评价 | 第20页 |
| 2.3 研究方案 | 第20-22页 |
| 2.3.1 参数提取方案 | 第20-22页 |
| 2.3.2 多源数据融合方案 | 第22页 |
| 2.4 硬件系统与环境配置 | 第22-24页 |
| 3 结合ADABOOST和主动形状模型的机器视觉疲劳参数提取 | 第24-35页 |
| 3.1 图像预处理和ADABOOST的人脸初定位 | 第24-27页 |
| 3.1.1 图像预处理 | 第24-25页 |
| 3.1.2 AdaBoost算法 | 第25-26页 |
| 3.1.3 人脸初定位结果展示 | 第26-27页 |
| 3.2 主观形状模型的人脸特征点精确定位 | 第27-28页 |
| 3.2.1 主观模型 | 第27-28页 |
| 3.2.2 ASM算法的基本原理 | 第28页 |
| 3.3 ADABOOST和主动形状模型相结合的疲劳检测系统设计与实现 | 第28-34页 |
| 3.3.1 人脸特征点的标定 | 第29-30页 |
| 3.3.2 人脸形状的归一化对齐 | 第30-32页 |
| 3.3.3 PCA降维创建人脸局部形状模型 | 第32-33页 |
| 3.3.4 局部形状模型匹配 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 操控员驾驶行为的面部特征参数提取 | 第35-43页 |
| 4.1 眼部状态参数提取 | 第35-39页 |
| 4.1.1 PERCLOS参数 | 第36-38页 |
| 4.1.2 眨眼频率 | 第38-39页 |
| 4.1.3 平均闭眼时长 | 第39页 |
| 4.2 嘴部呵欠频率PMRCLOS的疲劳特征计算 | 第39-42页 |
| 4.3 本章小结 | 第42-43页 |
| 5 操控员头部姿态估计 | 第43-55页 |
| 5.1 人脸姿态表示 | 第43页 |
| 5.2 头戴标记点的POSIT姿态解算 | 第43-50页 |
| 5.2.1 摄像机标定 | 第44-48页 |
| 5.2.2 POSIT姿态解算 | 第48-50页 |
| 5.3 捷联惯性技术的姿态仪 | 第50-53页 |
| 5.4 数据融合 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 6 多源数据融合的疲劳驾驶状态综合判定 | 第55-69页 |
| 6.1 多源数据融合的疲劳驾驶状态监测的相关研究 | 第55页 |
| 6.2 支持向量机理论以及模型 | 第55-61页 |
| 6.2.1 最优分类平面 | 第56-59页 |
| 6.2.2 核函数 | 第59-61页 |
| 6.3 参数描述 | 第61-64页 |
| 6.4 优化与结果验证 | 第64-66页 |
| 6.5 综合评价和性能分析 | 第66-68页 |
| 6.6 本章小结 | 第68-69页 |
| 7 结论 | 第69-71页 |
| 7.1 总结 | 第69页 |
| 7.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文 | 第75-76页 |
| 致谢 | 第76-79页 |