| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要内容及组织结构 | 第11-13页 |
| 第二章 基于Adaboost算法的驾驶员人脸检测方法研究 | 第13-29页 |
| 2.1 概述 | 第13页 |
| 2.2 Adaboost算法原理 | 第13-18页 |
| 2.2.1 Adaboost算法 | 第13-14页 |
| 2.2.2 Haar-Like特征与特征值的计算 | 第14-16页 |
| 2.2.3 Adaboost分类器设计 | 第16-17页 |
| 2.2.4 级联分类器设计 | 第17-18页 |
| 2.3 基于改进Adaboost算法的驾驶员人脸初定位 | 第18-21页 |
| 2.3.1 Adaboost算法存在的不足 | 第18页 |
| 2.3.2 Adaboost算法的改进 | 第18-19页 |
| 2.3.3 实验结果与分析 | 第19-21页 |
| 2.4 负样本扩充策略 | 第21-24页 |
| 2.4.1 正负样本的选取 | 第21-23页 |
| 2.4.2 实验结果与分析 | 第23-24页 |
| 2.5 基于高斯肤色模型的驾驶员人脸筛选 | 第24-27页 |
| 2.5.1 高斯肤色模型 | 第24-26页 |
| 2.5.2 实验结果与分析 | 第26-27页 |
| 2.6 实验总结 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 基于深度学习框架的驾驶员人脸检测算法研究 | 第29-47页 |
| 3.1 概述 | 第29页 |
| 3.2 MTCNN网络结构 | 第29-33页 |
| 3.3 网络模型训练 | 第33-36页 |
| 3.3.1 损失函数 | 第33-34页 |
| 3.3.2 训练样本与训练方式 | 第34-36页 |
| 3.3.3 在线困难样本选择 | 第36页 |
| 3.4 测试流程 | 第36-42页 |
| 3.4.1 非极大值抑制 | 第36-37页 |
| 3.4.2 测试 | 第37-40页 |
| 3.4.3 实验结果与分析 | 第40-42页 |
| 3.5 实验分析 | 第42-45页 |
| 3.6 实验总结 | 第45-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 软件设计与实现 | 第47-61页 |
| 4.1 概述 | 第47页 |
| 4.2 软件开发环境 | 第47-48页 |
| 4.3 软件功能及架构 | 第48页 |
| 4.4 核心模块设计与实现 | 第48-54页 |
| 4.4.1 人脸特征提取模块 | 第48-51页 |
| 4.4.2 特征管理模块 | 第51-52页 |
| 4.4.3 其他模块 | 第52-54页 |
| 4.5 软件测试 | 第54-61页 |
| 4.5.1 软件功能测试 | 第54-59页 |
| 4.5.2 软件性能测试 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的学术成果 | 第69页 |