| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题研究背景与意义 | 第9页 |
| ·国内外研究现状 | 第9-11页 |
| ·国外研究现状 | 第10页 |
| ·国内研究现状 | 第10-11页 |
| ·本文主要研究内容 | 第11-13页 |
| 第二章 相关的主要算法和理论的介绍 | 第13-31页 |
| ·红外光谱与红外图像的特点 | 第13-16页 |
| ·红外光谱简介 | 第13-14页 |
| ·红外图像的特点 | 第14-16页 |
| ·积分图与Haar-Like特征 | 第16-20页 |
| ·积分图的概述 | 第16-17页 |
| ·Haar-Like特征的描述 | 第17-18页 |
| ·Haar特征数目计算 | 第18-19页 |
| ·Haar特征值计算 | 第19-20页 |
| ·AdaBoost人脸检测方法原理 | 第20-24页 |
| ·弱分类器的训练 | 第21-22页 |
| ·强分类器的训练 | 第22页 |
| ·级联强分类器的训练 | 第22-24页 |
| ·Mean-Shift算法概述 | 第24-29页 |
| ·Mean-Shift的理论基础 | 第24-26页 |
| ·多维空间的非参数密度估计 | 第26页 |
| ·Mean-Shift向量 | 第26-27页 |
| ·Mean-Shift算法目标跟踪原理 | 第27-29页 |
| ·PERCLOS标准及原理 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于红外视频图像的ACPSO-AdaBoost算法的人脸检测 | 第31-44页 |
| ·引言 | 第31页 |
| ·图像预处理 | 第31-34页 |
| ·图像去噪 | 第31-32页 |
| ·图像增强处理 | 第32-33页 |
| ·尺度归一化 | 第33-34页 |
| ·AdaBoost人脸检测算法相关问题研究及改进 | 第34-38页 |
| ·AdaBoost算法训练耗时分析 | 第34页 |
| ·Haar特征的选择 | 第34-36页 |
| ·ACPSO-AdaBoost算法分析 | 第36-38页 |
| ·基于ACPSO-AdaBoost人脸检测算法的构建与实现 | 第38-43页 |
| ·人脸检测仿真结果与分析 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 改进的Mean-Shift人脸跟踪算法 | 第44-50页 |
| ·引言 | 第44页 |
| ·结合卡尔曼滤波的Mean-Shilft算法 | 第44-47页 |
| ·卡尔曼滤波预测初始点 | 第44-45页 |
| ·结合卡尔曼滤波器对Mean-Shift算法的改进 | 第45-47页 |
| ·基于改进的Mean-Shift算法人脸跟踪 | 第47-48页 |
| ·实验仿真结果与分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 红外条件下的人眼定位及基于PERCLOS原理的疲劳检测 | 第50-66页 |
| ·引言 | 第50-51页 |
| ·眼睛定位技术简介 | 第50-51页 |
| ·眼睛状态识别技术简介 | 第51页 |
| ·红外人眼定位 | 第51-56页 |
| ·构建近红外人眼图像数据库 | 第51-52页 |
| ·基于Haar特征的红外人眼检测 | 第52-54页 |
| ·近红外人眼定位仿真结果与分析 | 第54-56页 |
| ·红外眼睛状态识别 | 第56-63页 |
| ·HOG特征的提取 | 第56-58页 |
| ·伪Zernike矩特征的提取 | 第58-61页 |
| ·基于HOG - P_Zernike特征的眼睛状态识别 | 第61-62页 |
| ·仿真结果与分析 | 第62-63页 |
| ·基于PERCLOS原理的疲劳驾驶检测 | 第63-65页 |
| ·疲劳驾驶状态判别 | 第63-64页 |
| ·疲劳驾驶检测结果与分析 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·本文工作总结 | 第66-67页 |
| ·不足与展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 发表论文和参加科研情况说明 | 第71-72页 |
| 致谢 | 第72页 |
