高鲁棒性驾驶员疲劳检测方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.2 主要研究内容 | 第12页 |
| 1.3 论文结构 | 第12-14页 |
| 第二章 关键技术及研究进展 | 第14-22页 |
| 2.1 引言 | 第14页 |
| 2.2 驾驶员疲劳检测关键技术 | 第14-18页 |
| 2.2.1 驾驶员疲劳检测流程 | 第14页 |
| 2.2.2 人脸检测方法 | 第14-15页 |
| 2.2.3 特征定位方法 | 第15页 |
| 2.2.4 特征追踪方法 | 第15-17页 |
| 2.2.5 状态识别方法 | 第17-18页 |
| 2.3 疲劳检测总体架构 | 第18-20页 |
| 2.3.1 系统总体结构框图 | 第18-19页 |
| 2.3.2 系统配置及软件开发 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 基于CNN的人脸及鼻子检测 | 第22-34页 |
| 3.1 引言 | 第22页 |
| 3.2 基于CNN的人脸检测算法分析与设计 | 第22-27页 |
| 3.3 基于CNN人脸检测的实现与分析 | 第27-30页 |
| 3.3.1 改进的CNN结构 | 第27-28页 |
| 3.3.2 实验数据及模型训练 | 第28页 |
| 3.3.3 分类及检测过程 | 第28-29页 |
| 3.3.4 实验结果对比 | 第29-30页 |
| 3.4 基于CNN的鼻子检测 | 第30-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 疲劳特征定位 | 第34-52页 |
| 4.1 引言 | 第34页 |
| 4.2 基于TLD与卡尔曼滤波结合的鼻子跟踪方法 | 第34-41页 |
| 4.2.1 TLD跟踪方法及流程 | 第34-36页 |
| 4.2.2 卡尔曼滤波跟踪方法及流程 | 第36-38页 |
| 4.2.3 算法设计 | 第38-40页 |
| 4.2.4 实现与分析 | 第40-41页 |
| 4.3 基于追踪结果的头部运动特征 | 第41-44页 |
| 4.3.1 算法设计 | 第41-43页 |
| 4.3.2 实现与分析 | 第43-44页 |
| 4.4 基于经验的多条件眼睛及嘴部定位 | 第44-50页 |
| 4.4.1 算法设计 | 第45-48页 |
| 4.4.2 实现与分析 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 疲劳状态分析 | 第52-62页 |
| 5.1 引言 | 第52页 |
| 5.2 基于眼部状态的疲劳分析 | 第52-55页 |
| 5.2.1 基于Hough变换的眼睛状态判断 | 第52-54页 |
| 5.2.2 疲劳分析 | 第54-55页 |
| 5.3 基于嘴部状态的疲劳分析 | 第55-56页 |
| 5.3.1 基于梯度特征的嘴部状态判断 | 第55-56页 |
| 5.3.2 疲劳分析 | 第56页 |
| 5.4 基于头部运动状态的疲劳分析 | 第56-57页 |
| 5.5 多特征融合的疲劳判断 | 第57-60页 |
| 5.6 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 未来展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
