基于PERCLOS的列车司机驾驶疲劳检测研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-11页 |
| 1 引言 | 第11-19页 |
| ·课题研究背景及意义 | 第11-12页 |
| ·驾驶疲劳检测方法国内外研究现状 | 第12-16页 |
| ·驾驶疲劳检测方法的分析和归纳 | 第12-15页 |
| ·驾驶疲劳检测方法目前存在的问题 | 第15-16页 |
| ·论文研究内容 | 第16-18页 |
| ·论文组织结构 | 第18-19页 |
| 2 人脸的区域分割和检测 | 第19-49页 |
| ·人脸检测方法选取 | 第19-22页 |
| ·人脸图像的预处理 | 第22-25页 |
| ·中值滤波 | 第22-24页 |
| ·光照补偿 | 第24-25页 |
| ·应用高斯肤色模型进行人脸区域预分割 | 第25-36页 |
| ·颜色空间分析及选取 | 第25-28页 |
| ·建立高斯肤色模型 | 第28-30页 |
| ·应用自适应OSTU算法计算肤色相似度阈值 | 第30-31页 |
| ·数学形态学滤波 | 第31-34页 |
| ·非人脸区域初步去除 | 第34-36页 |
| ·AdaBoost算法用于人脸准确检测 | 第36-47页 |
| ·AdaBoost算法及级联分类器 | 第36-38页 |
| ·使用Haar特征和积分图训练弱分类器 | 第38-41页 |
| ·AdaBoost算法训练强分类器 | 第41-43页 |
| ·使用人脸分类器的人脸检测实验及结果分析 | 第43-47页 |
| ·本章小结 | 第47-49页 |
| 3 连续图像帧中人眼检测和跟踪预测 | 第49-69页 |
| ·人眼检测常用方法 | 第49-51页 |
| ·应用人眼分类器进行人眼精确定位 | 第51-54页 |
| ·人眼分类器的训练样本选择 | 第51-52页 |
| ·矩形Haar特征的选择 | 第52-53页 |
| ·人眼检测实验结果及分析 | 第53-54页 |
| ·应用动态模板匹配法进行人眼快速匹配定位 | 第54-58页 |
| ·选择计算匹配度的算法 | 第54-56页 |
| ·动态建立人眼模板 | 第56-57页 |
| ·动态人眼模板匹配实验结果及分析 | 第57-58页 |
| ·应用卡尔曼滤波算法预测人眼位置 | 第58-66页 |
| ·人眼位置预测方法的引入 | 第58-60页 |
| ·卡尔曼滤波方法 | 第60-62页 |
| ·人眼位置预测 | 第62-65页 |
| ·人眼位置预测结果评价及处理方法 | 第65-66页 |
| ·本章小结 | 第66-69页 |
| 4 列车司机驾驶疲劳状态判断 | 第69-87页 |
| ·人眼状态识别 | 第69-75页 |
| ·人眼状态识别算法简介 | 第69-70页 |
| ·结合眼部高宽比和白黑像素比例的人眼状态识别 | 第70-74页 |
| ·人眼状态识别实验结果及分析 | 第74-75页 |
| ·基于PERCLOS的驾驶疲劳判断 | 第75-77页 |
| ·PERCLOS方法简介 | 第75-77页 |
| ·根据PERCLOS的P80标准判断驾驶疲劳状态 | 第77页 |
| ·列车司机驾驶疲劳检测系统的建立和实验 | 第77-84页 |
| ·系统的工作流程 | 第77-79页 |
| ·系统的软硬件平台 | 第79页 |
| ·列车司机驾驶疲劳检测实验及结果分析 | 第79-84页 |
| ·本章小结 | 第84-87页 |
| 5 全文总结与展望 | 第87-91页 |
| ·论文的工作和结论 | 第87-88页 |
| ·论文的创新点 | 第88-89页 |
| ·不足与展望 | 第89-91页 |
| 参考文献 | 第91-95页 |
| 作者简历 | 第95-99页 |
| 学位论文数据集 | 第99页 |
