| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 学生疲劳状态检测的研究现状 | 第12-13页 |
| 1.2.2 深度学习在图像分类和识别领域中的研究进展 | 第13-15页 |
| 1.3 论文的研究内容与组织结构 | 第15-17页 |
| 1.3.1 论文的研究内容及主要工作 | 第15-16页 |
| 1.3.2 论文的组织结构 | 第16-17页 |
| 2 相关理论与技术支持 | 第17-28页 |
| 2.1 人脸检测 | 第17-19页 |
| 2.1.1 基于知识的人脸检测方法 | 第17-18页 |
| 2.1.2 基于统计的人脸检测方法 | 第18-19页 |
| 2.2 PERCLOS的相关概念 | 第19-20页 |
| 2.3 卷积神经网络 | 第20-27页 |
| 2.3.1 卷积神经网络的发展历史 | 第21-22页 |
| 2.3.2 卷积神经网络的结构特点 | 第22-24页 |
| 2.3.3 前向与反向传播算法 | 第24-26页 |
| 2.3.4 典型应用介绍 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于卷积神经网络的学生疲劳状态检测模型的设计 | 第28-39页 |
| 3.1 学生疲劳状态检测的流程设计 | 第28页 |
| 3.2 人脸检测算法的设计 | 第28-31页 |
| 3.2.1 图像获取与存储 | 第28-29页 |
| 3.2.2 图像预处理 | 第29页 |
| 3.2.3 人脸检测 | 第29-31页 |
| 3.3 学生人眼状态检测的卷积神经网络模型的设计 | 第31-33页 |
| 3.4 激活函数的选取 | 第33页 |
| 3.5 分类模型的影响因素分析 | 第33-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于卷积神经网络的学生疲劳状态检测模型的实现 | 第39-47页 |
| 4.1 人脸检测算法的实现 | 第39-41页 |
| 4.2 数据集的构建 | 第41-43页 |
| 4.3 学生人眼状态检测的卷积神经网络模型的实现 | 第43-44页 |
| 4.4 实验及结果分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 学生人眼状态检测模型的优化与实现 | 第47-55页 |
| 5.1 基于卷积神经网络的学生人眼状态检测模型的优化 | 第47-48页 |
| 5.1.1 正负样本数据集的扩充 | 第47-48页 |
| 5.1.2 部分参数的优化 | 第48页 |
| 5.2 基于卷积神经网络的学生人眼状态检测优化模型的实现 | 第48-49页 |
| 5.3 实验及结果分析 | 第49-54页 |
| 5.3.1 优化前后模型实验结果对比 | 第50页 |
| 5.3.2 卷积神经网络与传统方法对比 | 第50-54页 |
| 5.3.2.1 传统方法的简单介绍 | 第51页 |
| 5.3.2.2 传统方法的实现 | 第51-53页 |
| 5.3.2.3 对比评价 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55-56页 |
| 6.2 未来工作展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 在校期间发表的论文、科研成果等 | 第62-63页 |
| 致谢 | 第63页 |
