| 摘要 | 第12-14页 |
| ABSTRACT | 第14-16页 |
| 第1章 绪论 | 第17-33页 |
| 1.1 背景与意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-28页 |
| 1.2.1 基于生理参数的疲劳识别方法 | 第18页 |
| 1.2.2 基于面部生理反应的疲劳识别方法 | 第18-26页 |
| 1.2.3 基于驾驶操作行为的疲劳识别方法 | 第26-27页 |
| 1.2.4 基于车辆行驶信息的疲劳识别方法 | 第27页 |
| 1.2.5 基于信息融合的疲劳识别方法 | 第27-28页 |
| 1.3 目前存在的问题 | 第28-29页 |
| 1.4 本文研究方法和主要内容 | 第29-33页 |
| 第2章 驾驶员面部特征点及瞳孔位置检测研究 | 第33-55页 |
| 2.1 引言 | 第33页 |
| 2.2 总体技术路线 | 第33-34页 |
| 2.3 驾驶员面部区域定位 | 第34页 |
| 2.4 面部特征点定位 | 第34-39页 |
| 2.4.1 人脸特征点模型初始化 | 第34-35页 |
| 2.4.2 基于SDM的目标函数优化 | 第35-37页 |
| 2.4.3 总体定位过程和检测结果 | 第37-39页 |
| 2.5 瞳孔及眼角点定位 | 第39-45页 |
| 2.5.1 瞳孔粗定位 | 第40-41页 |
| 2.5.2 瞳孔和眼角点精确定位 | 第41-45页 |
| 2.6 实验结果与结论 | 第45-53页 |
| 2.6.1 基于静态图像的模型性能试验 | 第46-50页 |
| 2.6.2 基于视频图像的模型性能试验 | 第50-51页 |
| 2.6.3 基于驾驶图像的模型性能实验 | 第51-53页 |
| 2.7 本章小结 | 第53-55页 |
| 第3章 驾驶员眼睛状态识别研究 | 第55-79页 |
| 3.1 引言 | 第55页 |
| 3.2 总体结构设计 | 第55-56页 |
| 3.3 眼睛状态识别模型 | 第56-64页 |
| 3.3.1 基于DNN的眼睛状态识别模型 | 第56-60页 |
| 3.3.2 基于DCNN的眼睛状态识别模型 | 第60-63页 |
| 3.3.3 基于DINN的眼睛状态识别模型 | 第63-64页 |
| 3.4 迁移学习 | 第64-66页 |
| 3.5 实验结果和结论 | 第66-77页 |
| 3.5.1 测试数据集 | 第66-68页 |
| 3.5.2 预处理和验证策略 | 第68-69页 |
| 3.5.3 数据增强 | 第69页 |
| 3.5.4 CEW数据集实验结果 | 第69-75页 |
| 3.5.5 ZJU数据集实验结果 | 第75页 |
| 3.5.6 DDR数据集实验结果 | 第75-77页 |
| 3.6 本章小结 | 第77-79页 |
| 第4章 驾驶员面部动态疲劳表情识别研究 | 第79-107页 |
| 4.1 引言 | 第79-80页 |
| 4.2 基于时空LBP和Gabor融合特征的动态疲劳表情识别 | 第80-87页 |
| 4.2.1 时空LBP特征 | 第80-83页 |
| 4.2.2 Gabor融合直方图 | 第83-86页 |
| 4.2.3 信息融合及分类器设计 | 第86-87页 |
| 4.3 基于多模态融合学习的动态疲劳表情识别 | 第87-92页 |
| 4.3.1 驾驶员面部多模态特征提取 | 第87-88页 |
| 4.3.2 多模态神经网络结构设计 | 第88-92页 |
| 4.4 基于LECNN和编码向量的动态疲劳表情识别 | 第92-95页 |
| 4.4.1 LECNN模型结构设计 | 第93-94页 |
| 4.4.2 模型迁移策略 | 第94-95页 |
| 4.4.3 编码向量分类策略 | 第95页 |
| 4.5 视频特征集成策略 | 第95-96页 |
| 4.6 实验结果和结论 | 第96-105页 |
| 4.6.1 数据集获取 | 第96-98页 |
| 4.6.2 基于手动特征提取的动态疲劳表情识别结果 | 第98-99页 |
| 4.6.3 基于多模态融合学习的动态疲劳表情识别结果 | 第99-101页 |
| 4.6.4 基于LECNN和编码向量的动态疲劳表情识别结果 | 第101-103页 |
| 4.6.5 模型的识别结果比较与评价 | 第103-105页 |
| 4.7 本章小结 | 第105-107页 |
| 第5章 驾驶员疲劳检测建模 | 第107-131页 |
| 5.1 引言 | 第107页 |
| 5.2 构建实车实验数据库 | 第107-110页 |
| 5.2.1 疲劳状态判定规则 | 第107页 |
| 5.2.2 实车装置设计 | 第107-109页 |
| 5.2.3 实车驾驶数据采集 | 第109-110页 |
| 5.3 驾驶员疲劳特征的建立 | 第110-115页 |
| 5.3.1 基于瞳孔运动参数的疲劳特征 | 第110-112页 |
| 5.3.2 基于眼睛状态参数的疲劳特征 | 第112-114页 |
| 5.3.3 基于疲劳表情参数的疲劳特征 | 第114-115页 |
| 5.4 特征差异显著性分析 | 第115-121页 |
| 5.4.1 瞳孔运动特征差异显著性分析 | 第117-119页 |
| 5.4.2 眼睛状态特征差异显著性分析 | 第119页 |
| 5.4.3 疲劳表情特征差异显著性分析 | 第119-121页 |
| 5.5 驾驶员疲劳识别模型 | 第121-127页 |
| 5.5.1 特征空间建立 | 第121-122页 |
| 5.5.2 识别模型设计 | 第122-124页 |
| 5.5.3 模型学习策略 | 第124-127页 |
| 5.6 实验结果与结论 | 第127-130页 |
| 5.6.1 实验验证策略 | 第127页 |
| 5.6.2 通用识别模型实验结果 | 第127-128页 |
| 5.6.3 自适应识别模型实验结果 | 第128页 |
| 5.6.4 不同特征对识别精度的影响 | 第128-129页 |
| 5.6.5 数据合成策略对实验结果的影响 | 第129-130页 |
| 5.7 本章小结 | 第130-131页 |
| 结论 | 第131-135页 |
| 参考文献 | 第135-151页 |
| 攻读博士学位期间发表论文及参与课题情况 | 第151-153页 |
| 致谢 | 第153-154页 |
| 学位论文评阅及答辩情况表 | 第154页 |
