基于AdaBoost算法的驾驶员疲劳检测
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-21页 |
| ·本课题的背景和研究意义 | 第10-11页 |
| ·国外相关的研究现状 | 第11-16页 |
| ·国内相关的研究现状 | 第16-19页 |
| ·驾驶员疲劳监测系统的研究目的及意义 | 第19页 |
| ·论文研究的主要内容及工作 | 第19-21页 |
| 第二章 人脸检测 | 第21-39页 |
| ·引言 | 第21-22页 |
| ·难点与展望 | 第22-24页 |
| ·人脸检测主要方法与特点 | 第24-32页 |
| ·基于面部重要特征的人脸检测方法 | 第24页 |
| ·基于模板匹配的人脸检测方法 | 第24-25页 |
| ·基于彩色信息的人脸检测方法 | 第25-28页 |
| ·基于先验知识的方法 | 第28页 |
| ·基于统计理论的人脸检测算法 | 第28-32页 |
| ·人脸检测方法的性能评测 | 第32-35页 |
| ·人脸图像数据库 | 第32-34页 |
| ·性能测评 | 第34-35页 |
| ·人脸检测的实验结果 | 第35-38页 |
| ·肤色模型的人脸检测效果 | 第36-38页 |
| ·基于AdaBoost的人脸检测效果 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第三章 基于AdaBoost算法的人眼检测 | 第39-75页 |
| ·AdaBoost方法概述 | 第39-47页 |
| ·引言 | 第39-40页 |
| ·弱学习与强学习 | 第40页 |
| ·矩形特征（Rectangle Feature） | 第40-45页 |
| ·积分图 | 第45-47页 |
| ·AdaBoost训练基本算法 | 第47-59页 |
| ·基本算法描述 | 第47-50页 |
| ·弱分类器Weak Classifer | 第50-54页 |
| ·强分类器Strong Classifer | 第54-56页 |
| ·级联分类器的级联结构 | 第56-59页 |
| ·人眼检测实验和结果 | 第59-66页 |
| ·训练集的选择和处理 | 第59-62页 |
| ·训练 | 第62-65页 |
| ·检测 | 第65-66页 |
| ·人眼检测实验结果分析 | 第66-74页 |
| ·实验一 | 第66-68页 |
| ·实验二 | 第68-69页 |
| ·实验三 | 第69-71页 |
| ·实验四 | 第71-74页 |
| ·本章小结 | 第74-75页 |
| 第四章 注意力检测系统 | 第75-90页 |
| ·OpenCV概述 | 第75-76页 |
| ·OpenCV的特征 | 第75页 |
| ·OpenCV的功能 | 第75-76页 |
| ·眨眼检测 | 第76-83页 |
| ·眨眼检测算法设计 | 第76-78页 |
| ·阀值法 | 第76-78页 |
| ·眨眼分类器的实现 | 第78-83页 |
| ·注意力检测软件架构 | 第83-89页 |
| ·人脸检测和定位 | 第84-87页 |
| ·注意力检测模块 | 第87-89页 |
| ·本章小结 | 第89-90页 |
| 总结与展望 | 第90-92页 |
| 参考文献 | 第92-97页 |
| 攻读硕士学位期间取得的研究成果 | 第97-98页 |
| 致谢 | 第98页 |
