基于面部行为分析的驾驶员疲劳检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 基于驾驶员生理参数的疲劳检测方法 | 第10-11页 |
| 1.2.2 基于驾驶行为特征的疲劳检测方法 | 第11-12页 |
| 1.2.3 基于视觉特征的疲劳检测方法 | 第12-14页 |
| 1.3 当前存在的问题及本文研究内容 | 第14-15页 |
| 1.3.1 当前存在的问题 | 第14页 |
| 1.3.2 本文研究内容 | 第14-15页 |
| 1.4 本文章节安排 | 第15-18页 |
| 第二章 驾驶员人脸检测与跟踪 | 第18-30页 |
| 2.1 人脸检测算法 | 第18-24页 |
| 2.1.1 人脸检测方法概述 | 第18-20页 |
| 2.1.2 Haar-Like特征和积分图 | 第20-23页 |
| 2.1.3 AdaBoost算法 | 第23-24页 |
| 2.2 人脸跟踪算法 | 第24-28页 |
| 2.2.1 跟踪算法概述 | 第25-26页 |
| 2.2.2 KCF跟踪算法 | 第26-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 驾驶员眼部和嘴部区域检测 | 第30-38页 |
| 3.1 人脸特征点定位方法概述 | 第30-31页 |
| 3.2 基于级联回归的人脸特征点检测 | 第31-33页 |
| 3.3 眼部和嘴部区域提取 | 第33-35页 |
| 3.4 实验结果与分析 | 第35-37页 |
| 3.4.1 红外视频采集系统 | 第35-36页 |
| 3.4.2 数据集 | 第36页 |
| 3.4.3 区域提取结果 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于CNN的眼部和嘴部状态识别 | 第38-46页 |
| 4.1 卷积神经网络 | 第38-40页 |
| 4.1.1 局部连接和权值共享 | 第38-39页 |
| 4.1.2 降采样技术 | 第39-40页 |
| 4.2 卷积神经网络结构 | 第40-42页 |
| 4.2.1 卷积层 | 第40-41页 |
| 4.2.2 降采样层 | 第41页 |
| 4.2.3 激活函数 | 第41页 |
| 4.2.4 Dropout层 | 第41-42页 |
| 4.2.5 全连接层 | 第42页 |
| 4.3 实验结果与分析 | 第42-45页 |
| 4.3.1 数据库与数据准备 | 第42页 |
| 4.3.2 网络结构 | 第42-43页 |
| 4.3.3 实验与分析 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 驾驶员疲劳检测 | 第46-56页 |
| 5.1 疲劳驾驶的概念 | 第46页 |
| 5.2 疲劳参数 | 第46-49页 |
| 5.2.1 PERCLOS参数 | 第46-49页 |
| 5.2.2 BlinkFreq参数 | 第49页 |
| 5.2.3 打哈欠参数 | 第49页 |
| 5.3 疲劳判别 | 第49-51页 |
| 5.4 实验结果与分析 | 第51-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56页 |
| 6.2 后续研究展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 发表论文和参加科研情况 | 第64-66页 |
| 致谢 | 第66页 |
