| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 引言 | 第14-15页 |
| 1.2 疲劳驾驶的致因 | 第15页 |
| 1.3 疲劳驾驶检测技术的分类 | 第15-18页 |
| 1.3.1 基于驾驶员生理参数的检测方法 | 第16页 |
| 1.3.2 基于车辆行驶状态的检测方法 | 第16-17页 |
| 1.3.3 基于驾驶员行为特征的检测方法 | 第17-18页 |
| 1.4 国内外研究现状 | 第18-20页 |
| 1.5 本文的研究内容与结构安排 | 第20-22页 |
| 1.5.1 本论文的主要研究内容 | 第20-21页 |
| 1.5.2 本论文的结构安排 | 第21-22页 |
| 第二章 人脸检测 | 第22-38页 |
| 2.1 人脸检测的常用方法 | 第22-26页 |
| 2.1.1 基于肤色的人脸检测算法 | 第23-24页 |
| 2.1.2 基于支持向量机的人脸检测算法 | 第24-25页 |
| 2.1.3 基于模板匹配的人脸检测算法 | 第25页 |
| 2.1.4 基于神经网络的人脸检测算法 | 第25-26页 |
| 2.2 图像预处理 | 第26-28页 |
| 2.2.1 图像的灰度化 | 第26-27页 |
| 2.2.2 直方图均衡化 | 第27-28页 |
| 2.3 基于AdaBoost算法的人脸检测 | 第28-37页 |
| 2.3.1 Haar-like特征和积分图的计算 | 第29-33页 |
| 2.3.2 构造强分类器 | 第33-35页 |
| 2.3.3 AdaBoost算法的级联分类器 | 第35-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 人眼检测与疲劳状态分析 | 第38-47页 |
| 3.1 人眼检测的常用方法 | 第38-39页 |
| 3.1.1 基于亮瞳效应的方法 | 第38页 |
| 3.1.2 Hough(霍夫)变换法 | 第38-39页 |
| 3.1.3 基于灰度投影的人眼定位法 | 第39页 |
| 3.2 使用AdaBoost算法进行人眼定位 | 第39-41页 |
| 3.2.1 人脸定位与人眼定位的差异 | 第39-41页 |
| 3.2.2 使用AdaBoost算法进行人眼状态识别 | 第41页 |
| 3.3 基于扩展Haar-like特征的人眼检测和人眼状态分析 | 第41-42页 |
| 3.4 驾驶员的疲劳状态判断 | 第42-45页 |
| 3.4.1 PERCLOS检测原理 | 第43-44页 |
| 3.4.2 改进的疲劳判别方法 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 系统的实现与实验结果分析 | 第47-57页 |
| 4.1 软硬件平台介绍 | 第47页 |
| 4.1.1 软件平台介绍 | 第47页 |
| 4.1.2 硬件平台介绍 | 第47页 |
| 4.2 疲劳驾驶预警系统的算法流程 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-56页 |
| 4.3.1 人脸检测的实验结果与分析 | 第48-52页 |
| 4.3.2 人眼检测的实验结果与分析 | 第52-55页 |
| 4.3.3 疲劳判断的实验结果与分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 本文的工作及创新 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-66页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第66-67页 |