| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 图索引 | 第10-11页 |
| 表索引 | 第11-12页 |
| 第一章 绪论 | 第12-19页 |
| ·研究的背景和意义 | 第12-13页 |
| ·瞌睡监测研究概况 | 第13-14页 |
| ·瞌睡监测问题描述 | 第13页 |
| ·瞌睡监测的评价标准 | 第13页 |
| ·瞌睡监测的数据源 | 第13-14页 |
| ·国内外研究现状及存在的问题 | 第14-16页 |
| ·研究现状 | 第14-16页 |
| ·存在问题 | 第16页 |
| ·论文研究内容和方法 | 第16-18页 |
| ·研究内容 | 第16-17页 |
| ·研究方法 | 第17-18页 |
| ·论文章节安排 | 第18-19页 |
| 第二章 面向多姿态的人脸检测算法设计 | 第19-38页 |
| ·人脸检测技术概述 | 第19-22页 |
| ·人脸检测概念 | 第19页 |
| ·人脸图像的预处理 | 第19-22页 |
| ·基于积分图像和 AdaBoost方法的人脸检测 | 第22-28页 |
| ·矩形特征分析 | 第22-24页 |
| ·基于AdaBoost的人脸检测算法 | 第24-28页 |
| ·AdaBoost方法评价及存在的问题 | 第28页 |
| ·一种新的面向多姿态的AdaBoost人脸检测算法的设计 | 第28-30页 |
| ·多姿态人脸检测的视角分析 | 第28-30页 |
| ·金字塔结构的多视角分类器的设计 | 第30页 |
| ·面向多姿态的 AdaBoost人脸检测方法实现 | 第30-36页 |
| ·AdaBoost方法中正面人脸分类器的训练 | 第31-33页 |
| ·多姿态人脸分类器的训练 | 第33-35页 |
| ·面向多姿态AdaBoost人脸检测流程 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第三章 多特征量化及模糊融合的眼睛状态识别方法 | 第38-52页 |
| ·眼睛状态识别技术概述 | 第38-41页 |
| ·相关概念 | 第38页 |
| ·眼睛提取 | 第38-41页 |
| ·AdaBoost眼睛状态学习方法 | 第41-42页 |
| ·方法流程 | 第41-42页 |
| ·方法评价及存在的问题 | 第42页 |
| ·一种新的多特征量化及模糊融合的眼睛状态识别方法 | 第42-47页 |
| ·表征眼睛状态的融合特征分析 | 第43-44页 |
| ·模糊融合算法 | 第44-47页 |
| ·多特征量化及模糊融合的眼睛状态识别方法实现 | 第47-48页 |
| ·PERCLOS瞌睡识别 | 第48-51页 |
| ·PERCLOS瞌睡识别原理 | 第48-50页 |
| ·PERCLOS瞌睡识别实现 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 本文的瞌睡监测方法实验及其分析 | 第52-58页 |
| ·设计方案 | 第52-53页 |
| ·实验数据及分析 | 第53-56页 |
| ·人脸检测实验结果及评价 | 第53-54页 |
| ·眼睛提取实验结果及评价 | 第54-55页 |
| ·眼睛状态实验结果及评价 | 第55页 |
| ·瞌睡识别实验结果及评价 | 第55-56页 |
| ·整体实验结果及评价 | 第56页 |
| ·进一步分析 | 第56-57页 |
| ·实时性 | 第56页 |
| ·准确性 | 第56-57页 |
| ·鲁棒性 | 第57页 |
| ·设计方案应用 | 第57页 |
| ·本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-62页 |
| ·总结 | 第58-60页 |
| ·展望 | 第60-62页 |
| ·基于积分图像和AdaBoost的分类器训练速度的提高 | 第60页 |
| ·基于结构知识和样本学习相结合的特征提取 | 第60页 |
| ·环境自适应性的瞌睡监测系统 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文目录 | 第67页 |