基于视频图像的汽车驾驶员疲劳检测
| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外驾驶疲劳研究现状 | 第11-14页 |
| 1.3 本文研究内容和主要章节 | 第14-16页 |
| 第2章 图像的预处理 | 第16-24页 |
| 2.1 图像的灰度化 | 第16-17页 |
| 2.2 图像的滤波和去噪 | 第17-20页 |
| 2.2.1 线性滤波 | 第17-18页 |
| 2.2.2 非线性滤波 | 第18-20页 |
| 2.3 直方图均衡化 | 第20-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 人脸检测和人眼检测的算法 | 第24-38页 |
| 3.1 特征提取 | 第24-26页 |
| 3.1.1 Haar-like特征 | 第24-25页 |
| 3.1.2 积分图 | 第25-26页 |
| 3.1.3 特征的讨论 | 第26页 |
| 3.2 分类器设计 | 第26-31页 |
| 3.2.1 boosting学习思想 | 第26-28页 |
| 3.2.2 Adaboost算法 | 第28-30页 |
| 3.2.3 Adaboost算法的实验分析 | 第30-31页 |
| 3.3 分类器的级联结构 | 第31-34页 |
| 3.3.1 级联分类器的训练 | 第32-34页 |
| 3.4 双层Ada Boost分类器的设计 | 第34-36页 |
| 3.4.1 人脸检测与人眼检测的关系 | 第34-35页 |
| 3.4.2 人眼定位的预处理 | 第35页 |
| 3.4.3 人眼检测的双层分类器构建 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 人眼检测结果和实验分析 | 第38-48页 |
| 4.1 Open CV简介 | 第38-39页 |
| 4.1.1 图像处理算法库简介 | 第38-39页 |
| 4.1.2 OpenCV介绍 | 第39页 |
| 4.2 训练样本的选择 | 第39-41页 |
| 4.3 分类器的训练 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-46页 |
| 4.4.1 静态图片的实验结果 | 第42-43页 |
| 4.4.2 实验场景的模拟结果 | 第43-46页 |
| 4.5 人眼检测结果的总结 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 人眼状态的描述和疲劳状态的判断 | 第48-61页 |
| 5.1 人眼状态的数学描述 | 第48-49页 |
| 5.1.1 Hough查找圆法 | 第48页 |
| 5.1.2 灰度投影法 | 第48-49页 |
| 5.1.3 模板匹配法 | 第49页 |
| 5.2 基于傅里叶变换的人眼状态分析 | 第49-56页 |
| 5.2.1 傅里叶描述法的原理 | 第50-52页 |
| 5.2.2 人眼轮廓的几何模型与几何参数 | 第52页 |
| 5.2.3 实验与结果 | 第52-56页 |
| 5.3 基于PERCLOS的疲劳状态判断 | 第56-60页 |
| 5.3.1 PERCLOS方法介绍 | 第57-58页 |
| 5.3.2 驾驶员疲劳检测 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 6.1 论文总结 | 第61-62页 |
| 6.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读学位期间发表的论文 | 第67-68页 |
| 附录B 人眼识别程序 | 第68-70页 |
