| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 疲劳驾驶的表现与形成原因 | 第12页 |
| 1.3 疲劳驾驶的检测方法 | 第12-15页 |
| 1.3.1 主观检测 | 第13页 |
| 1.3.2 客观检测 | 第13-15页 |
| 1.4 国内外研究现状 | 第15-19页 |
| 1.4.1 国外研究现状 | 第15-17页 |
| 1.4.2 国内的研究现状 | 第17-19页 |
| 1.5 论文研究的主要内容 | 第19-21页 |
| 第2章 人脸特征与相关处理技术 | 第21-30页 |
| 2.1 引言 | 第21页 |
| 2.2 人脸特征描述 | 第21-23页 |
| 2.2.1 三庭五眼 | 第21-22页 |
| 2.2.2 眼睛特征 | 第22页 |
| 2.2.3 嘴部特征 | 第22-23页 |
| 2.3 图像平滑处理 | 第23-25页 |
| 2.3.1 均值滤波 | 第23-24页 |
| 2.3.2 中值滤波 | 第24-25页 |
| 2.4 色彩空间 | 第25-28页 |
| 2.4.1 RGB颜色空间 | 第25-26页 |
| 2.4.2 HSV颜色空间 | 第26-27页 |
| 2.4.3 YUV颜色空间 | 第27页 |
| 2.4.4 YCr Cb颜色空间 | 第27-28页 |
| 2.5 PERCLOS疲劳判断准则 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于类Haar特征的级联Adaboost人脸定位 | 第30-41页 |
| 3.1 引言 | 第30页 |
| 3.2 类Haar特征 | 第30-33页 |
| 3.2.1 类Haar特征介绍 | 第30-31页 |
| 3.2.2 Haar特征表示人脸 | 第31页 |
| 3.2.3 Haar特征值计算 | 第31-33页 |
| 3.3 积分图 | 第33-35页 |
| 3.4 Adaboost算法 | 第35-37页 |
| 3.5 强分类器的级联 | 第37-38页 |
| 3.6 基于肤色模型的人脸检测结果校正 | 第38-40页 |
| 3.6.1 实验结果与分析 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 基于ASM的人脸特征定位 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 ASM模型训练 | 第41-45页 |
| 4.2.1 提取形状向量 | 第41-42页 |
| 4.2.2 形状向量归一化 | 第42-44页 |
| 4.2.3 主成分分析降维 | 第44页 |
| 4.2.4 构造局部灰度模型 | 第44-45页 |
| 4.3 ASM匹配 | 第45-48页 |
| 4.3.1 建立初始模型 | 第46页 |
| 4.3.2 搜索特征点新的位置 | 第46-47页 |
| 4.3.3 模型参数调整 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于模糊推理的疲劳判断 | 第49-61页 |
| 5.1 引言 | 第49页 |
| 5.2 模糊推理器结构 | 第49-52页 |
| 5.2.1 模糊化接口 | 第50-51页 |
| 5.2.2 知识库 | 第51页 |
| 5.2.3 推理机 | 第51页 |
| 5.2.4 清晰化接口 | 第51-52页 |
| 5.3 模糊推理器设计 | 第52-54页 |
| 5.4 系统流程图 | 第54-55页 |
| 5.5 试验平台的搭建 | 第55-56页 |
| 5.6 眼睛和嘴部特征提取 | 第56-57页 |
| 5.7 实验结果分析 | 第57-60页 |
| 5.7.1 结果对比 | 第57-59页 |
| 5.7.2 算法执行速度对比 | 第59-60页 |
| 5.8 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-70页 |
| 附录A 攻读学位期间发表的学术论文目录 | 第70页 |