声明
致谢
摘要
1 引言
1.1 课题研究背景及意义
1.2 驾驶疲劳检测方法国内外研究现状
1.2.1 驾驶疲劳检测方法的分析和归纳
1.2.2 驾驶疲劳检测方法目前存在的问题
1.3 论文研究内容
1.4 论文组织结构
2 人脸的区域分割和检测
2.1 人脸检测方法选取
2.2 人脸图像的预处理
2.2.1 中值滤波
2.2.2 光照补偿
2.3 应用高斯肤色模型进行人脸区域预分割
2.3.1 颜色空间分析及选取
2.3.2 建立高斯肤色模型
2.3.3 应用自适应OSTU算法计算肤色相似度阈值
2.3.4 数学形态学滤波
2.3.5 非人脸区域初步去除
2.4 AdaBoost算法用于人脸准确检测
2.4.1 AdaBoost算法及级联分类器
2.4.2 使用Haar特征和积分图训练弱分类器
2.4.3 AdaBoost算法训练强分类器
2.4.4 使用人脸分类器的人脸检测实验及结果分析
2.5 本章小结
3 连续图像帧中人眼检测和跟踪预测
3.1 人眼检测常用方法
3.2 应用人眼分类器进行人眼精确定位
3.2.1 人眼分类器的训练样本选择
3.2.2 矩形Haar特征的选择
3.2.3 人眼检测实验结果及分析
3.3 应用动态模板匹配法进行人眼快速匹配定位
3.3.1 选择计算匹配度的算法
3.3.2 动态建立人眼模板
3.3.3 动态人眼模板匹配实验结果及分析
3.4 应用卡尔曼滤波算法预测人眼位置
3.4.1 人眼位置预测方法的引入
3.4.2 卡尔曼滤波方法
3.4.3 人眼位置预测
3.4.4 人眼位置预测结果评价及处理方法
3.5 本章小结
4 列车司机驾驶疲劳状态判断
4.1 人眼状态识别
4.1.1 人眼状态识别算法简介
4.1.2 结合眼部高宽比和白黑像素比例的人眼状态识别
4.1.3 人眼状态识别实验结果及分析
4.2 基于PERCLOS的驾驶疲劳判断
4.2.1 PERCLOS方法简介
4.2.2 根据PERCLOS的P80标准判断驾驶疲劳状态
4.3 列车司机驾驶疲劳检测系统的建立和实验
4.3.1 系统的工作流程
4.3.2 系统的软硬件平台
4.3.3 列车司机驾驶疲劳检测实验及结果分析
4.4 本章小结
5 全文总结与展望
5.1 论文的工作和结论
5.2 论文的创新点
5.3 不足与展望
参考文献
作者简历
学位论文数据集