一、驾车时如何防瞌睡?（论文文献综述）
王莹[1]（2019）在《基于脸部关键点信息的驾驶员行为分析 ——以疲劳和吸烟为例》文中提出随着车辆保有量的增多,汽车安全问题越来越成为一个必须考量的问题。在每年的道路交通事故中,多数灾难性的交通事故是由疲劳驾驶导致的。而且在我国并没有将吸烟驾驶行为列入违规条例,但是实际上,仍然有一部分道路交通安全事故跟吸烟驾驶有关。所以对于营运车辆,比如“两客一危”车辆,物流车辆,以及网约车辆的监察更显的尤为迫切和重要。对于驾驶员的疲劳驾驶和吸烟驾驶行为,目前主要的检测手段有,基于驾驶员的生理特征进行的疲劳检测,这类检测疲劳方法准确度高,但因为需要与驾驶员身体接触,所以便携性差。另外基于视觉的非接触类疲劳检测,这类检测可操作性强,速度快等优点,但是传统的特征提取手法提取特征种类有限,且过程繁琐,同时对图像质量要求较高。而对于吸烟检测,一般的吸烟检测技术是通过仪器检测驾驶室是否有烟雾,或者测量驾驶室的温度等来判断驾驶员是否有吸烟驾驶行为。这种检测方式易受周围环境干扰而导致漏检误检。本文提出一种利用驾驶员脸部的关键点信息,计算并判断其脸部的特征信息是否符合疲劳特征,以此来判断驾驶员是否有疲劳驾驶行为,同时利用嘴部关键点信息合成吸烟图像来解决吸烟数据缺乏的问题,为驾驶员吸烟检测的研究提供充足的吸烟数据。主要内容为:（1）搭建了用于人脸关键点检测的网络模型CNN-9,利用卷积神经网络提取特征的高效性,检测出驾驶员脸部的关键点。模型在测试集上取得了比较理想的效果,并且小的模型结构也使得关键点检测具有实时性。同时模型在具体109个视频段上的疲劳检测结果也表明,本文疲劳检测方法具有较高的准确度。（2）将吸烟检测考虑为一个二分类问题,搭建了用于驾驶员吸烟检测的模型VGGNet-10。并且通过利用嘴部关键点坐标信息合成大量的吸烟数据,以此来解决吸烟数据缺乏的问题。（3）在合成的吸烟数据与真实吸烟数据比例严重不对等的情况下,为了使模型对真实吸烟图像有较好的检测效果,本文采取了先使用合成图像训练,再用真实吸烟图像进行参数微调的训练策略,并在真实吸烟图像组成的测试集上取得了较好的检测效果。由此可见,本文的吸烟检测模型、吸烟图像合成方法以及吸烟检测模型训练策略具有可行性和有效性,同时CPU上的吸烟检测耗时也说明模型能满足实际中的实时性需要。综上内容,本文通过利用搭建的关键点检测模型和制定的疲劳检测准则,对驾驶视频的疲劳检测取得了较高准确度和实时性;通过利用本文搭建的吸烟检测模型、合成吸烟数据以及模型训练策略,在吸烟检测测试集上取得了较理想的检测召回率和较高的实时性。
陆露琳[2]（2018）在《政务微博语篇研究》文中认为政务微博语篇是政府机构用于实现政务公开、官民互动的一系列连续句子或语段所构成的语言整体。政务微博语篇研究应该是政务微博语言研究的一项重要内容,而目前学界对政务微博语篇的研究成果较少。本文以政务微博语篇为研究对象,运用了比较法、定量分析法和跨学科研究法对其特征与类型、衔接与连贯、言语行为加以分析。全文包括绪论、正文和结语三个部分。绪论部分简要概述了政务微博语篇相关研究现状,指明了本文的研究意义、研究方法、创新之处和语料来源。正文部分是对政务微博语篇的研究过程,一共分为三章。第一章在界定政务微博语篇相关概念的基础上,通过政务微博语篇与其他微博语篇的对比,探析其语言使用规范、语篇结构类型复杂多样、语篇内容政治化的特点;通过政务微博语篇与公文语篇的对比,探析其语篇口语化、语篇篇幅较短以及语篇交互性强的特点。最后我们从语篇模式类型和语篇功能两个角度对政务微博语篇进行分类。第二章综合分析了政务微博语篇的衔接与连贯,用主位推进理论分析了政务微博语篇中的结构性衔接,从语篇语法学的角度归纳了政务微博语篇的非结构性衔接,而后探析了政务微博语篇的篇际衔接,最后从语篇语义学的角度总结了影响政务微博语篇连贯的因素。第三章从语篇语用学的角度对政务微博言语行为进行分析,运用言语行为理论探究了政务微博言语行为的构成性规则、政务微博言语行为的主体以及政务微博言语行为类型特征,分析其中存在的一些问题并提出相应的建议。结语部分对本文探讨的内容进行总结,说明本文的研究结论以及不足之处。
张秋各[3]（2017）在《基于人—车—路—货动态风险源的货运安全监测及评价方法研究》文中进行了进一步梳理随着我国国民经济的快速增长,道路交通运输业也进入加速发展的成长期。但是由于相关部门监管能力的匮乏以及运输行业的发展不足,近几年道路运输群死群伤的重特大恶性事故频繁发生。据统计,我国道路交通事故由于运输车辆导致的伤亡比例较高,且运输车辆易造成重特大交通事故,造成严重的生命及财产损失,因此货物运输车辆的运输安全问题已成为道路交通运输亟待解决的关键问题之一。车辆在途状态的监控和危险状态预警在车辆安全方面已经受到了全球很多国家的重视。作为造成重特大交通事故比例较高的货物运输车辆,对其在途状态的监测预警更成为重中之重,货运车辆危险状态的监测和评价是监控预警技术的基础,也成为车辆安全研究的前沿技术和热点。本文从人、车、路（环境）和货物四个方面进行研究,对风险源进行实时监测并构建了货运安全评价模型。首先,分析货物运输的共性特征,并对运输作业情况下的货运车辆进行风险评价;结合货运事故数据,采用风险评价指数法从人、车、路（环境）和货物四个方面总结子风险源,根据风险指数的大小筛选风险源并构建了货运风险指标体系。其次,对影响货运安全的四大要素人、车、路（环境）和货的12个风险源的现有监测方法进行详细的分析,并构建人、车、路（环境）和货物的货运风险监测系统。最后,基于BP神经网络和人、车、路（环境）和货物四大要素,提出了一种货运安全BP神经网络评价模型。对于风险源进行量化分成五个等级,采用Matlab软件随机函数并结合模糊层次分析法构建训练和测试数据库;采用训练数据库训练神经网络,确定网络结构。随机选取8组测试数据进行评价模型的测试,测试结果分别为93.3%、90.0%、90.0%、83.3%、90.0%、86.7%、86.7%和 90.0%,实验结果证明了构建模型的有效性。
陈泽[4]（2017）在《高速公路长大隧道与连续上下坡组合路段安全保障技术研究》文中研究指明随着我国高速公路里程的逐渐增加,山区高速公路越来越多的出现长大隧道进出口两端接连续的上、下坡路的线形,其事故率远高于其他路段,且长大隧道内及连续下坡路段一旦发生事故,易造成二次事故,导致更大的人员伤亡与财产损失。因此,针对现有高速公路长大隧道与连续上下坡组合路段,亟待采取有效的安全保障措施,以提高长大隧道内及前后连续上下坡路段的交通安全水平。论文选取四条典型高速公路长大隧道与连续上下坡组合路段,通过统计组合路段历年来发生的交通事故时间分布、空间分布、形态分布及原因分布规律和在不同天气下组合路段的交通事故分布规律,分析了组合路段的安全特性,并研究了组合路段运行速度与交通事故的关系,为组合路段事故机理分析提供了依据。基于组合路段事故分布规律及安全特性分析,从“人-车-路-环境”多因素联合作用角度出发,将组合路段分为连续上坡段、隧道出入口段、隧道段、连续下坡段,综合分析了驾驶人、车辆、道路、环境等因素对高速公路长大隧道与连续上下坡组合路段事故的影响机理,为组合路段采取针对性的安全保障措施提供技术支持。在分析组合路段交通事故机理的基础上,分别从道路交通条件、速度管理、景观条件、二次事故预防及应急救援、驾驶人管理及教育、车辆管理等方面提出了组合路段的安全保障措施,提高高速公路长大隧道与连续上下坡组合路段的安全水平。工程实例应用已验证了论文中所提出的安全保障措施的有效性。
王文浩[5]（2016）在《汽车驾驶员疲劳预警系统设计与实现》文中研究说明汽车保有量和驾驶员人数的迅速增加导致交通安全问题日益严重,而疲劳驾驶又是诱发交通事故的主要原因,所以准确检测到驾驶疲劳并及时给出预警对于减少交通事故的发生具有重要意义。基于视觉特征的疲劳检测技术由于具有不影响驾驶操作、实时监控能力强等优点逐渐成为驾驶疲劳检测的趋势,但其检测结果受复杂光照变化和驾驶员个体差异等因素影响变化大,疲劳特征提取准确度和检测精度不高。论文首先研究了现有的驾驶疲劳检测技术,并在此基础上利用驾驶员眼部特征、嘴部特征、头部特征和车体行驶时侧位移特征,依据基于视觉的非接触式检测原理,设计了一款汽车驾驶员疲劳预警系统。当系统检测到驾驶疲劳时,通过语音和视觉方式给出预警。系统以Zedboard FPGA开发板作为硬件实现平台,通过设计图像采集模块,实现了对驾驶员面部图像和路面图像的获取;通过在FPGA中设计图像输出和语音输出模块,实现了驾驶疲劳时的预警语音输出和预警界面输出;利用SoC技术将Zynq7000内部ARM硬核处理器、图像采集模块、图像输出模块和语音输出模块进行集成完成系统的整体硬件设计;通过在Zedboard上移植Linux操作系统实现系统的多任务需求,移植Qt图形库方便疲劳预警界面的开发,移植OpenCV图像处理库实现部分图像算法处理;通过在Linux环境下开发上层应用程序实现特征提取、驾驶员精神状态综合判断和疲劳预警,完成了系统的整体功能。论文所做的贡献包括:（1）针对眼部特征提取中眼部轮廓容易受到眼镜框架干扰的问题,根据眼部区域图像的连通域特性设计了眼镜框架滤除算法,并获得了较好的眼部轮廓效果。（2）设计面部图像采集模块时利用了红外成像技术,大大降低了复杂光照变化对驾驶员面部特征提取的影响。（3）利用多个疲劳特征综合判断驾驶员精神状态,避免了单个特征检测疲劳误判率高的问题。（4）利用SoC技术对汽车驾驶员疲劳预警系统进行产品原型开发,有利于系统快速产品化和后续开发升级。在实际驾驶室环境下对系统进行测试,结果表明系统实现了疲劳预警功能,能及时发现驾驶员的不规范驾驶行为并给出预警提示。同时,各特征提取的准确率达到80%以上,在现有测试条件下对模拟疲劳检测的准确率达到80%以上,基本上能够适应于复杂光照条件下的疲劳检测。
徐柏科[6]（2014）在《红外视频图像下疲劳驾驶的检测算法研究》文中研究表明如今，随着车辆数目的急速增长，交通事故频繁发生，给人类社会带来了日益严重的危害。而在大量的交通事故里，疲劳驾驶是诱发交通事故的关键因素。于是，高效地提升疲劳驾驶检测精确度，对削减交通事故的诱发有着十分重要的应用价值意义。本文就红外视频图象下疲劳驾车识别算法开展了应用性的研究，主要研究工作如下：1．特征提取及其人脸检测。针对传统AdaBoost级联算法训练耗时、泛化能力较差等问题，提出一种择优选取Haar特征（具有较强分类能力）的方法，很大程度上提高了其训练速度。同时，本文对粒子群算法进行了改善，将其与AdaBoost级联算法进行连接，构建了具有自适应、广义的AdaBoost检测优化算法，该算法能有效地改进人脸检测精确度、泛化误差等方面的性能。2．人脸跟踪定位。针对Mean-Shift算法具有收敛速度慢，并且对灰度图像或红外图像纹理信息较少，且当被跟踪目标发生快速移动时，Mean-Shift算法容易跟踪失败的缺点，本文对算法进行了相应的改进。然后，采用SSD（Sum of Difference）匹配方法实行全局目标寻优，不仅避免了目标快速移动时所引起跟踪失败的情况，也明显提高了跟踪速度。3．人眼检测及其精确定位。通过对图像灰度梯度复杂度分析粗定位人眼区域，并采用Gabor滤波变换、人工阈值二值化处理、灰度积分投影及连通域增强等算法，提高人眼区域提取的精确度，从而精确定位人眼；然后，以所定位的人眼中心坐标作为起始点，使用区域生长法向其中心坐标的八个邻域方向生长，进而确定瞳孔大小；最后根据设定的正常情况下瞳孔半径大小，利用PERCLOS测量标准以及疲劳状态下的眨眼频率特征进行疲劳驾驶检测。
张丽雯[7]（2013）在《基于面部特征的疲劳驾驶检测》文中指出疲劳驾驶是造成交通事故的主要原因之一，通过检测驾驶员是否疲劳来预防交通事故并有效保障行车安全，具有非常重要的意义。本文利用眼睛和嘴唇两个面部的特征进行疲劳驾驶检测，提高了判别的准确性。论文主要工作如下：1、人脸检测及预测。利用肤色的聚类性，采用高斯模型在YCbCr颜色空间中检测人脸，并用卡尔曼滤波器预测下一帧图像中人脸的位置。实验表明，本方法能较好地定位人脸，并且实时性较好。2、眼睛定位及打瞌睡检测。本文在人脸区域内利用区域生长和形态学运算精确定位眼睛，并利用眼睛轮廓的外接矩形框中的黑色像素所占比例判断眼睛的睁闭状态，之后采用PERCLOS值判断驾驶员是否在打瞌睡。实验结果表明，本方法能较好检测出司机是否打呵欠。3、嘴部定位及打呵欠检测。将嘴唇的颜色特征和灰度特征相结合，定位嘴部位置并检测出嘴巴张开的大小，之后根据嘴巴张开程度及持续时间来判断驾驶员是否打呵欠。实验结果表明，本方法的检测效果较好。最后，采用瞌睡和打呵欠两个特征判断驾驶员是否在疲劳驾驶。实验结果表明，这种方法比只用眼睛这一个特征进行判决效果要好。
贺伟[8]（2012）在《基于人眼特征的疲劳驾驶检测研究》文中进行了进一步梳理随着经济的飞速发展，各国的机动车保有量迅速增加，交通安全问题日益突出。在交通安全问题中，驾驶员、车辆、道路环境三个方面的影响程度是不同的，驾驶员的因素在交通安全中占最主要的地位，其中疲劳驾驶是导致交通事故的主要成因。疲劳驾驶检测技术是安全关键测控技术中的一个重要研究方向，在视频中通过检测与分析人眼特征来进行疲劳驾驶检测的研究，具有十分重要的意义。本文在实验室已有工作的基础上，研究了一种基于视频分析能在各种光照条件下自适应监测驾驶员疲劳状态的方法。主要做了以下工作：采用了在非线性分段色彩变换空间中基于肤色模型的人脸检测技术；并且研究了卡尔曼滤波跟踪方法，提高了人脸检测的速度。研究了彩色空间中肤色模型的聚类特性及该特性易受光照强度变化影响的性质，在此基础上设计了一种自适应的光照强度判断方法。采用最小二乘法拟合曲面的方法对采集到的图像进行光照校正，以解决强光恶劣光照条件下如何进行检测的问题。系统进而根据弱、中、强三种光照情况，自适应地完成人眼区域的粗定位；在此基础上，根据区域生长、形态学运算并结合人脸五官先验知识建立规则集精确定位眼睛位置。最后研究了眨眼与疲劳相关参数的检测方法，采用PERCLOS值作为判断驾驶员疲劳状态的标准。在对TI公司TMS320C6000系列DSP的内部结构和开发流程的研究学习基础上，将本文设计的疲劳检测算法移植到DSP上，并对算法的程序利用CCS进行了优化，每秒能够处理20帧，初步达到实时性。实验证明该方法准确率较好，正常状态下的检测正确率均在85%以上，基本能够适应各种光照情况下的疲劳检测。
魏秀金[9]（2011）在《红外条件下驾驶员疲劳检测研究》文中提出目前,在频繁发生的交通事故中,驾驶疲劳已成为引发交通事故的重要因素之一。因此,如何有效地检测和预防驾驶疲劳,对于减少交通事故发生,有着十分重要的现实意义。在当前的疲劳驾驶检测技术领域,随着科技的不断进步,计算机视觉、图像处理和模式识别技术得到了进一步的发展和完善。基于驾驶员脸部特征的非接触式疲劳检测算法的研究和疲劳预警系统的开发已经成为了主流之一。本文在研究前人工作的基础上,认为夜间是驾驶员疲劳的多发阶段。因此,本文使用了特殊的红外光源拍摄驾驶员正面面部图象,并根据红外图象所具有的特点提出了一套有效的驾驶员疲劳检测方法,整个方法分为四个过程:人脸的检测,人脸的跟踪,人眼（瞳孔）的定位和驾驶员疲劳状态识别。本文具体的研究内容如下:第一章介绍了驾驶疲劳检测的应用背景以及国内外研究的现状。阐述了疲劳检测研究的意义,以及论文研究的内容。第二章提出了红外条件下基于Adaboost人脸检测方法。首先对当前的人脸检测算法进行分类比较,其次介绍了红外光谱及红外图像的特点。最后,通过AdaBoost目标检测算法对人脸进行定位,该方法检测效率高,效果好。第三章提出了改进的Mean-shift人脸跟踪算法。针对Mean-shift算法在被跟踪目标发生快速移动时容易跟踪失败的缺点,改进了Mean-shift算法。当目标发生快速移动时,采用SSD（Sum of Square Difference）算法进行全局搜索。以实际驾驶员人脸检测与跟踪实验为例进行了大量实验,实验结果表明,本文提出的跟踪方法比Mean-shift算法的速度快、准确度高。第四章提出了红外条件下的的人眼检测和虹膜定位方法。（1）基于约束条件的人眼检测:首先利用极小值区域进行眼睛的粗定位,然后使用自然约束条件对上述粗定位的眼睛进行筛选,最后对眼睛进行精确定位;（2）基于Harris的虹膜定位:首先通过二维最大熵阈值分割方法对眼睛进行阈值分割,然后通过Canny边缘检测的方法提取瞳孔的边缘,运用Hough变换方法获得瞳孔的位置,最后通过Harris角点检测的方法寻找普尔钦斑点继而确定虹膜的位置。第五章提出了红外条件下的驾驶员疲劳检测方法。在驾驶员眼睛精确定位以及虹膜（普尔钦斑点）精确定位的基础上,分别通过基于PERCLOS测量方法以及基于普尔钦光斑的驾驶员疲劳检测方法对驾驶员疲劳状态进行检测,最后根据驾驶员的眨眼频率及PERCLOS方法对驾驶员的疲劳程度做了一些判断。实验结果表明,效果较好。第六章总结与展望。对本文主要研究内容做了总结,同时也指出了实验中的不足及现存的一些问题。最后,对今后的研究做了展望。
杨玉栋,郑庆生[10]（2010）在《春天驾车防瞌睡“技巧”》文中研究说明俗话说:"春困秋乏夏打盹",历年来在春季开车,驾驶员出现驾车时打瞌睡的情形高于其他时刻,发生交通事故的频率也由此上升。那么春天驾车如何防瞌睡呢?
二、驾车时如何防瞌睡?（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、驾车时如何防瞌睡?（论文提纲范文）
（1）基于脸部关键点信息的驾驶员行为分析 ——以疲劳和吸烟为例（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 本文的研究背景与意义 |
| 1.2 驾驶员疲劳驾驶行为检测方法 |
| 1.2.1 基于驾驶员生理特征的接触类 |
| 1.2.2 基于车辆的行驶参数及驾驶员行为特征的非接触类 |
| 1.2.3 外界干预疲劳检测类 |
| 1.3 驾驶员吸烟驾驶行为检测方法 |
| 1.3.1 穿戴式吸烟检测方法 |
| 1.3.2 非接触式吸烟检测方法 |
| 1.4 国内外研究现状 |
| 1.4.1 国内研究现状 |
| 1.4.2 国外研究现状 |
| 1.5 本文主要研究内容 |
| 第二章 基于脸部关键点信息的驾驶员行为分析研究 |
| 2.1 基于深度学习的人脸检测 |
| 2.2 基于深度学习的人脸关键点检测 |
| 2.3 基于深度学习的图像分类 |
| 2.4 卷积神经网络 |
| 2.4.1 卷积层 |
| 2.4.2 池化层 |
| 2.5 反向传播算法 |
| 2.6 本章小结 |
| 第三章 CNN-9和VGGNet-10 模型的搭建与训练 |
| 3.1 CNN-9 模型的搭建与训练 |
| 3.1.1 数据准备 |
| 3.1.2 网络配置 |
| 3.1.3 CNN-9 模型训练及测试分析 |
| 3.2 VGGNet-10 模型的搭建与训练 |
| 3.2.1 数据准备 |
| 3.2.2 网络配置 |
| 3.2.3 VGGNet-10 模型训练 |
| 3.3 本章小结 |
| 第四章 疲劳驾驶与吸烟驾驶行为分析 |
| 4.1 疲劳驾驶行为分析 |
| 4.1.1 疲劳驾驶行为判别参数 |
| 4.1.2 疲劳驾驶行为判别准则 |
| 4.1.3 疲劳驾驶行为检测结果分析 |
| 4.2 吸烟驾驶行为分析 |
| 4.2.1 吸烟驾驶行为判别准则 |
| 4.2.2 吸烟驾驶行为检测结果分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（2）政务微博语篇研究（论文提纲范文）
| 摘要 |
| Abstract |
| 绪论 |
| 一、选题的依据和研究意义 |
| (一)选题的依据 |
| (二)研究意义 |
| 二、国内外研究现状 |
| (一)语篇研究现状 |
| (二)政务微博研究现状 |
| (三)政务微博语篇研究现状 |
| 三、创新之处 |
| (一)研究语料新 |
| (二)研究角度新 |
| 四、研究方法 |
| (一)比较法 |
| (二)定量分析法 |
| (三)跨学科研究法 |
| 五、研究语料及来源 |
| (一)语料的界定 |
| (二)语料的来源 |
| 第一章 政务微博语篇的特征与类型 |
| 一、政务微博语篇相关概念界定 |
| (一)语篇 |
| (二)政务微博 |
| (三)政务微博语篇 |
| 二、政务微博语篇的特征 |
| (一)政务微博语篇与其他微博语篇的区别 |
| (二)政务微博语篇与公文语篇的区别 |
| 三、政务微博语篇的类型 |
| (一)按语篇模式类型分 |
| (二)按语篇功能类型分 |
| 小结 |
| 第二章 政务微博语篇的衔接与连贯 |
| 一、政务微博语篇的衔接 |
| (一)政务微博语篇的篇内衔接 |
| (二)政务微博语篇的篇际衔接 |
| 二、政务微博语篇的连贯 |
| (一)政务微博语篇连贯的外部条件 |
| (二)政务微博语篇衔接保证语篇的连贯 |
| 小结 |
| 第三章 政务微博语篇的言语行为分析 |
| 一、政务微博言语行为的构成性规则 |
| (一)言语行为的构成性规则 |
| (二)政务微博言语行为的构成性规则 |
| (三)存在的问题 |
| 二、政务微博言语行为主体 |
| (一)政务微博的说话者 |
| (二)政务微博的听话者 |
| (三)政务微博的核查者 |
| (四)政务微博的驱动者 |
| 三、政务微博言语行为类型 |
| (一)政务微博言语行为类型概述 |
| (二)政务微博言语行为类型分布特点及其原因 |
| (三)政务微博言语行为类型对比分析 |
| 小结 |
| 结语 |
| 附录 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 学位论文数据集` |
（3）基于人—车—路—货动态风险源的货运安全监测及评价方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要技术路线 |
| 1.4 论文组织结构 |
| 第二章 货物运输风险源分析方法 |
| 2.1 道路货物运输及其风险 |
| 2.1.1 道路货物运输的现状 |
| 2.1.2 货物运输过程中的风险 |
| 2.2 货物运输中的风险源分析 |
| 2.2.1 人的因素 |
| 2.2.2 车辆的因素 |
| 2.2.3 道路(环境)因素 |
| 2.2.4 货物因素 |
| 2.3 货运风险指标体系的构建 |
| 2.3.1 基于风险评价指数法的子风险源选取 |
| 2.3.2 指标体系的构建 |
| 2.4 本章小结 |
| 第三章 货运风险监测系统设计 |
| 3.1 驾驶人的风险因素监测 |
| 3.1.1 静态风险指标 |
| 3.1.2 动态风险指标 |
| 3.1.3 驾驶人的风险因素监测方法 |
| 3.2 车辆的风险因素监测 |
| 3.3 道路(环境)的异常场景监测 |
| 3.4 货物的异常状态监测 |
| 3.5 货物运输风险源监测系统 |
| 3.6 本章小结 |
| 第四章 基于BP神经网络的货运安全评价方法 |
| 4.1 人工神经网络 |
| 4.1.1 动态风险评价方法 |
| 4.1.2 人工神经网络 |
| 4.2 货运安全BP神经网络评价模型 |
| 4.2.1 评价模型设计思路 |
| 4.2.2 货运安全BP神经网络评价模型神经元 |
| 4.2.3 货运安全BP神经网络评价模型的训练 |
| 4.2.4 货运安全BP神经网络评价模型的测试 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 硕士期间完成的研究成果 |
（4）高速公路长大隧道与连续上下坡组合路段安全保障技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 研究内容 |
| 1.4 研究的技术路线 |
| 第二章 组合路段事故分布规律及安全特性分析 |
| 2.1 高速公路长大隧道与连续上下坡组合路段界定 |
| 2.2 组合路段概况及事故情况综述 |
| 2.2.1 甬台温高速公路K1625+500～K1629+000 段 |
| 2.2.2 G1513温丽高速公路K110+078～K115+200 段 |
| 2.2.3 S33龙丽高速公路K84+510～K93+532 段 |
| 2.2.4 G25长深高速公路（金丽高速公路）K2573～K2580段 |
| 2.3 组合路段事故分布规律及安全特性 |
| 2.3.1 交通事故时间分布规律及安全特性 |
| 2.3.2 交通事故空间分布规律及安全特性 |
| 2.3.3 交通事故形态分布规律及安全特性 |
| 2.3.4 交通事故原因分布规律及安全特性 |
| 2.3.5 在不同天气下交通事故分布规律及安全特性 |
| 2.4 组合路段运行速度与事故的关系 |
| 2.4.1 速度调查 |
| 2.4.2 速度实测及统计 |
| 2.4.3 实测速度与交通安全分析 |
| 2.5 本章小结 |
| 第三章 组合路段事故机理分析 |
| 3.1 连续上坡路段事故机理分析 |
| 3.1.1 驾驶人在连续上坡路段的驾驶行为及事故机理分析 |
| 3.1.2 连续上坡路段车辆性能及事故机理分析 |
| 3.1.3 连续上坡路段驾驶人疲劳驾驶现象及事故机理分析 |
| 3.1.4 连续上坡路段的视距及事故机理分析 |
| 3.2 隧道出入口路段事故机理分析 |
| 3.2.1 隧道出入口路段驾驶人的驾驶行为、心生理变化及事故机理分析 |
| 3.2.2 隧道出入口路段路面防滑性能、天气条件及事故机理分析 |
| 3.3 隧道路段事故机理分析 |
| 3.3.1 隧道路段驾驶人心生理变化及事故机理分析 |
| 3.3.2 隧道路段环境、路面性能及事故机理分析 |
| 3.4 连续下坡路段事故机理分析 |
| 3.4.1 连续下坡路段驾驶人心生理变化及事故机理分析 |
| 3.4.2 连续下坡路段车辆性能及事故机理分析 |
| 3.4.3 连续下坡路段路面性能及事故机理分析 |
| 3.4.4 连续下坡路段视距及事故机理分析 |
| 3.5 本章小结 |
| 第四章 组合路段安全保障技术及实例应用 |
| 4.1 组合路段道路交通条件改善 |
| 4.1.1 路面性能改善 |
| 4.1.2 组合路段标志、标线优化 |
| 4.1.3 交通安全设施改善 |
| 4.1.4 合理设置避险车道 |
| 4.1.5 合理设置客货分离 |
| 4.1.6 合理设置爬坡车道 |
| 4.2 组合路段车速管理对策 |
| 4.2.1 减速标线 |
| 4.2.2 限速措施 |
| 4.3 组合路段景观条件改善 |
| 4.3.1 组合路段道路两侧景观改善 |
| 4.3.2 组合路段中央分隔带景观改善 |
| 4.3.3 组合路段隧道路段景观改善 |
| 4.4 组合路段二次事故预防 |
| 4.4.1 组合路段事故信息获取 |
| 4.4.2 组合路段交通事故现场处理方式 |
| 4.4.3 组合路段事故条件下信息发布 |
| 4.4.4 组合路段事故条件下的交通诱导与控制 |
| 4.5 组合路段应急救援 |
| 4.5.1 组合路段应急救援目标 |
| 4.5.2 组合路段应急救援机构组成 |
| 4.5.3 组合路段应急救援预案 |
| 4.5.4 组合路段应急救援行动 |
| 4.6 加强驾驶人的教育及管理 |
| 4.6.1 强化机动车驾驶人的准入和强制退出机制 |
| 4.6.2 加强驾驶人安全教育活动 |
| 4.6.3 加强社会监督 |
| 4.6.4 疲劳驾驶的管理 |
| 4.7 对组合路段过往车辆进行管理 |
| 4.7.1 车辆超载、超限、超员管理 |
| 4.7.2 车辆性能检查 |
| 4.8 实例应用 |
| 4.8.1 车辆管理措施 |
| 4.8.2 道路交通条件改善 |
| 4.8.3 速度管理措施 |
| 4.9 本章小结 |
| 结论与展望 |
| 主要研究成果 |
| 需进一步研究的内容 |
| 参考文献 |
| 致谢 |
（5）汽车驾驶员疲劳预警系统设计与实现（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作及章节安排 |
| 2 相关理论及技术介绍 |
| 2.1 基于视觉特征的疲劳检测原理 |
| 2.2 特征提取的关键算法 |
| 2.2.1 面部定位 |
| 2.2.2 区域分割 |
| 2.2.3 车道线检测 |
| 2.3 本章小结 |
| 3 系统总体设计 |
| 3.1 需求分析及设计要求 |
| 3.2 系统总体方案设计 |
| 3.2.1 硬件设计方案 |
| 3.2.2 软件设计方案 |
| 3.3 本章小结 |
| 4 系统硬件设计 |
| 4.1 图像采集模块设计 |
| 4.2 图像显示模块设计 |
| 4.2.1 ADV7511芯片介绍 |
| 4.2.2 ADV7511驱动控制逻辑设计 |
| 4.3 语音输出模块设计 |
| 4.3.1 ADAU1761芯片介绍 |
| 4.3.2 ADAU1761驱动控制逻辑设计 |
| 4.4 SOC系统设计 |
| 4.5 本章小结 |
| 5 系统软件设计 |
| 5.1 软件开发平台环境搭建 |
| 5.1.1 定制Linux操作系统 |
| 5.1.2 Qt图形库移植 |
| 5.1.3 OpenCV图像处理库移植 |
| 5.2 图像采集 |
| 5.3 特征提取 |
| 5.3.1 人脸面部定位与跟踪 |
| 5.3.2 人脸面部特征提取 |
| 5.3.3 车道线检测与特征提取 |
| 5.4 状态综合判断 |
| 5.5 疲劳预警 |
| 5.5.1 疲劳预警界面设计 |
| 5.5.2 疲劳预警语音输出 |
| 5.6 本章小结 |
| 6 系统实验及结果分析 |
| 6.1 系统实物 |
| 6.2 实验结果与评测 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 课题工作总结 |
| 7.2 下一步研究方向 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读硕士学位期间参与的科研项目 |
| B. 作者在攻读硕士学位期间参与的竞赛及获奖情况 |
（6）红外视频图像下疲劳驾驶的检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文工作 |
| 1.3.1 本文主要工作 |
| 1.3.2 本文内容 |
| 第二章 疲劳驾驶检测算法相关理论及原理 |
| 2.1 红外光谱与红外图像的特点 |
| 2.1.1 红外光谱简介 |
| 2.1.2 红外图像的特点 |
| 2.2 积分图与 Haar-Like 特征 |
| 2.2.1 积分图的概述 |
| 2.2.2 Haar-Like 特征的定义 |
| 2.2.3 Haar-Like 特征数目 |
| 2.2.4 Haar-Like 特征值的计算 |
| 2.3 AGPSO 算法 |
| 2.3.1 PSO 算法概述 |
| 2.3.2 AGPSO 算法概述 |
| 2.4 AdaBoost 人脸检测方法原理 |
| 2.4.1 弱分类器的训练 |
| 2.4.2 强分类器的训练 |
| 2.4.3 级联强分类器的训练 |
| 2.5 Mean-Shift 算法 |
| 2.5.1 Mean-Shift 的理论基础 |
| 2.5.2 多维空间的非参数密度估计 |
| 2.5.3 Mean-Shift 向量 |
| 2.6 PERCLOS 标准及原理 |
| 2.7 本章小结 |
| 第三章 基于 AGPSO-AdaBoost 算法的人脸检测系统 |
| 3.1 图像预处理 |
| 3.1.1 去噪处理 |
| 3.1.2 图像增强处理 |
| 3.1.3 尺度归一化 |
| 3.2 AdaBoost 人脸检测算法相关问题研究及改进 |
| 3.2.1 AdaBoost 算法训练耗时分析 |
| 3.2.2 Haar 特征的选取 |
| 3.2.3 AGPSO 优化待提升弱分类器系数构建强分类器 |
| 3.3 基于 AGPSO-AdaBoost 人脸检测算法的构成与实现 |
| 3.3.1 人脸检测 |
| 3.3.2 检测结果后续处理 |
| 3.4 本章小结 |
| 第四章 人脸跟踪定位算法的设计与实现 |
| 4.1 Mean-Shift 算法跟踪的缺点及改进 |
| 4.1.1 改进直方图特征描述 |
| 4.1.2 加快收敛速度 |
| 4.1.3 遮挡问题（模板更新）的改进 |
| 4.2 目标模型与候选模型 |
| 4.3 相似性度量 |
| 4.4 基于改进的 Mean-Shift 算法的人脸跟踪 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 红外条件下的人眼定位及疲劳驾驶检测 |
| 5.1 引言 |
| 5.2 红外条件下的人眼检测 |
| 5.2.1 基于梯度复杂度的人眼区域提取 |
| 5.2.2 图像 Gabor 滤波及二值化增强 |
| 5.2.3 灰度积分投影增强 |
| 5.2.4 连通域增强 |
| 5.2.5 人眼定位实验结果与分析 |
| 5.3 瞳孔的提取 |
| 5.4 疲劳驾驶检测 |
| 5.4.1 疲劳驾驶状态判别 |
| 5.4.2 疲劳驾驶检测结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 发表论文与参加科研情况说明 |
| 致谢 |
（7）基于面部特征的疲劳驾驶检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第一章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 疲劳驾驶检测方法 |
| 1.3 疲劳驾驶检测的研究现状和难点 |
| 1.3.1 疲劳驾驶检测研究现状 |
| 1.3.2 疲劳驾驶检测研究难点 |
| 1.4 本文的内容安排 |
| 第二章 人脸检测 |
| 2.1 引言 |
| 2.2 人脸检测难点及所用特征 |
| 2.3 图像预处理 |
| 2.3.1 光线补偿 |
| 2.3.2 图像滤波 |
| 2.4 人脸检测 |
| 2.4.1 颜色空间的选取 |
| 2.4.2 肤色的提取 |
| 2.4.3 人脸定位 |
| 2.5 人脸的预测 |
| 2.6 本章小结 |
| 第三章 驾驶员眼睛和嘴唇的检测 |
| 3.1 引言 |
| 3.2 人眼检测 |
| 3.2.1 人眼检测方法分类 |
| 3.2.2 改进 SOBLE 算子提取边缘 |
| 3.2.3 眼睛中心定位 |
| 3.2.4 人眼区域生长及形态学运算 |
| 3.2.5 人眼最终定位 |
| 3.3 嘴唇检测 |
| 3.3.1 嘴唇检测所用特征 |
| 3.3.2 唇色定位 |
| 3.4 本章小结 |
| 第四章 驾驶员疲劳驾驶检测 |
| 4.1 频繁打呵欠的判断 |
| 4.2 PERCLOS 算法判断瞌睡 |
| 4.2.1 PERCLOS 算法原理 |
| 4.2.2 眼睛疲劳状态判断 |
| 4.2.3 眼睛状态的识别 |
| 4.3 基于眼睛和嘴唇检测的疲劳判别算法 |
| 4.4 实验所用平台及结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
（8）基于人眼特征的疲劳驾驶检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景与意义 |
| 1.3 疲劳驾驶检测研究现状 |
| 1.3.1 疲劳驾驶检测方法的分类 |
| 1.3.2 疲劳驾驶检测的研究难点 |
| 1.4 本文的主要工作和内容安排 |
| 1.4.1 主要工作 |
| 1.4.2 内容安排 |
| 第二章 系统平台构建 |
| 2.1 系统指标 |
| 2.1.1 主要研制目标 |
| 2.1.2 主要技术指标 |
| 2.2 系统硬件设计 |
| 2.3 系统软件设计 |
| 2.3.1 DSP 系统软件设计 |
| 2.3.2 疲劳检测算法设计 |
| 第三章 人脸检测与自适应光照强度判断 |
| 3.1 引言 |
| 3.2 颜色空间的选取 |
| 3.3 基于肤色模型的人脸检测 |
| 3.3.1 肤色模型及相关技术 |
| 3.3.2 人脸区域分割及验证 |
| 3.4 基于人脸检测的光强判断 |
| 3.5 脸部区域的预测与跟踪 |
| 3.5.1 Kalman 滤波方法及其特点 |
| 3.5.2 基于 Kalman 滤波的脸部区域预测与跟踪 |
| 3.6 本章小结 |
| 第四章 基于人眼特征的疲劳检测 |
| 4.1 引言 |
| 4.2 中光情况下人眼区域定位 |
| 4.3 强光情况下人眼区域定位 |
| 4.4 人眼精确定位与特征提取 |
| 4.4.1 区域生长得到眼部轮廓 |
| 4.4.2 开运算滤除干扰 |
| 4.5 疲劳判决机制 |
| 4.5.1 PERCLOS 测量原理 |
| 4.5.2 眨眼相关参数及疲劳判定 |
| 4.6 实验结果与评测 |
| 4.7 本章小结 |
| 第五章 基于 DSP 的算法实现及程序优化 |
| 5.1 DSP 概述 |
| 5.2 TMS320 DM642 的结构与特点 |
| 5.3 算法移植和优化步骤 |
| 5.3.1 算法移植 |
| 5.3.2 代码优化 |
| 5.3.3 优化结果 |
| 第六章 总结与展望 |
| 6.1 本文的工作 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
（9）红外条件下驾驶员疲劳检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外驾驶疲劳检测的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 基于红外条件下的人脸检测及定位 |
| 2.1 人脸检测的方法 |
| 2.1.1 基于统计学习的人脸检测方法 |
| 2.1.2 基于知识建模的人脸检测方法 |
| 2.1.3 红外条件下的人脸检测 |
| 2.1.4 各种方法的比较 |
| 2.2 红外光谱与红外图像的特点 |
| 2.2.1 红外光谱简介 |
| 2.2.2 红外图像的特点 |
| 2.3 红外条件下基于AdaBoost 的人脸检测方法 |
| 2.3.1 AdaBoost 算法 |
| 2.3.2 Haar-like 特征 |
| 2.3.2.1 Haar-like 特征定义 |
| 2.3.2.2 Haar-like 特征值的计算 |
| 2.3.2.3 Haar-like 特征数量 |
| 2.3.3 积分图 |
| 2.3.3.1 积分图概述 |
| 2.3.3.2 利用积分图计算Haar-like 特征值 |
| 2.3.4 训练分类器 |
| 2.3.4.1 弱分类器 |
| 2.3.4.2 强分类器 |
| 2.3.4.3 级联分类器 |
| 2.3.5 实验结果 |
| 2.4 本章小结 |
| 第三章 基于改进 Mean-Shift 算法的人脸跟踪 |
| 3.1 引言 |
| 3.2 非参数密度估计理论研究 |
| 3.2.1 非参数密度估计 |
| 3.2.1.1 密度估计量的基本性质 |
| 3.2.1.2 非参数密度估计的通用表达式 |
| 3.2.2 核密度估计的定义 |
| 3.2.3 核密度估计的收敛性 |
| 3.3 Mean-Shift 理论 |
| 3.3.1 Mean-Shift 的理论基础 |
| 3.3.2 多维空间下的非参数密度估计 |
| 3.3.2.1 多变量核函数的生产方式 |
| 3.3.2.2 多维空间下的非参数密度估计 |
| 3.3.3 Mean-Shift 向量 |
| 3.4 Mean-Shift 目标跟踪算法 |
| 3.4.1 目标模型与候选模型 |
| 3.4.2 相似性度量 |
| 3.4.3 模板更新策略 |
| 3.4.4 Mean-Shift 算法流程 |
| 3.5 基于改进的Mean-Shift 算法的人脸跟踪 |
| 3.6 实验结果及分析 |
| 3.7 本章小结 |
| 第四章 基于红外条件下的人眼检测及定位 |
| 4.1 引言 |
| 4.2 红外条件下的驾驶员眼睛特点 |
| 4.3 基于约束条件的人眼检测 |
| 4.3.1 最大稳定极值区域 |
| 4.3.1.1 数学定义 |
| 4.3.1.2 性质 |
| 4.3.1.3 最大稳定极值区域的提取算法 |
| 4.3.2 基于多层结构的眼睛定位 |
| 4.3.2.1 极小值区域进行眼睛粗定位 |
| 4.3.2.2 使用自然约束条件对定位结果进行筛选 |
| 4.3.2.3 眼睛精确定位 |
| 4.4 基于Harris 的虹膜定位 |
| 4.4.1 二维最大熵阈值分割方法 |
| 4.4.2 Canny 边缘检测 |
| 4.4.3 基于霍夫变换的瞳孔检测 |
| 4.4.4 基于Harris 的Purkinje 斑点检测 |
| 4.5 本章小结 |
| 第五章 基于红外条件下的驾驶员疲劳检测 |
| 5.1 引言 |
| 5.2 基于PERCLOS 的疲劳检测方法 |
| 5.2.1 PERCLOS 标准 |
| 5.2.2 PERCLOS 的测量原理 |
| 5.2.3 PERCLOS 疲劳检测算法 |
| 5.3 基于普尔钦斑点的驾驶员疲劳检测方法 |
| 5.4 基于Harris 和PERCLOS 的疲劳程度判断方法 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的工作及总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
四、驾车时如何防瞌睡?（论文参考文献）
- [1]基于脸部关键点信息的驾驶员行为分析 ——以疲劳和吸烟为例[D]. 王莹. 南京航空航天大学, 2019(02)
- [2]政务微博语篇研究[D]. 陆露琳. 江苏师范大学, 2018(12)
- [3]基于人—车—路—货动态风险源的货运安全监测及评价方法研究[D]. 张秋各. 东南大学, 2017(04)
- [4]高速公路长大隧道与连续上下坡组合路段安全保障技术研究[D]. 陈泽. 长安大学, 2017(02)
- [5]汽车驾驶员疲劳预警系统设计与实现[D]. 王文浩. 重庆大学, 2016(03)
- [6]红外视频图像下疲劳驾驶的检测算法研究[D]. 徐柏科. 广西科技大学, 2014(05)
- [7]基于面部特征的疲劳驾驶检测[D]. 张丽雯. 合肥工业大学, 2013(04)
- [8]基于人眼特征的疲劳驾驶检测研究[D]. 贺伟. 合肥工业大学, 2012(03)
- [9]红外条件下驾驶员疲劳检测研究[D]. 魏秀金. 浙江理工大学, 2011(06)
- [10]春天驾车防瞌睡“技巧”[J]. 杨玉栋,郑庆生. 农机导购, 2010(02)
标签：疲劳驾驶预警系统论文; 定位设计论文; 交通论文;