智能交通信息感知理论与技术
| 作者 |
| 赵池航 |
| 丛书名 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121356223 |
| 简要 |
| 简介 |
| 内容简介 本书分上、中、下三篇，上篇、中篇用中文撰写，下篇用英文撰写。本书以交通信息感知理论与技术为主线，系统研究了交通场景中驾驶人-车辆-路面信息感知的理论与技术，主要包括：车辆信息感知理论与技术，主要有交通场景中车辆检测理论与技术、车辆品牌感知理论与技术、车辆异常行为感知理论与技术和基于车载装饰品特征的车辆检索方法；路面信息感知理论与技术，主要有基于联合检测器的路面破损检测方法、基于Contourlet变换的路面图像特征提取方法和基于联合特征及分类器集成的路面破损类型分类方法；驾驶人信息感知理论与技术，主要有基于Curvelet变换的驾驶人疲劳识别方法、基于LMDP（Local Multiresolution Derivative Pattern）的驾驶人疲劳识别方法、基于NC（Nonsubsampled Contourlet）变换的驾驶人异常姿态识别方法和基于融合特征的驾驶人异常姿态识别方法。 |
| 目录 |
| 上篇 车辆信息感知理论与技术 第1章 车辆信息感知技术的研究现状分析\t2 1．1 车辆检测理论与技术的研究现状\t3 1．2 车辆品牌感知理论与技术的研究现状\t4 1．3 车辆行为感知理论与技术的研究现状\t6 1．4 车辆检索理论与技术的研究现状\t8 参考文献\t10 第2章 交通场景中车辆检测理论与技术\t16 2．1 车辆图像采集\t16 2．2 基于对称特征的车辆检测方法\t18 2．3 其他车辆检测方法\t20 2．4 感兴趣区域（ROI）定位\t22 2．5 小结\t24 参考文献\t24 第3章 车辆品牌感知理论与技术\t26 3．1 基于单特征的车辆品牌感知方法\t26 3．1．1 车辆品牌纹理特征提取\t26 3．1．2 分类器\t32 3．1．3 实验结果与分析\t34 3．2 基于组合特征的车辆品牌感知方法\t35 3．2．1 梯度方向直方图（HOG）\t35 3．2．2 Contourlet变换\t35 3．2．3 特征降维\t37 3．2．4 组合特征及降维\t38 3．2．5 基于级联集成分类器的可靠分类\t39 3．2．6 实验结果及分析\t48 3．3 小结\t53 参考文献\t54 第4章 交通场景中车辆异常行为感知理论与技术\t56 4．1 基于颜色空间模型的城市交通场景中信号灯的检测方法\t56 4．1．1 图像预处理\t56 4．1．2 色彩空间模型\t61 4．1．3 信号灯模板匹配\t63 4．1．4 基于颜色空间模型的信号灯检测\t66 4．2 基于车辆和车牌对称特征的车辆检测方法\t67 4．2．1 基于车辆和车牌对称特征的车辆检测\t67 4．2．2 其他车辆检测方法\t71 4．2．3 实验结果\t72 4．3 基于联合特征的城市交通场景中车辆异常行为检测方法\t73 4．3．1 构建车辆行为图像集\t74 4．3．2 梯度方向直方图\t75 4．3．3 局部二值模式\t76 4．3．4 边缘方向直方图\t78 4．3．5 联合特征提取\t78 4．3．6 支持向量机分类器\t80 4．3．7 实验结果\t81 4．4 小结\t83 参考文献\t83 第5章 基于车载装饰品特征的车辆检索方法\t86 5．1 车载装饰品局部区域图像集的构建方法\t86 5．1．1 车辆图像数据采集\t87 5．1．2 基于车辆及其车牌对称特征的车辆检测方法\t87 5．1．3 基于级联分类器及Haar特征的车辆检测方法\t88 5．1．4 基于灰度共生矩阵（GLCM）的车辆检测方法\t89 5．1．5 基于支持向量机（SVM）及纹理特征的车辆检测方法\t90 5．1．6 车辆前挡风玻璃区域的定位\t91 5．1．7 车载装饰品局部区域图像集的构建\t91 5．2 基于车载装饰品区域图像颜色直方图的车辆检索方法\t93 5．2．1 基于颜色直方图的车载装饰品区域图像特征表征\t93 5．2．2 基于其他图像特征的描述方法\t95 5．2．3 特征相似度的衡量\t102 5．2．4 检索效果评价标准\t103 5．2．5 实验结果\t104 5．3 小结\t107 参考文献\t107 中篇 路面信息感知理论与技术 第6章 路面信息感知技术的研究现状\t110 6．1 路面图像预处理技术研究现状\t111 6．2 路面破损检测技术研究现状\t112 6．3 路面破损分类技术研究现状\t113 参考文献\t114 第7章 路面信息感知的方法\t117 7．1 基于联合检测器的路面破损检测方法\t118 7．1．1 路面破损图像采集\t118 7．1．2 图像预处理\t119 7．1．3 基于灰度分析的路面破损检测\t122 7．1．4 基于联合检测器的路面破损检测\t126 7．1．5 路面图像破损区域定位\t128 7．2 基于Contourlet变换的路面图像特征提取方法\t128 7．2．1 Contourlet变换\t129 7．2．2 其他纹理特征提取方法\t131 7．2．3 支持向量机分类器\t135 7．2．4 实验分析\t137 7．3 基于联合特征及分类器集成的路面破损类型分类方法\t139 7．3．1 联合特征\t139 7．3．2 分类器集成\t140 7．3．3 实验分析\t141 7．4 小结\t142 参考文献\t143 下篇 驾驶人信息感知理论与技术 Chapter 8 Introduction of Driver’s Information Perception\t146 8．1 Introduction of driver’s fatigue detection\t146 8．2 Introduction of driver’s abnormal activities detection\t148 References\t149 Chapter 9 Perception of Driver’s Fatigue Information Using Curvelet transform\t152 9．1 SEU fatigue expression data acquisition\t152 9．2 Curvelet transform for image feature description\t153 9．3 Support Vector Machine (SVM)\t156 9．4 Other classification methods compared\t158 9．4．1 Linear Perception (LP) classifier\t158 9．4．2 k-Nearest Neighbor (k-NN) classifier\t159 9．4．3 Multilayer Perception (MLP) classifier\t159 9．4．4 Parzen classifier\t160 9．5 Experiments\t160 9．6 Conclusions\t164 References\t165 Chapter 10 Recognition of Driver’s Fatigue Expression Using Local Multiresolution Derivative Pattern\t167 10．1 Fatigue expression data acquisition\t168 10．2 Local multiresolution derivative pattern\t168 10．2．1 Local Derivative Pattern(LDP)\t169 10．2．2 Local Multiresolution Derivative Pattern(LMDP)\t169 10．3 Classification methods compared\t174 10．3．1 Intersection kernel support vector machines\t174 10．3．2 k-Nearest Neighbor (k-NN) classifier\t174 10．3．3 Multilayer Perception (MLP) classifier\t175 10．3．4 Dissimilarity-based classifier\t175 10．4 Experiments\t176 10．4．1 Holdout experiments\t176 10．4．2 Cross-validation experiments\t179 10．4．3 Discussions\t182 10．5 Conclusions\t183 References\t183 Chapter 11 Perception of Driver’s Abnormal Activities Information Using Nonsubsampled Contourlet Transform\t185 11．1 Data acquisition and features extraction of driving postures\t185 11．2 Features extraction by Nonsubsampled Contourlet Transform (NSCT)\t187 11．3 k-Nearest Neighbor (k-NN) classifier\t189 11．4 Other classification methods compared\t190 11．4．1 Intersection Kernel Support Vector Machine (IKSVM)\t190 11．4．2 Multilayer Perception (MLP) classifier\t191 11．4．3 Parzen classifier\t191 11．5 Experiments\t192 11．6 Conclusions\t196 References\t197 Chapter 12 Recognizing Driving Postures by Combined Features of Contourlet Transform and Edge Orientation Histogram\t198 12．1 SEU-DP database and image normalization\t198 12．2 Combined features for driving posture description\t200 12．2．1 Contourlet transform for image feature description\t201 12．2．2 Edge Orientation Histogram (EOH) for image features description\t202 12．2．3 Combined features\t203 12．3 Random subspace ensemble of intersection kernel support vector machines for classification\t203 12．4 Experiments\t204 12．4．1 Holdout experiments\t205 12．4．2 Cross-validation experiments\t206 12．4．3 Discussions\t207 12．5 Conclusions\t209 References\t210 |
有问题微信扫码联系