●前言
第1章 基於視覺的駕駛員輔助繫統
1.1 面向自動駕駛的駕駛員輔助繫統
1.2 傳感器
1.3 基於視覺的駕駛員輔助
1.4 安全和舒適功能
1.5 VB-DAS範例
1.6 近期新進展
1.7 本書的範圍
第2章 駕駛員環境理解
2.1 駕駛員與周圍環境
2.2 駕駛員監測
2.3 基礎環境監測
2.4 中層環境感知
第3章 計算機視覺基礎
3.1 圖像符號
3.2 積分圖像
3.3 RGB到HSV的轉換
3.4 霍夫變換直線檢測
3.5 攝像機
3.6 立體視覺和能量優化
3.7 立體匹配
第4章 目標檢測、分類與跟蹤
4.1 目標檢測與分類
4.2 有監督分類技術
4.2.1 支持向量機
4.2.2 方向梯度直方圖
4.2.3 哈爾特征
4.3 無監督分類技術
4.3.1 k-均值聚類
4.3.2 高斯混合模型
4.4 目標跟蹤
4.4.1 均值漂移
4.4.2 連續自適應均值漂移
4.4.3 Kanade-Lucas-Tomasi(KLT)跟蹤器
4.4.4 卡爾曼濾波
第5章 駕駛員疲勞檢測
5.1 引言
5.2 訓練階段:數據集
5.3 增加參數
5.4 應用階段:簡要的想法
5.5 自適應分類器
5.5.1 在具有挑戰性的照明條件下的問題
5.5.2 混合強度平均
5.5.3 參數適配
5.6 跟蹤和搜索最小化
5.6.1 跟蹤注意事項
5.6.2 濾波器建模和實現
5.7 相位保持去噪
5.8 全局哈爾特征
5.8.1 全局特征與局部特征
5.8.2 動態的全局哈爾特征
5.9 利用局部和全局特征增強級聯
5.10 試驗結果
5.11 總結
第6章 駕駛員注意力分散檢測
6.1 引言
6.2 非對稱外觀模型
6.2.1 模型實施
6.2.2 非對稱AAM
6.3 駕駛員的頭部姿態和視線估計
6.3.1 優化的二維到三維姿態建模
6.3.2 通過費馬變換進行面部匹配
6.4 試驗結果
6.4.1 姿態估計
6.4.2 哈欠檢測和頭部點頭識別
6.5 總結
第7章 車輛檢測與距離估計
7.1 引言
7.2 方法概覽
7.3 自適應全局特征哈爾分類器
7.4 直線與角點特征
7.4.1水平邊緣1327.4.2特征點檢測
7.5 基於尾燈的檢測
7.5.1 尾燈規格:討論
7.5.2 色譜分析
7.5.3 尾燈分割
7.5.4 基於模板匹配的尾燈配對
7.5.5 基於虛擬對稱檢測的尾燈配對
7.6 數據融合和時間信息
7.7 車距估計
7.8 試驗結果
7.8.1 距離估計
7.8.2 車輛檢測器的評估
7.9 總結
第8章 避免踫撞的模糊融合
8.1 引言
8.2 繫統組成
8.3 模糊器和隸屬函數
8.4 模糊推理和融合引擎
8.4.1 隱含規則
8.4.2 聚合規則
8.5 去模糊化
8.6 試驗結果
8.7 總結
參考文獻
本書回顧了過去幾十年相關領域的研究及目前的優選技術。針對單目攝像機提出了各類計算機視覺算法與技術。本書包括三方面內容,第一方面是介紹駕駛員的狀態檢測,包括對駕駛員面部特征的分類、檢測和跟蹤,如眼睛狀態、頭部姿態、打哈欠和點頭等;第二方面,通過對車輛識別算法和距離估計算法進行介紹,進而對道路和道路危險檢測進行闡述;第三方面,實時分析駕駛員注意力(車內數據)和道路危險狀態(車外數據)。本書對兩種數據進行融合來預測當前駕駛環境的整體危險繫數,以避免和減小車輛踫撞的危險,協助注意力不集中的駕駛員及時有效地完成規避操作。在幾方面的討論中,本書呈現並分析了基於行業標準的真實環境下的試驗數據。 本書適合自動駕駛與優選駕駛輔助繫統的研究開發人員閱讀使用,也適合車輛工程專業師生參考閱讀。