●上篇 車輛信息感知理論與技術
第1章 車輛信息感知技術的研究現狀分析2
1.1 車輛檢測理論與技術的研究現狀3
1.2 車輛品牌感知理論與技術的研究現狀4
1.3 車輛行為感知理論與技術的研究現狀6
1.4 車輛檢索理論與技術的研究現狀8
參考文獻10
第2章 交通場景中車輛檢測理論與技術16
2.1 車輛圖像采集16
2.2 基於對稱特征的車輛檢測方法18
2.3 其他車輛檢測方法20
2.4 感興趣區域(ROI)定位22
2.5 小結24
參考文獻24
第3章 車輛品牌感知理論與技術26
3.1 基於單特征的車輛品牌感知方法26
3.1.1 車輛品牌紋理特征提取26
3.1.2 分類器32
3.1.3 實驗結果與分析34
3.2 基於組合特征的車輛品牌感知方法35
3.2.1 梯度方向直方圖(HOG)35
3.2.2 Contourlet變換35
3.2.3 特征降維37
3.2.4 組合特征及降維38
3.2.5 基於級聯集成分類器的可靠分類39
3.2.6 實驗結果及分析48
3.3 小結53
參考文獻54
第4章 交通場景中車輛異常行為感知理論與技術56
4.1 基於顏色空間模型的城市交通場景中信號燈的檢測方法56
4.1.1 圖像預處理56
4.1.2 色彩空間模型61
4.1.3 信號燈模板匹配63
4.1.4 基於顏色空間模型的信號燈檢測66
4.2 基於車輛和車牌對稱特征的車輛檢測方法67
4.2.1 基於車輛和車牌對稱特征的車輛檢測67
4.2.2 其他車輛檢測方法71
4.2.3 實驗結果72
4.3 基於聯合特征的城市交通場景中車輛異常行為檢測方法73
4.3.1 構建車輛行為圖像集74
4.3.2 梯度方向直方圖75
4.3.3 局部二值模式76
4.3.4 邊緣方向直方圖78
4.3.5 聯合特征提取78
4.3.6 支持向量機分類器80
4.3.7 實驗結果81
4.4 小結83
參考文獻83
第5章 基於車載裝飾品特征的車輛檢索方法86
5.1 車載裝飾品局部區域圖像集的構建方法86
5.1.1 車輛圖像數據采集87
5.1.2 基於車輛及其車牌對稱特征的車輛檢測方法87
5.1.3 基於級聯分類器及Haar特征的車輛檢測方法88
5.1.4 基於灰度共生矩陣(GLCM)的車輛檢測方法89
5.1.5 基於支持向量機(SVM)及紋理特征的車輛檢測方法90
5.1.6 車輛前擋風玻璃區域的定位91
5.1.7 車載裝飾品局部區域圖像集的構建91
5.2 基於車載裝飾品區域圖像顏色直方圖的車輛檢索方法93
5.2.1 基於顏色直方圖的車載裝飾品區域圖像特征表征93
5.2.2 基於其他圖像特征的描述方法95
5.2.3 特征相似度的衡量102
5.2.4 檢索效果評價標準103
5.2.5 實驗結果104
5.3 小結107
參考文獻107
中篇 路面信息感知理論與技術
第6章 路面信息感知技術的研究現狀110
6.1 路面圖像預處理技術研究現狀111
6.2 路面破損檢測技術研究現狀112
6.3 路面破損分類技術研究現狀113
參考文獻114
第7章 路面信息感知的方法117
7.1 基於聯合檢測器的路面破損檢測方法118
7.1.1 路面破損圖像采集118
7.1.2 圖像預處理119
7.1.3 基於灰度分析的路面破損檢測122
7.1.4 基於聯合檢測器的路面破損檢測126
7.1.5 路面圖像破損區域定位128
7.2 基於Contourlet變換的路面圖像特征提取方法128
7.2.1 Contourlet變換129
7.2.2 其他紋理特征提取方法131
7.2.3 支持向量機分類器135
7.2.4 實驗分析137
7.3 基於聯合特征及分類器集成的路面破損類型分類方法139
7.3.1 聯合特征139
7.3.2 分類器集成140
7.3.3 實驗分析141
7.4 小結142
參考文獻143
下篇 駕駛人信息感知理論與技術
Chapter 8 Introduction of Driver’s Information Perception146
8.1 Introduction of driver’s fatigue detection146
8.2 Introduction of driver’s abnormal activities detection148
References149
Chapter 9 Perception of Driver’s Fatigue Information Using Curvelet transform152
9.1 SEU fatigue expression data acquisition152
9.2 Curvelet transform for image feature description153
9.3 Support Vector Machine(SVM)156
9.4 Other classification methods compared158
9.4.1 Linear Perception(LP)classifier158
9.4.2 k-Nearest Neighbor(k-NN)classifier159
9.4.3 ltilayer Perception(MLP)classifier159
9.4.4 Parzen classifier160
9.5 Experiments160
9.6 Conclusions164
References165
Chapter 10 Recognition of Driver’s Fatigue Expression Using Local ltiresolution Derivative Pattern167
10.1 Fatigue expression data acquisition168
10.2 Local multiresolution derivative pattern168
10.2.1 Local Derivative Pattern(LDP)169
10.2.2 Local ltiresolution Derivative Pattern(LMDP)169
10.3 Classification methods compared174
10.3.1 Intersection kernel support vector machines174
10.3.2 k-Nearest Neighbor(k-NN)classifier174
10.3.3 ltilayer Perception(MLP)classifier175
10.3.4 Dissimilarity-based classifier175
10.4 Experiments176
10.4.1 Holdout experiments176
10.4.2 Cross-validation experiments179
10.4.3 Discussions182
10.5 Conclusions183
References183
Chapter 11 Perception of Driver’s Abnormal Activities Information
Using Nonsubsampled Contourlet Transform185
11.1 Data acquisition and features extraction of driving postures185
11.2 Features extraction by Nonsubsampled Contourlet Transform(NSCT)187
11.3 k-Nearest Neighbor(k-NN)classifier189
11.4 Other classification methods compared190
11.4.1 Intersection Kernel Support Vector Machine(IKSVM)190
11.4.2 ltilayer Perception(MLP)classifier191
11.4.3 Parzen classifier191
11.5 Experiments192
11.6 Conclusions196
References197
Chapter 12 Recognizing Driving tures by Combined Features of Contourlet Transform and Edge Orientation Histogram198
12.1 SEU-DP database and image normalization198
12.2 Combined features for driving posture description200
12.2.1 Contourlet transform for image feature description201
12.2.2 Edge Orientation Histogram(EOH)for image features description202
12.2.3 Combined features203
12.3 Random subspace ensemble of intersection kernel support vector machines for classification203
12.4 Experiments204
12.4.1 Holdout experiments205
12.4.2 Cross-validation experiments206
12.4.3 Discussions207
12.5 Conclusions209
References210
本書分上、中、下三篇,上篇、中篇用中文撰寫,下篇用英文撰寫。本書以交通信息感知理論與技術為主線,繫統研究了交通場景中駕駛人-車輛-路面信息感知的理論與技術,主要包括:車輛信息感知理論與技術,主要有交通場景中車輛檢測理論與技術、車輛品牌感知理論與技術、車輛異常行為感知理論與技術和基於車載裝飾品特征的車輛檢索方法;路面信息感知理論與技術,主要有基於聯合檢測器的路面破損檢測方法、基於Contourlet變換的路面圖像特征提取方法和基於聯合特征及分類器集成的路面破損類型分類方法;駕駛人信息感知理論與技術,主要有基於Curvelet變換的駕駛人疲勞識別方法、基於LMDP(Local ltiresolution Derivative Pattern)的駕駛人疲勞識別方法、基於NC(Nonsubsampled Contourlet)變換的駕駛人異常姿態識別方法和基於融合特征的駕駛人異常姿態識別方法。