智能交通信息感知理论与技术PDF电子书下载

查看更多关于的内容

上篇 车辆信息感知理论与技术 2

第1章 车辆信息感知技术的研究现状分析 2

1.1 车辆检测理论与技术的研究现状 3

1.2 车辆品牌感知理论与技术的研究现状 4

1.3 车辆行为感知理论与技术的研究现状 6

1.4 车辆检索理论与技术的研究现状 8

参考文献 10

第2章 交通场景中车辆检测理论与技术 16

2.1 车辆图像采集 16

2.2 基于对称特征的车辆检测方法 18

2.3 其他车辆检测方法 20

2.4 感兴趣区域（ROI）定位 22

2.5 小结 24

参考文献 24

第3章 车辆品牌感知理论与技术 26

3.1 基于单特征的车辆品牌感知方法 26

3.1.1 车辆品牌纹理特征提取 26

3.1.2 分类器 32

3.1.3 实验结果与分析 34

3.2 基于组合特征的车辆品牌感知方法 35

3.2.1 梯度方向直方图（HOG） 35

3.2.2 Contourlet变换 35

3.2.3 特征降维 37

3.2.4 组合特征及降维 38

3.2.5 基于级联集成分类器的可靠分类 39

3.2.6 实验结果及分析 48

3.3 小结 53

参考文献 54

第4章 交通场景中车辆异常行为感知理论与技术 56

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 56

4.1.1 图像预处理 56

4.1.2 色彩空间模型 61

4.1.3 信号灯模板匹配 63

4.1.4 基于颜色空间模型的信号灯检测 66

4.2 基于车辆和车牌对称特征的车辆检测方法 67

4.2.1 基于车辆和车牌对称特征的车辆检测 67

4.2.2 其他车辆检测方法 71

4.2.3 实验结果 72

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 73

4.3.1 构建车辆行为图像集 74

4.3.2 梯度方向直方图 75

4.3.3 局部二值模式 76

4.3.4 边缘方向直方图 78

4.3.5 联合特征提取 78

4.3.6 支持向量机分类器 80

4.3.7 实验结果 81

4.4 小结 83

参考文献 83

第5章 基于车载装饰品特征的车辆检索方法 86

5.1 车载装饰品局部区域图像集的构建方法 86

5.1.1 车辆图像数据采集 87

5.1.2 基于车辆及其车牌对称特征的车辆检测方法 87

5.1.3 基于级联分类器及Haar特征的车辆检测方法 88

5.1.4 基于灰度共生矩阵（GLCM）的车辆检测方法 89

5.1.5 基于支持向量机（SVM）及纹理特征的车辆检测方法 90

5.1.6 车辆前挡风玻璃区域的定位 91

5.1.7 车载装饰品局部区域图像集的构建 91

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 93

5.2.1 基于颜色直方图的车载装饰品区域图像特征表征 93

5.2.2 基于其他图像特征的描述方法 95

5.2.3 特征相似度的衡量 102

5.2.4 检索效果评价标准 103

5.2.5 实验结果 104

5.3 小结 107

参考文献 107

中篇 路面信息感知理论与技术 110

第6章 路面信息感知技术的研究现状 110

6.1 路面图像预处理技术研究现状 111

6.2 路面破损检测技术研究现状 112

6.3 路面破损分类技术研究现状 113

参考文献 114

第7章 路面信息感知的方法 117

7.1 基于联合检测器的路面破损检测方法 118

7.1.1 路面破损图像采集 118

7.1.2 图像预处理 119

7.1.3 基于灰度分析的路面破损检测 122

7.1.4 基于联合检测器的路面破损检测 126

7.1.5 路面图像破损区域定位 128

7.2 基于Contourlet变换的路面图像特征提取方法 128

7.2.1 Contourlet变换 129

7.2.2 其他纹理特征提取方法 131

7.2.3 支持向量机分类器 135

7.2.4 实验分析 137

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 139

7.3.1 联合特征 139

7.3.2 分类器集成 140

7.3.3 实验分析 141

7.4 小结 142

参考文献 143

下篇 驾驶人信息感知理论与技术 146

Chapter 8 Introduction of Driver’s Information Perception 146

8.1 Introduction of driver’s fatigue detection 146

8.2 Introduction of driver’s abnormal activities detection 148

References 149

Chapter 9 Perception of Driver’s Fatigue Information Using Curvelet transform 152

9.1 SEU fatigue expression data acquisition 152

9.2 Curvelet transform for image feature description 153

9.3 Support Vector Machine （SVM） 156

9.4 Other classification methods compared 158

9.4.1 Linear Perception （LP） classifier 158

9.4.2 k-Nearest Neighbor （k-NN） classifier 159

9.4.3 Multilayer Perception （MLP） classifier 159

9.4.4 Parzen classifier 160

9.5 Experiments 160

9.6 Conclusions 164

References 165

Chapter 10 Recognition of Driver’s Fatigue Expression Using Local Multiresolution Derivative Pattern 167

10.1 Fatigue expression data acquisition 168

10.2 Local multiresolution derivative pattern 168

10.2.1 Local Derivative Pattern（LDP） 169

10.2.2 Local Multiresolution Derivative Pattern（LMDP） 169

10.3 Classification methods compared 174

10.3.1 Intersection kernel support vector machines 174

10.3.2 k-Nearest Neighbor （k-NN） classifier 174

10.3.3 Multilayer Perception （MLP） classifier 175

10.3.4 Dissimilarity-based classifier 175

10.4 Experiments 176

10.4.1 Holdout experiments 176

10.4.2 Cross-validation experiments 179

10.4.3 Discussions 182

10.5 Conclusions 183

References 183

Chapter 11 Perception of Driver’s Abnormal Activities Information Using Nonsubsampled Contourlet Transform 185

11.1 Data acquisition and features extraction of driving postures 185

11.2 Features extraction by Nonsubsampled Contourlet Transform （NSCT） 187

11.3 k-Nearest Neighbor （k-NN） classifier 189

11.4 Other classification methods compared 190

11.4.1 Intersection Kernel Support Vector Machine （IKSVM） 190

11.4.2 Multilayer Perception （MLP） classifier 191

11.4.3 Parzen classifier 191

11.5 Experiments 192

11.6 Conclusions 196

References 197

Chapter 12 Recognizing Driving Postures by Combined Features of Contourlet Transform and Edge Orientation Histogram 198

12.1 SEU-DP database and image normalization 198

12.2 Combined features for driving posture description 200

12.2.1 Contourlet transform for image feature description 201

12.2.2 Edge Orientation Histogram （EOH） for image features description 202

12.2.3 Combined features 203

12.3 Random subspace ensemble of intersection kernel support vector machines for classification 203

12.4 Experiments 204

12.4.1 Holdout experiments 205

12.4.2 Cross-validation experiments 206

12.4.3 Discussions 207

12.5 Conclusions 209

References 210

查看更多关于的内容