《智慧型交通信息感知理論與技術》是2019年9月電子工業出版社出版的圖書，作者是趙池航。
基本介紹
- 書名：智慧型交通信息感知理論與技術
- 作者：趙池航
- ISBN：9787121356223
- 頁數：220頁
- 定價：49元
- 出版社：電子工業出版社
- 出版時間：2019年9月
- 開本：16開
內容簡介,圖書目錄,
內容簡介
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，系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徵的車輛檢索方法；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變換的路面圖像特徵提取方法和基於聯合特徵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 Multiresolution 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徵的駕駛人異常姿態識別方法。
圖書目錄
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 車輛圖像採集 16
2.2 基於對稱特徵的車輛檢測方法 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 基於單特徵的車輛品牌感知方法 26
3.1.1 車輛品牌紋理特徵提取 26
3.1.2 分類器 32
3.1.3 實驗結果與分析 34
3.2 基於組合特徵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 特徵降維 37
3.2.4 組合特徵及降維 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徵的車輛檢測方法 67
4.2.1 基於車輛和車牌對稱特徵的車輛檢測 67
4.2.2 其他車輛檢測方法 71
4.2.3 實驗結果 72
4.3 基於聯合特徵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 聯合特徵提取 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 基於車載裝飾品特徵的車輛檢索方法 86
5.1 車載裝飾品局部區域圖像集的構建方法 86
5.1.1 車輛圖像數據採集 87
5.1.2 基於車輛及其車牌對稱特徵的車輛檢測方法 87
5.1.3 基於級聯分類器及Haar特徵的車輛檢測方法 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）及紋理特徵的車輛檢測方法 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徵表征 93
5.2.2 基於其他圖像特徵的描述方法 95
5.2.3 特徵相似度的衡量 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 路面破損圖像採集 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變換的路面圖像特徵提取方法 128
7.2.1 Contourlet變換 129
7.2.2 其他紋理特徵提取方法 131
7.2.3 支持向量機分類器 135
7.2.4 實驗分析 137
7.3 基於聯合特徵及分類器集成的路面破損類型分類方法 139
7.3.1 聯合特徵 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 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
