智能交通信息感知理论与技术/赵池航

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 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
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
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