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(xiàn)狀分析 2
1.1 車輛檢測理論與技術的研究現(xiàn)狀 3
1.2 車輛品牌感知理論與技術的研究現(xiàn)狀 4
1.3 車輛行為感知理論與技術的研究現(xiàn)狀 6
1.4 車輛檢索理論與技術的研究現(xiàn)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 基于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(qū)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 基于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 基于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 基于級聯(lián)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 基于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 基于顏色空間模型的信號燈檢測 66
4.2 基于車輛和車牌對稱特征的車輛檢測方法 67
4.2.1 基于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 基于聯(lián)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(lián)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 基于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(qū)域圖像集的構建方法 86
5.1.1 車輛圖像數(shù)據(jù)采集 87
5.1.2 基于車輛及其車牌對稱特征的車輛檢測方法 87
5.1.3 基于級聯(lián)分類器及Haar特征的車輛檢測方法 88
5.1.4 基于灰度共生矩陣（GLCM）的車輛檢測方法 89
5.1.5 基于支持向量機（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(qū)域的定位 91
5.1.7 車載裝飾品局部區(qū)域圖像集的構建 91
5.2 基于車載裝飾品區(qū)域圖像顏色直方圖的車輛檢索方法 93
5.2.1 基于顏色直方圖的車載裝飾品區(qū)域圖像特征表征 93
5.2.2 基于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(xiàn)狀 110
6.1 路面圖像預處理技術研究現(xiàn)狀 111
6.2 路面破損檢測技術研究現(xiàn)狀 112
6.3 路面破損分類技術研究現(xiàn)狀 113
參考文獻 114
第7章 路面信息感知的方法 117
7.1 基于聯(lián)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 基于灰度分析的路面破損檢測 122
7.1.4 基于聯(lián)合檢測器的路面破損檢測 126
7.1.5 路面圖像破損區(qū)域定位 128
7.2 基于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 基于聯(lián)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(lián)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 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