本书分上、中、下三篇，上篇、中篇用中文撰写，下篇用英文撰写。本书以交通信息感知理论与技术为主线，系统研究了交通场景中驾驶人-车辆-路面信息感知的理论与技术，主要包括：车辆信息感知理论与技术，主要有交通场景中车辆检测理论与技术、车辆品牌感知理论与技术、车辆异常行为感知理论与技术和基于车载装饰品特征的车辆检索方法；路面信息感知理论与技术，主要有基于联合检测器的路面破损检测方法、基于Contourlet变换的路面图像特征提取方法和基于联合特征及分类器集成的路面破损类型分类方法；驾驶人信息感知理论与技术，主要有基于Curvelet变换的驾驶人疲劳识别方法、基于LMDP（Local Multiresolution Derivative Pattern）的驾驶人疲劳识别方法、基于NC（Nonsubsampled Contourlet）变换的驾驶人异常姿态识别方法和基于融合特征的驾驶人异常姿态识别方法。

前 言 随着国民经济的快速增长，交通运输业在我国国民经济和居民生活中的地位也逐步提升，驾驶人-车辆-道路信息感知理论与技术的研究已经成为智能交通系统中最重要的研究课题之一。人工智能、机器视觉和模式识别等理论与技术的最新发展使得交通智能化和现代化管理及控制成为可能，通过建立交通智能管理和控制体系，综合管理和控制驾驶人、车辆及道路等交通参与体，对于提高交通运输效率和效益、保证交通安全和促进可持续发展具有十分重要的作用。全球范围内每年度的交通事故的统计报告表明：大量交通事故是由人为因素引起的，自动理解和感知驾驶人疲劳及异常行为可有效地降低由人为引起的交通事故率；车辆信息感知是智能交通系统中车辆实时追踪的基础，车辆品牌类型感知能够在套牌车辆自动识别、交通监控场景车型的自动统计分析等领域发挥重要作用；公路路面破损严重影响了道路交通的安全性和舒适性，路面信息感知技术能够快速、准确地进行公路路况的评价。本书共12章，分上、中、下三篇，上篇、中篇用中文撰写，下篇用英文撰写，各章的主要内容如下。 第1章主要论述了车辆信息感知技术的研究现状，包括车辆检测理论与技术的研究现状、车辆品牌感知理论与技术的研究现状、车辆行为感知理论与技术的研究现状和车辆检索理论与技术的研究现状。 第2章主要论述了交通场景中车辆检测理论与技术，包括车辆图像采集、基于对称特征的车辆检测方法和感兴趣区域（ROI）定位方法。本章提出了一种基于车辆轮廓对称特征和车牌对称特征的融合特征的车辆区域检测方法，并与基于车辆边缘、车牌、图像灰度共生矩阵和Gabor变换等5种检测方法进行了对比研究，实验表明所提出的基于融合特征的车辆检测方法的车辆区域定位的正确率为90.7%，有效避免了背景噪声对车辆对称轴搜索及车辆检测的影响；根据检测得到的车牌对称轴中心点搜索车牌位置，进而确定车辆前脸ROI区域，在使用相同实验数据测试条件下达到了95.33%的准确率，为车型识别提供了较为准确和全面的训练样本和测试数据。 第3章主要论述了车辆品牌感知理论与技术，包括基于单特征的车辆品牌感知方法和基于组合特征的车辆品牌感知方法。分析了局部能量形状直方图、局部二值模式和梯度方向直方图等5种特征提取方法，并采用支持向量机和k-最近邻分类器进行车辆品牌识别实验，实验结果表明基于HOG特征和支持向量机的车辆品牌识别方法要优于其他组合，其识别率达到92.40%；提出了将HOG和Contourlet两种特征的简单串联作为分类器的输入特征，并通过设计级联集成分类器方案，在保证系统可靠性的同时，提高了样本的正确识别率，设计的级联分类器的第一级由8个不同的分类机制组成，第二级使用MLP作为基分类器并结合旋转森林变换后的特征样本进行识别，实验结果表明级联集成分类器系统的可靠性为98.15%，其中有7.04%的样本被“拒识”。 第4章主要论述了交通场景中车辆异常行为感知理论与技术，包括基于颜色空间模型的城市交通场景中信号灯的检测方法、基于车辆和车牌对称特征的车辆检测方法、基于联合特征的城市交通场景中车辆异常行为检测方法。采用中值滤波和光线补偿算法对城市交通场景图像进行预处理，并基于颜色空间模型进行城市交通场景中信号灯的状态检测，实验结果表明基于HSV彩色空间模型的城市交通场景中信号灯的检测方法优于其他两种彩色空间；研究了基于车辆及车牌对称特征的城市交通场景中车辆的检测方法，并与基于车牌的车辆检测方法、基于Gabor特征及支持向量机（SVM）的车辆检测方法和Haar-like特征及AdaBoost分类器的车辆检测方法进行了对比分析；提出了一种基于联合特征的城市交通场景中车辆异常行为检测方法，该方法基于梯度方向直方图特征和局部二值模式特征的串联联合，并采用支持向量机（SVM）进行自动分类，实验结果表明基于HOG-LBP模式的联合特征车辆行为识别优于其他三种单特征车辆行为识别，其识别率达到93.6%。 第5章主要论述了基于车载装饰品特征的车辆检索方法，包括车载装饰品局部区域图像集的构建方法和基于车载装饰品区域图像颜色直方图的车辆检索方法。研究了基于车辆及车牌对称特征的车辆检测方法，并根据整个车辆与前挡风玻璃的相对位置定位车辆前挡风玻璃区域，实验结果表明基于车辆及号牌对称性的方法优于其他三种方法；研究了基于颜色直方图特征的车辆检索方法，并与基于局部二值模式、基于Gabor小波变换、基于Contourlet变换和基于尺度不变特征的检索方法进行了对比分析。使用基于相似度衡量方法进行了车辆图像的检索实验，实验结果表明基于颜色直方图特征的车辆检索方法优于其他四种方法，其检索综合指标为86.7%。 第6章主要论述了路面信息感知技术的研究现状，包括路面图像预处理技术研究现状、路面破损检测技术研究现状和路面破损分类技术研究现状。 第7章主要论述了路面信息感知理论与技术，包括基于联合检测器的路面破损检测方法、基于Contourlet变换的路面图像特征提取方法和基于联合特征及分类器集成的路面破损类型分类。基于级联分类器的思想，提出了一种用于路面破损检测的联合检测器，理论分析和实验结果表明联合检测器的性能优于邻域灰度差分法、局部灰度最小分析法和分块标记法，其检测率达到96.7%；对比分析了Contourlet变换、边缘方向直方图、梯度方向直方图和分层梯度方向直方图四种特征提取方法，采用线性核函数的SVM作为分类器进行了路面破损识别实验，实验结果表明Contourlet变换特征提取方法优于边缘方向直方图、梯度方向直方图和分层梯度方向直方图方法，检测率达到84.32%；提出了一种基于联合特征及随机子空间交叉内核支持向量机分类器集成的路面破损自动化分类方法，实验结果表明Contourlet变换和EOH联合特征及随机子空间交叉内核支持向量机分类器集成优于单一Contourlet变换特征和EOH特征，分类正确率达到86.61%。 第8章主要论述了驾驶人信息感知理论与技术的研究现状，包括驾驶人疲劳信息感知理论与技术的研究现状和驾驶人异常姿态信息感知理论与技术的研究现状。 第 9 章主要论述了基于Curvelet变换的驾驶人疲劳信息感知理论与技术，包括SEU-fatigue expression数据库构建、基于Curvelet变换的驾驶人疲劳信息特征提取和支持向量机分类器。与线性神经网络、k-最近邻、多层神经网络和Parzen进行了对比实验，实验结果证明了所提出的基于Curvelet变换的驾驶人疲劳信息感知方法的有效性，其识别精度达到85%。 第10章主要论述了基于局部多分辨衍生模式的驾驶人疲劳信息感知理论与技术，包括SEU-fatigue expression数据库构建、基于局部多分辨衍生模式的驾驶人疲劳信息的特征提取方法和四种分类器方法。实验结果证明了所提出的基于局部多分辨衍生模式驾驶人疲劳信息感知方法的有效性，其识别精度达到90%。 第11章主要论述了基于Nonsubsampled Contourlet变换的驾驶人异常姿态感知理论与方法，包括SEU- driving postures数据库构建、基于Nonsubsampled Contourlet变换的驾驶人姿态特征的提取方法和四种分类器方法。实验结果证明了所提出的基于Nonsubsampled Contourlet驾驶人异常姿态感知方法的有效性，其识别精度达到88%。 第12章主要论述了基于融合特征的驾驶人异常姿态感知理论与方法，包括SEU- driving postures数据库构建及规格化、基于Contourlet变换和边缘方向直方图的驾驶人姿态融合特征的提取方法和基于随机子空间集成支持向量机的驾驶人异常姿态识别方法。实验结果证明了所提出的基于融合特征及随机子空间集成支持向量机的驾驶人姿态感知方法的有效性，其识别精度达到90%。 作 者 于南京四牌楼

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

http://www.hxedu.com.cn/hxedu/fg/book/bookinfo.html?code=G0356220