機(jī)器視覺(jué)技術(shù)在安全輔助駕駛中的應(yīng)用

前言

　　有關(guān)智能交通和安全輔助駕駛技術(shù)研究及其相關(guān)應(yīng)用，近年來(lái)已有大量的文獻(xiàn)論文發(fā)表。本人多年來(lái)一直從事該方面的教學(xué)與研究工作，為了促進(jìn)智能交通和安全輔助駕駛技術(shù)的進(jìn)步，反映該領(lǐng)域內(nèi)的最新研究成果，并使廣大研究人員和工程技術(shù)人員能了解、掌握和應(yīng)用這一領(lǐng)域的最新技術(shù)，作者撰寫了這本書，以拋磚引玉，供廣大讀者學(xué)習(xí)參考?！　∪珪卜?章。第1章為緒論，介紹了安全輔助駕駛技術(shù)發(fā)展現(xiàn)狀和駕駛員安全狀態(tài)檢測(cè)技術(shù)的研究進(jìn)展；第2章介紹了基于機(jī)器視覺(jué)的駕駛員安全狀態(tài)監(jiān)測(cè)技術(shù)，包括駕駛員面部定位算法、駕駛員眼睛定位算法、駕駛員眼睛跟蹤算法等研究?jī)?nèi)容；第3章介紹了駕駛員疲勞狀態(tài)分析算法，包括基于神經(jīng)網(wǎng)絡(luò)方法的疲勞狀態(tài)分析、基于特征提取方法的疲勞狀態(tài)分析和基于模糊控制的疲勞狀態(tài)分析等幾種方法；第4章介紹了駕駛員注意力狀態(tài)分析技術(shù)，包括駕駛員面部朝向計(jì)算方法、駕駛員注意力分散和駕駛員視線方向識(shí)別方法；第5章為全書的總結(jié)與展望?！　”緯鞑糠謨?nèi)容既相互聯(lián)系又各自獨(dú)立，讀者可根據(jù)需要選擇學(xué)習(xí)?！　”緯淖珜懝ぷ鞯玫搅恕氨本┕ど檀髮W(xué)學(xué)術(shù)專著出版資助項(xiàng)目”資助?！　∮捎谧髡咚接邢?，書中難免存在一些不足和錯(cuò)誤之處，真誠(chéng)歡迎廣大讀者批評(píng)指正。

內(nèi)容概要

　　《機(jī)器視覺(jué)技術(shù)在安全輔助駕駛中的應(yīng)用》系統(tǒng)介紹了機(jī)器視覺(jué)技術(shù)在安全輔助駕駛領(lǐng)域內(nèi)的相關(guān)應(yīng)用研究，是作者多年來(lái)從事安全輔助駕駛教學(xué)與科研工作的成果總結(jié)，同時(shí)融入了國(guó)內(nèi)外同行近年來(lái)所取得的一些最新成果。
　　全書共分5章，包括安全輔助駕駛技術(shù)發(fā)展現(xiàn)狀、駕駛員安全狀態(tài)檢測(cè)技術(shù)的研究進(jìn)展、基于機(jī)器視覺(jué)的駕駛員面部定位算法、基于機(jī)器視覺(jué)的駕駛員眼睛定位算法、基于機(jī)器視覺(jué)的駕駛員疲勞狀態(tài)分析算法、基于神經(jīng)網(wǎng)絡(luò)方法的疲勞狀態(tài)分析算法、基于特征提取方法的疲勞狀態(tài)分析算法、駕駛員面部朝向計(jì)算方法，最后為全書的總結(jié)與展望。
　　本書適用于從事智能交通領(lǐng)域工作的工程技術(shù)人員閱讀，也可作為大專院校交通工程、計(jì)算機(jī)應(yīng)用等專業(yè)的教學(xué)參考書。

書籍目錄

目錄回到頂部↑
《機(jī)器視覺(jué)技術(shù)在安全輔助駕駛中的應(yīng)用》
第1章 緒論
1．1 安全輔助駕駛技術(shù)
1．1．1 安全輔助駕駛系統(tǒng)
1．1．2 安全輔助駕駛技術(shù)發(fā)展
1．i．3 安全輔助控制系統(tǒng)
1．1．4 安全輔助系統(tǒng)
1．1．5 安全輔助駕駛系統(tǒng)分類
1．2 駕駛員安全狀態(tài)檢測(cè)技術(shù)
1．2．1 直接檢測(cè)法
1．2．2 間接檢測(cè)法
1．2．3 駕駛員疲勞原因及預(yù)防措施
1．3 本章小結(jié)
第2章 基于機(jī)器視覺(jué)的駕駛員安全狀態(tài)監(jiān)測(cè)
2．1 駕駛員面部定位算法
2．1．1 面部檢測(cè)概述
2．1．2 顏色空間的轉(zhuǎn)換
2．1．3 系統(tǒng)選用顏色
2．1．4 基于高斯分布的皮膚顏色模型
2．1．5 面部定位算法
.2．1．6 小結(jié)
2．2 駕駛員眼睛定位算法
2．2．1 眼睛定位方法概述
2．2．2 人眼定位圖像預(yù)處理
2．2．3 駕駛員眼睛定位
2．2．4 小結(jié)
2．3 駕駛員眼睛跟蹤算法
2．3．1 目標(biāo)跟蹤方法概述
2．3．2 感興趣區(qū)域
2．3．3 hausdorff距離
2．3．4 眼睛目標(biāo)跟蹤
2．3．5 試驗(yàn)驗(yàn)證
2．3．6 提高算法處理速度的方法
2．3．7 小結(jié)
2．4 本章小結(jié)
第3章 駕駛員疲勞狀態(tài)分析
3．1 基于神經(jīng)網(wǎng)絡(luò)方法的疲勞狀態(tài)分析
3．1．1 概述
3．1．2 模式識(shí)別和模式
3．1．3 人工神經(jīng)網(wǎng)絡(luò)
3．1．4 選取反向傳播(bp)網(wǎng)絡(luò)的原因
3．1．5 bp申經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
3．1．6 bp神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
3．1．7 隱層節(jié)點(diǎn)數(shù)的優(yōu)化與選取
3．1．8 學(xué)習(xí)率η對(duì)學(xué)習(xí)速度的影響
3．1．9 兩種識(shí)別算法舉例
3．1．10 眨眼頻率分析
3．1．1l 小結(jié)
3．2 基于特征提取方法的疲勞狀態(tài)分析
3．2．1 概述
3．2．2 特征與特征提取
3．2．3 幾何畸變矯正
3．2．4 駕駛員眼睛紋理特征的提取
3．2．5 駕駛員眼睛幾何特征的提取
3．2．6 小結(jié)
3．3 基于模糊控制的疲勞狀態(tài)分析
3．3．1 模糊控制
3．3．2 變量選擇與論域分割
3．3．3 模糊控制規(guī)則
3．3．4 模糊控制器對(duì)疲勞程度的評(píng)判
3．4 本章小結(jié)
第4章 駕駛員注意力狀態(tài)分析
4．1 駕駛員面部朝向汁算方法
4．1．1 駕駛員注意特征檢測(cè)系統(tǒng)構(gòu)建
4．1．2 面部特征定位
4．1．3 駕駛員面部朝向計(jì)算方法
4．1．4 小結(jié)
4．2 駕駛員注意力分散
4．2．1 體系概述
4．2．2 注意力分散檢測(cè)
4．2．3 注意力分散種類及判定
4．3 駕駛員視線方向識(shí)別
4．3．1 multi-pca
4．3．2 基于multi-pca的眼睛視線方向識(shí)別
4．3．3 實(shí)驗(yàn)結(jié)果及分析
4．4 本章小結(jié)
第5章 總結(jié)與展望
5．1 總結(jié)
5．1．1 成果
5．1．2 創(chuàng)新點(diǎn)
5．1．3 不足及建議
5．2 展望
5．3 結(jié)束語(yǔ)
參考文獻(xiàn)

章節(jié)摘錄

　　基于學(xué)習(xí)的姿態(tài)估計(jì)方法源于姿態(tài)識(shí)別方法的思想。姿態(tài)識(shí)別需要預(yù)先定義多個(gè)姿態(tài)類別，每個(gè)類別包含了一定的姿態(tài)范圍；然后為每個(gè)姿態(tài)類別標(biāo)注若干訓(xùn)練樣本，通過(guò)模式分類的方法訓(xùn)練姿態(tài)分類器以實(shí)現(xiàn)姿態(tài)識(shí)別。這一類方法并不需要對(duì)物體進(jìn)行建模，一般通過(guò)圖像的全局特征進(jìn)行匹配分析，可以有效地避免局部特征方法在復(fù)雜姿態(tài)和遮擋關(guān)系情況下出現(xiàn)的特征匹配歧義性問(wèn)題。然而姿態(tài)識(shí)別方法只能將姿態(tài)劃分到事先定義的幾個(gè)姿態(tài)類別中，并不能對(duì)姿態(tài)進(jìn)行連續(xù)的精確的估計(jì)?！　』趯W(xué)習(xí)的方法一般采用全局觀測(cè)特征，可以保證算法具有較好的魯棒性。然而這一類方法的姿態(tài)估計(jì)精度很大程度依賴于訓(xùn)練的充分程度。要想比較精確地得到二維觀測(cè)與三維姿態(tài)之間的對(duì)應(yīng)關(guān)系，就必須獲取足夠密集的樣本來(lái)學(xué)習(xí)決策規(guī)則和回歸函數(shù)。而一般來(lái)說(shuō)所需要樣本的數(shù)量是隨狀態(tài)空間的維度指數(shù)級(jí)增加的，對(duì)于高維狀態(tài)空間，事實(shí)上不可能獲取進(jìn)行精確估計(jì)所需要的密集采樣。因此，無(wú)法得到密集采樣，從而難以保證估計(jì)的精度與連續(xù)性，是基于學(xué)習(xí)的姿態(tài)估計(jì)方法無(wú)法克服的根本困難。　　和姿態(tài)識(shí)別等典型的模式分類問(wèn)題不同的是，姿態(tài)估計(jì)輸出的是一個(gè)高維的姿態(tài)向量，而不是某個(gè)類別的類標(biāo)。因此這一類方法需要學(xué)習(xí)的是一個(gè)從高維觀測(cè)向量到高維姿態(tài)向量的映射，目前這在機(jī)器學(xué)習(xí)領(lǐng)域中還是一個(gè)非常困難的問(wèn)題?！　√卣魇敲枋瞿Ｊ降淖罴逊绞?，且我們通常認(rèn)為特征的各個(gè)維度能夠從不同的角度描述模式，在理想情況下，維度之間是互補(bǔ)完備的。　　特征提取的主要目的是降維。特征抽取的主要思想是將原始樣本投影到一個(gè)低維特征空間，得到最能反應(yīng)樣本本質(zhì)或進(jìn)行樣本區(qū)分的低維樣本特征。　　一般圖像特征可以分為四類：直觀性特征、灰度統(tǒng)計(jì)特征、變換系數(shù)特征與代數(shù)特征。直觀性特征主要指幾何特征，幾何特征比較穩(wěn)定，受面部的姿態(tài)變化與光照條件等因素的影響小，但不易抽取，而且測(cè)量精度不高，與圖像處理技術(shù)密切相關(guān)?！　　?/pre>








圖書封面






評(píng)論、評(píng)分、閱讀與下載



還沒(méi)讀過(guò)(10)
勉強(qiáng)可看(739)
一般般(126)
內(nèi)容豐富(5232)
強(qiáng)力推薦(429)


 


    機(jī)器視覺(jué)技術(shù)在安全輔助駕駛中的應(yīng)用 PDF格式下載