機器視覺技術(shù)在安全輔助駕駛中的應用

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)應用，近年來已有大量的文獻論文發(fā)表。本人多年來一直從事該方面的教學與研究工作，為了促進智能交通和安全輔助駕駛技術(shù)的進步，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，供廣大讀者學習參考?！　∪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)檢測技術(shù)的研究進展；第2章介紹了基于機器視覺的駕駛員安全狀態(tài)監(jiān)測技術(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內(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算方法、駕駛員注意力分散和駕駛員視線方向識別方法；第5章為全書的總結(jié)與展望?！　”緯鞑糠謨?nèi)容既相互聯(lián)系又各自獨立，讀者可根據(jù)需要選擇學習?！　”緯淖珜懝ぷ鞯玫搅恕氨本┕ど檀髮W學術(shù)專著出版資助項目”資助?！　∮捎谧髡咚接邢蓿瑫须y免存在一些不足和錯誤之處，真誠歡迎廣大讀者批評指正。

內(nèi)容概要

　　《機器視覺技術(shù)在安全輔助駕駛中的應用》系統(tǒng)介紹了機器視覺技術(shù)在安全輔助駕駛領(lǐng)域內(nèi)的相關(guān)應用研究，是作者多年來從事安全輔助駕駛教學與科研工作的成果總結(jié)，同時融入了國內(nèi)外同行近年來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)檢測技術(shù)的研究進展、基于機器視覺的駕駛員面部定位算法、基于機器視覺的駕駛員眼睛定位算法、基于機器視覺的駕駛員疲勞狀態(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、計算機應用等專業(yè)的教學參考書。

書籍目錄

目錄回到頂部↑
《機器視覺技術(shù)在安全輔助駕駛中的應用》
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)檢測技術(shù)
1．2．1 直接檢測法
1．2．2 間接檢測法
1．2．3 駕駛員疲勞原因及預防措施
1．3 本章小結(jié)
第2章 基于機器視覺的駕駛員安全狀態(tài)監(jiān)測
2．1 駕駛員面部定位算法
2．1．1 面部檢測概述
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 眼睛目標跟蹤
2．3．5 試驗驗證
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)的學習算法
3．1．7 隱層節(jié)點數(shù)的優(yōu)化與選取
3．1．8 學習率η對學習速度的影響
3．1．9 兩種識別算法舉例
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 模糊控制器對疲勞程度的評判
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
4．2．3 注意力分散種類及判定
4．3 駕駛員視線方向識別
4．3．1 multi-pca
4．3．2 基于multi-pca的眼睛視線方向識別
4．3．3 實驗結(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
5．1．3 不足及建議
5．2 展望
5．3 結(jié)束語
參考文獻

章節(jié)摘錄

　　基于學習的姿態(tài)估計方法源于姿態(tài)識別方法的思想。姿態(tài)識別需要預先定義多個姿態(tài)類別，每個類別包含了一定的姿態(tài)范圍；然后為每個姿態(tài)類別標注若干訓練樣本，通過模式分類的方法訓練姿態(tài)分類器以實現(xiàn)姿態(tài)識別。這一類方法并不需要對物體進行建模，一般通過圖像的全局特征進行匹配分析，可以有效地避免局部特征方法在復雜姿態(tài)和遮擋關(guān)系情況下出現(xiàn)的特征匹配歧義性問題。然而姿態(tài)識別方法只能將姿態(tài)劃分到事先定義的幾個姿態(tài)類別中，并不能對姿態(tài)進行連續(xù)的精確的估計?！　』趯W習的方法一般采用全局觀測特征，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)估計精度很大程度依賴于訓練的充分程度。要想比較精確地得到二維觀測與三維姿態(tài)之間的對應關(guān)系，就必須獲取足夠密集的樣本來學習決策規(guī)則和回歸函數(shù)。而一般來說所需要樣本的數(shù)量是隨狀態(tài)空間的維度指數(shù)級增加的，對于高維狀態(tài)空間，事實上不可能獲取進行精確估計所需要的密集采樣。因此，無法得到密集采樣，從而難以保證估計的精度與連續(xù)性，是基于學習的姿態(tài)估計方法無法克服的根本困難。　　和姿態(tài)識別等典型的模式分類問題不同的是，姿態(tài)估計輸出的是一個高維的姿態(tài)向量，而不是某個類別的類標。因此這一類方法需要學習的是一個從高維觀測向量到高維姿態(tài)向量的映射，目前這在機器學習領(lǐng)域中還是一個非常困難的問題?！　√卣魇敲枋瞿Ｊ降淖罴逊绞剑椅覀兺ǔＵJ為特征的各個維度能夠從不同的角度描述模式，在理想情況下，維度之間是互補完備的?！　√卣魈崛〉闹饕康氖墙稻S。特征抽取的主要思想是將原始樣本投影到一個低維特征空間，得到最能反應樣本本質(zhì)或進行樣本區(qū)分的低維樣本特征?！　∫话銏D像特征可以分為四類：直觀性特征、灰度統(tǒng)計特征、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，而且測量精度不高，與圖像處理技術(shù)密切相關(guān)?！　　?/pre>








圖書封面






評論、評分、閱讀與下載



還沒讀過(10)
勉強可看(739)
一般般(126)
內(nèi)容豐富(5232)
強力推薦(429)


 


    機器視覺技術(shù)在安全輔助駕駛中的應用 PDF格式下載