赵池航,男,1975年8月生,博士,东南大学交通学院教授,博士生导师。主要从事交通信息感知理论、智能交通系统和公路交通经营管理与控制等方面的教学和研究工作。目前主持及参与完成国家自然科学基金项目5项、教育部博士点基金项目2项、江苏省自然科学基金项目1项;在IET Intelligent Transport Systems、Engineering Applications of Artificial Intelligence和Journal of Intelligent and Fuzzy Systems等核心期刊及IEEE国际会议上发表学术论文40余篇,其中SCI检索16篇、EI检索33篇,SCI被他人引用50多次,EI被他人引用90多次;申请国家发明专利20余项,其中发明专利授权10项;出版学术专著3部。
无
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 Perception146
8.1 Introduction of driver’s fatigue detection146
8.2 Introduction of driver’s abnormal activities detection148
References149
Chapter 9 Perception of Driver’s Fatigue Information Using Curvelet transform152
9.1 SEU fatigue expression data acquisition152
9.2 Curvelet transform for image feature description153
9.3 Support Vector Machine(SVM)156
9.4 Other classification methods compared158
9.4.1 Linear Perception(LP)classifier158
9.4.2 k-Nearest Neighbor(k-NN)classifier159
9.4.3 Multilayer Perception(MLP)classifier159
9.4.4 Parzen classifier160
9.5 Experiments160
9.6 Conclusions164
References165
Chapter 10 Recognition of Driver’s Fatigue Expression Using Local Multiresolution Derivative Pattern167
10.1 Fatigue expression data acquisition168
10.2 Local multiresolution derivative pattern168
10.2.1 Local Derivative Pattern(LDP)169
10.2.2 Local Multiresolution Derivative Pattern(LMDP)169
10.3 Classification methods compared174
10.3.1 Intersection kernel support vector machines174
10.3.2 k-Nearest Neighbor(k-NN)classifier174
10.3.3 Multilayer Perception(MLP)classifier175
10.3.4 Dissimilarity-based classifier175
10.4 Experiments176
10.4.1 Holdout experiments176
10.4.2 Cross-validation experiments179
10.4.3 Discussions182
10.5 Conclusions183
References183
Chapter 11 Perception of Driver’s Abnormal Activities Information
Using Nonsubsampled Contourlet Transform185
11.1 Data acquisition and features extraction of driving postures185
11.2 Features extraction by Nonsubsampled Contourlet Transform(NSCT)187
11.3 k-Nearest Neighbor(k-NN)classifier189
11.4 Other classification methods compared190
11.4.1 Intersection Kernel Support Vector Machine(IKSVM)190
11.4.2 Multilayer Perception(MLP)classifier191
11.4.3 Parzen classifier191
11.5 Experiments192
11.6 Conclusions196
References197
Chapter 12 Recognizing Driving Postures by Combined Features of Contourlet Transform and Edge Orientation Histogram198
12.1 SEU-DP database and image normalization198
12.2 Combined features for driving posture description200
12.2.1 Contourlet transform for image feature description201
12.2.2 Edge Orientation Histogram(EOH)for image features description202
12.2.3 Combined features203
12.3 Random subspace ensemble of intersection kernel support vector machines for classification203
12.4 Experiments204
12.4.1 Holdout experiments205
12.4.2 Cross-validation experiments206
12.4.3 Discussions207
12.5 Conclusions209
References210