第1篇 模式识别框架基础 3
绪论 3
第1章 道路交通安全与疲劳驾驶识别方法概述 10
1.1应用背景及研究意义 10
1.2疲劳驾驶识别方法概述 13
1.2.1主观评价方式 15
1.2.2客观度量方式 15
1.3疲劳驾驶识别研究发展趋向 22
1.4本章小结 23
第2章 人脸及其局部单元的检测方法 24
2.1引言 24
2.2基于肤色建模的人脸及其局部单元检测 27
2.2.1色彩空间的选择与预处理 27
2.2.2基于肤色信息的人脸定位及区域优化 31
2.2.3基于局部模板匹配的人脸区域再定位 37
2.3基于Haar-like特征与信息强化图的人脸及其局部单元检测 37
2.3.1 AdaBoost学习框架下基于Haar-like特征的快速人脸检测 37
2.3.2基于强化图像的局部单元定位 44
2.4环境因素对人脸定位的影响及其消除 45
2.5本章小结 49
第2篇 基于显著面部表现的驾驶者异常状态识别 53
第3章 驾驶者眨眼异常状态识别 53
3.1引言 53
3.2问题的提出 53
3.3典型眨眼过程提取 54
3.4基于S变换的疲劳能量指数计算 55
3.5实验与分析 57
3.6本章小结 59
第4章 驾驶者打哈欠过程识别 60
4.1引言 60
4.2问题的提出 60
4.3特征提取与选择 61
4.4统计学习理论与支持向量机 65
4.4.1结构风险控制 65
4.4.2支持向量机分类模型 68
4.5实验与分析 71
4.6本章小结 73
第3篇 基于非显著面部表现的驾驶者异常状态识别及研究扩展 77
第5章 基于多区域证据支持的驾驶者疲劳状态识别 77
5.1引言 77
5.2问题的提出 77
5.3多层面信息获取 78
5.3.1局部线性嵌入 80
5.3.2多区域证据 82
5.4基于粗糙集的特征评价 83
5.4.1模糊粗糙集 83
5.4.2特征选择算法 85
5.5模式分类器集成 86
5.5.1基分类器(C4.5决策树) 86
5.5.2基分类器集成学习 88
5.5.3分类性能评价指标 90
5.6实验与分析 90
5.7本章小结 99
第6章 基于覆盖规则集的驾驶者疲劳状态分类器设计 101
6.1引言 101
6.2问题的提出 102
6.3覆盖近似空间与覆盖约简 103
6.4邻域覆盖约简规则学习 105
6.4.1相对覆盖约简理论框架 105
6.4.2基于覆盖约简的规则学习算法 110
6.4.3分类性能评价及应用 112
6.5本章小结 119
第7章 基于稀疏表示的驾驶者异常状态识别 121
7.1引言 121
7.2稀疏表示的基本思想 122
7.3产生虚拟样本并结合K近邻算法的快速稀疏表示方法框架 124
7.3.1模型概述 124
7.3.2 msSR分类模型的具体原理 125
7.4引入线性空间变换的稀疏表示与分类 133
7.4.1模型概述 133
7.4.2 IstSR模型的原理及实验验证 134
7.4.3 IstSR模型迭代过程收敛条件及证明 135
7.5本章小结 137
第8章 基于深度学习的驾驶者疲劳状态识别 138
8.1从AlphaGo说起 138
8.2深度学习与认知 139
8.2.1浅层模型与深层模型 139
8.2.2关于深层模型的训练问题 141
8.2.3深度学习的认知意义 143
8.2.4关于认知的探讨 145
8.3深度学习的硬件特点与主要开源工具 146
8.3.1深度学习的硬件特点 146
8.3.2深度学习的主要开源工具 147
8.4卷积神经网络 148
8.4.1图像识别的挑战 148
8.4.2卷积神经网络的基本原理 151
8.5经典的卷积神经网络模型 158
8.5.1 LeNet-5模型 158
8.5.2 AlexNet模型 163
8.5.3 VGGNets模型 165
8.6基于VGGNets的迁移学习与实验结果 167
8.7本章小结 169
参考文献 170
后记 178