第一章 绪论 1
1.1 引言 1
1.2 信息融合起源与内涵 1
1.3 信息融合基本概念 3
1.3.1 信息融合原理 3
1.3.2 信息融合处理过程 3
1.3.3 信息融合层次 4
1.4 信息融合技术发展 6
1.4.1 国外发展 6
1.4.2 国内发展 8
1.5 交通系统的信息融合问题 9
1.5.1 智能交通系统 9
1.5.2 智能交通系统的信息融合模型 9
1.5.3 交通系统的信息融合研究方向 10
参考文献 14
第二章 信息融合的理论基础 16
2.1 引言 16
2.2 贝叶斯网络 16
2.2.1 概率论及概率推理 16
2.2.2 贝叶斯网络 18
2.2.3 贝叶斯网络推理 19
2.2.4 贝叶斯网络学习 21
2.3 人工神经网络 24
2.3.1 人工神经元与感知器 24
2.3.2 神经网络的互连结构 27
2.3.3 神经网络的学习 32
2.4 聚类分析 33
2.4.1 相似性度量 34
2.4.2 类和类的特征 35
2.4.3 常用的聚类分析方法 37
2.5 主成分分析 39
2.5.1 主成分分析的基本理论 40
2.5.2 总体主成分及其性质 40
2.5.3 样本主成分的导出 46
2.5.4 主成分分析步骤及框图 49
2.6 证据理论 50
2.6.1 D-S证据理论概述 51
2.6.2 基于D-S证据理论的信息融合 53
2.7 支持向量机 56
2.7.1 统计学习理论的一般概念 56
2.7.2 学习机的VC维与风险界 57
2.7.3 线性支持向量机 59
2.7.4 非线性支持向量机 63
参考文献 65
第三章 多传感器信息融合系统 67
3.1 引言 67
3.2 传感器的定义和基本特性 67
3.2.1 传感器的定义和数学模型 67
3.2.2 传感器的基本特征 69
3.2.3 交通领域常用传感器 69
3.3 多传感器信息融合原理和特点 78
3.3.1 多传感器信息融合定义 78
3.3.2 多传感器信息融合原理 78
3.3.3 多传感器信息融合特点 80
3.4 多传感器信息融合系统的模型 81
3.4.1 功能模型 81
3.4.2 结构模型 83
3.5 信息融合系统的设计方法与原则 89
3.5.1 分析问题和确定任务 89
3.5.2 硬件系统设计原则 89
3.5.3 软件系统设计原则 90
3.5.4 传感器类型确定原则 92
参考文献 94
第四章 交通视觉增强的信息融合 96
4.1 引言 96
4.2 基于视频图像处理的交通视觉增强方法 96
4.2.1 基于图像空域变换的视觉增强方法 96
4.2.2 基于图像频域滤波的视觉增强方法 102
4.2.3 基于图像复原处理的视觉增强方法 103
4.3 基于多传感器信息融合的交通视觉增强方法 109
4.3.1 多传感器信息融合实现交通视觉增强理论模型 109
4.3.2 基于多传感器融合的交通视觉增强方法 110
参考文献 117
第五章 行人识别系统的信息融合 119
5.1 引言 119
5.2 激光雷达与摄像机融合预处理 120
5.2.1 激光雷达几何模型 120
5.2.2 摄像机成像模型 122
5.2.3 激光雷达与摄像机标定 124
5.3 基于激光雷达的行人识别方法 127
5.3.1 激光雷达点云数据及其处理 127
5.3.2 传统DBSCAN聚类算法 128
5.3.3 改进的DBSCAN算法 131
5.3.4 算法的验证 132
5.4 基于摄像机的行人识别方法 136
5.4.1 行人检测模型 137
5.4.2 车载行人检测算法 145
5.5 基于神经网络的行人识别方法 153
5.5.1 决策层信息融合 153
5.5.2 神经网络 154
5.5.3 基于神经网络的信息融合方法 155
参考文献 157
第六章 车路协同系统的信息融合 160
6.1 引言 160
6.2 车路信息协同感知技术框架 160
6.2.1 车路通信技术 160
6.2.2 车载信息系统 162
6.2.3 路侧感知技术 163
6.2.4 车路协同下的信息融合 164
6.2.5 车路信息融合技术难点 166
6.3 基于车路协同的车速自适应控制 167
6.3.1 路面状态感知 167
6.3.2 车速自适应控制 170
6.4 基于车路协同的车辆状态与轨迹跟踪 178
6.4.1 感知建模 178
6.4.2 基于多模型的融合估计算法 181
6.4.3 仿真验证 184
参考文献 191
第七章 驾驶疲劳识别系统的信息融合 193
7.1 引言 193
7.2 驾驶疲劳试验设计 194
7.2.1 道路场景设计 194
7.2.2 试验设计 194
7.2.3 试验数据采集 195
7.2.4 试验数据预处理 195
7.3 纵向操作特征与驾驶疲劳 197
7.3.1 车速分析 198
7.3.2 加速度分析 199
7.4 横向操作特征与驾驶疲劳 204
7.4.1 横向操作数据说明 204
7.4.2 转向角幅值分析 204
7.4.3 转向角速度分析 208
7.5 基于信息融合的驾驶疲劳行为识别 210
7.5.1 基于主成分分析的驾驶疲劳特征提取 211
7.5.2 基于聚类分析的驾驶疲劳行为 213
7.5.3 基于PCA主成分的驾驶疲劳分析 217
7.5.4 基于神经网络算法的驾驶疲劳 218
7.5.5 驾驶疲劳识别效果分析 224
参考文献 225
第八章 水上交通系统风险识别的信息融合 228
8.1 引言 228
8.2 水上交通系统风险概述 228
8.2.1 水上交通系统构成 228
8.2.2 水上交通事故类型与分级 230
8.3 不确定条件下的通航风险识别方法 233
8.3.1 通航系统风险因素的层次模型 233
8.3.2 基于模糊层次分析法的通航风险识别 235
8.3.3 枯水期长江通航风险识别案例研究 239
8.4 面向避碰规则的船舶智能避碰算法 246
8.4.1 国际海上避碰规则 246
8.4.2 两船会遇避碰 246
8.4.3 多船会遇避碰 252
8.4.4 船舶智能避碰算法实例 259
参考文献 268