視覺智能與交通環境感知檢視原始碼討論檢視歷史

來自 孔夫子網 的圖片

《視覺智能與交通環境感知》，李學偉，劉宏哲 著，出版社： 科學出版社。

科學出版社是中國最大的綜合性科技出版機構，由前中國科學院編譯局與1930年代創建的有較大影響的龍門聯合書局合併而來。科學出版社比鄰皇城根遺址公園，是一個歷史悠久、力量雄厚，以出版學術書刊為主的開放式出版社。

內容簡介

交通環境感知是實現智能駕駛的關鍵，我國駕駛環境的複雜性和不確定性給環境感知帶來很多困難。《視覺智能與交通環境感知》從車外環境和車內環境兩方面對交通環境感知的相關問題進行了研究。《視覺智能與交通環境感知》共11章，介紹了神經網絡及其優化方法的基礎知識，並進一步介紹了基於深度神經網絡的駕駛環境感知中的關鍵問題，包括交通場景中的行人、地面標誌線、交通信號燈及車輛的目標檢測任務，以及車內駕駛員的疲勞駕駛檢測任務，涉及的主要技術包括數字圖像處理、深度神經網絡、視覺認知與計算等方面。

目錄

「信息科學技術學術着作叢書」序

前言

第1章 緒論1

1.1 人工智能1

1.2 視覺智能1

1.3 交通場景環境感知2

1.3.1 交通場景的定義2

1.3.2 交通場景中的視覺認知2

1.4 本章小結3

參考文獻3

第2章 神經網絡5

2.1 感知機5

2.2 基於梯度下降的學習方法6

2.3 隱層單元8

2.4 反向傳播算法9

2.5 本章小結10

參考文獻10

第3章 卷積神經網絡11

3.1 網絡的基本部件11

3.1.1 卷積層11

3.1.2 池化層12

3.1.3 激活函數13

3.1.4 全連接層14

3.2 **網絡模型14

3.2.1 Alex-Net網絡模型14

3.2.2 VGG-Nets網絡模型15

3.2.3 GoogLeNet網絡模型17

3.2.4 殘差網絡模型18

3.3 **目標檢測網絡19

3.3.1 基於two-stage的算法20

3.3.2 基於one-stage的算法21

3.4 本章小結23

參考文獻23

第4章 深度神經網絡的優化方法25

4.1 深度網絡優化中的問題25

4.1.1 局部極小值25

4.1.2 高原、鞍點和其他平坦區域26

4.1.3 梯度消失和梯度爆炸28

4.1.4 優化的理論限制28

4.2 隨機梯度下降29

4.3 自適應學習率算法29

4.4 優化策略30

4.5 本章小結32

參考文獻32

第5章 深度神經網絡模型壓縮34

5.1 深度網絡模型壓縮的研究現狀34

5.2 網絡模型的壓縮策略37

5.2.1 低秩近似37

5.2.2 量化與二值網絡38

5.2.3 剪枝與裁剪38

5.3 基於殘差結構的輕量化卷積模型39

5.3.1 殘差網絡及其變體39

5.3.2 輕量化卷積模型的設計41

5.3.3 實驗及結果分析46

5.4 面向輕量化模型的知識遷移方法48

5.4.1 基於注意力的知識遷移模型48

5.4.2 面向輕量化模型的知識遷移方法50

5.4.3 實驗結果及分析51

5.5 駕駛環境下的實時目標檢測方法55

5.5.1 基於深度學習的目標檢測模型56

5.5.2 基於知識遷移的實時目標檢測方法60

5.5.3 實驗及結果分析62

5.5.4 真實道路數據集測試63

5.6 本章小結66

參考文獻66

第6章 行人檢測70

6.1 行人檢測數據集71

6.2 評估方法72

6.3 基於YOLO多尺度空間特徵融合的道路區域行人檢測方法73

6.3.1 多尺度特徵提取模塊73

6.3.2 基於注意力機制的特徵融合模塊74

6.3.3 特徵分類和坐標回歸75

6.3.4 模型訓練和驗證76

6.4 多階段級聯網絡行人檢測算法79

6.4.1 多階段級聯網絡算法概述79

6.4.2 **階段網絡設計80

6.4.3 第二階段網絡設計85

6.4.4 第三階段網絡設計87

6.5 網絡模型訓練與測試88

6.5.1 困難樣本挖掘88

6.5.2 損失函數設計89

6.5.3 模型訓練與測試配置90

6.6 多階段級聯網絡模型的有效性分析91

6.6.1 不同算法性能對比91

6.6.2 各模塊消融實驗94

6.7 本章小結96

參考文獻97

第7章 地面標誌線檢測100

7.1 地面標誌定義100

7.2 地面標誌結構化處理101

7.2.1 逆透視變換102

7.2.2 車道線自適應擬合處理104

7.2.3 地面指示箭頭結構化處理109

7.3 基於傳統算法的地面標誌檢測110

7.3.1 車道線檢測111

7.3.2 斑馬線檢測121

7.3.3 停止線檢測124

7.4 基於深度學習的地面標誌檢測126

7.4.1 基於編碼器-解碼器的算法127

7.4.2 基於整合上下文信息的算法128

7.5 基於改進Mask R-CNN實例分割網絡的地面標誌檢測方法130

7.5.1 Mask R-CNN實例分割網絡架構130

7.5.2 Mask R-CNN實例分割網絡的改進及優化133

7.5.3 基於改進Mask R-CNN的分割實驗結果133

7.6 地面標誌檢測綜合實驗結果及應用134

7.6.1 實驗數據集介紹134

7.6.2 評定標準135

7.6.3 實驗結果及分析136

7.7 本章小結141

參考文獻141

第8章 交通信號檢測145

8.1 交通信號介紹145

8.2 基於特徵融合的交通信號檢測151

8.2.1 算法結構設計151

8.2.2 實驗結果與分析154

8.3 基於深度級聯網絡的交通標識檢測156

8.3.1 級聯網絡結構156

8.3.2 精準分類網絡157

8.3.3 實驗結果分析與參賽測試證明161

8.4 本章小結163

參考文獻163

第9章 前方車輛位置監測165

9.1 基於Faster R-CNN的2D車輛檢測165

9.1.1 整體框架結構165

9.1.2 RPN結構與錨點生成165

9.1.3 尺度歸一化166

9.1.4 損失函數167

9.1.5 測試結果167

9.2 基於關鍵點回歸網絡的3D車輛檢測169

9.2.1 算法整體流程169

9.2.2 關鍵點回歸169

9.2.3 回歸網絡170

9.2.4 損失函數171

9.2.5 3D包圍框估計171

9.2.6 測試結果174

9.3 基於車輛下邊沿和逆透視變換的車距測量175

9.3.1 算法整體流程175

9.3.2 車輛下邊沿及關鍵點計算175

9.3.3 逆透視變換模型176

9.4 本章小結180

參考文獻180

第10章 疲勞駕駛檢測181

10.1 駕駛員的人臉檢測181

10.1.1 人臉檢測概述181

10.1.2 基於級聯卷積神經網絡的人臉檢測182

10.1.3 基於ShuffleNet改進的MTCNN人臉檢測模型185

10.1.4 實驗結果與分析188

10.2 駕駛員去人臉遮擋的人臉關鍵點檢測189

10.2.1 基於生成對抗網絡與自編碼器的人臉去遮擋189

10.2.2 基於深度回歸網絡與去人臉遮擋網絡的人臉關鍵點檢測191

10.2.3 實驗結果與分析192

10.3 本章小結196

參考文獻197

第11章 視覺智能在駕駛安全中的應用198

11.1 行人意圖分析198

11.1.1 行人意圖預測的難點198

11.1.2 行人與周圍環境的交互198

11.1.3 行人與其他人的交互199

11.1.4 行人與本車的交互199

11.1.5 意圖預測方法199

11.2 車道偏離檢測199

11.3 駕駛員疲勞檢測系統設計和實現200

11.4 本章小結201

參考文獻202