杜勇著的《模式识别应用--驾驶者异常状态识别》遵循模式识别的经典过程，以驾驶者各种异常状态的识别为背景，重点针对驾驶疲劳及由药物、醉酒等造成的嗜睡状态等进行识别。虽然产生这些异常状态的原因不同，但其有着较为相似的面部行为，如为眨眼变慢、打哈欠等类似困倦的表现，然而也有很多疲劳的神情比较细微，难以提取显著的特征来对其进行描述和分类，这些都是本书将要探讨的内容。
本书可作为高等院校智能交通工程、计算机、电子信息等专业研究生和高年级本科生的相关课程教材或参考书，也可供从事模式识别研究与应用的科技人员和管理人员参考。
杜勇 博士，毕业于哈尔滨工业大学计算机科学与技术学院，现为东北农业大学教师。IEEE Transactions On Fuzzy，Systems、Tourism Managentent、《自动化学报》审稿人，黑龙江省计算机学会智能人机交互专业委员会委员。主要研究方向为模式识别、粗糙集、生物计算及旅游管理等。主持国家自然科学基金项目“集成多模态信息的驾驶者异常状态识别模型研究(51 308096)”，主持省市项目、参与国家级项目多项。近年来，在国际期刊Information Sciences、Neural ProcessingLetters及国际会议上发表论文10余篇，其中被SCI检索6篇。
第1篇 模式识别框架基础
绪论
第1章 道路交通安全与疲劳驾驶识别方法概述
1.1 应用背景及研究意义
1.2 疲劳驾驶识别方法概述
1.2.1 主观评价方式
1.2.2 客观度量方式
1.3 疲劳驾驶识别研究发展趋向
1.4 本章小结
第2章 人脸及其局部单元的检测方法
2.1 引言
2.2 基于肤色建模的人脸及其局部单元检测
2.2.1 色彩空间的选择与预处理
2.2.2 基于肤色信息的人脸定位及区域优化
2.2.3 基于局部模板匹配的人脸区域再定位
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
2.3.1 AdaBoost学习框架下基于Haar。like特征的快速人脸检测
2.3.2 基于强化图像的局部单元定位
2.4 环境因素对人脸定位的影响及其消除
2.5 本章小结
第2篇 基于显著面部表现的驾驶者异常状态识别
第3章 驾驶者眨眼异常状态识别
3.1 引言
3.2 问题的提出
3.3 典型眨眼过程提取
3.4 基于S变换的疲劳能量指数计算
3.5 实验与分析
3.6 本章小结
第4章 驾驶者打哈欠过程识别
4.1 引言
4.2 问题的提出
4.3 特征提取与选择
4.4 统计学习理论与支持向量机
4.4.1 结构风险控制
4.4.2 支持向量机分类模型
4.5 实验与分析
4.6 本章小结
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
第5章 基于多区域证据支持的驾驶者疲劳状态识别
5.1 引言
5.2 问题的提出
5.3 多层面信息获取
5.3.1 局部线性嵌入
5.3.2 多区域证据
5.4 基于粗糙集的特征评价
5.4.1 模糊粗糙集
5.4.2 特征选择算法
5.5 模式分类器集成
5.5.1 基分类器(C4.5 决策树)
5.5.2 基分类器集成学习
5.5.3 分类性能评价指标
5.6 实验与分析
5.7 本章小结
第6章 基于覆盖规则集的驾驶者疲劳状态分类器设计
6.1 引言
6.2 问题的提出
6.3 覆盖近似空间与覆盖约简
6.4 邻域覆盖约简规则学习
6.4.1 相对覆盖约简理论框架
6.4.2 基于覆盖约简的规则学习算法
6.4.3 分类性能评价及应用
6.5 本章小结
第7章 基于稀疏表示的驾驶者异常状态识别
7.1 引言
7.2 稀疏表示的基本思想
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
7.3.1 模型概述
7.3.2 msSR分类模型的具体原理
7.4 引入线性空间变换的稀疏表示与分类
7.4.1 模型概述-
7.4.2 lstSR模型的原理及实验验证
7.4.3 lstSR模型迭代过程收敛条件及证明
7.5 本章小结
第8章 基于深度学习的驾驶者疲劳状态识别
8.1 从AlphaGo说起
8.2 深度学习与认知
8.2.1 浅层模型与深层模型
8.2.2 关于深层模型的训练问题
8.2.3 深度学习的认知意义
8.2.4 关于认知的探讨
8.3 深度学习的硬件特点与主要开源工具
8.3.1 深度学习的硬件特点
8.3.2 深度学习的主要开源工具
8.4 卷积神经网络
8.4.1 图像识别的挑战
8.4.2 卷积神经网络的基本原理
8.5 经典的卷积神经网络模型
8.5.1 LeNet-5模型
8.5.2 AlexNet模型
8.5.3 VGGNets模型
8.6 基于vGGNets的迁移学习与实验结果
8.7 本章小结
参考文献
后记
[
我的消息
购物车
