交通环境感知是实现智能驾驶的关键，我国驾驶环境的复杂性和不确定性给环境感知带来很多困难。本书从车外环境和车内环境两方面对交通环境感知的相关问题进行了研究。全书共11章，介绍了神经网络及其优化方法的基础知识，并进一步介绍了基于深度神经网络的驾驶环境感知中的关键问题，包括交通场景中的行人、地面标志线、交通信号灯及车辆的目标检测任务，以及车内驾驶员的疲劳驾驶检测任务，涉及的主要技术包括数字图像处理、深度神经网络、视觉认知与计算等方面。
更多科学出版社服务，请扫码获取。
铁路与国民经济各部门的技术经济联系研究（二等奖），2013年，排名第1
铁路运价与定价数学模型研究（二等奖），2015年，排名第1
目录
“信息科学技术学术著作丛书”序
前言
第1章 绪论1
1.1 人工智能1
1.2 视觉智能1
1.3 交通场景环境感知2
1.3.1 交通场景的定义2
1.3.2 交通场景中的视觉认知2
1.4 本章小结3
参考文献3
第2章 神经网络5
2.1 感知机5
2.2 基于梯度下降的学习方法6
2.3 隐层单元8
2.4 反向传播算法9
2.5 本章小结10
参考文献10
第3章 卷积神经网络11
3.1 网络的基本部件11
3.1.1 卷积层11
3.1.2 池化层12
3.1.3 激活函数13
3.1.4 全连接层14
3.2 经典网络模型14
3.2.1 Alex-Net网络模型14
3.2.2 VGG-Nets网络模型15
3.2.3 GoogLeNet网络模型17
3.2.4 残差网络模型18
3.3 经典目标检测网络19
3.3.1 基于two-stage的算法20
3.3.2 基于one-stage的算法21
3.4 本章小结23
参考文献23
第4章 深度神经网络的优化方法25
4.1 深度网络优化中的问题25
4.1.1 局部极小值25
4.1.2 高原、鞍点和其他平坦区域26
4.1.3 梯度消失和梯度爆炸28
4.1.4 优化的理论限制28
4.2 随机梯度下降29
4.3 自适应学习率算法29
4.4 优化策略30
4.5 本章小结32
参考文献32
第5章 深度神经网络模型压缩34
5.1 深度网络模型压缩的研究现状34
5.2 网络模型的压缩策略37
5.2.1 低秩近似37
5.2.2 量化与二值网络38
5.2.3 剪枝与裁剪38
5.3 基于残差结构的轻量化卷积模型39
5.3.1 残差网络及其变体39
5.3.2 轻量化卷积模型的设计41
5.3.3 实验及结果分析46
5.4 面向轻量化模型的知识迁移方法48
5.4.1 基于注意力的知识迁移模型48
5.4.2 面向轻量化模型的知识迁移方法50
5.4.3 实验结果及分析51
5.5 驾驶环境下的实时目标检测方法55
5.5.1 基于深度学习的目标检测模型56
5.5.2 基于知识迁移的实时目标检测方法60
5.5.3 实验及结果分析62
5.5.4 真实道路数据集测试63
5.6 本章小结66
参考文献66
第6章 行人检测70
6.1 行人检测数据集71
6.2 评估方法72
6.3 基于YOLO多尺度空间特征融合的道路区域行人检测方法73
6.3.1 多尺度特征提取模块73
6.3.2 基于注意力机制的特征融合模块74
6.3.3 特征分类和坐标回归75
6.3.4 模型训练和验证76
6.4 多阶段级联网络行人检测算法79
6.4.1 多阶段级联网络算法概述79
6.4.2 第一阶段网络设计80
6.4.3 第二阶段网络设计85
6.4.4 第三阶段网络设计87
6.5 网络模型训练与测试88
6.5.1 困难样本挖掘88
6.5.2 损失函数设计89
6.5.3 模型训练与测试配置90
6.6 多阶段级联网络模型的有效性分析91
6.6.1 不同算法性能对比91
6.6.2 各模块消融实验94
6.7 本章小结96
参考文献97
第7章 地面标志线检测100
7.1 地面标志定义100
7.2 地面标志结构化处理101
7.2.1 逆透视变换102
7.2.2 车道线自适应拟合处理104
7.2.3 地面指示箭头结构化处理109
7.3 基于传统算法的地面标志检测110
7.3.1 车道线检测111
7.3.2 斑马线检测121
7.3.3 停止线检测124
7.4 基于深度学习的地面标志检测126
7.4.1 基于编码器-解码器的算法127
7.4.2 基于整合上下文信息的算法128
7.5 基于改进Mask R-CNN实例分割网络的地面标志检测方法130
7.5.1 Mask R-CNN实例分割网络架构130
7.5.2 Mask R-CNN实例分割网络的改进及优化133
7.5.3 基于改进Mask R-CNN的分割实验结果133
7.6 地面标志检测综合实验结果及应用134
7.6.1 实验数据集介绍134
7.6.2 评定标准135
7.6.3 实验结果及分析136
7.7 本章小结141
参考文献141
第8章 交通信号检测145
8.1 交通信号介绍145
8.2 基于特征融合的交通信号检测151
8.2.1 算法结构设计151
8.2.2 实验结果与分析154
8.3 基于深度级联网络的交通标识检测156
8.3.1 级联网络结构156
8.3.2 精准分类网络157
8.3.3 实验结果分析与参赛测试证明161
8.4 本章小结163
参考文献163
第9章 前方车辆位置监测165
9.1 基于Faster R-CNN的2D车辆检测165
9.1.1 整体框架结构165
9.1.2 RPN结构与锚点生成165
9.1.3 尺度归一化166
9.1.4 损失函数167
9.1.5 测试结果167
9.2 基于关键点回归网络的3D车辆检测169
9.2.1 算法整体流程169
9.2.2 关键点回归169
9.2.3 回归网络170
9.2.4 损失函数171
9.2.5 3D包围框估计171
9.2.6 测试结果174
9.3 基于车辆下边沿和逆透视变换的车距测量175
9.3.1 算法整体流程175
9.3.2 车辆下边沿及关键点计算175
9.3.3 逆透视变换模型176
9.4 本章小结180
参考文献180
第10章 疲劳驾驶检测181
10.1 驾驶员的人脸检测181
10.1.1 人脸检测概述181
10.1.2 基于级联卷积神经网络的人脸检测182
10.1.3 基于ShuffleNet改进的MTCNN人脸检测模型185
10.1.4 实验结果与分析188
10.2 驾驶员去人脸遮挡的人脸关键点检测189
10.2.1 基于生成对抗网络与自编码器的人脸去遮挡189
10.2.2 基于深度回归网络与去人脸遮挡网络的人脸关键点检测191
10.2.3 实验结果与分析192
10.3 本章小结196
参考文献197
第11章 视觉智能在驾驶安全中的应用198
11.1 行人意图分析198
11.1.1 行人意图预测的难点198
11.1.2 行人与周围环境的交互198
11.1.3 行人与其他人的交互199
11.1.4 行人与本车的交互199
11.1.5 意图预测方法199
11.2 车道偏离检测199
11.3 驾驶员疲劳检测系统设计和实现200
11.4 本章小结201
参考文献202
书单推荐
