交通场景中的计算机视觉技术及应用

推荐语

智慧交通的服务对象为交通管理部门和交通工具驾驶者。在智慧交通领域，深度学习技术是比较成熟的应用技术，得到了比较理想的应用。作者面向交通场景，应用深度学习技术在智能驾驶、安全驾驶等方面进行了研究和分析，并将研究成果编撰成本书与读者分享。

本书系统地阐述了计算机视觉的先进技术、最新成果及其在交通场景中的应用。全书共分3章，主要内容包括交通场景的实时语义分割、分心驾驶行为识别、交通道路障碍检测。

目录

1 交通场景的实时语义分割

1.1 语义分割的研究背景及现状

1.1.1 引言

1.1.2 国内外研究现状

1.1.3 实时语义分割研究难点

1.2 相关概念及理论基础

1.2.1 卷积神经网络

1.2.2 语义分割相关基础知识

1.2.3 数据集介绍

1.2.4 实时语义分割任务的典型解决方案

1.3 实时语义分割网络SSRNet的模型设计

1.3.1 网络的整体架构

1.3.2 特征提取残差块

1.3.3 共享型双分支网络架构

1.3.4 上下文路径

1.3.5 特征融合模块

1.3.6 上采样模块

1.3.7 辅助模块

1.4 实验与分析

1.4.1 开发环境

1.4.2 实验设计

1.4.3 实验结果与分析

1.4.4 模型的泛化能力

参考文献

2 分心驾驶行为识别

2.1 分心驾驶行为识别研究背景及现状

2.1.1 研究背景

2.1.2 国内外研究现状

2.2 相关理论概述

2.2.1 神经网络基础

2.2.2 激活函数

2.2.3 目标检测理论基础

2.2.4 人体姿态估计理论基础

2.2.5 评价指标

2.3 基于YoloV5改进的目标检测算法

2.3.1 基于YoloV5的目标检测算法

2.3.2 改进的YoloV5目标检测算法

2.3.3 实验结果与分析

2.4 基于轻量级Openpose改进的人体姿态估计算法

2.4.1 基于Openpose的人体姿态估计算法

2.4.2 改进的轻量级Openpose人体姿态估计算法

2.4.3 实验结果与分析

2.5 二阶段行为识别的方法实现

2.5.1 实验总体流程

2.5.2 实验方法

2.5.3 实验结果分析

2.5.4 实验对比分析

参考文献

3 交通道路障碍检测

3.1 交通道路障碍检测研究背景及现状

3.1.1 检测背景

3.1.2 当前研究现状

3.1.3 道路障碍检测研究难点

3.2 相关概念及理论基础

3.2.1 卷积神经网络

3.2.2 目标检测算法的相关理论

3.3 基于轻量级YoloV4改进的道路障碍检测模型

3.3.1 改进后的模型整体

3.3.2 YoloV4算法简介

3.3.3 轻量级的特征提取网络

3.3.4 改进的特征融合层

3.3.5 加入注意力机制

3.3.6 改进的CBL模块

3.4 网络训练与实验结果

3.4.1 开发环境搭建

3.4.2 道路障碍的数据集

3.4.3 实验设计

3.4.4 实验结果分析

参考文献