面向自動駕駛的交通標識視覺感知
張志佳、王士顯、範瑩瑩、裴文慧
買這商品的人也買了...
-
一書貫通 -- 從資料科學橫入人工智慧領域$650$585 -
數據分析的力量 Google、Uber 都在用的因果關係思考法$300$270 -
$301特徵工程入門與實踐 (Feature Engineering Made Easy) -
這就是服務設計！｜服務設計工作者的實踐指南 (This Is Service Design Doing: Applying Service Design Thinking in the Real World)$880$695 -
失控的數據：數字管理的誤用與濫用，如何影響我們的生活與工作，甚至引發災難$380$342 -
持續交付 2.0：實務導向的 DevOps$680$476 -
動手做深度強化學習 (Deep Reinforcement Learning Hands-On)$690$345 -
自動駕駛汽車環境感知$359$341 -
AI 智慧交通理論與實踐$620$558 -
自動駕駛停車位檢測技術$348$331 -
ASP.NET Core 工程師不可不知的 10大安全性漏洞與防駭方法$690$538 -
實戰 Linux 系統數位鑑識 (Practical Linux Forensics: A Guide for Digital Investigators)$620$490 -
嵌入式系統原理與物聯網實踐$479$455 -
Hacking APIs｜剖析 Web API 漏洞攻擊技法$580$458 -
解密數位孿生：從製造、建築、能源到航空的智慧化應用$450$351 -
$449無人駕駛感知智能 -
$301自動駕駛——人工智能理論與實踐 -
自動駕駛：感知原理與實踐$648$616 -
自動駕駛汽車視覺和行為實踐用 Python3 和 OpenCV4 探索視覺感知、車道檢測和物體分類$894$849 -
5G與智慧交通：加速未來出行大變革$594$564 -
Node.js 量化投資全攻略：從資料收集到自動化交易系統建構實戰（iThome鐵人賽系列書）【軟精裝】$760$380 -
AI + IoT 佈建邊緣運算 - 電腦視覺業界專案原理及實作$980$774 -
$509YOLO 目標檢測 -
$509軟件開發安全之道概念、設計與實施 -
ASP.NET Core+Vue.js全棧開發訓練營$594$564
相關主題
商品描述
自動駕駛通過車載多傳感器系統獲知周圍實時環境信息，計算處理後經過合理的決策規劃從而控制車輛的運動。本書從基於圖像的視覺感知角度出發，對面向自動駕駛的交通標識視覺感知相關技術進行系統分析和介紹，主要內容包括基於深度學習的視覺感知、交通標識的視覺識別、雙目視覺與交通標識測距、車道線檢測、面向自動駕駛的嵌入式系統、視覺感知在自動駕駛中的應用展望等。 本書可以作為高等院校電子信息、交通工程和自動駕駛等相關專業本科生或研究生的參考書。本書中的實例均經過實踐驗證，可供從事自動駕駛汽車相關工作的工程技術人員參考和使用。
目錄大綱
目〓錄
第1章自動駕駛與電腦視覺
1.1自動駕駛發展歷史
1.2自動駕駛的定義與功能分析
1.3自動駕駛硬件平臺
1.4自動駕駛軟件平臺
1.5電腦視覺與感知
1.6視覺感知在自動駕駛中的應用
參考文獻
第2章人工智能及其在自動駕駛中的應用
2.1人工智能基礎
2.1.1人工智能的發展歷程
2.1.2人工智能的研究途徑
2.1.3人工智能的趨勢與展望
2.2機器學習與深度學習
2.2.1機器學習的含義與分類
2.2.2深度學習的發展歷程
2.2.3深度學習與電腦視覺
2.2.4深度學習與自然語言處理
2.3強化學習
2.3.1強化學習的基本要素
2.3.2強化學習的常用方法
2.3.3強化學習的發展方向
2.4深度學習在自動駕駛中的應用
2.4.1交通標識識別
2.4.2目標感知
2.4.3車道線檢測
2.4.4自動泊車
2.4.5司乘人員狀態監控
2.5強化學習在自動駕駛中的應用
參考文獻
第3章基於深度學習的視覺感知
3.1深度學習基礎
3.2電腦視覺技術
3.3圖像分類典型算法
3.4目標檢測典型算法
3.4.1兩階段目標檢測方法
3.4.2單階段目標檢測方法
3.5目標跟蹤典型算法
3.6圖像分割典型算法
3.6.1語義分割算法
3.6.2實例分割算法
參考文獻
第4章交通標識的視覺識別
4.1交通標識和信號燈檢測
4.1.1交通標識檢測
4.1.2交通信號燈檢測
4.2捲積神經網絡與目標檢測
4.2.1捲積神經網絡結構分析
4.2.2目標檢測算法評估指標
4.2.3YOLOv3目標檢測模型分析
4.3數據集準備
4.3.1開源數據集的現狀及使用方法
4.3.2自製數據集的工作流程
4.4深度學習框架及模型使用
4.4.1主流深度學習框架
4.4.2開源模型使用方法
4.5交通標識與信號燈檢測模型
4.5.1TYOLO模型設計要點
4.5.2輕量化網絡設計
4.5.3TMYOLO網絡
4.5.4檢測模型試驗
參考文獻
第5章雙目視覺與交通標識測距
5.1雙目視覺
5.1.1雙目視覺定義
5.1.2雙目視覺面臨的問題
5.2雙目視覺的應用
5.3雙目測距原理與優化
5.3.1雙目視覺測距原理
5.3.2雙目視覺測距優化
5.4交通標識測距
5.4.1相機標定及校正映射表計算
5.4.2圖像預處理
5.4.3金字塔模板匹配
5.4.4坐標校正及測距
5.4.5測距流程
5.5試驗與結果分析
5.5.1雙目視覺傳感器
5.5.2視覺傳感器參數計算
5.5.3車載環境試驗與分析
參考文獻
第6章車道線檢測
6.1車道線檢測
6.2車道線檢測研究進展
6.2.1傳統視覺檢測方法
6.2.2深度學習檢測方法
6.3基於傳統視覺的車道線檢測
6.3.1透視變換
6.3.2動態閾值提取車道線
6.3.3車道線方程擬合
6.3.4平滑輸出方法
6.4基於深度學習的車道線檢測
6.4.1語義分割網絡與車道線檢測
6.4.2基於DABNet的改進模型
參考文獻
第7章面向自動駕駛的嵌入式系統
7.1嵌入式系統構成
7.2車載攝像頭
7.2.1車載攝像頭組成
7.2.2車載攝像頭性能參數
7.3嵌入式硬件計算平臺
7.3.1各類計算平臺的性能和功耗
7.3.2不同計算平臺優、缺點分析
7.3.3產業格局及代表產品
7.4嵌入式系統軟件環境
7.4.1計算平臺中的開發環境
7.4.2Jetson TX2中配置深度學習框架
7.4.3基於TensorRT的模型量化壓縮
7.5交通標識視覺感知系統框架
7.6交通標識視覺感知系統實現
7.6.1圖像採集與目標檢測
7.6.2基於MobileNetv2的目標識別模塊
7.6.3雙目相機測距模塊
參考文獻
第8章視覺感知在自動駕駛中的應用展望
8.1視覺感知與交通標識
8.2視覺感知與內容理解
8.3視覺感知與數字孿生
8.4視覺感知與信息獲取
8.5視覺感知與計算平臺
8.6環境感知與信息融合
參考文獻
