自动驾驶汽车视觉和行为实践 用Python3和OpenCV4探索视觉感知、车道检测和物体分类

精装图书，印装精美手把手教您进行操作，完成自动驾驶各种任务贴合工程实际应用，上手快

本书将使用OpenCV完成各种任务，包括行人检测和车道检测。本书将讲述深度学习并介绍如何利用它进行图像分类、对象检测和语义分割，使用它来识别行人、汽车、道路、人行道和交通信号灯，同时帮助读者了解一些有影响力的神经网络算法。本书中还将使用Carla模拟器通过行为克隆和PID控制器来控制汽车；了解网络协议、传感器、摄像头以及使用激光雷达来绘制周围的世界并找到相应位置。本书适合具备任何一种编程语言基础的程序员，以及车辆工程和自动驾驶相关专业的研究生阅读使用。

本书贡献者
前 言
第一部分
OpenCV和传感器及信号
第1章 OpenCV 基础知识和摄像头标定／ ００２
1.1 技术需求／ ００３
1.2 OpenCV 和NumPy 简介／ ００３
1.2.1 OpenCV 和NumPy ／ ００３
1.2.2 图像大小／ ００３
1.2.3 灰度图／ ００４
1.2.4 RGB 图／ ００５
1.3 处理图像文件／ ００６
1.4 处理视频文件／ ００７
1.5 图像处理／ ００８
1.5.1 图像翻转／ ００９
1.5.2 图像模糊化／ ００９
1.5.3 改变对比度、亮度和灰度系数／ ０１１
1.5.4 绘制矩形和文本／ ０１２
1.6 使用HOG 进行行人检测／ ０１３
1.6.1 滑动窗口／ ０１３
1.6.2 使用OpenCV 中的HOG ／ ０１３
1.6.3 摄像头简介／ ０１４
1.6.4 摄像头术语／ ０１５
1.6.5 摄像头组件／ ０１９
1.6.6 选择摄像头的注意事项／ ０１９
1.6.7 摄像头的优点和缺点／ ０２０
1.7 使用OpenCV 进行摄像头标定／ ０２１
1.7.1 畸变检测／ ０２２
1.7.2 校准／ ０２２
1.8 总结／ ０２３
1.9 问题／ ０２４
第2章 理解和使用信号／ ０２５
2.1 技术需求／ ０２６
2.2 理解信号的类型／ ０２６
2.3 模拟信号与数字信号／ ０２６
2.4 串行和并行／ ０２８
2.4.1 通用异步接收和发送（UART） ／ ０２９
2.4.2 差分与单端／ ０３２
2.4.3 I2 C ／ ０３４
2.4.4 SPI ／ ０３６
2.5 基于帧的串行协议／ ０３９
2.5.1 理解CAN ／ ０３９
2.5.2 以太网和因特网协议／ ０４２
2.5.3 理解UDP ／ ０４４
2.5.4 理解TCP ／ ０４５
2.6 总结／ ０４８
2.7 问题／ ０４８
2.8 扩展阅读／ ０４９
第3章 车道检测／ ０５０
3.1 技术需求／ ０５１
3.2 阈值处理／ ０５１
3.2.1 阈值在不同颜色空间中如何工作／ ０５１
3.2.2 RGB/BGR ／ ０５２
3.2.3 HLS ／ ０５３
3.2.4 HSV ／ ０５４
3.2.5 LAB ／ ０５４
3.2.6 YCbCr ／ ０５５
3.2.7 选择通道／ ０５５
3.3 透视校正／ ０５５
3.4 边缘检测／ ０５７
3.4.1 插值阈值／ ０５９
3.4.2 组合阈值／ ０６０
3.5 利用直方图确定车道线／ ０６１
3.6 滑动窗口算法／ ０６２
3.6.1 初始化／ ０６３
3.6.2 滑动窗口坐标／ ０６３
3.6.3 多项式拟合／ ０６４
3.7 增强视频／ ０６５
3.8 滚动平均／ ０６６
3.9 总结／ ０６６
3.10 问题／ ０６７
第二部分
利用深度学习和神经网络改进自动
驾驶汽车的工作方式
第4章 基于神经网络的深度学习／ ０７０
4.1 技术需求／ ０７１
4.2 理解机器学习和神经网络／ ０７１
4.2.1 神经网络／ ０７２
4.2.2 神经元／ ０７２
4.2.3 参数／ ０７４
4.2.4 深度学习的成功／ ０７４
4.3 了解卷积神经网络／ ０７５
4.3.1 卷积／ ０７５
4.3.2 为什么卷积这么棒／ ０７６
4.4 Keras 和TensorFlow 入门／ ０７７
4.5 检测MNIST 手写数字／ ０７８
4.5.1 刚刚加载了什么／ ０７８
4.5.2 训练样本和标签／ ０７９
4.5.3 独热编码／ ０８０
4.5.4 训练数据集和测试数据集／ ０８１
4.6 确定神经网络模型／ ０８１
4.6.1 LeNet ／ ０８１
4.6.2 代码／ ０８２
4.6.3 框架／ ０８３
4.6.4 训练神经网络／ ０８４
4.6.5 CIFAR?10 数据集／ ０８７
4.7 总结／ ０９２
4.8 问题／ ０９２
4.9 扩展阅读／ ０９２
第5章 深度学习工作流／ ０９３
5.1 技术需求／ ０９４
5.2 获取数据集／ ０９４
5.2.1 Keras 模块中的数据集／ ０９４
5.2.2 现有数据集／ ０９５
5.2.3 合成数据集／ ０９６
5.2.4 自定义数据集／ ０９６
5.3 理解三种数据集／ ０９６
5.4 理解分类器／ ０９８
5.4.1 生成真实数据集／ ０９９
5.4.2 数据增强／ ０９９
5.5 模型／ １０１
5.5.1 调整卷积层／ １０２
5.5.2 调整优选池化层／ １０５
5.5.3 调整全连接层／ １０６
5.5.4 如何训练神经网络／ １０７
5.5.5 随机初始化／ １０８
5.5.6 过拟合与欠拟合／ １０９
5.6 可视化激活／ １１０
5.7 推理／ １１２
5.8 重训练／ １１３
5.9 总结／ １１３
5??10 问题／ １１４
第6章 改进神经网络／ １１５
6.1 技术需求／ １１６
6.2 更大的模型／ １１６
6.2.1 出发点／ １１６
6.2.2 提高速度／ １１７
6.2.3 增加深度／ １１９
6.3 更高效的神经网络／ １２１
6.4 通过批归一化构建更智能的
神经网络／ １２４
6.5 早停法／ １２８
6.6 通过数据增强改进数据集／ １２８
6.7 使用随机失活提高验证准确率／ １３１
6.7.1 将模型应用于MNIST 数据集／ １３５
6.7.2 现在轮到你了／ １３６
6.8 总结／ １３７
6.9 问题／ １３７
第7章 检测行人和交通信号灯／ １３８
7.1 技术需求／ １３９
7.2 使用SSD 检测行人、车辆和交通信号灯／ １３９
7.2.1 使用Carla 模拟器收集图像／ １３９
7.2.2 解读SSD ／ １４３
7.2.3 探索TensorFlow 检测模型库／ １４３
7.2.4 下载和加载SSD ／ １４５
7.2.5 运行SSD ／ １４５
7.2.6 图像注释／ １４７
7.3 检测交通信号灯的颜色／ １４８
7.3.1 创建交通信号灯数据集／ １４８
7.3.2 解读迁移学习／ １５０
7.3.3 了解ImageNet ／ １５１
7.3.4 关于AlexNet 的探究／ １５２
7.3.5 用Inception 来进行图像分类／ １５４
7.3.6 利用Inception 进行迁移学习／ １５５
7.3.7 将数据集输入Inception ／ １５７
7.3.8 迁移学习的性能表现／ １５８
7.3.9 改善迁移学习／ １５９
7.4 识别交通信号灯及其颜色／ １６１
……