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

定　價：￥149.00

作　者：	[美]盧卡·文圖瑞克里斯托弗·柯爾達(dá)
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥125.90)

ISBN：	9787111729365	出版時間：	2023-07-01	包裝：	精裝
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　本書將使用OpenCV完成各種任務(wù)，包括行人檢測和車道檢測。本書將講述深度學(xué)習(xí)并介紹如何利用它進行圖像分類、對象檢測和語義分割，使用它來識別行人、汽車、道路、人行道和交通信號燈，同時幫助讀者了解一些有影響力的神經(jīng)網(wǎng)絡(luò)算法。本書中還將使用Carla模擬器通過行為克隆和PID控制器來控制汽車；了解網(wǎng)絡(luò)協(xié)議、傳感器、攝像頭以及使用激光雷達(dá)來繪制周圍的世界并找到相應(yīng)位置。本書適合具備任何一種編程語言基礎(chǔ)的程序員，以及車輛工程和自動駕駛相關(guān)專業(yè)的研究生閱讀使用。

作者簡介

　　Luca Venturi曾在shijie級公司（包括法拉利和Opera軟件）擔(dān)任程序員，具有豐富的工作經(jīng)驗。他還曾為一些初創(chuàng)公司工作，包括Activetainment（世界上第一輛智能自行車的制造商）、Futurehome（智能家居解決方案供應(yīng)商）和CompanyBook（其產(chǎn)品將人工智能應(yīng)用于銷售）。他曾在Tapad（Telenor集團）的數(shù)據(jù)平臺團隊工作，使公司其他部門能夠訪問數(shù)以億計的數(shù)據(jù)，現(xiàn)在是Piano軟件公司分析數(shù)據(jù)庫的首席工程師。Krishtof Korda曾在Lyft公司為5級自動駕駛汽車設(shè)計傳感器集成?，F(xiàn)在，他作為Ouster的應(yīng)用工程師，在機器人、飛行器、無人機和采礦等領(lǐng)域負(fù)責(zé)整合激光雷達(dá)的工作。此外，他喜歡參加Enduro山地自行車比賽。

圖書目錄

前言
第一部分
OpenCV和傳感器及信號
第1 章　OpenCV 基礎(chǔ)知識和攝像頭標(biāo)定／００２
1.1　技術(shù)需求／００３
1.2　OpenCV 和NumPy 簡介／００３
1.2.1　OpenCV 和NumPy ／００３
1.2.2　圖像大小／００３
1.2.3　灰度圖／００４
1.2.4　RGB 圖／００５
1.3　處理圖像文件／００６
1.4　處理視頻文件／００７
1.5　圖像處理／００８
1.5.1　圖像翻轉(zhuǎn)／００９
1.5.2　圖像模糊化／００９
1.5.3　改變對比度、亮度和灰度系數(shù)／０１１
1.5.4　繪制矩形和文本／０１２
1.6　使用HOG 進行行人檢測／０１３
1.6.1　滑動窗口／０１３
1.6.2　使用OpenCV 中的HOG ／０１３
1.6.3　攝像頭簡介／０１４
1.6.4　攝像頭術(shù)語／０１５
1.6.5　攝像頭組件／０１９
1.6.6　選擇攝像頭的注意事項／０１９
1.6.7　攝像頭的優(yōu)點和缺點／０２０
1.7　使用OpenCV 進行攝像頭標(biāo)定／０２１
1.7.1　畸變檢測／０２２
1.7.2　校準(zhǔn)／０２２
1.8　總結(jié)／０２３
1.9　問題／０２４
第2 章　理解和使用信號／０２５
2.1　技術(shù)需求／０２６
2.2　理解信號的類型／０２６
2.3　模擬信號與數(shù)字信號／０２６
2.4　串行和并行／０２８
2.4.1　通用異步接收和發(fā)送（UART）／０２９
2.4.2　差分與單端／０３２
2.4.3　I2 C ／０３４
2.4.4　SPI ／０３６
2.5　基于幀的串行協(xié)議／０３９
2.5.1　理解CAN ／０３９
2.5.2　以太網(wǎng)和因特網(wǎng)協(xié)議／０４２
2.5.3　理解UDP ／０４４
2.5.4　理解TCP ／０４５
2.6　總結(jié)／０４８
2.7　問題／０４８
2.8　擴展閱讀／０４９
第3 章　車道檢測／０５０
3.1　技術(shù)需求／０５１
3.2　閾值處理／０５１
3.2.1　閾值在不同顏色空間中如何工作／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　選擇通道／０５５
3.3　透視校正／０５５
3.4　邊緣檢測／０５７
3.4.1　插值閾值／０５９
3.4.2　組合閾值／０６０
3.5　利用直方圖確定車道線／０６１
3.6　滑動窗口算法／０６２
3.6.1　初始化／０６３
3.6.2　滑動窗口坐標(biāo)／０６３
3.6.3　多項式擬合／０６４
3.7　增強視頻／０６５
3.8　滾動平均／０６６
3.9　總結(jié)／０６６
3.10　問題／０６７
第二部分
利用深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)改進自動
駕駛汽車的工作方式
第4 章　基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)／０７０
4.1 　技術(shù)需求／０７１
4.2　理解機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)／０７１
4.2.1　神經(jīng)網(wǎng)絡(luò)／０７２
4.2.2 　神經(jīng)元／０７２
4.2.3　參數(shù)／０７４
4.2.4　深度學(xué)習(xí)的成功／０７４
4.3 　了解卷積神經(jīng)網(wǎng)絡(luò)／０７５
4.3.1　卷積／０７５
4.3.2 　為什么卷積這么棒／０７６
4.4 　Keras 和TensorFlow 入門／０７７
4.5 　檢測MNIST 手寫數(shù)字／０７８
4.5.1　剛剛加載了什么／０７８
4.5.2 　訓(xùn)練樣本和標(biāo)簽／０７９
4.5.3　獨熱編碼／０８０
4.5.4　訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集／０８１
4.6 　確定神經(jīng)網(wǎng)絡(luò)模型／０８１
4.6.1　LeNet ／０８１
4.6.2 　代碼／０８２
4.6.3　框架／０８３
4.6.4　訓(xùn)練神經(jīng)網(wǎng)絡(luò)／０８４
4.6.5　CIFAR?10 數(shù)據(jù)集／０８７
4.7 　總結(jié)／０９２
4.8　問題／０９２
4.9 　擴展閱讀／０９２
第5 章　深度學(xué)習(xí)工作流／０９３
5.1 　技術(shù)需求／０９４
5.2　獲取數(shù)據(jù)集／０９４
5.2.1　Keras 模塊中的數(shù)據(jù)集／０９４
5.2.2 　現(xiàn)有數(shù)據(jù)集／０９５
5.2.3　合成數(shù)據(jù)集／０９６
5.2.4　自定義數(shù)據(jù)集／０９６
5.3 　理解三種數(shù)據(jù)集／０９６
5.4 　理解分類器／０９８
5.4.1　生成真實數(shù)據(jù)集／０９９
5.4.2 　數(shù)據(jù)增強／０９９
5.5 　模型／１０１
5.5.1　調(diào)整卷積層／１０２
5.5.2 　調(diào)整最大池化層／１０５
5.5.3　調(diào)整全連接層／１０６
5.5.4　如何訓(xùn)練神經(jīng)網(wǎng)絡(luò)／１０７
5.5.5　隨機初始化／１０８
5.5.6　過擬合與欠擬合／１０９
5.6 　可視化激活／１１０
5.7 　推理／１１２
5.8　重訓(xùn)練／１１３
5.9 　總結(jié)／１１３
5??10 　問題／１１４
第6 章　改進神經(jīng)網(wǎng)絡(luò)／１１５
6.1 　技術(shù)需求／１１６
6.2　更大的模型／１１６
6.2.1　出發(fā)點／１１６
6.2.2 　提高速度／１１７
6.2.3　增加深度／１１９
6.3 　更高效的神經(jīng)網(wǎng)絡(luò)／１２１
6.4 　通過批歸一化構(gòu)建更智能的
神經(jīng)網(wǎng)絡(luò)／１２４
6.5 　早停法／１２８
6.6 　通過數(shù)據(jù)增強改進數(shù)據(jù)集／１２８
6.7 　使用隨機失活提高驗證準(zhǔn)確率／１３１
6.7.1　將模型應(yīng)用于MNIST 數(shù)據(jù)集／１３５
6.7.2 　現(xiàn)在輪到你了／１３６
6.8　總結(jié)／１３７
6.9 　問題／１３７
第7 章　檢測行人和交通信號燈／１３８
7.1 　技術(shù)需求／１３９
7.2　使用SSD 檢測行人、車輛和交通信號燈／１３９
7.2.1　使用Carla 模擬器收集圖像／１３９
7.2.2 　解讀SSD ／１４３
7.2.3　探索TensorFlow 檢測模型庫／１４３
7.2.4　下載和加載SSD ／１４５
7.2.5　運行