面向自動駕駛的交通標識視覺感知

第1章自動駕駛與計算機視覺
1.1自動駕駛發(fā)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計算機視覺與感知 
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(fā)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(fā)展歷程 
2.2.3深度學習與計算機視覺 
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(fā)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(tài)監(jiān)控 
2.5強化學習在自動駕駛中的應用 
參考文獻 
第3章基于深度學習的視覺感知
3.1深度學習基礎 
3.2計算機視覺技術(shù) 
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卷積神經(jīng)網(wǎng)絡與目標檢測 
4.2.1卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)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(shù)據(jù)集準備 
4.3.1開源數(shù)據(jù)集的現(xiàn)狀及使用方法 
4.3.2自制數(shù)據(jù)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 
4.5.1TYOLO模型設計要點 
4.5.2輕量化網(wǎng)絡設計 
4.5.3TMYOLO網(wǎng)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(yōu)化 
5.3.1雙目視覺測距原理 
5.3.2雙目視覺測距優(yōu)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(jié)果分析 
5.5.1雙目視覺傳感器 
5.5.2視覺傳感器參數(shù)計算 
5.5.3車載環(huán)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(tǒng)視覺檢測方法 
6.2.2深度學習檢測方法 
6.3基于傳統(tǒng)視覺的車道線檢測 
6.3.1透視變換 
6.3.2動態(tài)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基于深度學習的車道線檢測 
6.4.1語義分割網(wǎng)絡與車道線檢測 
6.4.2基于DABNet的改進模型 
參考文獻 
第7章面向自動駕駛的嵌入式系統(tǒng)
7.1嵌入式系統(tǒng)構(gòu)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(shù) 
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(yōu)、缺點分析 
7.3.3產(chǎn)業(yè)格局及代表產(chǎn)品 
7.4嵌入式系統(tǒng)軟件環(huán)境 
7.4.1計算平臺中的開發(fā)環(huán)境 
7.4.2Jetson TX2中配置深度學習框架 
7.4.3基于TensorRT的模型量化壓縮 
7.5交通標識視覺感知系統(tǒng)框架 
7.6交通標識視覺感知系統(tǒng)實現(xiàn) 
7.6.1圖像采集與目標檢測 
7.6.2基于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(nèi)容理解 
8.3視覺感知與數(shù)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(huán)境感知與信息融合 
參考文獻