精裝圖書，印裝精美手把手教您進行操作，完成自動駕駛各種任務貼合工程實際應用，上手快

●本書貢獻者
前 言
第一部分
OpenCV和傳感器及信號
第1章 OpenCV 基礎知識和攝像頭標定／ ００２
1.1 技術需求／ 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／ ００９
1.5.2 圖像模糊化／ ００９
1.5.3 改變對比度、亮度和灰度繫數／ 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 攝像頭的優點和缺點／ ０２０
1.7 使用OpenCV 進行攝像頭標定／ ０２１
1.7.1 畸變檢測／ ０２２
1.7.2 校準／ ０２２
1.8 總結／ ０２３
1.9 問題／ ０２４
第2章 理解和使用信號／ ０２５
2.1 技術需求／ ０２６
2.2 理解信號的類型／ ０２６
2.3 模擬信號與數字信號／ ０２６
2.4 串行和並行／ ０２８
2.4.1 通用異步接收和發送（UART） ／ ０２９
2.4.2 差分與單端／ ０３２
2.4.3 I2 C ／ ０３４
2.4.4 SPI ／ ０３６
2.5 基於幀的串行協議／ ０３９
2.5.1 理解CAN ／ ０３９
2.5.2 以太網和因特網協議／ ０４２
2.5.3 理解UDP ／ ０４４
2.5.4 理解TCP ／ ０４５
2.6 總結／ 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／ 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／ ０６６
3.10 問題／ ０６７
第二部分
利用深度學習和神經網絡改進自動
駕駛汽車的工作方式
第4章 基於神經網絡的深度學習／ ０７０
4.1 技術需求／ ０７１
4.2 理解機器學習和神經網絡／ ０７１
4.2.1 神經網絡／ ０７２
4.2.2／ ０７２
4.2.3 參數／ ０７４
4.2.4 深度學習的成功／ ０７４
4.3 了解卷積神經網絡／ ０７５
4.3.1 卷積／ ０７５
4.3.2 為什麼卷積這麼棒／ ０７６
4.4 Keras 和TensorFlow 入門／ ０７７
4.5 檢測MNIST 手寫數字／ ０７８
4.5.1 剛剛加載了什麼／ ０７８
4.5.2 訓練樣本和標簽／ ０７９
4.5.3 獨熱編碼／ ０８０
4.5.4 訓練數據集和測試數據集／ ０８１
4.6 確定神經網絡模型／ ０８１
4.6.1 LeNet ／ ０８１
4.6.2 代碼／ ０８２
4.6.3 框架／ ０８３
4.6.4 訓練神經網絡／ ０８４
4.6.5 CIFAR?10 數據集／ ０８７
4.7 總結／ ０９２
4.8 問題／ ０９２
4.9 擴展閱讀／ ０９２
第5章 深度學習工作流／ ０９３
5.1 技術需求／ ０９４
5.2 獲取數據集／ ０９４
5.2.1 Keras 模塊中的數據集／ ０９４
5.2.2 現有數據集／ ０９５
5.2.3 合成數據集／ ０９６
5.2.4 自定義數據集／ ０９６
5.3 理解三種數據集／ ０９６
5.4 理解分類器／ ０９８
5.4.1 生成真實數據集／ ０９９
5.4.2 數據增強／ ０９９
5.5 模型／ １０１
5.5.1 調整卷積層／ １０２
5.5.2 調整優選池化層／ １０５
5.5.3 調整全連接層／ １０６
5.5.4 如何訓練神經網絡／ 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 重訓練／ １１３
5.9 總結／ １１３
5??10 問題／ １１４
第6章 改進神經網絡／ １１５
6.1 技術需求／ １１６
6.2 更大的模型／ １１６
6.2.1 出發點／ １１６
6.2.2 提高速度／ １１７
6.2.3 增加深度／ １１９
6.3 更高效的神經網絡／ １２１
6.4 通過批歸一化構建更智能的
神經網絡／ １２４
6.5 早停法／ １２８
6.6 通過數據增強改進數據集／ １２８
6.7 使用隨機失活提高驗證準確率／ １３１
6.7.1 將模型應用於MNIST 數據集／ １３５
6.7.2 現在輪到你了／ １３６
6.8 總結／ １３７
6.9 問題／ １３７
第7章 檢測行人和交通信號燈／ １３８
7.1 技術需求／ 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SSD ／ １４５
7.2.6 圖像注釋／ １４７
7.3 檢測交通信號燈的顏色／ １４８
7.3.1 創建交通信號燈數據集／ １４８
7.3.2 解讀遷移學習／ １５０
7.3.3 了解ImageNet ／ １５１
7.3.4 關於AlexNet 的探究／ １５２
7.3.5 用Inception 來進行圖像分類／ １５４
7.3.6 利用Inception 進行遷移學習／ １５５
7.3.7 將數據集輸入Inception ／ １５７
7.3.8 遷移學習的性能表現／ １５８
7.3.9 改善遷移學習／ １５９
7.4 識別交通信號燈及其顏色／ １６１
……

本書將使用OpenCV完成各種任務，包括行人檢測和車道檢測。本書將講述深度學習並介紹如何利用它進行圖像分類、對像檢測和語義分割，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網絡算法。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；了解網絡協議、傳感器、攝像頭以及使用激光雷達來繪制周圍的世界並找到相應位置。本書適合具備任何一種編程語言基礎的程序員，以及車輛工程和自動駕駛相關專業的研究生閱讀使用。