計算機視覺和深度學習在自動駕駛汽車中的應用

定　價：￥158.00

作　者：	[印] 蘇米特 · 蘭詹，S. 森塔米拉蘇
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥133.50)

ISBN：	9787111761112	出版時間：	2024-08-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　計算機視覺以及深度學習技術構成了智能駕駛甚至自動駕駛的技術基礎。隨著智能駕駛技術的逐漸普及，計算機視覺以及深度學習技術在汽車行業(yè)受到了越來越多的關注。本書從自動駕駛技術的歷史和發(fā)展講起，圍繞計算機視覺和深度學習技術逐漸深入，介紹了其在自動駕駛中涉及的諸如學習模型、OpenCV技術、CNN改進圖像分類器、語義分割等技術，并介紹了它們在自動駕駛領域的應用實踐和實際工程案例?！队嬎銠C視覺和深度學習在自動駕駛汽車中的應用》可作為自動駕駛、人工智能、汽車與制造等行業(yè)工程技術人員的學習參考書，也可作為高等院校相關專業(yè)師生的參考書。對于自動駕駛和智能汽車產(chǎn)業(yè)愛好者和產(chǎn)業(yè)研究員而言，本書也具有相當高的參考價值。

作者簡介

　　蘇米特·蘭詹（Sumit Ranjan）是電子與通信專業(yè)工學碩士。他是一位充滿熱情的數(shù)據(jù)科學家，致力于解決業(yè)務問題，在汽車、醫(yī)療、半導體、云虛擬化和保險等領域提供了無與倫比的跨領域用戶體驗。他在構建應用于現(xiàn)實需求的機器學習、計算機視覺和深度學習解決方案方面經(jīng)驗豐富。他曾獲得KPIT Technologies頒發(fā)的自動駕駛汽車學者獎，并在梅賽德斯-奔馳研發(fā)中心參與多個研究項目。除了工作，他的愛好是旅游和探索新地方、野生動物攝影和寫博客。寫書比我想象得更難，也比我想象得更有價值。首先，我要感謝Packt Publishing的所有人對我的支持。特別感謝總是很有耐心的編輯Nathanya和Ayaan，優(yōu)秀的策劃編輯Girish，幫助我改善書中技術方面的Utkarsha和Sonam，以及最優(yōu)秀的項目經(jīng)理Gebin。感謝我的家人一直支持我，感謝我的導師Sikandar、Ashis和Arjun，因為有了他們，我才到了這里。如果沒有好友Divya、Pramod和Ranjeet，那么這本書將不可能完成，他們讓我的生活變得精彩，謝謝他們在我寫這本書時給我的所有支持。S. 森塔米拉蘇（S. Senthamilarasu）出生并成長于泰米爾納德邦的哥印拜陀市。他是一名技術專家、設計師、演說家、短篇小說作家、期刊評審人、教育工作者和科研工作者。他喜歡學習新技術，解決IT行業(yè)中的實際問題。他發(fā)表了多篇論文，并在多種國際會議上做過報告。他的研究領域包括數(shù)據(jù)挖掘、圖像處理和神經(jīng)網(wǎng)絡。他喜歡閱讀泰米爾語小說，并積極參與社會活動。他為患有自閉癥的兒童開發(fā)的研究產(chǎn)品在國際展覽會上獲得了銀牌。他目前住在班加羅爾，并與主要客戶密切合作。寫一本書比我想象的要難，但比我期望的更加滿意。如果沒有我的伙伴Sumit，這一切都不可能實現(xiàn)，在成功的背后，他都一直支持著我并一起撰寫了這本書。我要特別感謝我的家人，是他們給了我這個千載難逢的機會來寫這本書，讓我學到了很多新的東西。最后，我要感謝出版團隊中的每一個人，沒有他們的不斷支持，這本書不可能存在。

圖書目錄

前言
第1部分　深度學習和自動駕駛汽車基礎
第1章　自動駕駛汽車基礎2
1.1　自動駕駛汽車簡介2
1.1.1　自動駕駛汽車的優(yōu)勢5
1.1.2　自動駕駛汽車的進展6
1.2　當前部署中的挑戰(zhàn)8
1.2.1　建立安全系統(tǒng)9
1.2.2　硬件10
1.2.3　軟件編程15
1.2.4　高速互聯(lián)網(wǎng)15
1.3　自動駕駛等級15
1.4　深度學習和計算機視覺在自動駕駛汽車中的應用16
1.5　總結18
第2章　深入了解深度神經(jīng)網(wǎng)絡19
2.1　深入了解神經(jīng)網(wǎng)絡20
2.2　理解神經(jīng)元和感知器22
2.3　人工神經(jīng)網(wǎng)絡的工作原理25
2.4　理解激活函數(shù)26
2.4.1　閾值函數(shù)26
2.4.2　Sigmoid函數(shù)26
2.4.3　整流線性函數(shù)27
2.4.4　雙曲正切激活函數(shù)28
2.5　神經(jīng)網(wǎng)絡的損失函數(shù)29
2.6　優(yōu)化器30
2.7　理解超參數(shù)31
2.7.1　模型訓練超參數(shù)31
2.7.2　網(wǎng)絡架構超參數(shù)34
2.8　TensorFlow與Keras的對比36
2.9　總結36
第3章　使用Keras實現(xiàn)深度學習模型37
3.1　開始使用Keras37
3.1.1　Keras的優(yōu)點38
3.1.2　Keras的工作原理38
3.1.3　構建Keras模型38
3.1.4　Keras執(zhí)行類型41
3.2　Keras深度學習41
3.3　構建第一個深度學習模型44
3.3.1　Auto-Mpg數(shù)據(jù)集介紹44
3.3.2　導入數(shù)據(jù)45
3.3.3　分割數(shù)據(jù)47
3.3.4　標準化數(shù)據(jù)48
3.3.5　構建和編譯模型48
3.3.6　訓練模型49
3.3.7　預測新的、未知的模型52
3.3.8　評估模型的性能53
3.3.9　保存和加載模型54
3.4　總結54
第2部分　深度學習和計算機視覺
第4章　自動駕駛汽車中的計算機視覺56
4.1　計算機視覺介紹56
4.1.1　計算機視覺的挑戰(zhàn)57
4.1.2　人工眼睛與人眼的對比59
4.2　圖像的基本構建塊60
4.2.1　圖像的數(shù)字表示60
4.2.2　從RGB到灰度圖像的轉(zhuǎn)換62
4.2.3　道路標記檢測64
4.3　顏色空間技術68
4.3.1　RGB顏色空間68
4.3.2　HSV顏色空間68
4.3.3　顏色空間操作70
4.4　卷積介紹78
4.5　邊緣檢測和梯度計算87
4.5.1　Sobel的介紹87
4.5.2　Laplacian邊緣檢測器的介紹88
4.5.3　Canny邊緣檢測89
4.6　圖像變換93
4.6.1　仿射變換93
4.6.2　投影變換94
4.6.3　圖像旋轉(zhuǎn)94
4.6.4　圖像平移96
4.6.5　圖像縮放97
4.6.6　透視變換99
4.6.7　圖像裁剪、腐蝕和膨脹102
4.6.8　使用掩模提取感興趣區(qū)域107
4.6.9　霍夫（Hough）變換109
4.7　總結115
第5章　使用OpenCV查找道路標志116
5.1　在圖像中查找道路標志116
5.1.1　使用OpenCV加載圖像116
5.1.2　將圖像轉(zhuǎn)換為灰度圖像117
5.1.3　平滑圖像118
5.1.4　Canny邊緣檢測119
5.1.5　使用掩模提取感興趣區(qū)域120
5.1.6　應用bitwise_and122
5.1.7　應用霍夫變換123
5.1.8　優(yōu)化檢測到的道路標志127
5.2　在視頻中檢測道路標志130
5.3　總結132
第6章　使用CNN改進圖像分類器133
6.1　計算機格式中的圖像133
6.1.1　CNN的必要性133
6.1.2　CNN背后的直覺134
6.2　CNN介紹135
6.2.1　為什么需要3D層135
6.2.2　理解卷積層135
6.2.3　深度、步長和零填充139
6.2.4　ReLU141
6.2.5　全連接層142
6.3　手寫數(shù)字識別介紹142
6.3.1　問題和目標143
6.3.2　加載數(shù)據(jù)143
6.3.3　重塑數(shù)據(jù)146
6.3.4　數(shù)據(jù)的轉(zhuǎn)換146
6.3.5　對輸出進行獨熱編碼146
6.3.6　構建和編譯模型148
6.3.7　訓練模型149
6.3.8　驗證損失與訓練損失150
6.3.9　驗證與測試準確度151
6.3.10　保存模型152
6.3.11　可視化模型架構152
6.3.12　混淆矩陣153
6.3.13　準確度報告155
6.4　總結157
第7章　使用深度學習進行道路標志檢測158
7.1　數(shù)據(jù)集概述158
7.1.1　數(shù)據(jù)集結構158
7.1.2　圖像格式159
7.2　加載數(shù)據(jù)160
7.3　圖像探索161
7.4　數(shù)據(jù)準備162
7.5　模型訓練163
7.6　模型準確度164
7.7　總結168
第3部分　自動駕駛汽車中的語義分割
第8章　語義分割的原理和基礎170
8.1　語義分割簡介171
8.2　語義分割架構的理解171
8.3　不同語義分割架構的概述173
8.3.1　U-Net173
8.3.2　SegNet174
8.3.3　PSPNet175
8.3.4　DeepLabv3 176
8.3.5　E-Net177
8.4　總結179
第9章　語義分割的實現(xiàn)180
9.1　圖像中的語義分割180
9.2　視頻中的語義分割185
9.3　總結188
第4部分　高級功能實現(xiàn)
第10章　基于深度學習的行為克隆190
10.1　回歸神經(jīng)網(wǎng)絡190
10.2　使用深度學習進行行為克隆194
10.2.1　數(shù)據(jù)收集194
10.2.2　數(shù)據(jù)準備198
10.2.3　模型開發(fā)209
10.2.4　評估模擬器211
10.3　總結213
第11章　基于OpenCV和深度學習的車輛檢測214
11.1　YOLO特點215
11.2　YOLO損失函數(shù)215
11.3　YOLO架構216
11.4　YOLO目標檢測的實現(xiàn)217
11.4.1　導入庫218
11.4.2　圖像處理函數(shù)218
11.4.3　類別獲取函數(shù)219
11.4.4　邊界框繪制函數(shù)219
11.4.5　圖像目標檢測函數(shù)220
11.4.6　視頻目標檢測函數(shù)220
11.4.7　導入YOLO221
11.4.8　檢測圖像中的物體221
11.4.9　檢測視頻中的物體223
11.5　總結223
第12章　未來工作及傳感器融合224
12.1　自動駕駛汽車傳感器227
12.2　傳感器融合簡介228
12.3　卡爾曼濾波器229
12.4　總結229