123,123,123

內(nèi)容簡(jiǎn)介

　　計(jì)算機(jī)視覺(jué)以及深度學(xué)習(xí)技術(shù)構(gòu)成了智能駕駛甚至自動(dòng)駕駛的技術(shù)基礎(chǔ)。隨著智能駕駛技術(shù)的逐漸普及，計(jì)算機(jī)視覺(jué)以及深度學(xué)習(xí)技術(shù)在汽車行業(yè)受到了越來(lái)越多的關(guān)注。本書從自動(dòng)駕駛技術(shù)的歷史和發(fā)展講起，圍繞計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)逐漸深入，介紹了其在自動(dòng)駕駛中涉及的諸如學(xué)習(xí)模型、OpenCV技術(shù)、CNN改進(jìn)圖像分類器、語(yǔ)義分割等技術(shù)，并介紹了它們?cè)谧詣?dòng)駕駛領(lǐng)域的應(yīng)用實(shí)踐和實(shí)際工程案例?！队?jì)算機(jī)視覺(jué)和深度學(xué)習(xí)在自動(dòng)駕駛汽車中的應(yīng)用》可作為自動(dòng)駕駛、人工智能、汽車與制造等行業(yè)工程技術(shù)人員的學(xué)習(xí)參考書，也可作為高等院校相關(guān)專業(yè)師生的參考書。對(duì)于自動(dòng)駕駛和智能汽車產(chǎn)業(yè)愛(ài)好者和產(chǎn)業(yè)研究員而言，本書也具有相當(dāng)高的參考價(jià)值。

作者簡(jiǎn)介

　　蘇米特·蘭詹（Sumit Ranjan）是電子與通信專業(yè)工學(xué)碩士。他是一位充滿熱情的數(shù)據(jù)科學(xué)家，致力于解決業(yè)務(wù)問(wèn)題，在汽車、醫(yī)療、半導(dǎo)體、云虛擬化和保險(xiǎn)等領(lǐng)域提供了無(wú)與倫比的跨領(lǐng)域用戶體驗(yàn)。他在構(gòu)建應(yīng)用于現(xiàn)實(shí)需求的機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)解決方案方面經(jīng)驗(yàn)豐富。他曾獲得KPIT Technologies頒發(fā)的自動(dòng)駕駛汽車學(xué)者獎(jiǎng)，并在梅賽德斯-奔馳研發(fā)中心參與多個(gè)研究項(xiàng)目。除了工作，他的愛(ài)好是旅游和探索新地方、野生動(dòng)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(jià)值。首先，我要感謝Packt Publishing的所有人對(duì)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(shù)方面的Utkarsha和Sonam，以及最優(yōu)秀的項(xiàng)目經(jīng)理Gebin。感謝我的家人一直支持我，感謝我的導(dǎo)師Sikandar、Ashis和Arjun，因?yàn)橛辛怂麄儯也诺搅诉@里。如果沒(méi)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?cè)谖覍戇@本書時(shí)給我的所有支持。S. 森塔米拉蘇（S. Senthamilarasu）出生并成長(zhǎng)于泰米爾納德邦的哥印拜陀市。他是一名技術(shù)專家、設(shè)計(jì)師、演說(shuō)家、短篇小說(shuō)作家、期刊評(píng)審人、教育工作者和科研工作者。他喜歡學(xué)習(xí)新技術(shù)，解決IT行業(yè)中的實(shí)際問(wèn)題。他發(fā)表了多篇論文，并在多種國(guó)際會(huì)議上做過(guò)報(bào)告。他的研究領(lǐng)域包括數(shù)據(jù)挖掘、圖像處理和神經(jīng)網(wǎng)絡(luò)。他喜歡閱讀泰米爾語(yǔ)小說(shuō)，并積極參與社會(huì)活動(dòng)。他為患有自閉癥的兒童開發(fā)的研究產(chǎn)品在國(guó)際展覽會(huì)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(méi)有我的伙伴Sumit，這一切都不可能實(shí)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(gè)千載難逢的機(jī)會(huì)來(lái)寫這本書，讓我學(xué)到了很多新的東西。最后，我要感謝出版團(tuán)隊(duì)中的每一個(gè)人，沒(méi)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(xué)習(xí)和自動(dòng)駕駛汽車基礎(chǔ)
第1章　自動(dòng)駕駛汽車基礎(chǔ)2
1.1　自動(dòng)駕駛汽車簡(jiǎn)介2
1.1.1　自動(dòng)駕駛汽車的優(yōu)勢(shì)5
1.1.2　自動(dòng)駕駛汽車的進(jìn)展6
1.2　當(dāng)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(dòng)駕駛等級(jí)15
1.4　深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)在自動(dòng)駕駛汽車中的應(yīng)用16
1.5　總結(jié)18
第2章　深入了解深度神經(jīng)網(wǎng)絡(luò)19
2.1　深入了解神經(jīng)網(wǎng)絡(luò)20
2.2　理解神經(jīng)元和感知器22
2.3　人工神經(jīng)網(wǎng)絡(luò)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(luò)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(xùn)練超參數(shù)31
2.7.2　網(wǎng)絡(luò)架構(gòu)超參數(shù)34
2.8　TensorFlow與Keras的對(duì)比36
2.9　總結(jié)36
第3章　使用Keras實(shí)現(xiàn)深度學(xué)習(xí)模型37
3.1　開始使用Keras37
3.1.1　Keras的優(yōu)點(diǎn)38
3.1.2　Keras的工作原理38
3.1.3　構(gòu)建Keras模型38
3.1.4　Keras執(zhí)行類型41
3.2　Keras深度學(xué)習(xí)41
3.3　構(gòu)建第一個(gè)深度學(xué)習(xí)模型44
3.3.1　Auto-Mpg數(shù)據(jù)集介紹44
3.3.2　導(dǎo)入數(shù)據(jù)45
3.3.3　分割數(shù)據(jù)47
3.3.4　標(biāo)準(zhǔn)化數(shù)據(jù)48
3.3.5　構(gòu)建和編譯模型48
3.3.6　訓(xùn)練模型49
3.3.7　預(yù)測(cè)新的、未知的模型52
3.3.8　評(píng)估模型的性能53
3.3.9　保存和加載模型54
3.4　總結(jié)54
第2部分　深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)
第4章　自動(dòng)駕駛汽車中的計(jì)算機(jī)視覺(jué)56
4.1　計(jì)算機(jī)視覺(jué)介紹56
4.1.1　計(jì)算機(jī)視覺(jué)的挑戰(zhàn)57
4.1.2　人工眼睛與人眼的對(duì)比59
4.2　圖像的基本構(gòu)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(biāo)記檢測(cè)64
4.3　顏色空間技術(shù)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(cè)和梯度計(jì)算87
4.5.1　Sobel的介紹87
4.5.2　Laplacian邊緣檢測(cè)器的介紹88
4.5.3　Canny邊緣檢測(cè)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(jié)115
第5章　使用OpenCV查找道路標(biāo)志116
5.1　在圖像中查找道路標(biāo)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(cè)119
5.1.5　使用掩模提取感興趣區(qū)域120
5.1.6　應(yīng)用bitwise_and122
5.1.7　應(yīng)用霍夫變換123
5.1.8　優(yōu)化檢測(cè)到的道路標(biāo)志127
5.2　在視頻中檢測(cè)道路標(biāo)志130
5.3　總結(jié)132
第6章　使用CNN改進(jìn)圖像分類器133
6.1　計(jì)算機(jī)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(jué)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(zhǎng)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(shí)別介紹142
6.3.1　問(wèn)題和目標(biāo)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(duì)輸出進(jìn)行獨(dú)熱編碼146
6.3.6　構(gòu)建和編譯模型148
6.3.7　訓(xùn)練模型149
6.3.8　驗(yàn)證損失與訓(xùn)練損失150
6.3.9　驗(yàn)證與測(cè)試準(zhǔn)確度151
6.3.10　保存模型152
6.3.11　可視化模型架構(gòu)152
6.3.12　混淆矩陣153
6.3.13　準(zhǔn)確度報(bào)告155
6.4　總結(jié)157
第7章　使用深度學(xué)習(xí)進(jìn)行道路標(biāo)志檢測(cè)158
7.1　數(shù)據(jù)集概述158
7.1.1　數(shù)據(jù)集結(jié)構(gòu)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(zhǔn)備162
7.5　模型訓(xùn)練163
7.6　模型準(zhǔn)確度164
7.7　總結(jié)168
第3部分　自動(dòng)駕駛汽車中的語(yǔ)義分割
第8章　語(yǔ)義分割的原理和基礎(chǔ)170
8.1　語(yǔ)義分割簡(jiǎn)介171
8.2　語(yǔ)義分割架構(gòu)的理解171
8.3　不同語(yǔ)義分割架構(gòu)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(jié)179
第9章　語(yǔ)義分割的實(shí)現(xiàn)180
9.1　圖像中的語(yǔ)義分割180
9.2　視頻中的語(yǔ)義分割185
9.3　總結(jié)188
第4部分　高級(jí)功能實(shí)現(xiàn)
第10章　基于深度學(xué)習(xí)的行為克隆190
10.1　回歸神經(jīng)網(wǎng)絡(luò)190
10.2　使用深度學(xué)習(xí)進(jìn)行行為克隆194
10.2.1　數(shù)據(jù)收集194
10.2.2　數(shù)據(jù)準(zhǔn)備198
10.2.3　模型開發(fā)209
10.2.4　評(píng)估模擬器211
10.3　總結(jié)213
第11章　基于OpenCV和深度學(xué)習(xí)的車輛檢測(cè)214
11.1　YOLO特點(diǎn)215
11.2　YOLO損失函數(shù)215
11.3　YOLO架構(gòu)216
11.4　YOLO目標(biāo)檢測(cè)的實(shí)現(xiàn)217
11.4.1　導(dǎo)入庫(kù)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(biāo)檢測(cè)函數(shù)220
11.4.6　視頻目標(biāo)檢測(cè)函數(shù)220
11.4.7　導(dǎo)入YOLO221
11.4.8　檢測(cè)圖像中的物體221
11.4.9　檢測(cè)視頻中的物體223
11.5　總結(jié)223
第12章　未來(lái)工作及傳感器融合224
12.1　自動(dòng)駕駛汽車傳感器227
12.2　傳感器融合簡(jiǎn)介228
12.3　卡爾曼濾波器229
12.4　總結(jié)229