自動(dòng)駕駛汽車視覺和行為實(shí)踐：用Python3和OpenCV4探索視覺感知、車道檢測(cè)和物體分類

前 言
第一部分
OpenCV和傳感器及信號(hào)
第1 章　OpenCV 基礎(chǔ)知識(shí)和攝像頭標(biāo)定／ ００２
1.1　技術(shù)需求／ ００３
1.2　OpenCV 和NumPy 簡(jiǎn)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(duì)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(jìn)行行人檢測(cè)／ ０１３
1.6.1　滑動(dòng)窗口／ ０１３
1.6.2　使用OpenCV 中的HOG ／ ０１３
1.6.3　攝像頭簡(jiǎn)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(xiàng)／ ０１９
1.6.7　攝像頭的優(yōu)點(diǎn)和缺點(diǎn)／ ０２０
1.7　使用OpenCV 進(jìn)行攝像頭標(biāo)定／ ０２１
1.7.1　畸變檢測(cè)／ 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(hào)／ ０２５
2.1　技術(shù)需求／ ０２６
2.2　理解信號(hào)的類型／ ０２６
2.3　模擬信號(hào)與數(shù)字信號(hào)／ 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(kuò)展閱讀／ ０４９
第3 章　車道檢測(cè)／ 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(cè)／ 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(dòng)窗口算法／ ０６２
3.6.1　初始化／ ０６３
3.6.2　滑動(dòng)窗口坐標(biāo)／ ０６３
3.6.3　多項(xiàng)式擬合／ ０６４
3.7　增強(qiáng)視頻／ ０６５
3.8　滾動(dòng)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(jìn)自動(dòng)
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(jī)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(cè)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(dú)熱編碼／ ０８０
4.5.4　訓(xùn)練數(shù)據(jù)集和測(cè)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(kuò)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(shí)數(shù)據(jù)集／ ０９９
5.4.2 　數(shù)據(jù)增強(qiáng)／ 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(jī)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(jìn)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(diǎn)／ 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(qiáng)改進(jìn)數(shù)據(jù)集／ １２８
6.7 　使用隨機(jī)失活提高驗(yàn)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(cè)行人和交通信號(hào)燈／ １３８
7.1 　技術(shù)需求／ １３９
7.2　使用SSD 檢測(cè)行人、車輛和交通信號(hào)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(cè)模型庫／ １４３
7.2.4　下載和加載SSD ／ １４５
7.2.5　運(yùn)行