自动驾驶汽车视觉和行为实践——用Python3和OpenCV4探索视觉感知、车道检测和物体分类
全新正版 极速发货
￥ 107.68 7.2折 ￥ 149 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者[美]卢卡·文图瑞（Luca Venturi） 克里斯托弗·柯尔达（Krishtof Korda）
出版社机械工业
ISBN9787111729365
出版时间2023-06
装帧其他
开本其他
定价149元
货号31787556
上书时间2024-06-30
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
LucaVenturi曾在shijie级公司（包括法拉利和Opera软件）担任程序员，具有丰富的工作经验。他还曾为一些初创公司工作，包括Activetainment（世界上第一辆智能自行车的制造商）、Futurehome（智能家居解决方案供应商）和CompanyBook（其产品将人工智能应用于销售）。他曾在Tapad（Telenor集团）的数据平台团队工作，使公司其他部门能够访问数以亿计的数据，现在是Piano软件公司分析数据库的首席工程师。KrishtofKorda曾在Lyft公司为5级自动驾驶汽车设计传感器集成。现在，他作为Ouster的应用工程师，在机器人、飞行器、无人机和采矿等领域负责整合激光雷达的工作。此外，他喜欢参加Enduro山地自行车比赛。
目录
前 言第一部分OpenCV和传感器及信号第1 章 OpenCV 基础知识和摄像头标定／ ００２1.1 技术需求／ ００３1.2 OpenCV 和NumPy 简介／ ００３1.2.1 OpenCV 和NumPy ／ ００３1.2.2 图像大小／ ００３1.2.3 灰度图／ ００４1.2.4 RGB 图／ ００５1.3 处理图像文件／ ００６1.4 处理视频文件／ ００７1.5 图像处理／ ００８1.5.1 图像翻转／ ００９1.5.2 图像模糊化／ ００９1.5.3 改变对比度、亮度和灰度系数／ ０１１1.5.4 绘制矩形和文本／ ０１２1.6 使用HOG 进行行人检测／ ０１３1.6.1 滑动窗口／ ０１３1.6.2 使用OpenCV 中的HOG ／ ０１３1.6.3 摄像头简介／ ０１４1.6.4 摄像头术语／ ０１５1.6.5 摄像头组件／ ０１９1.6.6 选择摄像头的注意事项／ ０１９1.6.7 摄像头的优点和缺点／ ０２０1.7 使用OpenCV 进行摄像头标定／ ０２１1.7.1 畸变检测／ ０２２1.7.2 校准／ ０２２1.8 总结／ ０２３1.9 问题／ ０２４第2 章 理解和使用信号／ ０２５2.1 技术需求／ ０２６2.2 理解信号的类型／ ０２６2.3 模拟信号与数字信号／ ０２６2.4 串行和并行／ ０２８2.4.1 通用异步接收和发送（UART） ／ ０２９2.4.2 差分与单端／ ０３２2.4.3 I2 C ／ ０３４2.4.4 SPI ／ ０３６2.5 基于帧的串行协议／ ０３９2.5.1 理解CAN ／ ０３９2.5.2 以太网和因特网协议／ ０４２2.5.3 理解UDP ／ ０４４2.5.4 理解TCP ／ ０４５2.6 总结／ ０４８2.7 问题／ ０４８2.8 扩展阅读／ ０４９第3 章 车道检测／ ０５０3.1 技术需求／ ０５１3.2 阈值处理／ ０５１3.2.1 阈值在不同颜色空间中如何工作／ ０５１3.2.2 RGB/BGR ／ ０５２3.2.3 HLS ／ ０５３3.2.4 HSV ／ ０５４3.2.5 LAB ／ ０５４3.2.6 YCbCr ／ ０５５3.2.7 选择通道／ ０５５3.3 透视校正／ ０５５3.4 边缘检测／ ０５７3.4.1 插值阈值／ ０５９3.4.2 组合阈值／ ０６０3.5 利用直方图确定车道线／ ０６１3.6 滑动窗口算法／ ０６２3.6.1 初始化／ ０６３3.6.2 滑动窗口坐标／ ０６３3.6.3 多项式拟合／ ０６４3.7 增强视频／ ０６５3.8 滚动平均／ ０６６3.9 总结／ ０６６3.10 问题／ ０６７第二部分利用深度学习和神经网络改进自动驾驶汽车的工作方式第4 章 基于神经网络的深度学习／ ０７０4.1 技术需求／ ０７１4.2 理解机器学习和神经网络／ ０７１4.2.1 神经网络／ ０７２4.2.2 神经元／ ０７２4.2.3 参数／ ０７４4.2.4 深度学习的成功／ ０７４4.3 了解卷积神经网络／ ０７５4.3.1 卷积／ ０７５4.3.2 为什么卷积这么棒／ ０７６4.4 Keras 和TensorFlow 入门／ ０７７4.5 检测MNIST 手写数字／ ０７８4.5.1 刚刚加载了什么／ ０７８4.5.2 训练样本和标签／ ０７９4.5.3 独热编码／ ０８０4.5.4 训练数据集和测试数据集／ ０８１4.6 确定神经网络模型／ ０８１4.6.1 LeNet ／ ０８１4.6.2 代码／ ０８２4.6.3 框架／ ０８３4.6.4 训练神经网络／ ０８４4.6.5 CIFAR?10 数据集／ ０８７4.7 总结／ ０９２4.8 问题／ ０９２4.9 扩展阅读／ ０９２第5 章 深度学习工作流／ ０９３5.1 技术需求／ ０９４5.2 获取数据集／ ０９４5.2.1 Keras 模块中的数据集／ ０９４5.2.2 现有数据集／ ０９５5.2.3 合成数据集／ ０９６5.2.4 自定义数据集／ ０９６5.3 理解三种数据集／ ０９６5.4 理解分类器／ ０９８5.4.1 生成真实数据集／ ０９９5.4.2 数据增强／ ０９９5.5 模型／ １０１5.5.1 调整卷积层／ １０２5.5.2 调整最大池化层／ １０５5.5.3 调整全连接层／ １０６5.5.4 如何训练神经网络／ １０７5.5.5 随机初始化／ １０８5.5.6 过拟合与欠拟合／ １０９5.6 可视化激活／ １１０5.7 推理／ １１２5.8 重训练／ １１３5.9 总结／ １１３5??10 问题／ １１４第6 章 改进神经网络／ １１５6.1 技术需求／ １１６6.2 更大的模型／ １１６6.2.1 出发点／ １１６6.2.2 提高速度／ １１７6.2.3 增加深度／ １１９6.3 更高效的神经网络／ １２１6.4 通过批归一化构建更智能的神经网络／ １２４6.5 早停法／ １２８6.6 通过数据增强改进数据集／ １２８6.7 使用随机失活提高验证准确率／ １３１6.7.1 将模型应用于MNIST 数据集／ １３５6.7.2 现在轮到你了／ １３６6.8 总结／ １３７6.9 问题／ １３７第7 章 检测行人和交通信号灯／ １３８7.1 技术需求／ １３９7.2 使用SSD 检测行人、车辆和交通信号灯／ １３９7.2.1 使用Carla 模拟器收集图像／ １３９7.2.2 解读SSD ／ １４３7.2.3 探索TensorFlow 检测模型库／ １４３7.2.4 下载和加载SSD ／ １４５7.2.5 运行SSD ／ １４５7.2.6 图像注释／ １４７7.3 检测交通信号灯的颜色／ １４８7.3.1 创建交通信号灯数据集／ １４８7.3.2 解读迁移学习／ １５０7.3.3 了解ImageNet ／ １５１7.3.4 关于AlexNet 的探究／ １５２7.3.5 用Inception 来进行图像分类／ １５４7.3.6 利用Inception 进行迁移学习／ １５５7.3.7 将数据集输入Inception ／ １５７7.3.8 迁移学习的性能表现／ １５８7.3.9 改善迁移学习／ １５９7.4 识别交通信号灯及其颜色／ １６１7.5 总结／ １６２7.6 问题／ １６３7.7 扩展阅读／ １６３第8 章 行为克隆／ １６４8.1 技术需求／ １６５8.2 教神经网络如何使用行为克隆驾驶／ １６５8.3 DAVE?2 简介／ １６６8.3.1 初识manual_control.py ／ １６７8.3.2 录制一段视频／ １６９8.3.3 神经网络建模／ １７６8.3.4 训练回归神经网络／ １７７8.3.5 可视化显著图／ １７９8.4 神经网络与Carla 的集成／ １８４8.5 自动驾驶／ １８８8.5.1 使用生成器在更大的数据集上训练／ １８９8.5.2 一种复杂的数据增强方法／ １９０8.6 总结／ １９１8.7 问题／ １９１8.8 扩展阅读／ １９１第9 章 语义分割／ １９２9.1 技术需求／ １９３9.2 引入语义分割／ １９３9.2.1 确定目标／ １９４9.2.2 收集数据集／ １９４9.2.3 修改synchronous_mode??py ／ １９６9.3 理解用于分类的DenseNet ／ １９７9.3.1 总览DenseNet 的架构／ １９７9.3.2 理解密集块／ １９８9.4 使用CNN 分割图像／ ２０１9.5 调整DenseNet 进行语义分割／ ２０１9.6 编写FC?DenseNet 模块／ ２０２9.6.1 组合构件／ ２０４9.6.2 为神经网络提供输入／ ２０５9.6.3 运行神经网络／ ２０８9.7 改善效果较差的语义分割／ ２１１9.8 总结／ ２１２9.9 问题／ ２１２9??10 扩展阅读／ ２１２第三部分建图和控制第10 章 转向、加速和制动控制／ ２１４10.1 技术需求／ ２１５10.2 为什么需要控制／ ２１５10.3 控制器类型／ ２１６10.3.1 PID 控制器／ ２１６10.3.2 MPC ／ ２２０10.4 在Carla 中实现PID 控制器控制／ ２２４10.4.1 安装Carla ／ ２２４10.4.2 复制Packt?Town04 ?PID.py 脚本／ ２２５10.4.3 浏览Packt?Town04 ?PID.py 脚本／ ２２５10.4.4 PID 纵向控制器／ ２２８10.4.5 PID 横向控制器／ ２３０10.4.6 运行脚本／ ２３２10.5 C++ 中的MPC 实例／ ２３３10.6 总结／ ２３７10.7 问题／ ２３７10.8 扩展阅读／ ２３７第11 章 环境建图／ ２３８11.1 技术需求／ ２３９11.2 为什么需要地图和定位／ ２３９11.2.1 地图／ ２３９11.2.2 定位／ ２４０11.3 建图和定位的类型／ ２４０11.4 开源建图工具／ ２４４11.5 基于Ouster 激光雷达和Google Cartographer 的SLAM ／ ２４５11.5.1 Ouster 传感器／ ２４５11.5.2 代码仓／ ２４５11.5.3 从cartographer_ros 开始／ ２４５11.5.4 Docker 镜像／ ２５１11.6 总结／ ２５６11.7 问题／ ２５７11.8 扩展阅读／ ２５７答 案／ ２５８第1 章／ ２５８第2 章／ ２５８第3 章／ ２５９第4 章／ ２５９第5 章／ ２５９第6 章／ ２５９第7 章／ ２６０第8 章／ ２６０第9 章／ ２６０第10 章／ ２６１第11 章／ ２６１
内容摘要
本书将使用OpenCV完成各种任务，包括行人检测和车道检测。本书将讲述深度学习并介绍如何利用它进行图像分类、对象检测和语义分割，使用它来识别行人、汽车、道路、人行道和交通信号灯，同时帮助读者了解一些有影响力的神经网络算法。本书中还将使用Carla模拟器通过行为克隆和PID控制器来控制汽车；了解网络协议、传感器、摄像头以及使用激光雷达来绘制周围的世界并找到相应位置。本书适合具备任何一种编程语言基础的程序员，以及车辆工程和自动驾驶相关专业的研究生阅读使用。
— 没有更多了 —
以下为对购买帮助不大的评价