自动驾驶通过车载多传感器系统获知周围实时环境信息，计算处理后经过合理的决策规划从而控制车辆的运动。本书从基于图像的视觉感知角度出发，对面向自动驾驶的交通标识视觉感知相关技术进行系统分析和介绍，主要内容包括基于深度学习的视觉感知、交通标识的视觉识别、双目视觉与交通标识测距、车道线检测、面向自动驾驶的嵌入式系统、视觉感知在自动驾驶中的应用展望等。
本书可以作为高等院校电子信息、交通工程和自动驾驶等相关专业本科生或研究生的参考书。本书中的实例均经过实践验证，可供从事自动驾驶汽车相关工作的工程技术人员参考和使用。

第1章 自动驾驶与计算机视觉
1.1 自动驾驶发展历史
1.2 自动驾驶的定义与功能分析
1.3 自动驾驶硬件平台
1.4 自动驾驶软件平台
1.5 计算机视觉与感知
1.6 视觉感知在自动驾驶中的应用
参考文献
第2章 人工智能及其在自动驾驶中的应用
2.1 人工智能基础
2.1.1 人工智能的发展历程
2.1.2 人工智能的研究途径
2.1.3 人工智能的趋势与展望
2.2 机器学习与深度学习
2.2.1 机器学习的含义与分类
2.2.2 深度学习的发展历程
2.2.3 深度学习与计算机视觉
2.2.4 深度学习与自然语言处理
2.3 强化学习
2.3.1 强化学习的基本要素
2.3.2 强化学习的常用方法
2.3.3 强化学习的发展方向
2.4 深度学习在自动驾驶中的应用
2.4.1 交通标识识别
2.4.2 目标感知
2.4.3 车道线检测
2.4.4 自动泊车
2.4.5 司乘人员状态监控
2.5 强化学习在自动驾驶中的应用
参考文献
第3章 基于深度学习的视觉感知
3.1 深度学习基础
3.2 计算机视觉技术
3.3 图像分类典型算法
3.4 目标检测典型算法
3.4.1 两阶段目标检测方法
3.4.2 单阶段目标检测方法
3.5 目标跟踪典型算法
3.6 图像分割典型算法
3.6.1 语义分割算法
3.6.2 实例分割算法
参考文献
第4章 交通标识的视觉识别
4.1 交通标识和信号灯检测
4.1.1 交通标识检测
4.1.2 交通信号灯检测
4.2 卷积神经网络与目标检测
4.2.1 卷积神经网络结构分析
4.2.2 目标检测算法评估指标
4.2.3 YOLOv3目标检测模型分析
4.3 数据集准备
4.3.1 开源数据集的现状及使用方法
4.3.2 自制数据集的工作流程
4.4 深度学习框架及模型使用
4.4.1 主流深度学习框架
4.4.2 开源模型使用方法
4.5 交通标识与信号灯检测模型
4.5.1 T-YOLO模型设计要点
4.5.2 轻量化网络设计
4.5.3 TM-YOLO网络
4.5.4 检测模型试验
参考文献
第5章 双目视觉与交通标识测距
5.1 双目视觉
5.1.1 双目视觉定义
5.1.2 双目视觉面临的问题
5.2 双目视觉的应用
5.3 双目测距原理与优化
5.3.1 双目视觉测距原理
5.3.2 双目视觉测距优化
5.4 交通标识测距
5.4.1 相机标定及校正映射表计算
5.4.2 图像预处理
5.4.3 金字塔模板匹配
5.4.4 坐标校正及测距
5.4.5 测距流程
5.5 试验与结果分析
5.5.1 双目视觉传感器
5.5.2 视觉传感器参数计算
5.5.3 车载环境试验与分析
参考文献
第6章 车道线检测
6.1 车道线检测
6.2 车道线检测研究进展
6.2.1 传统视觉检测方法
6.2.2 深度学习检测方法
6.3 基于传统视觉的车道线检测
6.3.1 透视变换
6.3.2 动态阈值提取车道线
6.3.3 车道线方程拟合
6.3.4 平滑输出方法
6.4 基于深度学习的车道线检测
6.4.1 语义分割网络与车道线检测
6.4.2 基于DAB-Net的改进模型
参考文献
第7章 面向自动驾驶的嵌入式系统
7.1 嵌入式系统构成
7.2 车载摄像头
7.2.1 车载摄像头组成
7.2.2 车载摄像头性能参数
7.3 嵌入式硬件计算平台
7.3.1 各类计算平台的性能和功耗
7.3.2 不同计算平台优、缺点分析
7.3.3 产业格局及代表产品
7.4 嵌入式系统软件环境
7.4.1 计算平台中的开发环境
7.4.2 Jetson TX2中配置深度学习框架
7.4.3 基于TensorRT的模型量化压缩
7.5 交通标识视觉感知系统框架
7.6 交通标识视觉感知系统实现
7.6.1 图像采集与目标检测
7.6.2 基于MobileNetv2的目标识别模块
7.6.3 双目相机测距模块
参考文献
第8章 视觉感知在自动驾驶中的应用展望
8.1 视觉感知与交通标识
8.2 视觉感知与内容理解
8.3 视觉感知与数字孪生
8.4 视觉感知与信息获取
8.5 视觉感知与计算平台
8.6 环境感知与信息融合
参考文献