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。

卢卡·文图瑞（Luca Ventuni）曾在世界级公司（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。

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
1.1 技术需求
1.2 OpenCV和NumPy简介
1.2.1 OpenCV和NumPy
1.2.2 图像大小
1.2.3 灰度图
1.2.4 RGB图
1.3 处理图像文件
1.4 处理视频文件
1.5 图像处理
1.5.1 图像翻转
1.5.2 图像模糊化
1.5.3 改变对比度、亮度和灰度系数
1.5.4 绘制矩形和文本
1.6 使用HOG进行行人检测
1.6.1 滑动窗口
1.6.2 使用OpenCV中的HOG
1.6.3 摄像头简介
1.6.4 摄像头术语
1.6.5 摄像头组件
1.6.6 选择摄像头的注意事项
1.6.7 摄像头的优点和缺点
1.7 使用OpenCV进行摄像头标定
1.7.1 畸变检测
1.7.2 校准
1.8 总结
1.9 问题
第2章 理解和使用信号
2.1 技术需求
2.2 理解信号的类型
2.3 模拟信号与数字信号
2.4 串行和并行
2.4.1 通用异步接收和发送（UART）
2.4.2 差分与单端
2.4.3 I2C
2.4.4 SPI
2.5 基于帧的串行协议
2.5.1 理解CAN
2.5.2 以太网和因特网协议
2.5.3 理解UDP
2.5.4 理解TCP
2.6 总结
2.7 问题
2.8 扩展阅读
第3章 车道检测
3.1 技术需求
3.2 阈值处理
3.2.1 阈值在不同颜色空间中如何工作
3.2.2 RGB/BGR
3.2.3 HLS
3.2.4 HSV
3.2.5 LAB
3.2.6 YCbCr
3.2.7 选择通道
3.3 透视校正
3.4 边缘检测
3.4.1 插值阈值
3.4.2 组合阈值
3.5 利用直方图确定车道线
3.6 滑动窗口算法
3.6.1 初始化
3.6.2 滑动窗口坐标
3.6.3 多项式拟合
3.7 增强视频
3.8 滚动平均
3.9 总结
3.10 问题
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
4.1 技术需求
4.2 理解机器学习和神经网络
4.2.1 神经网络
4.2.2 神经元
4.2.3 参数
4.2.4 深度学习的成功
4.3 了解卷积神经网络
4.3.1 卷积
4.3.2 为什么卷积这么棒
4.4 Keras和TensorFlow入门
4.5 检测MNIST手写数字
4.5.1 刚刚加载了什么
4.5.2 训练样本和标签
4.5.3 独热编码
4.5.4 训练数据集和测试数据集
4.6 确定神经网络模型
……
第5章 深度学习工作流
第6章 改进神经网络
第7章 检测行人和交通信号灯
第8章 行为克隆
第9章 语义分割
第三部分 建图和控制
第10章 转向、加速和制动控制
第11章 环境建图
答案