幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

自動駕駛智能導航技術與實踐/前沿科技開發與應用技術叢書

  • 作者：編者:李強|責編:魏瑩
  • 出版社：清華大學
  • ISBN：9787302707134
  • 出版日期：2026/03/01
  • 裝幀：平裝
  • 頁數：356
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書循序漸進、深入淺出地講解了基於智能導航技術的自動駕駛視覺處理演算法的核心知識。本書共包含10章，分別講解了智能導航技術的基礎知識，目標檢測和識別，基於智能駕駛和機器人的車道檢測演算法，基於自動駕駛的目標跟蹤，交通信號識別，光流估計，行為預測演算法，盲點檢測，基於感知軌跡預測模型的目標行為預測系統，智能感測器布局分析與優化系統等內容。本書以極簡的文字介紹了複雜的案例，方便讀者快速學習基於智能導航技術的自動駕駛視覺處理演算法。
    本書適合已經了解了Python語言基礎語法知識並具有一定開發背景的讀者，以及想進一步學習智能駕駛、智能製造、機器人開發的讀者，還可以作為大專院校相關專業的師生用書和培訓機構的專業教材。
作者介紹
編者:李強|責編:魏瑩
目錄
第1章  智能導航技術概述
  1.1  智能導航技術的發展歷程
    1.1.1  早期導航技術的演進
    1.1.2  GPS技術的應用與普及
    1.1.3  自動駕駛技術的崛起
  1.2  智能導航系統的基本組成
    1.2.1  感測器部件
    1.2.2  數據處理與演算法模塊
    1.2.3  控制與執行部件
  1.3  智能導航技術面臨的挑戰和未來發展趨勢
    1.3.1  安全性與可靠性面臨挑戰
    1.3.2  數據處理方面的挑戰
  1.4  本章總結
第2章  目標檢測和識別
  2.1  目標檢測和識別概述
    2.1.1  目標檢測和識別的步驟
    2.1.2  常用的目標檢測和識別演算法
  2.2  傳統的目標檢測方法
    2.2.1  基於Haar特徵的目標檢測
    2.2.2  實戰案例：基於機器學習演算法的目標檢測
  2.3  基於深度學習的YOLO演算法
    2.3.1  YOLO演算法簡介
    2.3.2  實戰案例：基於YOLO的目標檢測系統
  2.4  本章總結
第3章  基於智能駕駛和機器人的車道檢測演算法
  3.1  車道檢測概述
    3.1.1  車道檢測的流程
    3.1.2  常用的車道檢測演算法
  3.2  基本的車道檢測演算法
    3.2.1  霍夫變換演算法
    3.2.2  顏色閾值演算法
    3.2.3  滑動窗口法
  3.3  實戰案例：基於深度學習的車道檢測系統
    3.3.1  項目介紹
    3.3.2  具體實現
  3.4  本章總結
第4章  基於自動駕駛的目標跟蹤
  4.1  目標跟蹤概述
    4.1.1  目標跟蹤的應用領域
    4.1.2  目標跟蹤的常用演算法
  4.2  卡爾曼濾波器演算法
    4.2.1  卡爾曼濾波器演算法簡介
    4.2.2  實戰案例：基於卡爾曼濾波器的目標跟蹤
  4.3  擴展卡爾曼濾波器演算法
    4.3.1  擴展卡爾曼濾波器演算法簡介
    4.3.2  實戰案例：基於擴展卡爾曼濾波器的目標跟蹤
  4.4  粒子濾波器演算法
    4.4.1  粒子濾波器演算法簡介
    4.4.2  實戰案例：基於粒子濾波器的位置跟蹤和速度估計
  4.5  多假設跟蹤演算法

    4.5.1  多假設跟蹤演算法簡介
    4.5.2  實戰案例：基於多假設跟蹤演算法的目標跟蹤
  4.6  MOSSE濾波器演算法
    4.6.1  MOSSE濾波器演算法簡介
    4.6.2  實戰案例：基於MOSSE濾波器的目標跟蹤
  4.7  軌跡聚類演算法
    4.7.1  軌跡聚類演算法簡介
    4.7.2  實戰案例：基於軌跡聚類演算法的目標跟蹤
  4.8  實戰案例1：基於OpenCV的行人檢測系統
    4.8.1  項目介紹
    4.8.2  具體實現
  4.9  實戰案例2：基於深度學習的目標檢測系統
    4.9.1  項目介紹
    4.9.2  具體實現
  4.10  基於DeepSORT模型的目標追蹤
    4.10.1  DeepSORT簡介
    4.10.2  DeepSORT實戰：人流檢測和追蹤系統
  4.11  本章總結
第5章  交通信號識別
  5.1  交通信號識別簡介
    5.1.1  交通信號識別的流程
    5.1.2  交通信號識別的方法
    5.1.3  實戰案例：基於OpenCV和特徵提取的交通信號識別
  5.2  實戰案例：基於人工智慧的交通信號牌識別系統
    5.2.1  項目背景和介紹
    5.2.2  具體實現
  5.3  實戰案例：基於深度學習的交通信號分類系統
    5.3.1  數據集介紹
    5.3.2  數據預處理
    5.3.3  構建CNN模型
    5.3.4  構建ResNet50模型
  5.4  實戰案例：基於深度學習的智能交通違章檢測系統
    5.4.1  項目介紹
    5.4.2  導入需要的庫
    5.4.3  實時交通燈顏色識別
    5.4.4  自適應停車線檢測
    5.4.5  車牌提取
    5.4.6  車牌號碼的文本識別
    5.4.7  顯示違規車牌
    5.4.8  將違規車牌記錄到MySQL資料庫中
    5.4.9  運行交通違規監控系統
  5.5  本章總結
第6章  光流估計
  6.1  光流估計簡介
    6.1.1  光流估計的原理和方法
    6.1.2  光流估計的應用領域
    6.1.3  實現光流估計的方法
  6.2  Lucas-Kanade演算法
    6.2.1  Lucas-Kanade演算法簡介
    6.2.2  實戰案例：基於Lucas-Kanade演算法的光流估計

  6.3  Horn-Schunck演算法
    6.3.1  Horn-Schunck演算法簡介
    6.3.2  實戰案例：使用Horn-Schunck演算法處理視頻
  6.4  Block Matching演算法
    6.4.1  Block Matching演算法簡介
    6.4.2  實戰案例：實現Block Matching演算法
  6.5  基於深度學習的光流估計方法
    6.5.1  FlowNet系列演算法
    6.5.2  實戰案例：基於PWC-Net演算法的字幕生成系統
  6.6  實戰案例：基於大模型的光流估計
    6.6.1  背景介紹
    6.6.2  項目介紹
    6.6.3  具體實現
  6.7  本章總結
第7章  行為預測演算法
  7.1  行為預測演算法介紹
  7.2  基於概率圖模型的演算法
    7.2.1  基於概率圖模型的常用演算法
    7.2.2  基於馬爾可夫模型的行為預測
    7.2.3  基於貝葉斯網路的行為預測
  7.3  基於規則驅動的演算法
  7.4  基於深度學習的行為預測
    7.4.1  常用的深度學習行為預測演算法
    7.4.2  基於長短期記憶的軌跡預測模型
    7.4.3  基於卷積神經網路的圖像分類模型
  7.5  實戰案例：基於Social LSTM的行人軌跡預測系統
    7.5.1  功能模塊
    7.5.2  定義工具函數
    7.5.3  構造Social LSTM模型
    7.5.4  網格離散化
    7.5.5  訓練採樣
    7.5.6  訓練模型
    7.5.7  評估軌跡預測模型性能
    7.5.8  驗證模型在真實數據上的性能
  7.6  實戰案例：基於Trajectron++模型的行為預測系統
    7.6.1  Trajectron++模型的特點和功能
    7.6.2  基於Trajectron++模型的行為預測系統
  7.7  實戰案例：基於自動駕駛大模型的車輛軌跡預測系統
    7.7.1  項目介紹
    7.7.2  準備工作
    7.7.3  數據探索
    7.7.4  PyTorch訓練
    7.7.5  推理
    7.7.6  訓練參數探索
    7.7.7  數據增強
  7.8  本章總結
第8章  盲點檢測
  8.1  盲點檢測簡介
    8.1.1  盲點檢測的應用領域
    8.1.2  常用的盲點檢測演算法

  8.2  角點檢測
    8.2.1  Harris角點檢測演算法
    8.2.2  Shi-Tomasi角點檢測演算法
  8.3  光流法
    8.3.1  Lucas-Kanade演算法
    8.3.2  Farneback演算法
  8.4  基於YOLO的盲點檢測
    8.4.1  YOLO和盲點檢測
    8.4.2  實戰案例：基於YOLOv7的盲點檢測系統
  8.5  實戰案例：基於深度學習的疲勞駕駛和盲點檢測系統
    8.5.1  技術棧
    8.5.2  功能模塊
    8.5.3  疲勞駕駛檢測模塊1：採集數據
    8.5.4  疲勞駕駛檢測模塊2：數據集分割
    8.5.5  疲勞駕駛檢測模塊3：訓練疲勞駕駛網路模型
    8.5.6  疲勞駕駛檢測模塊4：模態轉換
    8.5.7  盲點檢測模塊1：訓練SSD模型
    8.5.8  盲點檢測模塊2：單目標檢測訓練框架
    8.5.9  盲點檢測模塊3：運行檢測功能
  8.6  本章總結
第9章  基於感知軌跡預測模型的目標行為預測系統
  9.1  背景介紹
  9.2  感知軌跡預測模型介紹
    9.2.1  BAT模型的優勢
    9.2.2  BAT模型的組成
  9.3  數據集
  9.4  具體實現
    9.4.1  工具集
    9.4.2  模型超參數
    9.4.3  池化模塊
    9.4.4  BAT模型
    9.4.5  訓練模型
    9.4.6  性能評估
    9.4.7  處理HighD數據集
  9.5  本章總結
第10章  智能感測器布局分析與優化系統
  10.1  背景介紹
  10.2  系統介紹
  10.3  需求分析
  10.4  系統配置
    10.4.1  模擬環境配置
    10.4.2  配置命令行參數
  10.5  模擬環境模擬
    10.5.1  模擬汽車模型
    10.5.2  網格計算
    10.5.3  創建截面模擬感測器
  10.6  感測器
    10.6.1  感測器的父類
    10.6.2  模擬相機感測器
    10.6.3  模擬激光雷達感測器

    10.6.4  模擬雷達感測器
    10.6.5  載入感測器配置信息
  10.7  繪圖可視化
    10.7.1  配置參數
    10.7.2  感測器布局和覆蓋情況的可視化
    10.7.3  感測器布局、盲區分析和性能指標報告
  10.8  主程序
    10.8.1  設置模擬參數
    10.8.2  入口程序
  10.9  本章總結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032