智慧駕駛：視覺感知後處理

前　言
第1章　智能駕駛與視覺感知後處理1
1.1　智能駕駛概述1
1.1.1　智能駕駛的發展1
1.1.2　智慧駕駛系統的分級2
1.1.3　智慧駕駛系統的發展趨勢5
1.2　視覺感知在智慧駕駛的應用7
1.2.1　計算機視覺概述7
1.2.2　電腦視覺原理7
1.2.3　電腦視覺在智慧駕駛的應用8
1.2.4　視覺後處理與智慧駕駛9
1.2.5　視覺感知在智慧駕駛中的發展趨勢10
第2章　攝影機硬件系統11
2.1　攝影機的硬件組成與工作原理12
2.2　攝影機時間戳15
2.3　攝影機在自動駕駛的應用17
2.4　攝影機關鍵參數21
2.5　車規級攝影機性能要求21
第3章　攝影機標定24
3.1　攝影機標定數學知識24
3.1.1　外積24
3.1.2　歐氏變換25
3.1.3　旋轉矩陣與旋轉向量26
3.1.4　變換矩陣與齊次座標27
3.1.5　歐拉角28
3.1.6　四元數29
3.2　座標系概述30
3.2.1　世界座標係到攝影機座標系的轉換30
3.2.2　攝影機座標係到影像座標系的轉換31
3.2.3　影像座標係到像素座標系的轉換32
3.3　攝影機成像模型33
3.3.1　針孔攝影機成像模型34
3.3.2　魚眼攝影攝影模型38
3.4　攝影機標定方法40
3.4.1　張正友標定法41
3.4.2　產線EoL標定法43
3.4.3　售後標定法45
3.4.4　行車自標定法47
3.4.5　消失點標定法47
3.4.6　基於車道線寬度假設標定法52
第4章　車道線偵測及後處理53
4.1　車道線偵測53
4.1.1　基於傳統影像演算法的車道線偵測方法53
4.1.2　基於深度學習的車道線偵測方法59
4.2　車道線曲線擬合68
4.2.1　常用的擬合演算法68
4.2.2　車道線曲線模型78
4.3　車道線追蹤81
4.3.1　車道線關聯82
4.3.2　濾波追蹤原理83
4.3.3　車道線追蹤的運動模型84
4.3.4　基於擴展卡爾曼濾波的車道線追蹤90
4.3.5　車道線結構化假設95
4.4　車道線與輔助駕駛功能99
4.4.1　C-NCAP2021與車道線99
4.4.2　車道線偏離預警100
4.4.3　常見問題以及解決方法103
第5章　視覺障礙物後處理110
5.1　視覺障礙物檢測110
5.1.1　基於傳統影像演算法的障礙物偵測方法110
5.1.2　基於深度學習的障礙物偵測方法122
5.2　障礙物測距130
5.2.1　車輛測距130
5.2.2　行人、騎乘者、兩輪車測距149
5.3　基於視覺的目標追蹤152
5.3.1　目標追蹤方法153
5.3.2　多目標追蹤方法164
5.4　紅綠燈與交通識別牌的視覺後處理170
5.4.1　紅綠燈視覺後處理170
5.4.2　交通識別牌視覺後處理175
5.5　視覺後處理與輔助駕駛功能177
5.5.1　CNCAP中的AEB177
5.5.2　AEB與視覺測距183
5.5.3　常見問題以及解決方法187
5.5.4　視覺後處理總結196
第6章　多攝影機感知後處理197
6.1　多攝影機標定198
6.1.1　雙目攝影機標定198
6.1.2　多攝影機標定199
6.2　多攝影機融合201
6.2.1　多攝影機立體匹配201
6.2.2　多鏡頭影像處理209
6.2.3　多攝影機目標融合214
6.2.4　多攝影機下的車道線融合217
6.3　多視覺感知後處理與BEV演算法220