汽車圖像識別技術:從車載攝像頭到模式識別

秋田時彥，豐田工業大學智能汽車研究中心特任 研究員，原愛信精機首席技師。岡山大學工學部電子工學科畢業後，入職愛信精機株式會社，從事基於車輛控制、車輛運動控制、行駛環境識別的駕駛輔助系統的研究開發。其間，1992—1996年調職到豐田集團北美研究院（IMRA）美國子公司，與加利福尼亞大學開展共同研究。2018年起從事現任職業，進行自動駕駛、輔助駕駛的行駛環境識別技術研究。在職期間完成香川大學智能機械系統專業博士課程(獲得工學博士學位)、汽車工程師學會會員、汽車工程師學會會員工程師認證。

前言
第1章 車載圖像識別技術概述
1.1 車載圖像識別的開發及其產品化歷程
1.2 車載圖像識別的定位系統
1.3 現實可行的功能
1.3.1 路面標識識別
1.3.2 移動物體識別
1.3.3 靜態障礙物識別
1.3.4 其他方面
1.4 車載圖像識別面臨的挑戰
1.4.1 天氣條件
1.4.2 照明環境
1.4.3 檢測對象特性
1.4.4 成本限制
1.4.5 安裝限制
1.5 應對策略
1.5.1 識別算法的進化
1.5.2 攝像頭/圖像傳感器的性能提升
1.5.3 傳感器融合
參考文獻
第2章 車載圖像處理的基礎知識
2.1 圖像傳感器
2.1.1 圖像傳感器的結構
2.1.2 像素數量
2.1.3 幀率
2.1.4 彩色濾光片
2.1.5 動態範圍
2.1.6 快門方式
2.2 攝像頭模型
2.3 攝像頭鏡頭
2.3.1 畸變校正
2.3.2 光軸傾斜校正
2.4 攝像頭信號的傳輸方式
2.5 坐標系
2.6 攝像頭標定
參考文獻
第3章 駕駛識別
3.1 處理流程
3.2 邊緣檢測
3.3 車道線檢測
3.3.1 霍夫變換
3.3.2 RANSAC
3.3.3 最小二乘法
3.3.4 對應曲線
3.4 車道設計相關知識
3.5 車道識別所需信息
3.6 噪聲濾波器
3.7 基於前置攝像頭與車身周邊攝像頭的識別比較
3.7.1 利弊比較
3.7.2 融合多個攝像頭下的車道識別結果
3.8 基於深度學習的車道識別
參考文獻
第4章 移動物體識別
4.1 處理流程
4.2 光流法
4.2.1 特征點
4.2.2 特征點對應
4.3 分組
4.4 移動物體檢測結果
4.5 到達預測時間估計
4.5.1 估計方法
4.5.2 減少誤差的方法
4.6 實際環境中的挑戰和對策
4.6.1 重覆模式
4.6.2 車輛轉彎
4.6.3 車輛移動引起的光流
4.7 識別信賴度估計
4.7.1 信賴度估計方法
4.7.2 信賴度的應用實例
參考文獻
第5章 立體攝像頭識別
5.1 立體攝像頭基礎知識
5.2 立體匹配算法
5.2.1 設置對應點搜索區域的方法
5.2.2 對應點計算方法
5.2.3 對應點計算周邊技術
5.2.4 SGM
5.3 三維點覆原
5.3.1 平行立體
5.3.2 一般公式
5.3.3 移動立體中的像移量的計算
5.3.4 噪聲消除
5.4 從點集識別物體
5.4.1 基於人類知識的物體識別
5.4.2 基於機器學習的物體識別
參考文獻
第6章 模式識別
6.1 提取候選區域
6.1.1 光柵掃描
6.1.2 利用檢測對象特征進行提取
6.2 特征向量
6.2.1 HOG
6.2.2 其他特征向量
6.3 判別器
6.3.1 SVM
6.3.2 AdaBoost
6.3.3 RealAdaBoost
6.3.4 RandomForest
6.3.5 其他判別方法
6.4 深度學習
6.4.1 神經網絡的原理
6.4.2 深度學習的構成與學習
6.4.3 代表性物體檢測/識別方法
6.4.4 圖像語義分割
6.5 推測距離
6.5.1 利用檢測對象圖像表面上的路面邊界位置
6.5.2 利用檢測對象大小
6.5.3 利用攝像頭的移動距離
6.5.4 通過學習推測距離
6.6 預計碰撞時間
6.7 跟蹤與過濾
參考文獻
附錄
附錄A
A.1 車道偏離警告的規定
A.2 車道變更決策輔助功能的規定
附錄B
B.1 兩輪車輛運動模型
B.2 根據轉向角計算偏航角的方法
B.3 回旋曲線
B.4 使用最小二乘法計算圓參數的方法
附錄C
C.1 分組條件
C.2 TTC推導過程
C.3 推導TTC濾波方法（參照圖4-32）
C.4 車輛旋轉運動修正
附錄D
附錄E
後記