适读人群 ：自动驾驶研发人员及车辆工程专业研究生
1.双色印刷，图文清晰
2.技术前沿，系统讲解了车载图像处理技术的基础知识，涵盖了从图像获取、预处理到特征提取等关键技术
3.内容丰富，理论与实践相结合，为读者提供了全面的知识体系和实用的技术指南
4.引进日文原版图书，原作者有着丰富的自动驾驶、辅助驾驶技术研究经验

本书是一部介绍汽车图像识别领域前沿技术的专业书籍， 系统地讲解了车载图像处理的基础知识， 涵盖了从图像获取、 预处理到特征提取等关键技术， 主要内容包括： 驾驶识别，涉及边缘检测、 车道线检测、 车道识别等； 移动物体识别， 涉及光流法检测接近物体的方法； 立体摄像头识别， 介绍了立体视觉在深度估计和三维重建中的应用； 模式识别， 探讨了机器学习和深度学习在图像识别中的应用与实现方法。
本书内容丰富， 理论与实践相结合， 为读者提供了全面的知识体系和实用的技术指南，适合于计算机视觉、 自动驾驶和智能交通系统等相关领域的学生、 研究人员和工程师阅读参考。

秋田時彦，丰田工业大学智能汽车研究中心特任高级研究员，原爱信精机首席技师。
冈山大学工学部电子工学科毕业后，入职爱信精机株式会社，从事基于车辆控制、车辆运动控制、行驶环境识别的驾驶辅助系统的研究开发。其间，1992—1996年调职到丰田集团北美研究院（IMRA）美国子公司，与加利福尼亚大学开展共同研究。2018年起从事现任职业，进行自动驾驶、辅助驾驶的行驶环境识别技术研究。
在职期间完成香川大学智能机械系统专业博士课程(获得工学博士学位)、汽车工程师学会会员、汽车工程师学会会员工程师认证。

前 言
第 1 章 车载图像识别技术概述 ／ ００１
1.1 车载图像识别的开发及其产品化历程 ／ ００２
1.2 车载图像识别的定位系统 ／ ００５
1.3 现实可行的功能 ／ ０１０
1.3.1 路面标识识别 ／ ０１２
1.3.2 移动物体识别 ／ ０１３
1.3.3 静态障碍物识别 ／ ０１３
1.3.4 其他方面 ／ ０１４
1.4 车载图像识别面临的挑战 ／ ０１５
1.4.1 天气条件 ／ ０１５
1.4.2 照明环境 ／ ０１７
1.4.3 检测对象特性 ／ ０１９
1.4.4 成本限制 ／ ０２１
1.4.5 安装限制 ／ ０２１
1.5 应对策略 ／ ０２１
1.5.1 识别算法的进化 ／ ０２１
1.5.2 摄像头/图像传感器的性能提升 ／ ０２２
1.5.3 传感器融合 ／ ０２５
参考文献 ／ ０２６
第 2 章 车载图像处理的基础知识 ／ ０２７
2.1 图像传感器 ／ ０２８
2.1.1 图像传感器的结构 ／ ０２８
2.1.2 像素数量 ／ ０２９
2.1.3 帧率 ／ ０２９
2.1.4 彩色滤光片 ／ ０２９
2.1.5 动态范围 ／ ０３０
2.1.6 快门方式 ／ ０３０
2.2 摄像头模型 ／ ０３１
2.3 摄像头镜头 ／ ０３２
2.3.1 畸变校正 ／ ０３２
2.3.2 光轴倾斜校正 ／ ０３４
2.4 摄像头信号的传输方式 ／ ０３６
2.5 坐标系 ／ ０３６
2.6 摄像头标定 ／ ０３７
参考文献 ／ ０４０
第 3 章 驾驶识别 ／ ０４１
3.1 处理流程 ／ ０４２
3.2 边缘检测 ／ ０４４
3.3 车道线检测 ／ ０４４
3.3.1 霍夫变换 ／ ０４４
3.3.2 RANSAC ／ ０４６
3.3.3 最小二乘法 ／ ０４７
3.3.4 对应曲线 ／ ０４７
3.4 车道设计相关知识 ／ ０５２
3.5 车道识别所需信息 ／ ０５３
3.6 噪声滤波器 ／ ０５４
3.7 基于前置摄像头与车身周边摄像头的识别比较 ／ ０５６
3.7.1 利弊比较 ／ ０５６
3.7.2 融合多个摄像头下的车道识别结果 ／ ０６０
3.8 基于深度学习的车道识别 ／ ０６１
参考文献 ／ ０６３
第 4 章 移动物体识别 ／ ０６５
4.1 处理流程 ／ ０６６
4.2 光流法 ／ ０６７
4.2.1 特征点 ／ ０６７
4.2.2 特征点对应 ／ ０７１
4.3 分组 ／ ０７７
4.4 移动物体检测结果 ／ ０８０
4.5 到达预测时间估计 ／ ０８５
4.5.1 估计方法 ／ ０８５
4.5.2 减少误差的方法 ／ ０８８
4.6 实际环境中的挑战和对策 ／ ０８９
4.6.1 重复模式 ／ ０８９
4.6.2 车辆转弯 ／ ０９１
4.6.3 车辆移动引起的光流 ／ ０９２
4.7 识别信赖度估计 ／ ０９７
4.7.1 信赖度估计方法 ／ ０９７
4.7.2 信赖度的应用实例 ／ １００
参考文献 ／ １０１
第 5 章 立体摄像头识别 ／ １０３
5.1 立体摄像头基础知识 ／ １０４
5.2 立体匹配算法 ／ １０５
5.2.1 设置对应点搜索区域的方法 ／ １０５
5.2.2 对应点计算方法 ／ １０６
5.2.3 对应点计算周边技术 ／ １１２
5.2.4 SGM ／ １１３
5.3 三维点复原 ／ １２０
5.3.1 平行立体 ／ １２０
5.3.2 一般公式 ／ １２０
5.3.3 移动立体中的像移量的计算 ／ １２２
5.3.4 噪声消除 ／ １２４
5.4 从点集识别物体 ／ １２６
5.4.1 基于人类知识的物体识别 ／ １２６
5.4.2 基于机器学习的物体识别 ／ １２７
参考文献 ／ １２９
第 6 章 模式识别 ／ １３１
6.1 提取候选区域 ／ １３２
6.1.1 光栅扫描 ／ １３２
6.1.2 利用检测对象特征进行提取 ／ １３２
6.2 特征向量 ／ １３５
6.2.1 HOG ／ １３６
6.2.2 其他特征向量 ／ １３７
6.3 判别器 ／ １３９
6.3.1 SVM ／ １３９
6.3.2 AdaBoost ／ １４１
6.3.3 Real AdaBoost ／ １４３
6.3.4 Random Forest ／ １５０
6.3.5 其他判别方法 ／ １５１
6.4 深度学习 ／ １５１
6.4.1 神经网络的原理 ／ １５２
6.4.2 深度学习的构成与学习 ／ １５３
6.4.3 代表性物体检测/识别方法 ／ １５７
6.4.4 图像语义分割 ／ １６２
6.5 推测距离 ／ １６３
6.5.1 利用检测对象图像表面上的路面边界位置 ／ １６３
6.5.2 利用检测对象大小 ／ １６４
6.5.3 利用摄像头的移动距离 ／ １６４
6.5.4 通过学习推测距离 ／ １６５
6.6 预计碰撞时间 ／ １６７
6.7 跟踪与过滤 ／ １６８
参考文献 ／ １７０
附 录／ １７３
附录 A ／ １７４
A.1 车道偏离警告的规定 ／ １７４
A.2 车道变更决策辅助功能的规定 ／ １７６
附录 B ／ １７８
B.1 两轮车辆运动模型 ／ １７８
B.2 根据转向角计算偏航角的方法 ／ １７９
B.3 回旋曲线 ／ １８０
B.4 使用最小二乘法计算圆参数的方法 ／ １８１
附录 C ／ １８３
C.1 分组条件 ／ １８３
C.2 TTC 推导过程 ／ １８４
C.3 推导 TTC 滤波方法（参照图 4 -32） ／ １８５
C.4 车辆旋转运动修正 ／ １８６
附录 D ／ １９０
附录 E ／ １９２
后 记 ／ １９４

近年来， 随着计算机性能的提高与互联网的普及， 大数据发展迅速。 自此， 由深度学习技术发展而成的人工智能领域迎来了巨大的发展浪潮。 随着这些技术的进步， 高级驾驶辅助和自动驾驶技术也变得更易实现， 全球都在积极开展研究和开发工作。 在自动驾驶汽车所需的 “感知、识别、 操作” 技术领域中， 复杂驾驶环境的感知技术是最重要的。 由于人类主要通过眼睛获取图像信息来驾驶车辆， 因此对于车载计算机的环境感知， 使用摄像头的图像识别技术至关重要。 虽然深度学习可以显著提高图像识别的准确性， 但本质上这种学习是基于输入数据的归纳法。因此其准确性依赖于学习数据， 这对于重视安全性的车辆控制系统而言， 不足以保障安全。 此外， 计算过程也变成了一个 “黑箱”， 一旦出现问题， 很难解释原因。 因此， 即使在深度学习兴盛的车载图像识别领域， 也需要了解传统的演绎法， 即图像识别的基础知识。
本书经过精心设计， 凭借作者在车载图像识别领域广泛的研究以及开发实践经验， 旨在让读者能够全面了解这一领域的整体情况。 本书主要讲解车载图像识别技术， 但也可以被应用于现实环境感知领域。 此外， 本书力求直观易懂， 联系实际， 理论细节留待其他优秀书籍介绍。 书中还包含其他书籍未提及的实用且独特的观点， 此外，本书 还 可 以 使 读者能够了解车载图像识别技术的衍生功能。
本书的构成如下： 第 １ 章概述了车载图像识别的定位系统、 系统构成、 功能应用， 以及面临的挑战； 第 ２ 章概述了车载图像处理的基础知识； 第 ３ 章介绍了车道线识别技术， 这对于道路识别而言至关重要； 第 ４ 章介绍了如何利用光流法识别周围移动物体， 这一部分特别包含了在其他书籍中较少涉及的内容；关于对可靠性要求较高的车载环境识别技术， 第 ５ 章介绍了其中广泛使用的立体摄像头识别技术， 并介绍了单目移动立体技术； 第 ６ 章介绍了模式识别技术，本书仅对目前主流的深度学习方法进行概述， 细节将留待其他书籍介绍， 此外还着重介绍了其他书籍中未涉及的内容。
最后， 希望本书能够为车载环境及图像识别和驾驶环境感知领域的工程师和研究人员提供帮助。