在智能驾驶的发展过程中，获取交通信息、认知和理解交通世界成为智能化汽车的核心任务之一，视觉感知及相关处理技术无疑成为至关重要的技术支撑。然而，智能驾驶视觉感知领域涉及多个学科的交叉，包括计算机视觉、图像处理、传感器技术等，这使得初学者和从业者在进入该领域时，往往面临着较高技术门槛，需要花费大量的时间和精力去学习和整合这些分散的知识，才能够在这个领域中有所建树。 阅读本书，你将掌握以下内容： （1）智能驾驶的发展历程、现状、趋势以及分类； （2）自动驾驶领域的常用摄像头方案，摄像头成像模型与标定方法。 （3）自动驾驶常见障碍物（如车辆、行人等）的测距和跟踪，以及常见路面静态标识（如车道线等）的后处理方式。 （4）视觉感知的原理、方法及后处理各种技术。 （5）智能车辆量产过程中出现的常见问题，并提出了对摄像头硬件方案、常见障碍物检测及后处理方式。 （6）当前自动驾驶领域中的前沿方向——多摄像头感知算法，从多摄像头标定、融合、多摄像头感知算法和后处理融合算法，让读者快速了解当前自动驾驶视觉感知技术领域的最新动态。

前言
第1章 智能驾驶与视觉感知后处理
1.1 智能驾驶概述
1.1.1 智能驾驶的发展
1.1.2 智能驾驶系统的分级
1.1.3 智能驾驶系统的发展趋势
1.2 视觉感知在智能驾驶中的应用
1.2.1 计算机视觉概述
1.2.2 计算机视觉原理
1.2.3 计算机视觉在智能驾驶中的应用
1.2.4 视觉后处理与智能驾驶
1.2.5 视觉感知在智能驾驶中的发展趋势
第2章 摄像头硬件系统
2.1 摄像头的硬件组成和工作原理
2.2 摄像头时间戳
2.3 摄像头在自动驾驶中的应用
2.4 摄像头关键参数
2.5 车规级摄像头性能要求
第3章 摄像头标定
3.1 摄像头标定数学知识
3.1.1 外积
3.1.2 欧氏变换
3.1.3 旋转矩阵与旋转向量
3.1.4 变换矩阵和齐次坐标
3.1.5 欧拉角
3.1.6 四元数
3.2 坐标系概述
3.2.1 世界坐标系到摄像头坐标系的转换
3.2.2 摄像头坐标系到图像坐标系的转换
3.2.3 图像坐标系到像素坐标系的转换
3.3 摄像头成像模型
3.3.1 针孔摄像头成像模型
3.3.2 鱼眼摄像头成像模型
3.4 摄像头标定方法
3.4.1 张正友标定法
3.4.2 产线EoL标定法
3.4.3 售后标定法
3.4.4 行车自标定法
3.4.5 消失点标定法
3.4.6 基于车道线宽度假设标定法
第4章 车道线检测及后处理
4.1 车道线检测
4.1.1 基于传统图像算法的车道线检测方法
4.1.2 基于深度学习的车道线检测方法
4.2 车道线曲线拟合
4.2.1 常用的拟合算法
4.2.2 车道线曲线模型
4.3 车道线跟踪
4.3.1 车道线关联
4.3.2 滤波跟踪原理
4.3.3 车道线跟踪的运动模型
4.3.4 基于扩展卡尔曼滤波的车道线跟踪
4.3.5 车道线结构化假设
4.4 车道线与辅助驾驶功能
4.4.1 C-NCAP2021与车道线
4.4.2 车道线偏离预警
4.4.3 常见问题以及解决方法
第5章 视觉障碍物后处理
5.1 视觉障碍物检测
5.1.1 基于传统图像算法的障碍物检测方法
5.1.2 基于深度学习的障碍物检测方法
5.2 障碍物测距
5.2.1 车辆测距
5.2.2 行人、骑行人、两轮车测距
5.3 基于视觉的目标跟踪
5.3.1 目标跟踪方法
5.3.2 多目标跟踪方法
5.4 红绿灯与交通标识牌的视觉后处理
5.4.1 红绿灯视觉后处理
5.4.2 交通标识牌视觉后处理
5.5 视觉后处理与辅助驾驶功能
5.5.1 CNCAP中的AEB
5.5.2 AEB与视觉测距
5.5.3 常见问题以及解决方法
5.5.4 视觉后处理总结
第6章 多摄像头感知后处理
6.1 多摄像头标定
6.1.1 双目摄像头标定
6.1.2 多摄像头标定
6.2 多摄像头融合
6.2.1 多摄像头立体匹配
6.2.2 多摄像头图像处理
6.2.3 多摄像头目标融合
6.2.4 多摄像头下的车道线融合
6.3 多视觉感知后处理与BEV算法