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。

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