前言

隨著計算視覺技術的不斷發展，其在自動駕駛感知領域獲得了廣泛應用，諸如交通標識牌檢測、車輛檢測、行人檢測、3D激光點云目標檢測、可行駛區域劃分、車道線檢測，以及多目標跟蹤等感知功能都用到了計算機視覺技術。但很多初學者或想要進入自動駕駛感知領域的人很難系統地學習自動駕駛感知技術，而本書恰恰可以滿足讀者的這一需求。本書作者都是自動駕駛行業的深度開發者，有豐富的業內經驗，可以幫助讀者進入自動駕駛領域，同時加快自動駕駛的落地與發展。

本書是一本系統講解自動駕駛感知技術的圖書，書中展示了具體的實踐案例及自動駕駛感知技術的落地部署方案，從理論到實踐層面講解與自動駕駛感知相關的技術，可讓讀者全面、深入、透徹地理解所講解的算法。

第2章：主要講解2D目標檢測算法，開始主要介紹兩階段目標檢測算法和單階段目標檢測算法，之后詳細講解YOLOv5、YOLOX、NanoDet和YOLOv5 Lite算法，并分別使用車輛檢測、行人檢測、交通標識牌檢測和交通信號燈檢測作為實踐項目來對上述算法進行實踐；同時對3D激光點云算法PointPillars的原理進行詳細講解，并結合OpenPCDet進行了代碼的講解。此外，本章還加入了對BEVFormer環視3D目標檢測算法的介紹。

第1章：主要以介紹神經網絡的基礎知識作為開始，全面講解經典卷積神經網絡、輕量化卷積神經網絡，以及與Vision Transformer相關的Backbone模型，同時用一個交通標識牌識別模型對ResNet和MobileViT模型進行了實踐與講解。

第3章：介紹語義分割在自動駕駛中的應用，主要講解STDC算法的原理和設計思想，同時介紹基于Vision Transformer的TopFormer輕量化語義分割算法，還針對TopFormer基于Cityscapes數據集進行了實際的項目實踐和講解。

第4章：主要介紹自動駕駛中的車道線檢測與分割技術，首先介紹UNet算法的原理；然后介紹基于Line Anchor的LaneATT算法；最后對CULane數據集進行了介紹，并基于LaneATT算法進行了實踐和代碼的講解。

第5章：介紹多目標跟蹤在自動駕駛中的應用，主要講解SORT和DeepSORT的原理，以及速度更快的多目標跟蹤算法ByteTrack的原理和基于MOT16數據集的實踐與代碼的講解，同時簡單介紹了ReID的相關知識。

第6章：主要介紹自動駕駛中的相關算法模型的部署落地技術，首先介紹常見的模型部署框架；接著介紹OpenCV的相關知識與GPU編程工具CUDA、模型框架TensorRT，這里詳細解讀了TensorRT的相應接口與如何進行量化加速和插件開發，以及如何使用ONNX 進行模型的轉換和基于TensorRT 的落地部署；然后介紹如何使用TensorRT進行YOLOv5目標檢測的部署和加入；最后使用NCNN進行NanoDet的部署。

本書主要由龔心滿編寫，參與編寫的人員還有江濤、梁功臣和胡佳慧。

為了使讀者在閱讀本書的過程中可以與學術論文或技術文檔相對應，書中對很多英文專業名詞沒有進行翻譯，這主要考慮到翻譯后不能很好地表達算法本身的意思。讀者如果有不習慣或不理解的地方，可以通過郵件（chaucer_g@126.com）進行溝通交流。

另外，本書附贈配套的源代碼可通過封底的“讀者服務”提示獲取。