Computer Vision for Autonomous Driving

• 熟練掌握Python編程
• 具備機器學習概念的基本理解
• 熟悉圖像處理技術

目標受眾

• 從事自動駕駛應用的AI開發者
• 專注於實時感知的計算機視覺工程師
• 對汽車AI感興趣的研究人員和開發者

Computer Vision 自动驾驶课程是一门综合性课程，旨在教授开发者如何为自动驾驶车辆实现计算机视觉技术，以进行感知和环境理解。

本课程为讲师指导的线下或远程培训，面向中级AI开发者和计算机视觉工程师，帮助他们为自动驾驶应用构建强大的视觉系统。

在培训结束时，参与者将能够：

• 理解自动驾驶车辆中计算机视觉的基本概念。
• 实现目标检测、车道检测和语义分割的算法。
• 将视觉系统与自动驾驶车辆的其他子系统集成。
• 应用深度学习技术完成高级感知任务。
• 评估计算机视觉模型在现实场景中的表现。

课程形式

• 互动式讲座与讨论。
• 大量练习与实践。
• 在实时实验环境中进行实际操作。

课程定制选项

• 如需定制本课程，请联系我们安排。

自動駕駛中的Computer Vision介紹

• 電腦視覺在自動駕駛系統中的角色
• 即時視覺處理的挑戰與解決方案
• 關鍵概念：物體檢測、追蹤與場景理解

自動駕駛的影像處理基礎

• 從相機與感測器獲取影像
• 基本操作：濾波、邊緣檢測與轉換
• 即時視覺任務的預處理流程

物體檢測與分類

• 使用SIFT、SURF與ORB進行特徵提取
• 傳統檢測演算法：HOG與Haar cascades
• 深度學習方法：CNN、YOLO與SSD

車道與道路標記檢測

• 使用霍夫變換進行線條與曲線檢測
• 車道標記的感興趣區域（ROI）提取
• 使用OpenCV與TensorFlow實現車道檢測

場景理解的語義分割

• 理解自動駕駛中的語義分割
• 深度學習技術：FCN、U-Net與DeepLab
• 使用深度神經網絡進行即時分割

障礙物與行人檢測

• 使用YOLO與Faster R-CNN進行即時物體檢測
• 使用SORT與DeepSORT進行多物體追蹤
• 使用HOG與深度學習模型進行行人識別

Sensor Fusion用於增強感知

• 結合視覺數據與LiDAR及RADAR
• 使用卡爾曼濾波與粒子濾波進行數據整合
• 利用感測器融合技術提升感知準確度

視覺系統的評估與測試

• 使用汽車數據集對視覺模型進行基準測試
• 即時性能評估與優化
• 實現自動駕駛模擬的視覺流程

案例研究與實際應用

• 分析自動駕駛車中的成功視覺系統
• 專案：實現車道與障礙物檢測流程
• 討論：汽車電腦視覺的未來趨勢

總結與下一步