深度学习

透视变换 透视变换将检测结果转换为俯视图 直⽅图确定⻋道线位置 知道⻋道线精确定位的思想： ⾸先利⽤直⽅图的⽅法确定左右⻋道线的位置 然后利⽤滑动窗⼝的⽅法，搜索⻋道线位置 进⾏拟合，然后绘制⻋道区域

HLS颜⾊空间 H表示⾊相，即颜⾊，S表示饱和度，即颜⾊的纯度，L表示颜⾊的明亮程度 ⻋道线提取的⽅法 颜⾊空间转换-》边缘检测-》颜⾊阈值-》合并得到检测结果

张⽒标定法 利⽤棋盘格图像对相机进⾏标定：单应性矩阵，利⽤约束条件求解内参矩阵， 根据内参矩阵估计外参矩阵，利⽤极⼤似然⽅法估计参数，优化⽅法：⽜顿 法，⾼斯⽜顿法和LM算法 标定流程： 打印⼀张棋盘

相机的成像原理 相机成像基于小孔成像模型(Pinhole Camera Model)，光线通过小孔(光圈)在成像平面(传感器)上形成倒立的实像。 相机标定 分类 世界坐标系 是⽬标物体位置的参考系 ⽤

SORT SORT核⼼： 卡尔曼滤波； 匈⽛利匹配。 可以拆分为两个部分: 匈⽛利算法匹配过程（分配） 卡尔曼预测加更新过程（位置预测和更新） 关键步骤： 轨迹卡尔曼滤波预测→ 使⽤匈⽛利算法将预测后

方法：匈⽛利算法与KM算法 用来解决多⽬标跟踪中的数据关联问题，匈⽛利算法与KM算法都是为了求解⼆分图的最⼤匹配问题。 匈⽛利算法 匈牙利算法解决无权图的最大匹配问题 将每个匹配对象的地位视为相同，在

作用 卡尔曼滤波就可以⽤来预测⽬标在后续帧中出现的位置，然后用预测之后的位置与当前位置坐比较。得到当前位置的物体是哪个物体。 优点 最⼤的优点是采⽤递归的⽅法来解决线性滤波的问题。 它只需要当前的测量

多⽬标跟踪（MOT） 在⼀段视频中同时跟踪多个⽬标。 主要应⽤在安防监控和⾃动驾驶等领域中。 多⽬标跟踪问题中并不是所有⽬标都会在第⼀帧出现，也并不是所有⽬标都会出现在每⼀帧。 如何对出现的⽬标进⾏初

车流预测方式 ⼈⼯统计 需要消耗⼤量的⼈⼒ 当⼯作⼈员在⻓时间计数后会因疲惫造成漏检或重复计数 统计结果具有不可验证性。 可接触式或不可接触式的传感器于路⾯进⾏⻋辆计数 可接触式传感器⼀般铺设于道路下

yolo网络架构 理解其输入输出 yolo优缺： yolo模型的训练样本构建的方法 理解yolo模型的损失函数 YOLOv2 改进方法 在继续保持处理速度的基础上，对这三个方面进行了改进 预测更准确（

一般整个网络最后一层（全连接那层）用的平均池化 一般情况下是2*2，步长为2的池化**************

激活函数： 目的：引入非线性（线性和非线性一起会生成一个非线性的） Sigmoid/logistics函数：数据太大或者太小时，不会呈现变化（看下图像就知道） tanh(双曲正切曲线)：比Sigmoi

卷积神经网络——主要层次 数据输入层：Input Layer 卷积计算层：CONV Layer ReLU激励层：ReLU Incentive Layer 池化层：Pooling Layer 全连接层：

Overfeat 移动窗⼝法： 用一个固定大小的“窗口”在图像上滑动，对每个窗口进行分类，从而判断窗口内是否包含目标以及目标类别。（类似：用放大镜在图片上逐格扫描找目标） 本质是暴力穷举，比较消耗算力

目标检测（Object Detection） 目标检测的任务是找出图像中所有感兴趣的目标，并确定它们的类别和位置。 常用的开源数据集 经典的目标检测数据集有两种，PASCAL VOC数据集 和 MS

tf.image进行图像增强 1、导入所需的工具包： 2、并读取要处理的图像： 翻转 左右翻转图像 最早也是最广泛使用的一种图像增广方法。 上下翻转 裁剪 随机裁剪 随机裁剪出一块面积为原面积10%

残差块（Residual Block） 残差块是 ResNet（深度残差网络） 的核心创新，解决了深层网络训练时的 梯度消失/梯度爆炸问题 核心思想是 “跳过连接”（Skip Connection）

GoogLeNet和AlexNet/VGGNet这类依靠加深网络结构的深度的思想不完全一样。GoogLeNet在加深度的同时做了结构上的创新，引入了一个叫做Inception的结构来代替之前的卷积加激

VGG简介： VGG可以看成是加深版的AlexNet，整个网络由卷积层和全连接层叠加而成，和AlexNet不同的是，VGG中使用的都是小尺寸的卷积核(3×3) VGGNet使用的全部都是3x3的小卷积

正则化的核心作用：防止模型过拟合，提升泛化能力，方法是通过在损失函数中增加惩罚项，限制模型参数的大小或复杂度。 L1与L2正则化 L1正则（Lasso） 加参数绝对值之和 L2正则（Ridge） 加参