基于雷达和机器视觉融合的前方车辆障碍物检测
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-22页 |
| 1.2.1 基于视觉的车辆检测 | 第17-19页 |
| 1.2.2 基于毫米波雷达的车辆检测 | 第19-20页 |
| 1.2.3 基于多传感器融合的车辆检测 | 第20-22页 |
| 1.3 论文主要研究内容 | 第22-24页 |
| 1.4 本章小结 | 第24-25页 |
| 第二章 基于毫米波雷达的前方车辆检测 | 第25-38页 |
| 2.1 毫米波雷达 | 第25-29页 |
| 2.1.1 毫米波雷达测距原理 | 第25-26页 |
| 2.1.2 毫米波雷达选型 | 第26-28页 |
| 2.1.3 毫米波雷达安装 | 第28-29页 |
| 2.2 毫米波雷达有效目标选取 | 第29-34页 |
| 2.2.1 目标初选方法 | 第30-31页 |
| 2.2.2 目标有效性检验和决策方法 | 第31-34页 |
| 2.3 雷达数据接收 | 第34-35页 |
| 2.4 雷达目标的平面图形显示 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于机器视觉的前方车辆识别 | 第38-52页 |
| 3.1 Haar-like矩形特征 | 第38-43页 |
| 3.1.1 图像特征 | 第38页 |
| 3.1.2 Haar-like特征 | 第38-40页 |
| 3.1.3 图像Haar-like特征数量 | 第40-43页 |
| 3.2 Adaboost算法 | 第43-48页 |
| 3.2.1 PAC模型 | 第43页 |
| 3.2.2 Adaboost训练过程 | 第43-45页 |
| 3.2.3 级联分类器 | 第45-48页 |
| 3.3 基于目标特征和Kalman滤波的车辆跟踪 | 第48-51页 |
| 3.3.1 Kalman滤波算法描述 | 第48-50页 |
| 3.3.2 车辆跟踪 | 第50-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于毫米波雷达与机器视觉的融合 | 第52-66页 |
| 4.1 视觉传感器的选型 | 第52-53页 |
| 4.2 空间融合 | 第53-58页 |
| 4.2.1 测距模型 | 第54页 |
| 4.2.2 摄像机内部参数标定原理 | 第54-56页 |
| 4.2.3 镜头畸变 | 第56-58页 |
| 4.3 摄像机标定 | 第58-62页 |
| 4.3.1 基于张正友标定的摄像机标定 | 第59-61页 |
| 4.3.2 图像畸变校正 | 第61-62页 |
| 4.4 时间数据融合 | 第62-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 检测系统软件设计与试验验证 | 第66-74页 |
| 5.1 车载软件系统 | 第66-68页 |
| 5.2 仿真试验 | 第68-71页 |
| 5.3 台架试验 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 全文总结 | 第74页 |
| 6.2 不足与展望 | 第74-76页 |
| 参考文献 | 第76-79页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第79页 |
