摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第12-20页 |
1.1 课题研究背景与意义 | 第12-14页 |
1.1.1 研究背景 | 第12-14页 |
1.1.2 研究意义 | 第14页 |
1.2 国内外研究现状 | 第14-17页 |
1.2.1 基于机器视觉的车辆检测 | 第15页 |
1.2.2 基于雷达的车辆检测 | 第15-16页 |
1.2.3 基于多传感器融合的车辆检测 | 第16-17页 |
1.2.4 车辆检测研究现状总结 | 第17页 |
1.3 主要研究内容和技术路线 | 第17-20页 |
第二章 基于毫米波雷达的车辆识别方法研究 | 第20-37页 |
2.1 毫米波雷达测速及测距原理 | 第20-22页 |
2.2 ESR毫米波雷达 | 第22-24页 |
2.2.1 ESR毫米波雷达基本特征 | 第22-24页 |
2.2.2 ESR雷达应用时存在的问题 | 第24页 |
2.3 障碍物检测的数据接收与处理 | 第24-29页 |
2.3.1 目标数据的接收 | 第24-25页 |
2.3.2 目标数据处理 | 第25-26页 |
2.3.3 同车道有效目标判断 | 第26-27页 |
2.3.4 毫米波雷达目标初选方法 | 第27-29页 |
2.4 目标有效性检验与卡尔曼滤波数据处理 | 第29-34页 |
2.4.1 目标有效性检验原理 | 第29-32页 |
2.4.2 目标运动信息的卡尔曼滤波处理 | 第32-34页 |
2.5 试验验证 | 第34-36页 |
2.5.1 目标有效性检验 | 第34-35页 |
2.5.2 雷达数据验证 | 第35-36页 |
2.6 本章小结 | 第36-37页 |
第三章 基于视觉的车辆识别追踪研究 | 第37-55页 |
3.1 车辆特征提取 | 第37-41页 |
3.1.1 Haar-like特征 | 第37-38页 |
3.1.2 图像Haar-like特征数量计算 | 第38-39页 |
3.1.3 积分图计算矩形特征 | 第39-41页 |
3.2 基于Haar-like矩形特征的Adaboost算法 | 第41-46页 |
3.2.1 车辆检测的弱分类器训练 | 第41-43页 |
3.2.2 基于Adaboost的强分类器构建 | 第43-45页 |
3.2.3 级联分类器生成 | 第45-46页 |
3.3 时空上下文快速跟踪算法的引入 | 第46-50页 |
3.4 算法试验验证 | 第50-54页 |
3.4.1 样本预处理 | 第50页 |
3.4.2 正负样本集与分类器训练 | 第50-52页 |
3.4.3 时空上下文算法参数设置 | 第52页 |
3.4.4 前方车辆检测试验 | 第52-54页 |
3.5 本章小结 | 第54-55页 |
第四章 多传感器数据融合算法研究 | 第55-65页 |
4.1 雷达与视觉信息的空间融合 | 第55-59页 |
4.1.1 毫米波雷达坐标系与世界坐标系转换 | 第55-56页 |
4.1.2 摄像机坐标系与世界坐标系转换 | 第56-57页 |
4.1.3 摄像机坐标系和图像像素坐标系的转换 | 第57-59页 |
4.2 空间融合参数的求取 | 第59-62页 |
4.2.1 摄像机标定 | 第59-60页 |
4.2.2 摄像机参数求取 | 第60-61页 |
4.2.3 摄像机镜头畸变原理和修正 | 第61-62页 |
4.3 雷达信息与视觉信息的时间融合 | 第62-63页 |
4.4 融合模型验证 | 第63-64页 |
4.5 本章小结 | 第64-65页 |
第五章 试验平台搭建及试验 | 第65-74页 |
5.1 基于模拟驾驶仪的仿真实验 | 第65-68页 |
5.1.1 基于模拟驾驶仪的仿真平台搭建 | 第65-67页 |
5.1.2 仿真试验结果分析 | 第67-68页 |
5.2 识别系统搭建及验证 | 第68-73页 |
5.2.1 毫米波雷达与摄像机安装 | 第68-69页 |
5.2.2 实车试验系统 | 第69-70页 |
5.2.3 实车试验验证 | 第70-73页 |
5.3 本章小结 | 第73-74页 |
第六章 工作总结与展望 | 第74-76页 |
6.1 工作总结 | 第74-75页 |
6.2 工作展望 | 第75-76页 |
参考文献 | 第76-80页 |
致谢 | 第80-81页 |
攻读硕士期间发表的论文 | 第81页 |