| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 缩略词 | 第10-11页 |
| 注释表 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 国内外智能车辆相关技术研究现状 | 第13-15页 |
| 1.2.2 智能车障碍物检测与识别技术概述 | 第15-17页 |
| 1.3 系统总体方案设计与研究内容 | 第17-19页 |
| 1.3.1 系统总体方案设计 | 第17-18页 |
| 1.3.2 论文研究内容 | 第18-19页 |
| 1.4 论文结构安排 | 第19-20页 |
| 第二章 红外相机与激光雷达的数据配准 | 第20-32页 |
| 2.1 红外相机成像模型与标定方法 | 第20-26页 |
| 2.1.1 红外相机成像模型 | 第20-22页 |
| 2.1.2 标定方法 | 第22-25页 |
| 2.1.3 红外相机内参数标定实验 | 第25-26页 |
| 2.2 激光雷达测距原理与数据获取 | 第26-29页 |
| 2.2.1 激光雷达测距原理 | 第26-27页 |
| 2.2.2 数据采集与坐标转换 | 第27-29页 |
| 2.3 红外相机与激光雷达联合标定 | 第29-31页 |
| 2.3.1 联合标定 | 第29-31页 |
| 2.3.2 标定实验及结果 | 第31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 静态背景下基于激光雷达的运动障碍物检测 | 第32-44页 |
| 3.1 基于鲁棒主成分分析的运动障碍物检测 | 第32-36页 |
| 3.1.1 鲁棒主成分分析理论 | 第32-33页 |
| 3.1.2 原始矩阵的RPCA分解 | 第33-36页 |
| 3.2 自适应窗口滤波 | 第36-39页 |
| 3.2.1 滤波原理 | 第36-38页 |
| 3.2.2 运动障碍物的判定 | 第38-39页 |
| 3.3 实验结果及分析 | 第39-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于激光雷达的动态背景下的障碍物检测 | 第44-59页 |
| 4.1 激光雷达数据的聚类分析 | 第44-48页 |
| 4.1.1 常用的聚类算法概述 | 第44-45页 |
| 4.1.2 激光雷达数据特点分析 | 第45页 |
| 4.1.3 激光雷达数据聚类 | 第45-48页 |
| 4.2 目标障碍物的检测 | 第48-54页 |
| 4.2.1 障碍物形状特征分析与拟合 | 第48-52页 |
| 4.2.2 特征向量提取与障碍物判定 | 第52-54页 |
| 4.3 实验结果及分析 | 第54-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 基于激光雷达数据引导的红外图像目标识别 | 第59-71页 |
| 5.1 基于激光雷达数据引导的红外图像ROI区域提取 | 第59-60页 |
| 5.2 基于红外图像ROI区域的目标识别 | 第60-69页 |
| 5.2.1 SIFT特征提取 | 第60-64页 |
| 5.2.2 Sc SPM特征学习 | 第64-66页 |
| 5.2.3 分类器设计 | 第66-69页 |
| 5.3 实验结果及分析 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 本文工作总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 在学期间的研究成果及发表的学术论文 | 第78页 |