| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.1.1 智能车环境感知技术 | 第10-12页 |
| 1.1.2 激光雷达在环境感知中的应用 | 第12-13页 |
| 1.2 国内外智能车研究现状 | 第13-17页 |
| 1.2.1 国外智能车研究现状 | 第13-15页 |
| 1.2.2 国内智能车研究现状 | 第15-17页 |
| 1.3 基于激光雷达的目标检测与跟踪算法研究现状 | 第17-19页 |
| 1.3.2 目标检测与跟踪算法研究现状 | 第17-18页 |
| 1.3.3 DBSCAN算法研究现状 | 第18-19页 |
| 1.4 本文的研究内容 | 第19-21页 |
| 第2章 激光雷达坐标转换与数据滤波 | 第21-31页 |
| 2.1 四线激光雷达原理及优势 | 第21-23页 |
| 2.1.1 激光雷达原理 | 第21-22页 |
| 2.1.2 ibeo四线激光雷达性能及优势 | 第22-23页 |
| 2.2 四线激光雷达数据的坐标转换 | 第23-26页 |
| 2.2.1 雷达安装位置的确定 | 第23-24页 |
| 2.2.2 坐标系的定义 | 第24-25页 |
| 2.2.3 坐标的转换 | 第25-26页 |
| 2.3 基于栅格地图最大最小高度差的雷达数据滤波 | 第26-29页 |
| 2.3.1 常用的滤波算法 | 第26-27页 |
| 2.3.2 基于栅格地图最大最小高度差的滤波算法 | 第27-28页 |
| 2.3.3 基于栅格地图最大最小高度差的滤波算法实验验证 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于改进DBSCAN算法的目标检测 | 第31-43页 |
| 3.1 聚类算法的分析 | 第31-35页 |
| 3.1.1 四线激光雷达数据特点 | 第31页 |
| 3.1.2 聚类算法简介 | 第31-33页 |
| 3.1.3 DBSCAN算法 | 第33-35页 |
| 3.2 基于改进DBSCAN算法的目标特征提取 | 第35-41页 |
| 3.2.1 动态近邻和近邻密度变化率 | 第35-36页 |
| 3.2.2 调整动态近邻的演化算法 | 第36-37页 |
| 3.2.3 基于动态近邻的DBSCAN算法 | 第37-38页 |
| 3.2.4 目标特征信息提取 | 第38-41页 |
| 3.3 目标检测算法实验验证 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于改进最近邻数据关联算法的目标跟踪 | 第43-54页 |
| 4.1 数据关联算法 | 第43-46页 |
| 4.1.1 数据关联算法简介 | 第43-45页 |
| 4.1.2 基于多特征的最近邻数据关联算法 | 第45-46页 |
| 4.2 动态目标跟踪 | 第46-52页 |
| 4.2.1 跟踪门的形成 | 第46-47页 |
| 4.2.2 卡尔曼滤波理论 | 第47-49页 |
| 4.2.3 动态目标跟踪 | 第49-51页 |
| 4.2.4 跟踪器管理 | 第51-52页 |
| 4.3 目标跟踪算法实验验证 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 目标检测与跟踪算法整车实验验证 | 第54-65页 |
| 5.1 实验平台 | 第54-56页 |
| 5.1.1 LIFAN-IV智能车 | 第54-55页 |
| 5.1.2 软件平台 | 第55-56页 |
| 5.2 四线激光雷达数据接收与显示界面开发 | 第56-58页 |
| 5.2.1 四线激光雷达的数据接收 | 第56页 |
| 5.2.2 四线激光雷达可视化界面的编写 | 第56-58页 |
| 5.3 目标检测与跟踪实验 | 第58-64页 |
| 5.3.1 目标检测实验 | 第58-61页 |
| 5.3.2 目标跟踪实验 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 1 研究内容总结 | 第65-66页 |
| 2 未来研究工作展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70页 |