| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-29页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 智能车辆研究现状 | 第14-18页 |
| 1.2.1 智能车发展概况 | 第14-16页 |
| 1.2.2 智能车环境感知发展概况 | 第16-18页 |
| 1.3 智能车定位技术研究现状 | 第18-24页 |
| 1.3.1 同时制图与定位技术研究综述 | 第19-20页 |
| 1.3.2 基于地图的智能车定位技术研究综述 | 第20-24页 |
| 1.4 现有研究存在的问题分析 | 第24-25页 |
| 1.5 主要研究内容及章节安排 | 第25-29页 |
| 第2章 智能车定位系统及其车载传感器的标定 | 第29-56页 |
| 2.1 引言 | 第29-31页 |
| 2.1.1 车载传感器标定的关键问题分析 | 第29页 |
| 2.1.2 LRF与摄像机标定研究现状 | 第29-31页 |
| 2.2 智能车定位系统方案设计 | 第31-35页 |
| 2.3 车载摄像机模型及其标定 | 第35-37页 |
| 2.4 基于垂直三面体的二维激光与车载摄像机标定 | 第37-43页 |
| 2.4.1 虚拟三面体与透视三点模型构建 | 第38-39页 |
| 2.4.2 基于垂直三面体的激光与摄像机标定 | 第39-43页 |
| 2.5 基于N点配准的三维激光与车载摄像机标定 | 第43-45页 |
| 2.5.1 对偶空间构建 | 第43-44页 |
| 2.5.2 对偶空间中的3DLRF与摄像机标定方法 | 第44-45页 |
| 2.6 车载摄像机与激光雷达标定实验验证 | 第45-55页 |
| 2.6.1 2DLRF与摄像机外参数标定 | 第46-53页 |
| 2.6.2 3DLRF与摄像机外参数标定 | 第53-55页 |
| 2.7 本章小结 | 第55-56页 |
| 第3章 面向智能车的道路场景表征建模 | 第56-79页 |
| 3.1 引言 | 第56-57页 |
| 3.2 图像尺度下的道路场景表征 | 第57-64页 |
| 3.2.1 常用图像特征提取法概述 | 第57-61页 |
| 3.2.2 基于ORB算子的全局特征提取 | 第61-63页 |
| 3.2.3 基于ORB算子的局部特征提取 | 第63-64页 |
| 3.2.4 基于局部特征的词袋模型构建 | 第64页 |
| 3.3 三维尺度下的道路场景表征 | 第64-70页 |
| 3.3.1 基于前视双目视觉的三维重建 | 第64-67页 |
| 3.3.2 基于俯视单目视觉的三维重建 | 第67-68页 |
| 3.3.3 基于LIDAR数据的三维重建 | 第68-70页 |
| 3.4 位置尺度下的道路场景表征 | 第70-72页 |
| 3.5 实验验证 | 第72-78页 |
| 3.5.1 道路场景图像特征提取 | 第72-73页 |
| 3.5.2 道路场景三维重建 | 第73-75页 |
| 3.5.3 视觉轨迹精度验证 | 第75-78页 |
| 3.6 本章小结 | 第78-79页 |
| 第4章 基于GPS与图像融合的智能车多尺度定位方法 | 第79-99页 |
| 4.1 引言 | 第79-81页 |
| 4.1.1 研究目标 | 第79-80页 |
| 4.1.2 符号解释 | 第80-81页 |
| 4.2 GPS尺度的智能车初始定位方法 | 第81-82页 |
| 4.3 图像特征尺度的智能车节点级定位方法 | 第82-85页 |
| 4.3.1 全局特征匹配 | 第82页 |
| 4.3.2 局部特征匹配 | 第82-83页 |
| 4.3.3 基于BoW的局部特征匹配 | 第83-84页 |
| 4.3.4 基于多特征空间的最近邻算法(KNN-MFS) | 第84-85页 |
| 4.4 三维尺度的智能车位姿级定位方法 | 第85-87页 |
| 4.5 实验验证 | 第87-98页 |
| 4.5.1 不同路段实验结果 | 第87-93页 |
| 4.5.2 不同时段实验结果 | 第93-94页 |
| 4.5.3 不同天气实验结果 | 第94-95页 |
| 4.5.4 公开数据集下的实验结果 | 第95-97页 |
| 4.5.5 实验结果误差分析 | 第97-98页 |
| 4.6 本章小结 | 第98-99页 |
| 第5章 GPS缺失下的智能车纯视觉定位方法 | 第99-121页 |
| 5.1 引言 | 第99-100页 |
| 5.2 基于拓扑结构的特征区域选择 | 第100-102页 |
| 5.2.1 特征区域划分法 | 第100-101页 |
| 5.2.2 基于拓扑结构的特征区域选择法 | 第101-102页 |
| 5.3 基于视觉运动模型的贝叶斯拓扑定位方法 | 第102-105页 |
| 5.3.1 视觉运动模型建立 | 第102-103页 |
| 5.3.2 贝叶斯拓扑定位方法 | 第103-105页 |
| 5.4 图像序列匹配法 | 第105-106页 |
| 5.5 实验验证 | 第106-120页 |
| 5.5.1 不同路段的实验验证 | 第107-115页 |
| 5.5.2 不同时段的实验验证 | 第115-116页 |
| 5.5.3 不同天气的实验验证 | 第116-118页 |
| 5.5.4 公开数据集实验验证 | 第118-120页 |
| 5.6 本章小结 | 第120-121页 |
| 第6章 基于多视角匹配的智能车定位方法 | 第121-133页 |
| 6.1 引言 | 第121-122页 |
| 6.2 基于双链拓扑模型的初始定位方法 | 第122-124页 |
| 6.3 基于多视角特征匹配融合的节点级定位方法 | 第124-126页 |
| 6.4 基于平面单应性的位姿级定位方法 | 第126-127页 |
| 6.5 实验验证 | 第127-132页 |
| 6.5.1 不同路面类型的实验验证 | 第128-130页 |
| 6.5.2 不同季节下的实验验证 | 第130-132页 |
| 6.6 本章小结 | 第132-133页 |
| 第7章 总结与展望 | 第133-136页 |
| 7.1 本文研究工作 | 第133-134页 |
| 7.2 创新点 | 第134-135页 |
| 7.3 研究展望 | 第135-136页 |
| 参考文献 | 第136-146页 |
| 致谢 | 第146-147页 |
| 攻读博士学位期间发表的论文及参加科研情况 | 第147-148页 |
