| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外相关研究状况综述 | 第12-21页 |
| 1.2.1 基于视觉的车道线检测研究状况综述 | 第13-15页 |
| 1.2.2 基于雷达的道路曲率检测研究状况综述 | 第15-21页 |
| 1.3 本文主要研究内容 | 第21-23页 |
| 第2章 基于视觉的车道线检测算法研究 | 第23-29页 |
| 2.1 道路图像预处理 | 第23-25页 |
| 2.1.1 图像灰度化处理 | 第23-24页 |
| 2.1.2 图像阈值分割处理 | 第24-25页 |
| 2.2 道路图像边缘检测 | 第25-27页 |
| 2.2.1 Roberts 边缘检测算子 | 第25页 |
| 2.2.2 Sobel 边缘检测算子 | 第25-26页 |
| 2.2.3 Canny 边缘检测算子 | 第26-27页 |
| 2.3 基于霍夫变换的车道线提取 | 第27页 |
| 2.4 基于视觉的车道线检测算法验证 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于雷达的前方道路曲率估计算法研究 | 第29-61页 |
| 3.1 基于雷达估计道路曲率算法基础 | 第29-34页 |
| 3.1.1 坐标系的建立 | 第29-30页 |
| 3.1.2 道路曲率模型的选取 | 第30-31页 |
| 3.1.3 曲线拟合最小二乘法 | 第31-32页 |
| 3.1.4 卡尔曼滤波 | 第32-34页 |
| 3.2 基于雷达静止物体检测信息的道路曲率估计算法研究 | 第34-40页 |
| 3.2.1 基于雷达静止物体检测信息的道路曲率估计的技术路线 | 第34-35页 |
| 3.2.2 道路边缘分配 | 第35-36页 |
| 3.2.3 静止物体群质量系数计算 | 第36-37页 |
| 3.2.4 基于前方有效静止物体群计算道路曲率 | 第37-40页 |
| 3.3 基于雷达目标车辆检测信息的道路曲率估计算法研究 | 第40-49页 |
| 3.3.1 基于雷达目标车辆的检测信息道路曲率估计技术路线 | 第40-41页 |
| 3.3.2 目标车辆权重计算 | 第41-42页 |
| 3.3.3 本车状态滤波器 | 第42-43页 |
| 3.3.4 目标状态估计 | 第43-48页 |
| 3.3.5 道路曲率计算 | 第48-49页 |
| 3.4 基于 Carsim＆Simulink 的前方道路曲率估计仿真试验 | 第49-59页 |
| 3.4.1 基于 Carsim＆Simulink 的联合仿真环境搭建 | 第50-54页 |
| 3.4.2 基于前方静止物体的道路曲率估计仿真试验结果分析 | 第54-56页 |
| 3.4.3 基于前方目标车辆的道路曲率估计仿真试验结果分析 | 第56-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第4章 雷达和视觉的车道线特征信息融合研究 | 第61-80页 |
| 4.1 信息融合的定义与常见算法 | 第61-63页 |
| 4.1.1 信息融合的定义与分类 | 第61-62页 |
| 4.1.2 信息融合常见算法 | 第62-63页 |
| 4.2 雷达特征信息和视觉特征信息融合机理研究 | 第63-67页 |
| 4.3 基于视觉的车道线特征信息提取 | 第67-70页 |
| 4.3.1 摄像机成像模型 | 第67-69页 |
| 4.3.2 提取 Carsim 仿真环境中的车道线特征信息 | 第69-70页 |
| 4.4 综合考虑视觉和雷达特征信息仿真试验与结果分析 | 第70-78页 |
| 4.5 本章小结 | 第78-80页 |
| 第5章 总结与展望 | 第80-83页 |
| 参考文献 | 第83-87页 |
| 作者简介及在学期间所取得的科研成果 | 第87-89页 |
| 致谢 | 第89页 |
