基于四线激光雷达可行驶区域内的目标检测与跟踪
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 无人驾驶车的国内外发展趋势 | 第11-15页 |
| 1.3 无人驾驶车的环境感知系统 | 第15-16页 |
| 1.4 激光雷达在无人驾驶车中的应用介绍 | 第16-17页 |
| 1.4.1 基于激光雷达的障碍物检测 | 第16页 |
| 1.4.2 激光雷达对动态目标跟踪 | 第16-17页 |
| 1.5 论文研究内容及结构安排 | 第17-20页 |
| 1.5.1 论文研究内容 | 第17-18页 |
| 1.5.2 本文结构安排 | 第18-20页 |
| 第2章 四线激光雷达与坐标系转换 | 第20-28页 |
| 2.1 激光雷达介绍 | 第20-22页 |
| 2.2 四线激光雷达及测距原理 | 第22-25页 |
| 2.2.1 四线激光雷达组成 | 第22-24页 |
| 2.2.2 四线激光雷达测距原理 | 第24-25页 |
| 2.3 坐标系的建立与标定 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于四线激光雷达的道路信息提取 | 第28-48页 |
| 3.1 引言 | 第28-29页 |
| 3.2 激光雷达数据分类与处理 | 第29-31页 |
| 3.2.1 四线激光雷达数据特点分析 | 第29-30页 |
| 3.2.2 激光雷达数据预处理 | 第30-31页 |
| 3.3 基于密度聚类算法介绍与改进 | 第31-37页 |
| 3.3.1 基于密度聚类算法介绍 | 第31-33页 |
| 3.3.2 k最近邻分类算法 | 第33页 |
| 3.3.3 相似性度量方法介绍 | 第33-35页 |
| 3.3.4 改进的DBSCAN聚类算法 | 第35-37页 |
| 3.4 道路信息提取算法 | 第37-42页 |
| 3.4.1 道路扫描模型的建立 | 第37-38页 |
| 3.4.2 道路边沿提取算法 | 第38-41页 |
| 3.4.3 可行驶区域信息提取 | 第41-42页 |
| 3.5 实验结果及分析 | 第42-46页 |
| 3.5.1 道路边沿提取算法实验结果 | 第42-44页 |
| 3.5.2 可行驶区域信息提取实验结果 | 第44-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第4章 基于证据理论的栅格地图目标检测 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 构建栅格地图 | 第48-55页 |
| 4.2.1 逆传感器模型 | 第49-50页 |
| 4.2.2 DS证据理论 | 第50-52页 |
| 4.2.3 DSmT理论 | 第52-53页 |
| 4.2.4 局部栅格地图的建立 | 第53-54页 |
| 4.2.5 全局栅格地图的更新 | 第54-55页 |
| 4.3 动态目标检测 | 第55-57页 |
| 4.3.1 动态目标检测原理 | 第55页 |
| 4.3.2 闭运算处理 | 第55-56页 |
| 4.3.3 区域标记算法处理 | 第56-57页 |
| 4.4 实验结果与分析 | 第57-59页 |
| 4.4.1 栅格地图建立结果 | 第57-59页 |
| 4.4.2 动态目标聚类与信息提取 | 第59页 |
| 4.5 本章小结 | 第59-62页 |
| 第5章 基于改进联合概率数据关联算法的多目标跟踪 | 第62-76页 |
| 5.1 引言 | 第62-63页 |
| 5.2 联合概率数据关联算法 | 第63-68页 |
| 5.2.1 联合事件的生成 | 第63-64页 |
| 5.2.2 确认矩阵的拆分 | 第64-65页 |
| 5.2.3 联合事件概率计算 | 第65-67页 |
| 5.2.4 状态的估计及协方差计算 | 第67-68页 |
| 5.3 联合概率数据关联算法的改进 | 第68-72页 |
| 5.3.1 双门限可变跟踪门 | 第68-69页 |
| 5.3.2 联合事件筛选 | 第69-71页 |
| 5.3.3 跟踪器管理 | 第71-72页 |
| 5.4 实验结果与分析 | 第72-73页 |
| 5.5 本章小结 | 第73-76页 |
| 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的学术论文 | 第82-84页 |
| 致谢 | 第84页 |
