| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 无人驾驶汽车研究现状 | 第10页 |
| 1.2.2 障碍物检测技术概述及研究现状 | 第10-12页 |
| 1.2.3 主动防碰撞技术概述及研究现状 | 第12页 |
| 1.3 论文的研究内容和组织结构 | 第12-15页 |
| 2 夜视图片预处理算法研究 | 第15-29页 |
| 2.1 夜视图片去噪 | 第15-21页 |
| 2.1.1 基于小波去噪的改进算法 | 第15-18页 |
| 2.1.2 基于中值滤波的改进算法 | 第18-21页 |
| 2.1.3 基于小波改进阈值去噪与并行中值滤波相结合的混合去噪算法 | 第21页 |
| 2.2 夜视图片增强 | 第21-23页 |
| 2.2.1 直方图均衡化概述 | 第21-22页 |
| 2.2.2 直方图均衡化原理应用 | 第22-23页 |
| 2.3 夜视图片检测障碍物 | 第23-27页 |
| 2.3.1 奇异值分解基本理论 | 第23-24页 |
| 2.3.2 障碍物检测算法 | 第24-27页 |
| 2.4 本章小结 | 第27-29页 |
| 3 障碍物分类模型研究 | 第29-47页 |
| 3.1 障碍物分类模型总体要求 | 第29页 |
| 3.2 HOG+SVM分类模型 | 第29-38页 |
| 3.2.1 HOG特征概述 | 第29-30页 |
| 3.2.2 HOG提取步骤 | 第30-32页 |
| 3.2.3 支持向量机的原理应用 | 第32-36页 |
| 3.2.4 基于HOG+SVM的障碍物分类模型 | 第36-38页 |
| 3.3 深度学习分类模型 | 第38-46页 |
| 3.3.1 卷积神经网络 | 第38-41页 |
| 3.3.2 网络参数计算 | 第41-42页 |
| 3.3.3 BP算法实现 | 第42-43页 |
| 3.3.4 基于CNN的障碍物分类模型 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于安全距离的防碰撞决策研究 | 第47-57页 |
| 4.1 汽车与障碍物的距离 | 第47-48页 |
| 4.2 汽车速度测量 | 第48-50页 |
| 4.2.1 CAN模块初始化子程序 | 第48页 |
| 4.2.2 CAN总线收发数据子程序 | 第48-49页 |
| 4.2.3 汽车速度获取子程序 | 第49-50页 |
| 4.3 汽车安全距离模型 | 第50-53页 |
| 4.3.1 建立汽车安全距离模型 | 第50-51页 |
| 4.3.2 汽车安全距离模型中的参数确定 | 第51-53页 |
| 4.4 基于安全距离的主动防碰撞决策 | 第53-55页 |
| 4.4.1 防碰撞要求 | 第53页 |
| 4.4.2 防碰撞决策设计 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 5 实验结果仿真与验证 | 第57-63页 |
| 5.1 夜视障碍物检测与分类性能验证 | 第57-60页 |
| 5.1.1 夜视图片去噪算法的验证 | 第57页 |
| 5.1.2 夜视图片增强算法的验证 | 第57-58页 |
| 5.1.3 障碍物检测算法的验证 | 第58-59页 |
| 5.1.4 障碍物分类模型的验证 | 第59-60页 |
| 5.2 基于RoboCAR的安全距离检测及防碰撞控制实验验证 | 第60-61页 |
| 5.3 本章小结 | 第61-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 作者攻读学位期间发表论文清单 | 第69-71页 |
| 致谢 | 第71页 |