基于毫米波雷达和机器视觉的前方车辆检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究的目的和意义 | 第11-12页 |
| 1.2 国内外研究现状及分析 | 第12-16页 |
| 1.2.1 基于雷达的前方车辆检测 | 第12-14页 |
| 1.2.2 基于机器视觉的前方车辆检测 | 第14-15页 |
| 1.2.3 基于数据融合的前方车辆检测 | 第15-16页 |
| 1.3 国内外研究存在的主要问题 | 第16-17页 |
| 1.4 本文主要研究内容 | 第17-18页 |
| 第2章 前车检测的模型建立与目标存在性分析 | 第18-33页 |
| 2.1 基于毫米波雷达的目标检测 | 第18-20页 |
| 2.1.1 毫米波雷达扫描特性 | 第18-19页 |
| 2.1.2 雷达测距模块与数据采集 | 第19-20页 |
| 2.2 基于机器视觉的目标检测 | 第20-22页 |
| 2.2.1 车道线的提取 | 第20页 |
| 2.2.2 相机的选择 | 第20-22页 |
| 2.2.3 相机的目标检测 | 第22页 |
| 2.3 基于毫米波雷达的目标存在性分析 | 第22-26页 |
| 2.3.1 直行时的目标存在性分析 | 第22-24页 |
| 2.3.2 弯道检测区域分析 | 第24页 |
| 2.3.3 弯道目标存在性分析 | 第24-26页 |
| 2.4 基于机器视觉的目标存在性分析 | 第26-30页 |
| 2.4.1 本车转弯模型建立 | 第26页 |
| 2.4.2 转弯检测区域分析 | 第26-28页 |
| 2.4.3 基于相对最小距离法的目标切换分析 | 第28-29页 |
| 2.4.4 有效目标提取和更新分析 | 第29-30页 |
| 2.5 仿真验证与结果分析 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 前方目标图像数据处理的相关理论研究 | 第33-53页 |
| 3.1 智能车坐标系建立 | 第33-34页 |
| 3.2 相机与雷达标定 | 第34-38页 |
| 3.2.1 相机模型 | 第34-35页 |
| 3.2.2 相机标定 | 第35-38页 |
| 3.2.3 雷达标定 | 第38页 |
| 3.3 日间图像数据的处理 | 第38-42页 |
| 3.3.1 图像灰度化 | 第38-39页 |
| 3.3.2 图像去噪 | 第39-41页 |
| 3.3.3 整体阈值和边缘分割 | 第41-42页 |
| 3.4 夜间图像数据的处理 | 第42-50页 |
| 3.4.1 红外夜视系统的特点 | 第42-43页 |
| 3.4.2 小波神经网络图像增强 | 第43-47页 |
| 3.4.4 自适应阈值分割 | 第47-50页 |
| 3.5 图像形态学运算 | 第50-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 毫米波雷达和相机数据融合的研究 | 第53-62页 |
| 4.1 数据融合的要求和原理 | 第53-54页 |
| 4.2 数据融合的方式 | 第54-55页 |
| 4.2.1 时间上的融合 | 第54页 |
| 4.2.2 空间上的融合 | 第54-55页 |
| 4.3 D-S证据理论 | 第55-57页 |
| 4.4 时-空间域的数据融合策略 | 第57-58页 |
| 4.5 D-S证据理论有效性验证 | 第58-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 前车检测的试验平台搭建 | 第62-72页 |
| 5.1 试验硬件系统 | 第62-64页 |
| 5.2 试验软件系统 | 第64-66页 |
| 5.3 试验验证 | 第66-70页 |
| 5.4 本章小结 | 第70-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间发表的学术成果 | 第78-79页 |
| 致谢 | 第79页 |
