基于雷达与图像信息融合的路面目标识别与应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-21页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外无人车研究现状及发展趋势 | 第8-12页 |
| 1.2.1 国内外无人车研究现状 | 第9-12页 |
| 1.2.2 无人车的发展趋势 | 第12页 |
| 1.3 无人车的关键技术及未来的应用 | 第12-15页 |
| 1.3.1 环境感知技术 | 第13页 |
| 1.3.2 数据融合技术 | 第13-14页 |
| 1.3.3 无人车未来的应用 | 第14-15页 |
| 1.4 多传感器数据融合 | 第15-18页 |
| 1.4.1 多传感器数据融合技术原理 | 第15页 |
| 1.4.2 多传感器数据融合算法 | 第15-18页 |
| 1.4.3 多传感器数据融合技术的发展 | 第18页 |
| 1.5 本文研究内容 | 第18-21页 |
| 2 基于单传感器的障碍物检测 | 第21-35页 |
| 2.1 基于多线激光雷达的障碍物检测 | 第21-28页 |
| 2.1.1 多线激光雷达的安装 | 第21-23页 |
| 2.1.2 构建栅格地图 | 第23-27页 |
| 2.1.3 密度聚类算法 | 第27-28页 |
| 2.1.4 实验结果 | 第28页 |
| 2.2 基于图像信息的路面目标识别 | 第28-33页 |
| 2.2.1 混合高斯模型 | 第29-30页 |
| 2.2.2 形态学滤波算法 | 第30-31页 |
| 2.2.3 基于高斯混合背景的行人检测 | 第31-33页 |
| 2.3 基于单传感器目标检测算法总结 | 第33-35页 |
| 3 传感器标定与数据融合 | 第35-46页 |
| 3.1 多线激光雷达的标定 | 第35-39页 |
| 3.1.1 坐标系的选取 | 第35-36页 |
| 3.1.2 32线激光雷达的标定 | 第36-39页 |
| 3.2 摄像机的标定 | 第39-44页 |
| 3.2.1 摄像机标定原理 | 第39-40页 |
| 3.2.2 基于Tsai方法的标定 | 第40-44页 |
| 3.3 激光雷达与摄像头的数据融合 | 第44-46页 |
| 3.3.1 深度信息与图像像素的数据融合 | 第44-45页 |
| 3.3.2 实验结果 | 第45-46页 |
| 4 基于数据融合的路面目标识别 | 第46-55页 |
| 4.1 提取感兴趣区域 | 第46页 |
| 4.2 基于HOG-SVM的行人检测 | 第46-49页 |
| 4.2.1 提取HOG描述子 | 第46-47页 |
| 4.2.2 训练SVM | 第47-48页 |
| 4.2.3 基于数据融合的行人检测 | 第48-49页 |
| 4.3 实验结果 | 第49-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录 | 第63页 |
