| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-21页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 课题研究的目的和意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-19页 |
| 1.3.1 基于雷达车辆检测 | 第11-14页 |
| 1.3.2 基于视觉的车辆识别 | 第14-17页 |
| 1.3.3 基于多传感器信息融合的车辆识别 | 第17-19页 |
| 1.4 论文主要研究工作 | 第19-21页 |
| 2 基于毫米波雷达的车辆目标检 | 第21-33页 |
| 2.1 毫米波雷达工作原理 | 第21-24页 |
| 2.1.1 脉冲式毫米波雷达系统 | 第22页 |
| 2.1.2 调频连续波式毫米波雷达（FMCW）系统 | 第22-24页 |
| 2.2 车载毫米波雷达 | 第24-25页 |
| 2.3 毫米波雷达目标识别滤波算法 | 第25-32页 |
| 2.3.1 空目标滤波 | 第25-26页 |
| 2.3.2 扫描车道范围滤波 | 第26页 |
| 2.3.3 相对车速滤波 | 第26-27页 |
| 2.3.4 无效目标滤波 | 第27-29页 |
| 2.3.5 滤波算法验证 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于机器学习算法的视觉车辆检测 | 第33-49页 |
| 3.1 算法原理 | 第33-37页 |
| 3.1.1 Adaboosting算法 | 第33-37页 |
| 3.2 基于Haar矩形特征分类器设计 | 第37-40页 |
| 3.2.1 Haar矩形特征 | 第37-39页 |
| 3.2.2 积分图 | 第39-40页 |
| 3.3 基于OpenCV的车辆检测实现 | 第40-44页 |
| 3.3.1 训练样本预处理 | 第41-43页 |
| 3.3.2 训练实现过程 | 第43-44页 |
| 3.4 基于Adaboosting算法的分类器车辆检测实验 | 第44-48页 |
| 3.4.1 检测参数设置 | 第44页 |
| 3.4.2 分类器测试 | 第44-47页 |
| 3.4.3 算法时效性分析 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 基于图像特征的视觉车辆检测 | 第49-67页 |
| 4.1 基于图像特征的视觉车辆检测方法 | 第49-50页 |
| 4.1.1 基于车辆特征的检测方法 | 第49页 |
| 4.1.2 基于模型的检测方法 | 第49-50页 |
| 4.2 图像预处理 | 第50-54页 |
| 4.2.1 灰度化 | 第50-51页 |
| 4.2.2 图像分割 | 第51-54页 |
| 4.3 车辆ROI区域定位 | 第54-59页 |
| 4.3.1 图像形态学操作 | 第55-56页 |
| 4.3.2 车辆ROI定位 | 第56-59页 |
| 4.4 车辆存在性检测 | 第59-63页 |
| 4.4.1 基于Canny算子的图像边缘检测 | 第59-61页 |
| 4.4.2 轮廓对称度车辆检测 | 第61-63页 |
| 4.5 基于图像特征车辆识别算法验证 | 第63-65页 |
| 4.5.1 算法测试 | 第63-64页 |
| 4.5.2 算法时效性分析 | 第64-65页 |
| 4.6 本章小结 | 第65-67页 |
| 5 基于视觉与雷达信息融合的车辆检测算法研究 | 第67-83页 |
| 5.1 传感器标定 | 第67-73页 |
| 5.1.1 毫米波雷达坐标系与世界坐标系转换 | 第68页 |
| 5.1.2 相机标定 | 第68-73页 |
| 5.1.3 雷达与相机坐标系联合标定 | 第73页 |
| 5.2 相机与雷达数据时间对准 | 第73-74页 |
| 5.3 基于视觉与雷达信息融合算法研究 | 第74-81页 |
| 5.3.1 雷达投影ROI区域尺寸确定 | 第75页 |
| 5.3.2 融合视觉图像车辆检测区域分割 | 第75-76页 |
| 5.3.3 视觉与雷达信息融合的关联算法 | 第76-77页 |
| 5.3.4 车辆检测实验结果分析 | 第77-81页 |
| 5.4 本章小结 | 第81-83页 |
| 6 总结与展望 | 第83-85页 |
| 6.1 主要结论 | 第83-84页 |
| 6.2 后续研究工作的展望 | 第84-85页 |
| 致谢 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 附录 | 第91页 |
| A 作者在攻读学位期间发表的论文目录 | 第91页 |
| B 作者在攻读学位期间参与的科研项目 | 第91页 |