| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于雷达的车辆检测识别研究现状 | 第13-14页 |
| 1.2.2 基于视觉的车辆检测识别研究现状 | 第14-16页 |
| 1.2.3 多传感器融合车辆识别 | 第16-17页 |
| 1.3 本文主要内容 | 第17-18页 |
| 第二章 基于毫米波雷达的目标检测方法改进 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 毫米波汽车防碰撞雷达测距方式 | 第18-21页 |
| 2.3 调频连续波雷达多目标判决能力 | 第21-23页 |
| 2.4 具有抗交叉干扰的波形设计 | 第23-29页 |
| 2.4.1 交叉干扰产生原因 | 第23-24页 |
| 2.4.2 不同CFW和LFMCW雷达信号随机组合原理分析 | 第24-25页 |
| 2.4.3 k1和k2取值分析 | 第25-28页 |
| 2.4.4 仿真结果分析 | 第28-29页 |
| 2.5 车辆二维模型和安全行驶距离 | 第29-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 基于卷积神经网络的车辆识别算法 | 第32-52页 |
| 3.1 引言 | 第32-33页 |
| 3.2 传统神经网络简介 | 第33-37页 |
| 3.2.1 感知机原理 | 第33-35页 |
| 3.2.2 神经网络原理 | 第35-37页 |
| 3.3 深度置信网络原理分析 | 第37-40页 |
| 3.3.1 受限玻尔兹曼机原理 | 第37-39页 |
| 3.3.2 深度置信网络原理分析 | 第39-40页 |
| 3.4 卷积神经网络原理分析 | 第40-45页 |
| 3.4.1 卷积 | 第40-42页 |
| 3.4.2 卷积神经网络原理 | 第42-43页 |
| 3.4.3 修正线性单元 | 第43-45页 |
| 3.5 车辆识别模型设计 | 第45-50页 |
| 3.5.1 TensorFlow深度学习框架简介 | 第45-46页 |
| 3.5.2 TensorFlow实验环境搭建 | 第46页 |
| 3.5.3 车辆样本库的建立 | 第46-47页 |
| 3.5.4 卷积神经网络模型设计与验证 | 第47-50页 |
| 3.6 本章小结 | 第50-52页 |
| 第四章 防碰撞雷达和视觉的模型融合方案设计 | 第52-59页 |
| 4.1 引言 | 第52页 |
| 4.2 空间和时间融合模型设计 | 第52-56页 |
| 4.2.1 毫米波雷达标定法 | 第52页 |
| 4.2.2 相机标定原理 | 第52-56页 |
| 4.2.3 时间同步方法 | 第56页 |
| 4.3 图像候选区域提取方法设计 | 第56-57页 |
| 4.4 计算量分析比较 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59页 |
| 5.2 不足与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 作者简历 | 第65页 |