基于毫米波雷达与机器视觉的前车识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 智能汽车研发概述 | 第10-13页 |
| 1.2.1 智能汽车的发展趋势 | 第10页 |
| 1.2.2 智能汽车的传统研究方法 | 第10-11页 |
| 1.2.3 智能汽车的新型深度学习算法 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究现状 | 第14-16页 |
| 1.4 研究内容与研究方法 | 第16-19页 |
| 1.4.1 项目来源 | 第16页 |
| 1.4.2 研究内容 | 第16页 |
| 1.4.3 本文主要内容安排 | 第16-19页 |
| 第2章 基于毫米波雷达的有效目标筛选 | 第19-35页 |
| 2.1 毫米波雷达的基本原理 | 第19-21页 |
| 2.1.1 毫米波雷达的性能与特点 | 第20页 |
| 2.1.2 毫米波雷达的测距原理 | 第20-21页 |
| 2.2 毫米波雷达的数据采集与预处理 | 第21-25页 |
| 2.2.1 基于CAN总线的毫米波雷达数据采集 | 第23-24页 |
| 2.2.2 毫米波雷达的数据分析与预处理 | 第24-25页 |
| 2.3 毫米波雷达的有效目标筛选算法 | 第25-29页 |
| 2.3.1 目标分层识别算法初选 | 第25-26页 |
| 2.3.2 有效生命周期与一致性检验 | 第26-29页 |
| 2.4 基于PreScan的仿真试验 | 第29-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于深度学习的车辆检测 | 第35-58页 |
| 3.1 卷积神经网络 | 第35-46页 |
| 3.1.1 神经网络简介 | 第35-38页 |
| 3.1.2 卷积神经网络的结构组成与参数更新 | 第38-45页 |
| 3.1.3 卷积神经网络中层的排列规律 | 第45-46页 |
| 3.2 基于并行任务卷积神经网络的车辆检测 | 第46-56页 |
| 3.2.1 网络结构综述 | 第46-47页 |
| 3.2.2 VGG16预训练 | 第47-48页 |
| 3.2.3 目标检测解码 | 第48-50页 |
| 3.2.4 道路区域分割解码 | 第50-51页 |
| 3.2.5 网络训练与性能评估 | 第51-56页 |
| 3.3 基于PreScan的仿真试验 | 第56-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第4章 毫米波雷达与机器视觉的信息融合 | 第58-69页 |
| 4.1 传感器的安装与标定 | 第58-60页 |
| 4.2 传感器信息融合 | 第60-66页 |
| 4.2.1 毫米波雷达与机器视觉的空间映射关系 | 第60-64页 |
| 4.2.2 毫米波雷达与机器视觉的时间同步 | 第64-65页 |
| 4.2.3 传感器数据匹配融合算法 | 第65-66页 |
| 4.3 实车平台融合实验与结果分析 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第5章 结论 | 第69-71页 |
| 5.1 研究总结 | 第69-70页 |
| 5.2 研究展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表的论文及参加的科研情况 | 第75页 |
