| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 基于机器视觉的车辆检测 | 第12-14页 |
| 1.2.2 基于测距雷达的车辆检测 | 第14-15页 |
| 1.2.3 基于多传感器融合的车辆检测 | 第15-16页 |
| 1.3 本文的研究内容和章节安排 | 第16-17页 |
| 第二章 前方车辆检测系统方案设计 | 第17-24页 |
| 2.1 总体方案设计 | 第17-21页 |
| 2.1.1 数据采集总体方案设计 | 第17-19页 |
| 2.1.2 数据处理总体方案设计 | 第19-21页 |
| 2.2 实现总体方案所需的关键技术及相互关系 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于毫米波雷达的目标识别跟踪及运动信息获取算法研究 | 第24-54页 |
| 3.1 毫米波雷达测量工况及相应的测量数据特点 | 第24-25页 |
| 3.2 有效目标初选方法 | 第25-27页 |
| 3.3 目标跟踪及有效目标一致性检验 | 第27-30页 |
| 3.4 有效目标决策 | 第30-33页 |
| 3.5 目标运动信息的准确获取 | 第33-49页 |
| 3.5.1 基于四阶经典卡尔曼滤波的目标运动信息获取 | 第34-40页 |
| 3.5.2 基于Sage-Husa自适应卡尔曼滤波的目标运动信息获取 | 第40-49页 |
| 3.6 算法试验验证 | 第49-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第四章 基于机器视觉的车辆检测算法研究 | 第54-67页 |
| 4.1 Haar-like矩形特征 | 第54-56页 |
| 4.2 基于积分图的矩形特征值计算 | 第56-57页 |
| 4.3 基于Haar-like矩形特征的AdaBoost算法 | 第57-60页 |
| 4.4 基于Adaboost的级联分类器 | 第60-61页 |
| 4.5 算法试验验证 | 第61-66页 |
| 4.5.1 基于Adaboost的级联分类器构建 | 第61-64页 |
| 4.5.2 基于机器学习的车辆检测试验 | 第64-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第五章 多传感器数据融合模型研究 | 第67-82页 |
| 5.1 多传感器数据空间融合模型 | 第67-74页 |
| 5.1.1 雷达坐标系和摄像机坐标系位置关系 | 第68页 |
| 5.1.2 像素坐标系与三维世界坐标系转换 | 第68-71页 |
| 5.1.3 摄像机畸变非线性模型 | 第71-73页 |
| 5.1.4 毫米波雷达坐标系与像素坐标系转换 | 第73-74页 |
| 5.2 多传感器数据时间融合模型 | 第74-75页 |
| 5.3 算法试验验证 | 第75-81页 |
| 5.3.1 摄像机标定 | 第76-78页 |
| 5.3.2 数据融合试验 | 第78-81页 |
| 5.4 本章小结 | 第81-82页 |
| 第六章 系统平台设计与试验 | 第82-87页 |
| 6.1 系统平台设计 | 第82-84页 |
| 6.2 总体试验 | 第84-86页 |
| 6.3 本章小结 | 第86-87页 |
| 第七章 总结与展望 | 第87-89页 |
| 7.1 本文总结 | 第87-88页 |
| 7.2 不足与展望 | 第88-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-93页 |
