| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 智能车辆自主驾驶技术的研究现状及发展趋势 | 第12-16页 |
| 1.2.1 智能车辆自主驾驶技术的研究概况 | 第12-16页 |
| 1.2.2 智能车辆自主驾驶技术的发展趋势 | 第16页 |
| 1.3 智能车辆环境感知中传感器的应用 | 第16-20页 |
| 1.3.1 基于视觉传感器的智能车辆环境感知方法研究 | 第17-18页 |
| 1.3.2 激光雷达在智能车辆环境感知问题中的应用 | 第18-20页 |
| 1.4 本文主要研究内容与成果 | 第20-23页 |
| 1.4.1 本文主要研究内容 | 第20-21页 |
| 1.4.2 本文主要研究成果 | 第21-23页 |
| 第二章 基于滑动窗模型的车辆候选区域提取 | 第23-35页 |
| 2.1 常用的目标检测算法 | 第23-25页 |
| 2.2 基于滑动窗的车辆提取算法 | 第25-29页 |
| 2.2.1 2.5维栅格地图 | 第25-26页 |
| 2.2.2 基于车辆观测角度的滑动窗模型 | 第26-28页 |
| 2.2.3 车辆滤波器设计 | 第28-29页 |
| 2.3 实验分析 | 第29-34页 |
| 2.3.1 实验平台 | 第29-30页 |
| 2.3.2 评价指标 | 第30页 |
| 2.3.3 结果分析 | 第30-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于组合特征的车辆识别 | 第35-47页 |
| 3.1 车辆数据库建立 | 第35-39页 |
| 3.2 车辆组合特征提取 | 第39-42页 |
| 3.2.1 常见的雷达点云特征 | 第39页 |
| 3.2.2 基于新的车长方向特征的车辆组合特征 | 第39-42页 |
| 3.3 实验分析 | 第42-46页 |
| 3.3.1 AdaBoost分类器简介 | 第42-43页 |
| 3.3.2 基于AdaBoost分类器的车辆识别结果分析 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 基于概率积分观测模型的车辆跟踪方法研究 | 第47-62页 |
| 4.1 基于模型匹配的目标跟踪方法简介 | 第47-49页 |
| 4.2 基于概率积分的车辆观测模型 | 第49-52页 |
| 4.3 基于车辆观测模型的粒子滤波车辆跟踪 | 第52-57页 |
| 4.3.1 粒子滤波 | 第52-54页 |
| 4.3.2 目标跟踪算法流程 | 第54-55页 |
| 4.3.3 数据关联 | 第55-56页 |
| 4.3.4 跟踪目标状态更新 | 第56-57页 |
| 4.4 实验分析 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 结论与展望 | 第62-64页 |
| 5.1 本文工作总结 | 第62页 |
| 5.2 研究展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 作者在学期间取得的学术成果 | 第71页 |
