| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外相关研究状况综述 | 第12-18页 |
| 1.2.1 基于视觉的车辆识别研究状况综述 | 第13-15页 |
| 1.2.2 基于雷达的车辆识别研究状况综述 | 第15-18页 |
| 1.3 多传感器信息融合的车辆识别方法 | 第18-21页 |
| 1.4 本文主要研究内容 | 第21页 |
| 1.5 本章小结 | 第21-22页 |
| 第2章 基于深度学习的车辆识别算法研究 | 第22-32页 |
| 2.1 图像预处理 | 第22-23页 |
| 2.2 深度学习 | 第23-25页 |
| 2.2.1 深度学习简介 | 第23-24页 |
| 2.2.2 卷积神经网络简介 | 第24-25页 |
| 2.3 卷积神经网络的车辆识别算法机理 | 第25-31页 |
| 2.3.1 计算卷积层梯度 | 第27-28页 |
| 2.3.2 卷积层与采样层 | 第28-29页 |
| 2.3.3 计算向下釆样层的梯度 | 第29-30页 |
| 2.3.4 组合学习特征图 | 第30-31页 |
| 2.4 车辆识别系统基本框架 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于毫米波雷达的前方有效目标识别算法研究 | 第32-48页 |
| 3.1 基于毫米波雷达的前方有效目标识别算法基础 | 第32-36页 |
| 3.1.1 雷达坐标系的定义 | 第33-34页 |
| 3.1.2 基于CAN总线通信的毫米波雷达接收发送 | 第34-36页 |
| 3.2 毫米波雷达数据预处理 | 第36-38页 |
| 3.3 卡尔曼滤波器设计及实车验证 | 第38-44页 |
| 3.3.1 车辆二自由度模型 | 第38-41页 |
| 3.3.2 本车状态滤波与预估 | 第41-44页 |
| 3.4 基于常加速模型的雷达前方车辆运动状态预估实车验证 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于毫米波雷达和视觉的车辆识别融合算法研究 | 第48-68页 |
| 4.1 信息融合简介 | 第48-49页 |
| 4.2 数据采集融合平台搭建 | 第49-57页 |
| 4.2.1 毫米波雷达标定 | 第49-50页 |
| 4.2.2 摄像机安装及标定 | 第50-54页 |
| 4.2.3 雷达视觉联合标定 | 第54页 |
| 4.2.4 雷达和视觉信息的时间同步 | 第54-55页 |
| 4.2.5 基于ADTF软件的数据采集融合平台 | 第55-56页 |
| 4.2.6 数据采集融合平台实车实验 | 第56-57页 |
| 4.3 基于卷积神经网络的车辆识别实验与结果分析 | 第57-62页 |
| 4.3.1 Caffe实验平台的搭建 | 第57-58页 |
| 4.3.2 车辆识别样本库建立 | 第58-60页 |
| 4.3.3 卷积神经网络模型的实现 | 第60页 |
| 4.3.4 标准车辆样本库的识别实验结果及分析 | 第60-62页 |
| 4.4 基于雷达与视觉信息融合的前车识别实验与结果分析 | 第62-67页 |
| 4.4.1 基于MCNN的车辆识别算法实验与结果分析 | 第63-64页 |
| 4.4.2 融合雷达信息的MCNN车辆识别算法实验与结果分析 | 第64-65页 |
| 4.4.3 基于雷达信息变滑窗的MCNN车辆识别算法实验与结果分析 | 第65-66页 |
| 4.4.4 融合模型实验验证结果及分析 | 第66-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 主要研究工作及结论 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附表 | 第74-75页 |
| 致谢 | 第75-76页 |
