隨著汽車(chē)技術(shù)的發(fā)展以及快節(jié)奏生活的到來(lái),汽車(chē)在人們生活中占據(jù)著越來(lái)越重要的地位,汽車(chē)帶來(lái)的交通事故也讓人們對(duì)汽車(chē)安全愈加重視。環(huán)境感知技術(shù)使用車(chē)載傳感器采集和處理車(chē)輛周邊環(huán)境信息,為車(chē)輛系統(tǒng)和駕駛員提供可靠的決策和控制依據(jù),是汽車(chē)高級(jí)駕駛輔助系統(tǒng)（ADAS系統(tǒng)）的核心技術(shù)。識(shí)別準(zhǔn)確率高、實(shí)時(shí)性好的的前方車(chē)輛檢測(cè)技術(shù)可以為ADAS系統(tǒng)提供有效的環(huán)境感知信息,對(duì)提高汽車(chē)的駕駛安全性、改善駕駛環(huán)境有著重要意義。因此,本文以ADAS系統(tǒng)中道路環(huán)境感知技術(shù)為研究對(duì)象,研究基于毫米波雷達(dá)和機(jī)器視覺(jué)的前方車(chē)輛檢測(cè)和跟蹤方法,并建立雷達(dá)與視覺(jué)的信息融合檢測(cè)方法,實(shí)現(xiàn)準(zhǔn)確、實(shí)時(shí)的前方車(chē)輛檢測(cè)。本文的主要研究?jī)?nèi)容如下:（1）基于毫米波雷達(dá)的車(chē)輛檢測(cè)和跟蹤。首先對(duì)雷達(dá)數(shù)據(jù)進(jìn)行預(yù)處理,通過(guò)濾掉空目標(biāo),設(shè)置相對(duì)車(chē)速和車(chē)道范圍閾值,初選出有效車(chē)輛目標(biāo)。提出一種多目標(biāo)跟蹤算法,該算法框架融合無(wú)跡卡爾曼濾波算法,考慮多目標(biāo)的數(shù)據(jù)關(guān)聯(lián)和航跡管理,并采用該跟蹤算法對(duì)有效車(chē)輛目標(biāo)進(jìn)行持續(xù)跟蹤。（2）基于機(jī)器視覺(jué)的車(chē)輛檢測(cè)和跟蹤。首先基于車(chē)底陰影和尾部對(duì)稱(chēng)性特征提出一種基于圖像特征的車(chē)輛檢測(cè)算法,用于快速生成車(chē)輛假設(shè)區(qū)域;然... 

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于毫米波雷達(dá)的前方車(chē)輛檢測(cè)與跟蹤方法
        1.2.2 基于機(jī)器視覺(jué)的前方車(chē)輛檢測(cè)與跟蹤方法
        1.2.3 基于多傳感器融合的車(chē)輛識(shí)別
    1.3 論文主要研究工作
2 基于毫米波雷達(dá)的車(chē)輛檢測(cè)與跟蹤
    2.1 毫米波雷達(dá)工作原理
    2.2 毫米波雷達(dá)選型與數(shù)據(jù)解析
    2.3 毫米波雷達(dá)數(shù)據(jù)預(yù)處理
        2.3.1 空目標(biāo)濾波
        2.3.2 相對(duì)車(chē)速濾波
        2.3.3 車(chē)道范圍濾波
    2.4 車(chē)輛目標(biāo)跟蹤算法
        2.4.1 多目標(biāo)跟蹤算法框架
        2.4.2 多目標(biāo)跟蹤算法
        2.4.3 算法驗(yàn)證
    2.5 本章小結(jié)
3 基于機(jī)器視覺(jué)的車(chē)輛目標(biāo)檢測(cè)與跟蹤
    3.1 基于圖像特征的車(chē)輛檢測(cè)算法
        3.1.1 圖像預(yù)處理
        3.1.2 生成車(chē)輛ROI區(qū)域
        3.1.3 車(chē)輛存在性判斷
        3.1.4 基于圖像特征的車(chē)輛檢測(cè)算法驗(yàn)證
    3.2 基于Haar-like+Adaboost車(chē)輛檢測(cè)算法
        3.2.1 Haar-like矩形特征
        3.2.2 Adaboost算法原理
        3.2.3 基于OpenCV的檢測(cè)算法實(shí)現(xiàn)
    3.3 核相關(guān)濾波跟蹤算法
        3.3.1 核相關(guān)濾波跟蹤算法原理
        3.3.2 結(jié)合KCF跟蹤算法的車(chē)輛檢測(cè)方法
        3.3.3 跟蹤算法驗(yàn)證
    3.4 本章小結(jié)
4 基于毫米波雷達(dá)與機(jī)器視覺(jué)的信息融合算法研究
    4.1 多傳感器信息空間融合
        4.1.1 毫米波雷達(dá)坐標(biāo)系與世界坐標(biāo)系轉(zhuǎn)換
        4.1.2 世界坐標(biāo)系與攝像機(jī)坐標(biāo)系轉(zhuǎn)換
    4.2 攝像機(jī)選型與標(biāo)定
        4.2.1 攝像機(jī)傳感器的選型
        4.2.2 相機(jī)標(biāo)定
    4.3 多傳感器信息時(shí)間融合
    4.4 基于雷達(dá)與機(jī)器視覺(jué)的信息融合算法研究
        4.4.1 雷達(dá)投影ROI區(qū)域
        4.4.2 融合算法機(jī)器視覺(jué)檢測(cè)區(qū)域分割
        4.4.3 視覺(jué)與雷達(dá)信息融合的關(guān)聯(lián)算法
    4.5 信息融合算法驗(yàn)證
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
附錄
    A 作者在攻讀學(xué)位期間發(fā)表的專(zhuān)利
    B 作者在攻讀學(xué)位期間發(fā)表的論文
    C 作者在攻讀學(xué)位期間參與的科研項(xiàng)目
    D 學(xué)位論文數(shù)據(jù)集
致謝



本文編號(hào)：3646364