現(xiàn)如今,智能駕駛輔助系統(tǒng)已經(jīng)成為提高汽車(chē)行駛安全的關(guān)鍵技術(shù)之一,其中用于環(huán)境感知的傳感器技術(shù)受到越來(lái)越多的關(guān)注。由于生產(chǎn)技術(shù)和自身?xiàng)l件的限制,單傳感器在實(shí)際應(yīng)用過(guò)程中有時(shí)會(huì)出現(xiàn)對(duì)目標(biāo)漏檢和誤檢的情況,這樣會(huì)嚴(yán)重干擾系統(tǒng)對(duì)目標(biāo)的有效判斷,因此,聯(lián)合傳感器間的優(yōu)勢(shì)進(jìn)行信息融合的技術(shù)成為了國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。本文采用毫米波雷達(dá)與攝像頭組合的方式作為環(huán)境信息檢測(cè)工具,建立了分布式融合架構(gòu),通過(guò)對(duì)采集的目標(biāo)數(shù)據(jù)的篩選、檢測(cè)和識(shí)別,將來(lái)自不同傳感器的軌跡相互關(guān)聯(lián)并融合以獲取目標(biāo)軌跡,為駕駛員的主動(dòng)避撞決策提供實(shí)時(shí)、準(zhǔn)確的行車(chē)環(huán)境信息。研究?jī)?nèi)容如下:(1)篩選毫米波雷達(dá)數(shù)據(jù),初步確定有效目標(biāo)。首先對(duì)雷達(dá)數(shù)據(jù)進(jìn)行了預(yù)處理,主要是對(duì)空信號(hào)、靜止目標(biāo)和無(wú)效目標(biāo)進(jìn)行了篩選和剔除,然后結(jié)合同車(chē)道有效目標(biāo)的判斷方法,對(duì)相鄰車(chē)道的非危險(xiǎn)目標(biāo)進(jìn)行了濾除,獲取初選目標(biāo),最后通過(guò)生命周期檢驗(yàn)方法進(jìn)一步驗(yàn)證目標(biāo)存在的有效性,并建立卡爾曼濾波模型對(duì)數(shù)據(jù)信息進(jìn)行濾波處理,降低噪聲的干擾。(2)基于機(jī)器視覺(jué)的前方車(chē)輛檢測(cè)方法研究。本文采用Haar-like方法提取車(chē)輛特征,同時(shí)利用積分法加快對(duì)特征值的計(jì)算速度,基于這些特征值...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景
    1.2 研究意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 國(guó)外研究現(xiàn)狀
        1.3.2 國(guó)內(nèi)研究現(xiàn)狀
    1.4 研究現(xiàn)狀總結(jié)
    1.5 本文主要內(nèi)容
第二章 基于毫米波雷達(dá)的車(chē)輛識(shí)別方法研究
    2.1 毫米波雷達(dá)特征及選型
    2.2 毫米波雷達(dá)有效目標(biāo)初選
        2.2.1 雷達(dá)數(shù)據(jù)預(yù)處理
        2.2.2 同車(chē)道有效目標(biāo)判斷
    2.3 目標(biāo)有效性檢驗(yàn)及基于卡爾曼濾波的數(shù)據(jù)處理
        2.3.1 目標(biāo)有效性檢驗(yàn)
        2.3.2 基于卡爾曼濾波的數(shù)據(jù)處理
    2.4 試驗(yàn)驗(yàn)證
        2.4.1 目標(biāo)有效性驗(yàn)證
        2.4.2 卡爾曼濾波算法驗(yàn)證
    2.5 本章小結(jié)
第三章 基于視覺(jué)的目標(biāo)檢測(cè)及追蹤算法研究
    3.1 前方車(chē)輛特征提取
        3.1.1 Haar-like特征
        3.1.2 積分圖的計(jì)算
    3.2 基于Haar-like特征的AdaBoost算法
        3.2.1 基于Haar-like特征的弱分類(lèi)器構(gòu)建
        3.2.2 基于AdaBoost算法的強(qiáng)分類(lèi)器構(gòu)建
        3.2.3 建立級(jí)聯(lián)分類(lèi)器
    3.3 基于無(wú)跡卡爾曼濾波算法的車(chē)輛跟蹤
    3.4 基于攝像頭的車(chē)輛目標(biāo)檢測(cè)試驗(yàn)驗(yàn)證
        3.4.1 圖像預(yù)處理
        3.4.2 訓(xùn)練分類(lèi)器和正負(fù)樣本集
        3.4.3 分類(lèi)器測(cè)試
    3.5 本章小結(jié)
第四章 基于毫米波雷達(dá)和攝像頭的多傳感器信息融合模型
    4.1 多傳感器空間融合
        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)系與像素坐標(biāo)系轉(zhuǎn)換
    4.2 求取空間融合參數(shù)
        4.2.1 攝像頭標(biāo)定
        4.2.2 雷達(dá)與攝像頭的聯(lián)合標(biāo)定
    4.3 多傳感器時(shí)間同步
    4.4 基于雷達(dá)與攝像頭融合的目標(biāo)識(shí)別算法
        4.4.1 目標(biāo)數(shù)據(jù)匹配
        4.4.2 基于改進(jìn)的無(wú)跡信息融合算法
    4.5 融合算法仿真驗(yàn)證
    4.6 本章小結(jié)
第五章 多傳感器仿真平臺(tái)搭建及實(shí)車(chē)驗(yàn)證
    5.1 搭建多傳感仿真實(shí)驗(yàn)平臺(tái)
        5.1.1 試驗(yàn)平臺(tái)概述
        5.1.2 仿真場(chǎng)景設(shè)計(jì)
        5.1.3 仿真試驗(yàn)分析
    5.2 實(shí)車(chē)驗(yàn)證
        5.2.1 傳感器安裝
        5.2.2 試驗(yàn)平臺(tái)搭建
        5.2.3 實(shí)車(chē)試驗(yàn)驗(yàn)證
    5.3 本章小結(jié)
第六章 工作總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
致謝
攻讀碩士期間發(fā)表的論文



本文編號(hào)：3780946