自主車輛感知、建圖與目標跟蹤技術(shù)

目錄
前言
第1章 緒論 1
1.1 智能車輛的定義及研究意義 1
1.1.1 智能車輛的定義 1
1.1.2 智能車輛研究對國民經(jīng)濟和國防建設(shè)的意義 3
1.1.3 自主駕駛車輛與人工智能 4
1.2 智能車輛關(guān)鍵技術(shù) 5
1.2.1 感知技術(shù) 5
1.2.2 規(guī)劃與決策技術(shù) 6
1.2.3 控制技術(shù) 7
1.2.4 其他技術(shù) 7
1.3 環(huán)境感知、目標跟蹤等關(guān)鍵技術(shù)的研究現(xiàn)狀 8
1.3.1 環(huán)境感知 9
1.3.2 車輛自動駕駛的目標跟蹤技術(shù) 13
1.3.3 其他相關(guān)技術(shù) 15
1.4 智能車輛的產(chǎn)業(yè)化及發(fā)展前景 16
參考文獻 20
第2章 交通信號檢測與識別技術(shù) 23
2.1 交通標志檢測算法設(shè)計 23
2.1.1 常見交通標志說明 23
2.1.2 交通標志識別算法設(shè)計框架與檢測算法 24
2.1.3 交通標志邊緣重構(gòu) 26
2.1.4 感興趣區(qū)域形狀標記圖提取與匹配 28
2.1.5 交通標志牌檢測算法性能 32
2.2 交通標志識別算法設(shè)計 35
2.2.1 二元樹復(fù)小波變換特征提取 36
2.2.2 交通標志二元樹復(fù)小波特征降維 44
2.2.3 交通標志識別與分類算法 51
2.2.4 內(nèi)部圖形提取和匹配 54
2.2.5 交通標志分類結(jié)果融合 57
2.2.6 交通標志牌識別算法性能 57
2.3 交通信號燈檢測算法設(shè)計 64
2.3.1 基于明暗信息的交通信號燈區(qū)域提取 64
2.3.2 圓形交通信號燈檢測算法設(shè)計 72
2.3.3 箭頭形交通信號燈檢測算法設(shè)計 75
2.4 交通信號燈識別算法設(shè)計 82
2.4.1 圖像的二維Gabor小波表示 82
2.4.2 交通信號燈Gabor特征降維 84
2.4.3 交通信號燈分類 85
2.5 人行橫道和停止線檢測技術(shù) 86
2.5.1 逆透視變換 87
2.5.2 方向邊緣檢測器 89
2.5.3 人行橫道線檢測 91
2.5.4 停止線檢測 94
2.5.5 人行橫道和停止線檢測實時性分析 95
參考文獻 96
第3章 圖像去霧算法及其應(yīng)用 97
3.1 雨霧天圖像清晰化研究 97
3.1.1 雨霧天圖像清晰化的研究背景及意義 97
3.1.2 雨霧天圖像清晰化的研究現(xiàn)狀 98
3.1.3 雨霧天圖像清晰化的研究難點及問題 100
3.2 霧天圖像、視頻的清晰化算法 101
3.2.1 基于梯度優(yōu)先規(guī)律的霧天圖像清晰化算法 101
3.2.2 基于霧氣理論的視頻去霧方法 109
3.2.3 霧天圖像、視頻清晰化效果的評價 123
3.3 去霧算法在交通場景中的應(yīng)用 137
3.3.1 交通場景圖像的特點 138
3.3.2 針對交通場景圖像的去霧算法 139
3.3.3 去霧算法在交通場景下的相關(guān)應(yīng)用 142
3.4 雨天圖像的雨滴檢測與去除算法 151
3.4.1 雨天圖像的雨滴特性 152
3.4.2 雨天圖像的雨滴檢測 155
3.4.3 雨天圖像的雨滴去除 158
參考文獻 162
第4章 激光雷達建圖與車輛狀態(tài)估計 167
4.1 SLAM中基于局部地圖的混合數(shù)據(jù)關(guān)聯(lián)方法 167
4.1.1 SLAM中的數(shù)據(jù)關(guān)聯(lián)問題 167
4.1.2 基于局部地圖的混合數(shù)據(jù)關(guān)聯(lián)方法 169
4.1.3 實驗結(jié)果及分析 172
4.1.4 小結(jié) 175
4.2 動態(tài)障礙處理方法及動態(tài)環(huán)境下SLAM的實現(xiàn) 175
4.2.1 動態(tài)目標檢測技術(shù) 175
4.2.2 基于激光的時空關(guān)聯(lián)動態(tài)目標檢測 179
4.2.3 基于聲吶和攝像頭的動態(tài)環(huán)境地圖創(chuàng)建 185
4.3 SLAMiDE系統(tǒng)及實現(xiàn) 191
4.3.1 問題描述 191
4.3.2 SLAMiDE系統(tǒng)設(shè)計 193
4.3.3 目標模型的設(shè)計 194
4.3.4 SLAMiDE系統(tǒng)的實現(xiàn) 197
4.3.5 實驗分析 201
4.4 行駛車輛中的狀態(tài)估計和軟測量 206
4.4.1 汽車運動學(xué)深入建模 207
4.4.2 車輛狀態(tài)參數(shù)計算模型 208
4.4.3 橫向操作穩(wěn)定性與汽車行駛參數(shù) 212
4.4.4 非完整性約束下的車輛行駛狀態(tài)估計 215
4.5 車輛狀態(tài)參數(shù)測試試驗與分析 217
4.5.1 路況較好情況下的試驗 217
4.5.2 路況較差情況下的試驗 225
參考文獻 234
第5章 多傳感器系統(tǒng)的協(xié)同機制和自定位 237
5.1 多傳感器系統(tǒng)的數(shù)據(jù)預(yù)處理 237
5.1.1 節(jié)點獨立位置估計 237
5.1.2 基于熵的不確定度橢球 238
5.1.3 測量信息一致度模型 240
5.1.4 基于極大熵博弈的測量數(shù)據(jù)選擇 241
5.2 多傳感器系統(tǒng)的路由策略 242
5.2.1 AODV算法簡介 242
5.2.2 OMNeT++平臺簡介 247
5.3 多傳感器系統(tǒng)網(wǎng)絡(luò)協(xié)同機制 259
5.3.1 能量消耗模型 259
5.3.2 剩余能量平衡模型 260
5.3.3 跟蹤精度模型 261
5.4 多傳感器系統(tǒng)的自定位 264
5.4.1 三邊測量法 264
5.4.2 多邊測量法 265
5.4.3 *小*大法 267
5.4.4 三點幾何法 268
參考文獻 272
第6章 基于視覺的目標跟蹤技術(shù) 274
6.1 基于時序特性的增量PCA目標跟蹤算法 275
6.1.1 增量PCA簡介 275
6.1.2 基于增量PCA目標跟蹤算法簡介 278
6.1.3 時序特性的觀測模型 279
6.1.4 特征子空間模型的更新 281
6.1.5 基于時序特性的增量PCA目標跟蹤算法具體步驟 282
6.2 基于多級字典稀疏表達的目標跟蹤算法 283
6.2.1 基于稀疏表達的目標跟蹤簡介 283
6.2.2 多級目標模板字典的更新策略 285
6.3 基于融合多增量外觀模型的目標跟蹤算法 288
6.3.1 基于多實例度量學(xué)習的目標跟蹤算法簡介 289
6.3.2 基于融合多增量外觀模型的目標跟蹤算法實現(xiàn) 291
6.4 實驗結(jié)果與分析 294
6.4.1 跟蹤結(jié)果的定性比較 295
6.4.2 跟蹤誤差的定量比較與分析 300
參考文獻 301
第7章 多外傳感器聯(lián)合標定技術(shù) 304
7.1 概述 304
7.2 基于運動物體檢測的毫米波雷達與CCD相機的標定 304
7.2.1 毫米波雷達與相機平面之間的關(guān)系 306
7.2.2 基于運動檢測的圖像與雷達匹配數(shù)據(jù)對估計 306
7.2.3 實驗結(jié)果與分析 307
7.3 二維激光雷達和攝像機的標定 308
7.3.1 基于三模板*小標定方法介紹 310
7.3.2 基于系數(shù)矩陣二范數(shù)和多約束誤差函數(shù)的激光雷達-攝像機標定法 319
7.3.3 實驗結(jié)果與分析 326
參考文獻 330
第8章 慣性導(dǎo)航傳感器異常診斷方法 333
8.1 GPS/INS組合定位技術(shù)研究 333
8.1.1 組合方式與狀態(tài)方程 333
8.1.2 組合系統(tǒng)量測方程 334
8.1.3 GPS失效狀態(tài)下的補償算法 336
8.1.4 車輛定位數(shù)據(jù)的地圖匹配 342
8.2 冗余傳感器的故障檢測與診斷 348
8.2.1 硬件冗余傳感器的故障診斷 349
8.2.2 不同精度冗余傳感器故障診斷 352
8.2.3 基于多尺度卡爾曼濾波的故障診斷 362
8.2.4 組合導(dǎo)航的故障檢測 368
8.3 變點檢測及其在組合導(dǎo)航系統(tǒng)中的應(yīng)用 376
8.3.1 傳感器故障診斷與故障檢測 377
8.3.2 基于變長掃描模型的變點檢測 381
8.3.3 變點檢測算法性能測試 384
8.3.4 變點檢測在GPS/INS組合導(dǎo)航系統(tǒng)中的應(yīng)用 405
參考文獻 413
中英文對照表 415
彩圖