自主車(chē)輛感知、建圖與目標(biāo)跟蹤技術(shù)

目錄
前言
第1章 緒論 1
1.1 智能車(chē)輛的定義及研究意義 1
1.1.1 智能車(chē)輛的定義 1
1.1.2 智能車(chē)輛研究對(duì)國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)的意義 3
1.1.3 自主駕駛車(chē)輛與人工智能 4
1.2 智能車(chē)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(biāo)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(chē)輛自動(dòng)駕駛的目標(biāo)跟蹤技術(shù) 13
1.3.3 其他相關(guān)技術(shù) 15
1.4 智能車(chē)輛的產(chǎn)業(yè)化及發(fā)展前景 16
參考文獻(xiàn) 20
第2章 交通信號(hào)檢測(cè)與識(shí)別技術(shù) 23
2.1 交通標(biāo)志檢測(cè)算法設(shè)計(jì) 23
2.1.1 常見(jiàn)交通標(biāo)志說(shuō)明 23
2.1.2 交通標(biāo)志識(shí)別算法設(shè)計(jì)框架與檢測(cè)算法 24
2.1.3 交通標(biāo)志邊緣重構(gòu) 26
2.1.4 感興趣區(qū)域形狀標(biāo)記圖提取與匹配 28
2.1.5 交通標(biāo)志牌檢測(cè)算法性能 32
2.2 交通標(biāo)志識(shí)別算法設(shè)計(jì) 35
2.2.1 二元樹(shù)復(fù)小波變換特征提取 36
2.2.2 交通標(biāo)志二元樹(shù)復(fù)小波特征降維 44
2.2.3 交通標(biāo)志識(shí)別與分類(lèi)算法 51
2.2.4 內(nèi)部圖形提取和匹配 54
2.2.5 交通標(biāo)志分類(lèi)結(jié)果融合 57
2.2.6 交通標(biāo)志牌識(shí)別算法性能 57
2.3 交通信號(hào)燈檢測(cè)算法設(shè)計(jì) 64
2.3.1 基于明暗信息的交通信號(hào)燈區(qū)域提取 64
2.3.2 圓形交通信號(hào)燈檢測(cè)算法設(shè)計(jì) 72
2.3.3 箭頭形交通信號(hào)燈檢測(cè)算法設(shè)計(jì) 75
2.4 交通信號(hào)燈識(shí)別算法設(shè)計(jì) 82
2.4.1 圖像的二維Gabor小波表示 82
2.4.2 交通信號(hào)燈Gabor特征降維 84
2.4.3 交通信號(hào)燈分類(lèi) 85
2.5 人行橫道和停止線(xiàn)檢測(cè)技術(shù) 86
2.5.1 逆透視變換 87
2.5.2 方向邊緣檢測(cè)器 89
2.5.3 人行橫道線(xiàn)檢測(cè) 91
2.5.4 停止線(xiàn)檢測(cè) 94
2.5.5 人行橫道和停止線(xiàn)檢測(cè)實(shí)時(shí)性分析 95
參考文獻(xiàn) 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(diǎn)及問(wèn)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(píng)價(jià) 123
3.3 去霧算法在交通場(chǎng)景中的應(yīng)用 137
3.3.1 交通場(chǎng)景圖像的特點(diǎn) 138
3.3.2 針對(duì)交通場(chǎng)景圖像的去霧算法 139
3.3.3 去霧算法在交通場(chǎng)景下的相關(guān)應(yīng)用 142
3.4 雨天圖像的雨滴檢測(cè)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(cè) 155
3.4.3 雨天圖像的雨滴去除 158
參考文獻(xiàn) 162
第4章 激光雷達(dá)建圖與車(chē)輛狀態(tài)估計(jì) 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(wèn)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(shí)驗(yàn)結(jié)果及分析 172
4.1.4 小結(jié) 175
4.2 動(dòng)態(tài)障礙處理方法及動(dòng)態(tài)環(huán)境下SLAM的實(shí)現(xiàn) 175
4.2.1 動(dòng)態(tài)目標(biāo)檢測(cè)技術(shù) 175
4.2.2 基于激光的時(shí)空關(guān)聯(lián)動(dòng)態(tài)目標(biāo)檢測(cè) 179
4.2.3 基于聲吶和攝像頭的動(dòng)態(tài)環(huán)境地圖創(chuàng)建 185
4.3 SLAMiDE系統(tǒng)及實(shí)現(xiàn) 191
4.3.1 問(wèn)題描述 191
4.3.2 SLAMiDE系統(tǒng)設(shè)計(jì) 193
4.3.3 目標(biāo)模型的設(shè)計(jì) 194
4.3.4 SLAMiDE系統(tǒng)的實(shí)現(xiàn) 197
4.3.5 實(shí)驗(yàn)分析 201
4.4 行駛車(chē)輛中的狀態(tài)估計(jì)和軟測(cè)量 206
4.4.1 汽車(chē)運(yùn)動(dòng)學(xué)深入建模 207
4.4.2 車(chē)輛狀態(tài)參數(shù)計(jì)算模型 208
4.4.3 橫向操作穩(wěn)定性與汽車(chē)行駛參數(shù) 212
4.4.4 非完整性約束下的車(chē)輛行駛狀態(tài)估計(jì) 215
4.5 車(chē)輛狀態(tài)參數(shù)測(cè)試試驗(yàn)與分析 217
4.5.1 路況較好情況下的試驗(yàn) 217
4.5.2 路況較差情況下的試驗(yàn) 225
參考文獻(xiàn) 234
第5章 多傳感器系統(tǒng)的協(xié)同機(jī)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(diǎn)獨(dú)立位置估計(jì) 237
5.1.2 基于熵的不確定度橢球 238
5.1.3 測(cè)量信息一致度模型 240
5.1.4 基于極大熵博弈的測(cè)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(jiǎn)介 242
5.2.2 OMNeT++平臺(tái)簡(jiǎn)介 247
5.3 多傳感器系統(tǒng)網(wǎng)絡(luò)協(xié)同機(jī)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(cè)量法 264
5.4.2 多邊測(cè)量法 265
5.4.3 *小*大法 267
5.4.4 三點(diǎn)幾何法 268
參考文獻(xiàn) 272
第6章 基于視覺(jué)的目標(biāo)跟蹤技術(shù) 274
6.1 基于時(shí)序特性的增量PCA目標(biāo)跟蹤算法 275
6.1.1 增量PCA簡(jiǎn)介 275
6.1.2 基于增量PCA目標(biāo)跟蹤算法簡(jiǎn)介 278
6.1.3 時(shí)序特性的觀(guān)測(cè)模型 279
6.1.4 特征子空間模型的更新 281
6.1.5 基于時(shí)序特性的增量PCA目標(biāo)跟蹤算法具體步驟 282
6.2 基于多級(jí)字典稀疏表達(dá)的目標(biāo)跟蹤算法 283
6.2.1 基于稀疏表達(dá)的目標(biāo)跟蹤簡(jiǎn)介 283
6.2.2 多級(jí)目標(biāo)模板字典的更新策略 285
6.3 基于融合多增量外觀(guān)模型的目標(biāo)跟蹤算法 288
6.3.1 基于多實(shí)例度量學(xué)習(xí)的目標(biāo)跟蹤算法簡(jiǎn)介 289
6.3.2 基于融合多增量外觀(guān)模型的目標(biāo)跟蹤算法實(shí)現(xiàn) 291
6.4 實(shí)驗(yàn)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(xiàn) 301
第7章 多外傳感器聯(lián)合標(biāo)定技術(shù) 304
7.1 概述 304
7.2 基于運(yùn)動(dòng)物體檢測(cè)的毫米波雷達(dá)與CCD相機(jī)的標(biāo)定 304
7.2.1 毫米波雷達(dá)與相機(jī)平面之間的關(guān)系 306
7.2.2 基于運(yùn)動(dòng)檢測(cè)的圖像與雷達(dá)匹配數(shù)據(jù)對(duì)估計(jì) 306
7.2.3 實(shí)驗(yàn)結(jié)果與分析 307
7.3 二維激光雷達(dá)和攝像機(jī)的標(biāo)定 308
7.3.1 基于三模板*小標(biāo)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(dá)-攝像機(jī)標(biāo)定法 319
7.3.3 實(shí)驗(yàn)結(jié)果與分析 326
參考文獻(xiàn) 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(cè)方程 334
8.1.3 GPS失效狀態(tài)下的補(bǔ)償算法 336
8.1.4 車(chē)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(cè)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(cè) 368
8.3 變點(diǎn)檢測(cè)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(cè) 377
8.3.2 基于變長(zhǎng)掃描模型的變點(diǎn)檢測(cè) 381
8.3.3 變點(diǎn)檢測(cè)算法性能測(cè)試 384
8.3.4 變點(diǎn)檢測(cè)在GPS/INS組合導(dǎo)航系統(tǒng)中的應(yīng)用 405
參考文獻(xiàn) 413
中英文對(duì)照表 415
彩圖