●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濟和國防建設的意義 3
1.1.3 自主駕駛車輛與人工智能 4
1.2 智能車輛關鍵技術 5
1.2.1 感知技術 5
1.2.2 規劃與決策技術 6
1.2.3 控制技術 7
1.2.4 其他技術 7
1.3 環境感知、目標跟蹤等關鍵技術的研究現狀 8
1.3.1 環境感知 9
1.3.2 車輛自動駕駛的目標跟蹤技術 13
1.3.3 其他相關技術 15
1.4 智能車輛的產業化及發展前景 16
參考文獻 20
第2章 交通信號檢測與識別技術 23
2.1 交通標志檢測算法設計 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計框架與檢測算法 24
2.1.3 交通標志邊緣重構 26
2.1.4 感興趣區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計 35
2.2.樹復小波變換特征提取 36
2.2.2 交通樹復小波特征降維 44
2.2.3 交通標志識別與分類算法 51
2.2.4 內部圖形提取和匹配 54
2.2.5 交通標志分類結果融合 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計 64
2.3.1 基於明暗信息的交通信號燈區域提取 64
2.3.2 圓形交通信號燈檢測算法設計 72
2.3.3 箭頭形交通信號燈檢測算法設計 75
2.4 交通信號燈識別算法設計 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 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 基於梯度優先規律的霧天圖像清晰化算法 101
3.2.2 基於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應用 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估計 167
4.1 SLAM中基於局部地圖的混合數據關聯方法 167
4.1.1 SLAM中的數據關聯問題 167
4.1.2 基於局部地圖的混合數據關聯方法 169
4.1.3 實驗結果及分析 172
4.1.4 小結 175
4.2 動態障礙處理方法及動態環境下SLAM的實現 175
4.2.1 動態目標檢測技術 175
4.2.2 基於激光的時空關聯動態目標檢測 179
4.2.3 基於聲吶和攝像頭的動態環境地圖創建 185
4.3 SLAMiDE繫統及實現 191
4.3.1 問題描述 191
4.3.2 SLAMiDE繫統設計 193
4.3.3 目標模型的設計 194
4.3.4 SLAMiDE繫統的實現 197
4.3.5 實驗分析 201
4.4 行駛車輛中的狀態估計和軟測量 206
4.4.1 汽車運動學深入建模 207
4.4.2 車輛狀態參數計算模型 208
4.4.3 橫向操作穩定性與汽車行駛參數 212
4.4.4 非完整性約束下的車輛行駛狀態估計 215
4.5 車輛狀態參數測試試驗與分析 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 多傳感器繫統的協同機制和自定位 237
5.1 多傳感器繫統的數據預處理 237
5.1.1 節點獨立位置估計 237
5.1.2 基於熵的不確定度橢球 238
5.1.3 測量信息一致度模型 240
5.1.4 基於極大熵博弈的測量數據選擇 241
5.2 多傳感器繫統的路由策略 242
5.2.1 AODV算法簡介 242
5.2.2 OMNeT++平臺簡介 247
5.3 多傳感器繫統網絡協同機制 259
5.3.1 能量消耗模型 259
5.3.2 剩餘能量平衡模型 260
5.3.3 跟蹤精度模型 261
5.4 多傳感器繫統的自定位 264
5.4.1 三邊測量法 264
5.4.2 多邊測量法 265
5.4.3 最小優選法 267
5.4.4 三點幾何法 268
參考文獻 272
第6章 基於視覺的目標跟蹤技術 274
6.1 基於時序特性的增量PCA目標跟蹤算法 275
6.1.1 增量PCA簡介 275
6.1.2 基於增量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 基於時序特性的增量PCA目標跟蹤算法具體步驟 282
6.2 基於多級字典稀疏表達的目標跟蹤算法 283
6.2.1 基於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 基於融合多增量外觀模型的目標跟蹤算法 288
6.3.1 基於多實例度量學習的目標跟蹤算法簡介 289
6.3.2 基於融合多增量外觀模型的目標跟蹤算法實現 291
6.4 實驗結果與分析 294
6.4.1 跟蹤結果的定性比較 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 多外傳感器聯合標定技術 304
7.1 概述 304
7.2 基於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繫 306
7.2.2 基於運動檢測的圖像與雷達匹配數據對估計 306
7.2.3 實驗結果與分析 307
7.3 二維激光雷達和攝像機的標定 308
7.3.1 基於三模板最小標定方法介紹 310
7.3.2 基於繫數矩陣二範數和多約束誤差函數的激光雷達-攝像機標定法 319
7.3.3 實驗結果與分析 326
參考文獻 330
第8章 慣性導航傳感器異常診斷方法 333
8.1 GPS/INS組合定位技術研究 333
8.1.1 組合方式與狀態方程 333
8.1.2 組合繫統量測方程 334
8.1.3 GPS失效狀態下的補償算法 336
8.1.4 車輛定位數據的地圖匹配 342
8.2 冗餘傳感器的故障檢測與診斷 348
8.2.1 硬件冗餘傳感器的故障診斷 349
8.2.2 不同精度冗餘傳感器故障診斷 352
8.2.3 基於多尺度卡爾曼濾波的故障診斷 362
8.2.4 組合導航的故障檢測 368
8.3 變點檢測及其在組合導航繫統中的應用 376
8.3.1 傳感器故障診斷與故障檢測 377
8.3.2 基於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組合導航繫統中的應用 405
參考文獻 413
中英文對照表 415
彩圖
