●第1章 緒論
1.1 研究背景及意義
1.2 國內外研究現狀
1.2.1 交通監視雷達研究現狀
1.2.2 雷達數據處理研究現狀
1.3 雷達測速繫統
1.4 視頻目標檢測的研究現狀
1.5 本章小結
第2章 交通雷達體制
2.1 CW體制
2.2 LFMCW體制
2.3 FSK體制
2.4 CW-FMCW復合體制
2.5 本章小結
第3章 微波測速雷達信號處理算法
3.1 去噪算法
3.1.1 基於EMD的去噪算法
3.1.2 自相關檢測法
3.2 測速雷達角度自適應算法
3.2.1 火車測速雷達繫統
3.2.2 基於樣本統計特性的雷達擺角自修正算法
3.3 本章小結
第4章 微波測速雷達的目標識別與跟蹤
4.1 單目標雷達算法優化
4.1.1 基於Kalman濾波的測速測距算法優化
4.1.2 基於CW-FMCW復合體制的DSP算法改進
4.1.3 仿真和分析
4.2 FSK體制雷達測速算法實現
4.2.1 FSK體制雷達測速原理
4.2.2 FSK體制雷達目標識別算法實現與仿真
4.3 多目標檢測跟蹤算法的研究與實現
4.3.1 多目標檢測跟蹤算法
4.3.2 多目標跟蹤觸發過程
4.3.3 基於恆虛警檢測的目標檢測優化
4.3.4 測試和分析
4.4 本章小結
第5章 聚類算法研究
5.1 經典聚類算法
5.1.1 DBSCAN聚類算法
5.1.2 FCM聚類算法
5.1.3 K-Means聚類算法
5.2 基於主軸的密度峰值模糊聚類算法
5.2.1 基於密度峰值的初次聚類算法
5.2.2 基於主軸更新的模糊聚類算法
5.2.3 實驗設計
5.3 本章小結
第6章 多目標跟蹤算法和繫統設計
6.1 改進的粒子濾波算法
6.1.1 航跡關聯
6.1.2 動目標跟蹤
6.1.3 實驗對比與路測結果
6.2 數據關聯算法
6.2.1 最近鄰數據關聯算法
6.2.2 聯合概率數據關聯算法
6.2.3 k近鄰聯合概率數據關聯算法
6.2.4 實驗設計
6.3 多目標跟蹤繫統設計
6.3.1 需求分析
6.3.2 總體設計
6.3.3 多目標跟蹤繫統的應用
6.4 本章小結
第7章 基於毫米波雷達和機器視覺的信息融合與目標識別
7.1 基於深度學習的目標檢測
7.1.1 目標檢測
7.1.2 深度學習目標檢測原理
7.1.3 測試和仿真
7.2 基於毫米波雷達和機器視覺的信息融合
7.2.1 毫米波雷達和攝像機的數據融合
7.2.2 基於機器學習的車型識別
7.2.3 實驗驗證與分析
7.3 本章小結

多輸入多輸出（ ltiple Input ltiple Ontput，MIMO）毫米波雷達是國內外雷達領域的研究熱點，MIMO毫米波雷達克服了傳統雷達單發單收的缺點，提高了能量利用率、測角精度、雜波抑制能力，降低了截獲率。與激光雷達和視頻檢測相比，毫米波雷達具有非常大的優勢，因此MIMO毫米波雷達廣泛應用於智能交通領域。本書從智能交通繫統中的車輛檢測、測速、跟蹤技術出發，依據真實的MIMO毫米波雷達測量數據，介紹車輛跟蹤繫統架構，以及常用的交通雷達體制，並對這些體制進行比較，得出FSK是應用於測速的交通雷達體制。本書重點介紹了處理毫米波雷達探測數據的方法，包括初期對接收到的雷達信號進行去噪及利用獲取的點雲數據對雷達擺角進行修正，中期的點雲數據聚類處理，後期的車輛軌跡關聯、跟蹤技術。在介紹這些技術時，不僅應用了經典的雷達數據處理技術，還提出了一些改進算法，並對目前熱門的圖像處理技術進行等