自主车辆感知、建图与目标跟踪技术

目录
前言
第1章 绪论 1
1.1 智能车辆的定义及研究意义 1
1.1.1 智能车辆的定义 1
1.1.2 智能车辆研究对国民经济和国防建设的意义 3
1.1.3 自主驾驶车辆与人工智能 4
1.2 智能车辆关键技术 5
1.2.1 感知技术 5
1.2.2 规划与决策技术 6
1.2.3 控制技术 7
1.2.4 其他技术 7
1.3 环境感知、目标跟踪等关键技术的研究现状 8
1.3.1 环境感知 9
1.3.2 车辆自动驾驶的目标跟踪技术 13
1.3.3 其他相关技术 15
1.4 智能车辆的产业化及发展前景 16
参考文献 20
第2章 交通信号检测与识别技术 23
2.1 交通标志检测算法设计 23
2.1.1 常见交通标志说明 23
2.1.2 交通标志识别算法设计框架与检测算法 24
2.1.3 交通标志边缘重构 26
2.1.4 感兴趣区域形状标记图提取与匹配 28
2.1.5 交通标志牌检测算法性能 32
2.2 交通标志识别算法设计 35
2.2.1 二元树复小波变换特征提取 36
2.2.2 交通标志二元树复小波特征降维 44
2.2.3 交通标志识别与分类算法 51
2.2.4 内部图形提取和匹配 54
2.2.5 交通标志分类结果融合 57
2.2.6 交通标志牌识别算法性能 57
2.3 交通信号灯检测算法设计 64
2.3.1 基于明暗信息的交通信号灯区域提取 64
2.3.2 圆形交通信号灯检测算法设计 72
2.3.3 箭头形交通信号灯检测算法设计 75
2.4 交通信号灯识别算法设计 82
2.4.1 图像的二维Gabor小波表示 82
2.4.2 交通信号灯Gabor特征降维 84
2.4.3 交通信号灯分类 85
2.5 人行横道和停止线检测技术 86
2.5.1 逆透视变换 87
2.5.2 方向边缘检测器 89
2.5.3 人行横道线检测 91
2.5.4 停止线检测 94
2.5.5 人行横道和停止线检测实时性分析 95
参考文献 96
第3章 图像去雾算法及其应用 97
3.1 雨雾天图像清晰化研究 97
3.1.1 雨雾天图像清晰化的研究背景及意义 97
3.1.2 雨雾天图像清晰化的研究现状 98
3.1.3 雨雾天图像清晰化的研究难点及问题 100
3.2 雾天图像、视频的清晰化算法 101
3.2.1 基于梯度优先规律的雾天图像清晰化算法 101
3.2.2 基于雾气理论的视频去雾方法 109
3.2.3 雾天图像、视频清晰化效果的评价 123
3.3 去雾算法在交通场景中的应用 137
3.3.1 交通场景图像的特点 138
3.3.2 针对交通场景图像的去雾算法 139
3.3.3 去雾算法在交通场景下的相关应用 142
3.4 雨天图像的雨滴检测与去除算法 151
3.4.1 雨天图像的雨滴特性 152
3.4.2 雨天图像的雨滴检测 155
3.4.3 雨天图像的雨滴去除 158
参考文献 162
第4章 激光雷达建图与车辆状态估计 167
4.1 SLAM中基于局部地图的混合数据关联方法 167
4.1.1 SLAM中的数据关联问题 167
4.1.2 基于局部地图的混合数据关联方法 169
4.1.3 实验结果及分析 172
4.1.4 小结 175
4.2 动态障碍处理方法及动态环境下SLAM的实现 175
4.2.1 动态目标检测技术 175
4.2.2 基于激光的时空关联动态目标检测 179
4.2.3 基于声呐和摄像头的动态环境地图创建 185
4.3 SLAMiDE系统及实现 191
4.3.1 问题描述 191
4.3.2 SLAMiDE系统设计 193
4.3.3 目标模型的设计 194
4.3.4 SLAMiDE系统的实现 197
4.3.5 实验分析 201
4.4 行驶车辆中的状态估计和软测量 206
4.4.1 汽车运动学深入建模 207
4.4.2 车辆状态参数计算模型 208
4.4.3 横向操作稳定性与汽车行驶参数 212
4.4.4 非完整性约束下的车辆行驶状态估计 215
4.5 车辆状态参数测试试验与分析 217
4.5.1 路况较好情况下的试验 217
4.5.2 路况较差情况下的试验 225
参考文献 234
第5章 多传感器系统的协同机制和自定位 237
5.1 多传感器系统的数据预处理 237
5.1.1 节点独立位置估计 237
5.1.2 基于熵的不确定度椭球 238
5.1.3 测量信息一致度模型 240
5.1.4 基于极大熵博弈的测量数据选择 241
5.2 多传感器系统的路由策略 242
5.2.1 AODV算法简介 242
5.2.2 OMNeT++平台简介 247
5.3 多传感器系统网络协同机制 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 跟踪精度模型 261
5.4 多传感器系统的自定位 264
5.4.1 三边测量法 264
5.4.2 多边测量法 265
5.4.3 *小*大法 267
5.4.4 三点几何法 268
参考文献 272
第6章 基于视觉的目标跟踪技术 274
6.1 基于时序特性的增量PCA目标跟踪算法 275
6.1.1 增量PCA简介 275
6.1.2 基于增量PCA目标跟踪算法简介 278
6.1.3 时序特性的观测模型 279
6.1.4 特征子空间模型的更新 281
6.1.5 基于时序特性的增量PCA目标跟踪算法具体步骤 282
6.2 基于多级字典稀疏表达的目标跟踪算法 283
6.2.1 基于稀疏表达的目标跟踪简介 283
6.2.2 多级目标模板字典的更新策略 285
6.3 基于融合多增量外观模型的目标跟踪算法 288
6.3.1 基于多实例度量学习的目标跟踪算法简介 289
6.3.2 基于融合多增量外观模型的目标跟踪算法实现 291
6.4 实验结果与分析 294
6.4.1 跟踪结果的定性比较 295
6.4.2 跟踪误差的定量比较与分析 300
参考文献 301
第7章 多外传感器联合标定技术 304
7.1 概述 304
7.2 基于运动物体检测的毫米波雷达与CCD相机的标定 304
7.2.1 毫米波雷达与相机平面之间的关系 306
7.2.2 基于运动检测的图像与雷达匹配数据对估计 306
7.2.3 实验结果与分析 307
7.3 二维激光雷达和摄像机的标定 308
7.3.1 基于三模板*小标定方法介绍 310
7.3.2 基于系数矩阵二范数和多约束误差函数的激光雷达-摄像机标定法 319
7.3.3 实验结果与分析 326
参考文献 330
第8章 惯性导航传感器异常诊断方法 333
8.1 GPS/INS组合定位技术研究 333
8.1.1 组合方式与状态方程 333
8.1.2 组合系统量测方程 334
8.1.3 GPS失效状态下的补偿算法 336
8.1.4 车辆定位数据的地图匹配 342
8.2 冗余传感器的故障检测与诊断 348
8.2.1 硬件冗余传感器的故障诊断 349
8.2.2 不同精度冗余传感器故障诊断 352
8.2.3 基于多尺度卡尔曼滤波的故障诊断 362
8.2.4 组合导航的故障检测 368
8.3 变点检测及其在组合导航系统中的应用 376
8.3.1 传感器故障诊断与故障检测 377
8.3.2 基于变长扫描模型的变点检测 381
8.3.3 变点检测算法性能测试 384
8.3.4 变点检测在GPS/INS组合导航系统中的应用 405
参考文献 413
中英文对照表 415
彩图