一、车型识别系统中利用阴影特点快速定位车体（论文文献综述）
董学才[1]（2020）在《智能汽车虚拟测试毫米波雷达实时模型研究》文中指出智能汽车现已成为当前学术界和工业界的研究热点。根据相关研究结论,对于L3及以上的自动驾驶系统,虚拟仿真测试是主要的研发手段,作为虚拟仿真测试重要环节的虚拟传感器模型,其建模质量决定了仿真代替实车试验的程度。因此,高精度传感器模型的研究是智能汽车领域重要的研究方向,对智能汽车产品研发具有重要的意义。毫米波雷达作为智能汽车普遍使用的传感器,其高精度实时建模是传感器建模的难点。通常有基于物理特性建模的“白盒”模型和基于统计特性建模的“黑盒”模型,但因“白盒”模型不能满足实时计算的要求,而“黑盒”模型不能准确反映传感器物理特性,建立既能反映一定物理特性的又能实时计算的毫米波雷达模型是当前的研究热点。针对上述现状,本文探索了考虑目标反射强度（RCS）的毫米波雷达传感器实时模型,该模型既能够满足智能汽车虚拟测试实时性要求,又能够体现一定的物理特性。本文的主要研究内容包括以下几个方面:第一,基于几何图形运算的毫米波雷达模型。本文建立了基于几何图形运算的毫米波雷达模型,为准确实现感知过程中目标对象之间的遮挡计算,本文基于阴影体算法进行了对目标的可见性的筛选和判断;为实现测试对象的快速应用迁移,本文对标了实际传感器的输出格式。经过仿真测试验证,该模型可以实现对仿真环境中目标对象的检测,且可以实现目标对象之间的遮挡计算,同时也保证了较高的计算效率。第二,考虑目标反射强度（RCS）的可见性判断模型。针对现有传感器模型中基于图形学研究对目标可见性的判断方法不能够有效的体现其物理特性的缺陷,本文引入了RCS目标反射强度对目标可见性进行判断的方法。基于射线求交算法得出了目标对象的可见区域信息,并进一步利用向量求角计算方法计算了理想的目标反射强度,最后基于矢量投影的方法,根据目标与主车之间的相对位置、方位角以及目标自身航向角等信息计算出其实际的目标反射强度值,实现了对图形方法确定的目标对象可见性的修正,提高了模型对目标感知的逼真度。第三,目标反射强度的实车试验研究。搭建了由ESR毫米波雷达、数据采集系统、距离测量系统、目标车组成的目标车反射强度测试试验平台;利用标准测量系统对试验平台进行了验证和校准;利用试验平台完成了对目标车辆的几何形状、空间结构、航向角和反射面材质对毫米波雷达反射强度的影响测量,获得了不同反射面、不同航向角、不同反射面材质对反射强度的影响规律。最后,对本文所建立的基于RCS可见性判断的毫米波雷达模型进行仿真验证,对比分析了在特定工况下,原有基于几何裁剪判断可见性的毫米波模型与基于RCS可见性判断的毫米波雷达模型之间的感知差异,检验了模型的有效性。
羊杰[2]（2020）在《基于激光雷达和视觉融合的无人扫地车前方障碍物检测技术研究》文中指出智能驾驶是目前全球车辆工程领域的研发热点之一,无人驾驶汽车的主动安全性也受到了国内外智能驾驶研究机构的广泛关注。本文主要聚焦无人扫地车作业的环境感知环节,利用激光雷达与车载相机,实时采集扫地车周围的环境信息。为了快速、准确地处理和分析采集的数据信息,从而得到前方障碍物的位置信息与几何特征,提出激光雷达与视觉融合的障碍物检测研究方案,实现对前方障碍物的融合检测。本论文主要包括以下研究内容:首先,根据无人扫地车的运行条件和研究要求,建立了无人扫地车环境感知平台;通过建立无人扫地车融合所涉及的三种坐标系,并对其进行坐标转换,完成相机和激光雷达的标定处理,为多传感器数据在时空上的匹配融合奠定研究基础。其次,提出了一种可适应不同距离的三维激光雷达数据去噪和精简研究方法。在对原始点云数据栅格化和去噪滤波后,采用最邻近距离聚类的方法确定适应阈值,采用融合网格连通标记的聚类方法,减少离散点,提高聚类算法的精度,实现不同距离下的前方障碍物检测。实验结果表明,与已有的其他聚类算法相比较,本文提出的新方法可以适应不同距离下的障碍物聚类,提高了路面障碍物的识别能力。然后,基于AlexNet卷积神经网络的方法实现对前方车辆障碍物进行检测与识别。对车载相机采集的图片进行灰度化和去噪,通过自适应阈值分离道路路面。对车辆所在区域进行假设生成后,通过卷积神经网络提取目标特征,对假设区域进行验证。最后,搭建障碍物检测算法实现和仿真测试的平台,分析了单一传感器检测和多传感器融合检测前方障碍物的效果,结果表明,通过对激光雷达和视觉信息进行融合,降低了外界因素的干扰,更全面、精度更高地采集障碍物的特征信息,更好地保障了无人扫地车的主动安全性。
李紫玮[3]（2019）在《基于深度学习理论的桥梁上车型识别与检测跟踪研究》文中研究表明随着交通运输重要性的增加,对在役桥梁进行低成本、无接触、不需封闭交通的健康监测的问题亟待解决。对此本文提出了基于桥面拍摄的视频进行车辆自动检测跟踪分类的系统,该系统利用深度学习算法Faster R-CNN对车辆位置进行检测,通过卡尔曼滤波跟踪算法和数据关联技术对多目标进行跟踪,再通过深度卷积神经网络VGG-16并结合建立的车辆数据信息库对车辆类型进行识别,从而得到被测桥梁上车辆的基本类型、轴重区间和实时轨迹。该系统是一种低成本、无接触、无需封闭交通的识别桥梁车辆荷载的方法,为实现基于非接触式计算机视觉技术识别桥梁上车辆荷载及其时空分布奠定了基础,同时为实现新型的非接触式桥梁结构识别提供了重要的数据来源。本文的主要工作内容有:（1）建立车辆数据信息库。本文收集和分析了各国关于车辆分类的规定,并结合相关研究成果,建立了车辆细分类标准。根据车辆外型与轴重对应关系等相关参数将车辆分为12类。在该细分类标准的基础上,通过收集汽车公告信息,建立了包含车辆轴距区间、轴重区间和总重区间等信息的车辆数据库。（2）训练车辆类型识别卷积神经网络模型。本文利用建立好的车辆数据库对AlexNet和VGG-16两种不同的卷积神经网络模型进行了对比训练。训练结果表明,微调在大型公开数据集上预训练过的模型和采用数据增强方法均能够提高两种模型的平均精度,同时在相同的训练参数下VGG-16模型精度高于AlexNet模型。在采用微调和数据增强方法下,VGG-16模型的平均精度能达到98.17%。（3）车辆位置检测算法研究。本文对比了基于高斯混合模型的背景差分法和深度学习Faster R-CNN两种方法在车辆位置检测中的效果。对比结果表明,基于高斯混合模型的检测方法虽然实现简单快速,但对于复杂环境下的问题处理能力不足,而Faster R-CNN虽然前期耗费了大量资源,但其检测效果很稳定,能够准确检测出各种环境下不同类别车辆在图片中的位置。（4）车辆位置的跟踪算法研究和设计车辆自动检测跟踪分类系统。本文将第三步中得到的车辆位置检测结果作为卡尔曼滤波目标跟踪算法的初始信息创建跟踪器,用数据关联技术实现了多目标自动跟踪和丢弃。对一个视频进行实验,结果表明基于卡尔曼滤波的目标跟踪算法对于复杂实际场景下的各种类型车辆能够准确跟踪。结合前面各步的内容,本文设计了基于GUI图形用户界面的车辆自动检测跟踪分类系统。
周剑[4]（2019）在《面向无人驾驶的道路场景建模关键技术研究》文中提出感知系统是无人驾驶平台与现实空间联系最为紧密的部分。在实际道路场景下,感知结果的准确性直接反映车辆整体的智能化水平。本文针对实际道路场景下无人驾驶系统对于环境感知的具体需求,围绕道路场景感知建模中涉及的基于单目相机的车道线检测、基于多特征融合的道路边界提取以及基于三维激光雷达车辆检测与跟踪三个关键问题进行深入研究。相关方法在自主研发的三代无人驾驶平台中得到应用,具体研究内容包括以下几个方面:1)提出基于误差传递模型和Bresenham Line的车道线检测方法。为了提高单目相机模型下道路车道线的量测精度,本文首先引入摄影测量中常用的透视作图分析法,对车道线检测视角下透视变换的点、线、面特性进行分析,构建适合车道线检测的灭点相机模型。然后,利用测量平差中常用的误差传递模型对该相机模型进行分析,计算图像空间的高可靠区域来保证车道线特征尺度的计算精度。为了提高直线检测的算法效率和提取精度,利用计算机图像学中的Bresenham Line直线生成方法,在离散空间提高单位角度内投票直线表达密度,并减少浮点计算提高算法效率。最后,结合基于增量回归的几何模型和卡尔曼滤波的运动模型实现车道线的参数拟合和跟踪。2)考虑三维激光雷达的时空特性,提出基于区域划分和级联特征融合的道路边界提取方法。考虑三维激光雷达的空间特性,结合点云疏密特性,对局部道路场景进行区域划分。首先,对不同道路区域,通过不同尺度下的深度变化特征和角度特征级联的方式实现道路区域由粗到精,由近至远的渐优提取。然后,路面分割的基础上,结合视觉车道线特征,在特征层实现道路多车道模型的超视域检测。最后,结合三维激光雷达的时序特性对整体方法进行优化,利用点云采集过程的间隙时间实现特征检测的异步处理,极大的提高算法整体的实时性。3)提出基于轮廓点云特征线和偏离模型的动态车辆检测与跟踪该方法。引入图像处理中的线特征提取方法,利用点云切向角度平均梯度提取锚点特征。以锚点为轮廓点云特征线提取的起点,利用最小二乘方法在同一扫描线的点云数据中完成最小线特征初始化,并通过邻域增长的方式完成轮廓点云中线特征快速提取。根据点云时空特性,进行直线相似度匹配,得到轮廓主方向线,并在主方向线的基础上完成车辆的实时检测和几何模型构建。结合车道几何参数,构建目标车辆的偏离运动模型,通过卡尔曼滤波器实现车辆位置和姿态的准确跟踪。
陈嘉颖[5]（2019）在《无人驾驶条件下沥青路面纹理识别和制动策略研究》文中研究说明无人驾驶汽车因其具有驾驶行为可感知、缓解交通压力、减少能源消耗、减少交通事故等优势,使交通安全问题得到改善,将是未来道路上行驶车辆的主流形式。然而,无人驾驶汽车制动模型忽略了路面的影响因素,未考虑晴天、雨天不同路况下的沥青路面纹理情况对行车制动安全性的影响。路面的纹理特性与路面抗滑性能存在直接联系,良好的路面抗滑性能能够为高速行驶的车辆提供充足的摩擦力,保证车辆行驶过程中的安全性、舒适性。此外,典型的路表纹理测量方法与表征参数是对路表纹理水平的均衡化,无法体现粗糙沥青路表纹理的分形特性,测量效率较低且存在不可控的纹理信息损失的情况。鉴于此,本文结合无人驾驶车辆的技术特性及感应需求,研究沥青路面表面纹理识别方法及无人驾驶车辆的制动方式,为无人驾驶汽车制动策略选择提供理论指导。基于近景摄影测量技术的基本原理,本文首先提出了自动化近景摄影测量系统（Automatic close range photogrammetry system,ACRP system）,同时搭建实体近景摄影测量硬件平台,实现自动化沥青路面表面纹理图像实时采集,并运用MATLAB/Python混合编程完成ACRP软件模块,实现了沥青路面图像自动化预处理,基于VisualSFM开源框架进一步编程实现沥青路面表面纹理形貌的逆向重建,生成了反映路表实际纹理细节的沥青路面3D模型。由于路面模型初步重建过程中会存在毛刺、孔洞等缺陷,需要进一步预处理以提高路面三维重建的精度。阐述了沥青路面表面纹理形貌3D模型的细化处理方法,在获取的沥青路面3D模型基础上,开发了沥青路面表面纹理的三维坐标点数据可视化和纹理参数运算的ACRP软件模块,编写了沥青路面平均构造深度MTD值的计算子程序。运用GeoMagic、MeshLab三维模型处理软件,对逆向重建的沥青路面表面纹理3D模型进行纹理模型预处理,获取精确的沥青路面表面纹理的三维坐标点数据。然后,选择均方根粗糙度RMSR与平均构造深度MTD值作为评价指标,通过现场铺沙法和激光扫描仪法对比验证了所建立的纹理参数提取方法的有效性和准确性,为后文路表摩擦系数求解提供了基础。考虑潮湿条件下,路面由于水膜存在阻隔使路表功率谱密度发生变化,需要考虑潮湿路况下路表纹理特性。首先,介绍了雨天沥青路面表面水膜的形成机理,总结了雨天沥青路面水膜的形成过程和水膜厚度的影响因素,并采用硬件设备实现沥青路表水膜厚度的实时获取。其次,基于分形理论的Persson摩擦理论模型,采用Python编程计算路面功率谱密度曲线,针对传统功率谱计算方法不适用与潮湿路面的不足,提出“抗滑无贡献区域”的概念,获得了干燥和潮湿情况下轮胎-路面的动摩擦系数曲线,然后,采用DFT旋转摩擦测试仪验证了摩擦系数理论求解的准确性。最后,对比了无人驾驶车辆和传统车辆在制动原理上的差异,总结了无人驾驶车辆所面临的各种制动情景。基于以上获取的摩擦系数曲线,在Simulink中基于无人驾驶车辆的制动原理,创建了无人驾驶车辆的制动模型。采用CarSim/Simulink对潮湿、干燥路面不同情景下（紧急制动与拥堵路段制动）的无人驾驶车辆的制动进行联合仿真,针对性地提出来不同工况下的无人驾驶车辆制动策略。针对紧急制动工况,需要重点考虑制动安全性。针对拥堵路段制动情景,提出了“温和制动”的制动策略,该制动充分考虑乘客舒适性。结果表明:无人驾驶车辆应配备专业的短距雷达、长距雷达、高清摄像头,来检测车辆行进路线上的环境,长距雷达的有效距离应超过150m;阴雨天视距降低并且雨天情况下的紧急制动距离超过晴天情况下的45%左右,应放缓车速并保持车距;在车距较大的情况下识别到危险需要紧急制动时,建议先以中间档制动力（46MPa）进行制动;无人驾驶车辆在潮湿路面或者干燥路面行驶过程应满足一定的安全车距（安全车距取晴、雨天仿真安全制动距离平均值的1.11.2倍）。所以,为了确保不同路面条件下无人驾驶车辆制动安全性,无人驾驶制动模型中需要考虑路表纹理特性的影响。
李元可[6]（2019）在《运动车辆目标检测与实时跟踪方法研究》文中提出在智能交通系统中,运动车辆一直是重要的研究对象。为了准确并快速地检测、识别与跟踪行驶的车辆,本文提出了一种对运动车辆检测、识别和跟踪的方法。为了能够比较准确地判断出不同类型的运动车辆如大车和小车,提出了基于样本车辆跟踪框和质心像素纵坐标的自标定方法并给出了对大车和小车的定义。该方法用来为识别运动车辆并判断大车和小车提供标准,具体步骤是先将预先获得的小样本车辆在一定范围内跟踪框的宽高比作为识别运动车辆的依据,然后,将跟踪框的宽度值和车辆质心的像素纵坐标值作为判断大车和小车的参照。再选择某一大样本车辆,通过大样本车辆的相关数据来验证利用小样本车辆对大车的识别和判断是否正确。在对比了基于全局的自适应阈值Otsu算法和基于局部的自适应阈值Niblack算法和Sauvola算法对图像二值化的效果图之后,分别采用均值滤波、中值滤波和高斯滤波对产生的二值图像进行去噪处理,得出基于全局的Otsu算法的二值化效果好于局部阈值二值化方法的结论。然后,针对Otsu算法的缺陷,即在车辆检测后某些车辆轮廓间断、不易辨认,对Otsu算法进行了改进。在验证了改进的Otsu算法的优越性后选取该改进算法作为本文的自适应二值化阈值方法。另外,由于均值背景建模快速高效,得出的目标前景图质量较好,故选取均值背景建模方法作为本文建模背景的方法。在基于连通区域跟踪运动车辆的过程中,提出了识别视频图像中运动车辆数量的方法。然后,根据Harris角点检测算法的稳定性和准确性选取该算法作为本文跟踪车辆方法的核心。该跟踪方法将特征角点分布区域的中心点作为跟踪运动车辆的基础并用自适应车辆大小的跟踪框定位车体。在样本车辆跟踪框和质心像素纵坐标的自标定方法和对大小车的定义基础上,通过实验首先准确地判定出了目标物体是运动车辆,然后识别出了不同类型的运动车辆并验证了该方法的可行性与准确性,证明了本文的相关算法能够迅速准确地检测、识别并跟踪运动车辆。
《中国公路学报》编辑部[7]（2017）在《中国汽车工程学术研究综述·2017》文中认为为了促进中国汽车工程学科的发展,从汽车噪声-振动-声振粗糙度（Noise,Vibration,Harshness,NVH）控制、汽车电动化与低碳化、汽车电子化、汽车智能化与网联化以及汽车碰撞安全技术5个方面,系统梳理了国内外汽车工程领域的学术研究进展、热点前沿、存在问题、具体对策及发展前景。汽车NVH控制方面综述了从静音到声品质、新能源汽车NVH控制技术、车身与底盘总成NVH控制技术、主动振动控制技术等;汽车电动化与低碳化方面综述了传统汽车动力总成节能技术、混合动力电动汽车技术等;汽车电子化方面综述了汽车发动机电控技术、汽车转向电控技术、汽车制动电控技术、汽车悬架电控技术等;汽车智能化与网联化方面综述了中美智能网联汽车研究概要、复杂交通环境感知、高精度地图及车辆导航定位、汽车自主决策与轨迹规划、车辆横向控制及纵向动力学控制、智能网联汽车测试,并给出了先进驾驶辅助系统（ADAS）、车联网和人机共驾等典型应用实例解析;汽车碰撞安全技术方面综述了整车碰撞、乘员保护、行人保护、儿童碰撞安全与保护、新能源汽车碰撞安全等。该综述可为汽车工程学科的学术研究提供新的视角和基础资料。
王宝锋[8]（2017）在《基于机器学习与传感器融合的车辆与车道线识别研究》文中进行了进一步梳理智能驾驶技术不但能够降低人类驾驶劳动强度,而且可以有效避免交通事故,提高汽车行驶的安全性。作为智能驾驶环境感知模块的重要的组成部分,车辆及车道线的识别一直以来都是研究的热点。本文提出一种基于视觉和毫米波雷达的车辆及车道线识别方法,旨在通过采用机器学习和多传感器融合的方法,提高复杂交通环境下车辆与车道线识别的可靠性和精度。本文主要研究内容如下:搭建了视觉与毫米波雷达车载传感器平台,基于坐标空间模型和联合标定实现了多传感时空同步。基于Adaboost-Haar算法建立车辆识别预测模型。针对传统训练样本人工采集方法成本高的缺点,提出了基于视觉跟踪和半监督迭代训练的样本获取方法。设计了具有较好精度和稳定性的视觉跟踪算法并开发了样本采集软件,从而大大提高了样本采集的自动化程度。在模型训练中,采用了半监督迭代训练的学习方法,从而充分利用各阶段识别预测模型已具备的分类能力来进行样本采集,不但降低了样本采集的人工劳动强度,而且通过闭环反馈提高了分类器分类能力。提出了基于视觉的自适应多车辆目标跟踪算法。建立了具有目标噪声特性在线统计模块的自适应Kalman滤波的车辆滤波器。提出了基于全局最邻近（Global Nearest Neighboring,GNN）和局部校验的多目标关联算法,并基于时序分析和有限状态机（Finite State Machine,FSM）对多目标航迹进行管理。上述跟踪方法有效提高了动态多车辆场景下,目标跟踪的精度和稳定性。建立了具有较强抗干扰能力的车道线识别算法。基于局部稠密光流和场景先验知识提出车辆3D掩膜生成方法对场景中车辆干扰剔除。采用信息维度更高的斑块特征（Blobs）作为车道特征,并提出了基于关联双空间的车道Blobs分类模型。算法采用纵向识别区域划分的框架,通过自适应K-Means和由近及远的车道追溯方法动态确定车道Blobs分类模型参数。最后采用直线和Catmull-Rom样条自适应切换的道路模型对车道进行拟合。对毫米波雷达及视觉传感器融合方法进行研究。基于四维Kalman滤波、椭圆波门、最邻近数据关联及滑窗逻辑建立了毫米波雷达多目标跟踪方法。通过实验对雷达及视觉测距特性进行评价,并基于实验结论对雷达与视觉的多目标航迹关联及状态冗余决策算法进行设计。从而充分发挥不同传感器的感知特性优势,弥补不同传感器感知特性的不足,有效提高道路环境感知的能力。
陈伊[9]（2014）在《基于图像多特征的车辆对象识别方法研究》文中提出2013年新交通法规的执行,加大了对车辆违法牌照的惩罚力度。目前,公安对车辆的监控执法,主要是通过车辆车牌自动识别系统来识别违法车辆的车牌,以此作为违法证据对其进行责任的追究。为了逃避处罚,驾驶者通常会采用遮挡、污损、伪造、变造机动车号牌、未悬挂车牌等手段,使现行的车辆车牌自动识别系统失效。因此针对车牌无法识别的车辆对象识别是一个难点问题,在智能交通领域中有着广泛的应用前景,同时也是计算机视觉、图像处理和模式识别等学科交叉研究的热门领域。本课题正是在这一背景下,依据经典统计模式识别及图像处理相关理论,对车辆对象识别中的特征提取和识别方法等方面做了较深入的研究,较好地解决了交通路段高清图像中车辆对象颜色识别与具体车型识别的问题,在打击车辆违章、无牌照车辆等公安稽查领域有着非常重要的意义。本课题提出了针对普遍存在的光照、噪声、尺度、形状相似、部分遮挡等情况下对车辆对象识别的技术解决方案,在目标识别研究中有一定的理论意义和实践意义。论文的主要内容与创新点总结如下：1、车型标准特征模型库的建立。车型标准特征模型库是本课题研究的基础工作,本课题分别从车型的物理特征类、结构特征类、车辆照片类三个方面建立此库,其涵盖国内85%小型车辆的详细信息,为车辆分类与识别提供准确依据。2、车辆对象检测与车辆颜色识别。通过平均背景建模,背景差分算法提出了基于直方图动态阈值阴影去除的对象定位,可以有效的防止阴影等外界环境对车辆对象定位带来的影响；针对传统基于颜色空间的车辆颜色识别,研究光照不均下的亮度调整,改进后的算法能有效消除光照环境对识别颜色的干扰,提高了在光照变化时车辆颜色识别的准确率。3、融合多特征的车型分类识别技术研究。首先运用改进的Adaboost方法进行车脸定位,提取SIFT、SURF不变性特征,提出改进的特征匹配策略,并结合车脸区域分割的车标与车灯不变矩特征、散热器隔栏纹理等多特征,根据车型标准特征模型库的数据,提出了多特征融合的自适应分步车型分类识别算法。统计结果表明多特征的融合能够提高车型的识别率。
李仪[10]（2013）在《城市环境中交通对象检测与识别研究》文中提出无人驾驶智能车辆在城市环境中行驶时需要对图像数据中的道路、前方车辆、前方车辆的刹车灯和转向灯以及交通信号灯进行检测与识别。一方面无人驾驶智能车辆自身空间的限制导致其计算能力有限,另一方面图像数据由于摄像头的发展导致其数据量日益增大,且由于图像处理算法的复杂度逐渐提高其需求更多的计算资源,两者之间难以取舍；解决此矛盾的最好方法即建立混合异构并行计算模型来充分利用其计算资源。总而言之,本文做了如下工作：1.针对图像分割中的阈值难以确定,本文设计了多类类间最大方差法中的分类数确定算法,以此来获取多个阈值及分割图像；设计了包含道路区域的二值图像选择算法和基于二次多项式的分段函数拟合方法,基于该两个方法来估计道路区域的边界；为了定位前方车辆在图像中的位置,可以通过分析车底阴影的形状设计约束条件来选择车底阴影区域。通过实验表明该方法有较好的效果。2.利用车辆尾灯的镜像特征设计车尾灯对匹配算法,并通过其与车底阴影之间的位置关系来检测车尾灯对以及辅助定位车辆位置。为了提高检测率,设计了基于对象相对位置关系的多目标Kalman滤波跟踪算法。为了获得前方车辆的减速信息,设计了高位刹车灯检测,并通过刹车灯在“亮”状态下的颜色分布设计了刹车灯点亮状态识别算法,结合该两个算法的结果来识别前方刹车灯的状态。转向灯有左右之分并且以断续闪烁过程来提供给后方驾驶员转向信息。本文设计了当车尾灯对检测失效时的左右转向灯的判别方法,并设计了转向灯断续闪烁状态累计识别算法来识别转向灯是否处于“灭”—“亮”—“灭”这种状态转换的过程中。实验结果表明了这些方法的有效性。3.根据交通信号灯的光源部分具备“亮”特点,而其背板部分具备“暗”特点,设计了基于Top-hat算子的“亮”区域提取算法和基于多阈值分割的“暗”区域提取算法,通过两个区域的位置匹配来定位交通信号灯。对圆形光源区域设计了结合圆形度检测和改进Hough椭圆检测的方法来判断其是否为圆形；对箭头形光源区域,建立了标准箭头形状的面积投影函数,并对区域样本做投影转换及归一化,通过样本面积投影函数与标准面积函数的方差来确定方向。通过实验分析验证了这些算法的有效性。4.介绍了混合异构车载并行计算模型,对多台车载联网计算机设计了其拓扑结构以及基于在线动态分析的任务分配与作业调度算法,提出了GPU+CPU负载均衡优化策略减少了TBB与CUDA之间的数据交换。针对整体检测与识别系统进行总体任务划分以实现层级化管理,并对每一个任务进行了算法级的并行设计,以此实现了粗粒度以及细粒度上的混合异构并行设计。通过实验表明,一方面解决了图像处理的实时性问题,另一方面解决了资源有效利用的问题。
二、车型识别系统中利用阴影特点快速定位车体（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、车型识别系统中利用阴影特点快速定位车体（论文提纲范文）
（1）智能汽车虚拟测试毫米波雷达实时模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的提出 |
| 1.2 智能汽车虚拟测试研究现状 |
| 1.3 智能汽车虚拟测试传感器建模研究现状 |
| 1.3.1 虚拟测试平台现有传感器模型 |
| 1.3.2 传感器模型的建模方法 |
| 1.3.3 传感器模型的目标可见性判断方法 |
| 1.4 本文主要研究内容与章节安排 |
| 第2章 基于几何裁剪的智能汽车传感器实时功能模型 |
| 2.1 引言 |
| 2.2 传感器功能模型的建立 |
| 2.2.1 功能模型框架的提出 |
| 2.2.2 通用传感器功能模型框架的建立 |
| 2.2.3 满足高计算效率需求的快速对象提取方法 |
| 2.2.4 基于阴影体的快速遮挡模拟计算方法 |
| 2.2.5 对标实际传感器格式的输出转化 |
| 2.2.6 引入测量误差的噪声模拟 |
| 2.3 传感器功能模型的仿真验证 |
| 2.3.1 毫米波雷达功能模型 |
| 2.3.2 激光雷达功能模型 |
| 2.3.3 摄像机功能模型 |
| 2.4 模型计算效率验证 |
| 2.5 本章小结 |
| 第3章 基于RCS可见性判断的毫米波雷达模型 |
| 3.1 引言 |
| 3.2 雷达的反射强度 |
| 3.2.1 雷达方程的推导 |
| 3.2.2 RCS定义与特性 |
| 3.3 基于RCS可见性判断毫米波雷达模型建立 |
| 3.3.1 毫米波雷达模型功能的提出 |
| 3.3.2 毫米波雷达模型框架的建立 |
| 3.4 目标RCS模拟算法研究 |
| 3.4.1 基于线段求交算法的目标可见端点坐标计算 |
| 3.4.2 基于向量求角计算目标反射强度的算法研究 |
| 3.5 本章小结 |
| 第4章 毫米波雷达目标车辆RCS试验研究 |
| 4.1 引言 |
| 4.2 毫米波雷达反射强度试验平台搭建 |
| 4.3 毫米波雷达反射强度试验标定 |
| 4.3.1 校准设备的选择 |
| 4.3.2 校准试验的设计 |
| 4.3.3 试验结果分析 |
| 4.4 实车RCS试验结果与分析 |
| 4.4.1 汽车不同反射面RCS测量结果与分析 |
| 4.4.2 汽车不同角度RCS测量结果与分析 |
| 4.4.3 不同车型反射面RCS测量结果与分析 |
| 4.4.4 不同材质反射面RCS测量结果与分析 |
| 4.4.5 不同天气对毫米波雷达RCS的影响验证试验研究 |
| 4.5 本章小结 |
| 第5章 毫米波雷达模型仿真验证 |
| 5.1 引言 |
| 5.2 智能汽车虚拟仿真测试平台介绍 |
| 5.2.1 驾驶模拟器的主要运行机制 |
| 5.2.2 实时数据显示记录 |
| 5.3 典型工况仿真验证 |
| 5.3.1 小几何大反射工况 |
| 5.3.2 大几何小反射工况 |
| 5.4 本章小结 |
| 第6章 全文总结与研究展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及从事的科研工作 |
| 致谢 |
（2）基于激光雷达和视觉融合的无人扫地车前方障碍物检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于激光雷达的智能车辆前方障碍物检测研究现状 |
| 1.2.2 基于视觉的智能车辆前方障碍物检测研究现状 |
| 1.2.3 多传感器数据融合的智能车辆前方障碍物检测研究现状 |
| 1.3 论文的主要研究内容与研究方案 |
| 1.3.1 无人扫地车的研发任务及要求 |
| 1.3.2 本文主要研究内容 |
| 1.3.3 本文研究方案 |
| 第二章 多传感器数据融合原理与算法 |
| 2.1 传感器选型 |
| 2.2 多传感器数据的融合原理 |
| 2.3 多传感器数据的融合算法 |
| 2.3.1 时间上的匹配 |
| 2.3.2 空间上的匹配 |
| 2.3.3 坐标系的建立 |
| 2.3.4 相机标定 |
| 2.3.5 激光雷达的标定 |
| 2.4 本章小结 |
| 第三章 适应不同距离的三维激光雷达数据处理 |
| 3.1 点云数据的预处理 |
| 3.1.1 点云数据投影 |
| 3.1.2 栅格滤波 |
| 3.2 适应不同距离的点云数据聚类 |
| 3.2.1 网格连通标记聚类算法 |
| 3.2.2 最邻近聚类算法 |
| 3.3 实验结果 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络的前方车辆检测方法 |
| 4.1 图像预处理及感兴趣区域提取 |
| 4.1.1 图像灰度化及去噪 |
| 4.1.2 建立感兴趣区域 |
| 4.1.3 基于车辆底部阴影的假设区域生成 |
| 4.2 基于Alexnet卷积神经网络的目标检测 |
| 4.2.1 卷积神经网络基本原理 |
| 4.2.2 AlexNet卷积神经网络 |
| 4.3 本章小结 |
| 第五章 无人扫地车前方障碍物检测系统设计与性能测试 |
| 5.1 验证平台搭建与算法代码编写 |
| 5.2 障碍物检测结果分析 |
| 5.2.1 单一传感器检测验证 |
| 5.2.2 多传感器数据融合检测验证 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文及申请的专利 |
（3）基于深度学习理论的桥梁上车型识别与检测跟踪研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 非接触式计算机视觉技术在结构健康监测中的应用 |
| 1.3 基于深度学习的图像处理研究现状 |
| 1.3.1 深度学习概述 |
| 1.3.2 深度学习在结构健康监测中的应用 |
| 1.4 基于计算机视觉技术的车辆识别和检测跟踪 |
| 1.5 本文选题依据 |
| 1.6 本文研究内容 |
| 第2章 车辆分类标准的制定和轴重区间估计 |
| 2.1 引言 |
| 2.2 国外车辆分类标准 |
| 2.2.1 国际标准化组织标准分类 |
| 2.2.2 联合国车辆分类标准 |
| 2.2.3 全球汽车技术规范文件 |
| 2.2.4 欧盟车辆分类体系 |
| 2.2.5 美国车辆分类标准 |
| 2.2.6 德国车辆分类 |
| 2.2.7 日本车辆分类标准 |
| 2.3 我国车辆分类方法 |
| 2.3.1 国家标准车辆分类 |
| 2.3.2 交通运输及公路收费行业标准 |
| 2.3.3 公安管理部门行业标准 |
| 2.3.4 其他部门车辆分类方法 |
| 2.4 相关研究中的车辆分类方法 |
| 2.5 本文车辆分类标准 |
| 2.6 车辆轴重区间估计 |
| 2.7 本章小结 |
| 第3章 基于卷积神经网络的车型识别 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.2.1 卷积神经网络概述 |
| 3.2.2 卷积神经网络的结构 |
| 3.2.3 卷积神经网络的训练 |
| 3.2.4 随机梯度下降法 |
| 3.2.5 迁移学习 |
| 3.2.6 过拟合问题 |
| 3.3 卷积神经网络算法 |
| 3.3.1 AlexNet模型 |
| 3.3.2 VGG-16 模型 |
| 3.3.3 模型识别性能评估 |
| 3.4 车辆数据集建立 |
| 3.4.1 常用公开数据集 |
| 3.4.2 建立本文数据集 |
| 3.5 实验结果 |
| 3.5.1 实验环境 |
| 3.5.2 AlexNet模型训练 |
| 3.5.3 VGG-16 模型训练 |
| 3.6 本章小结 |
| 第4章 视频图像中的车辆目标检测 |
| 4.1 引言 |
| 4.2 目标检测方法 |
| 4.2.1 传统目标检测方法 |
| 4.2.2 深度学习方法 |
| 4.3 基于高斯混合模型的背景差分法 |
| 4.3.1 高斯混合模型背景建模 |
| 4.3.2 数字形态学方法和Blob分析 |
| 4.4 基于Faster R-CNN的车辆检测方法 |
| 4.4.1 候选区域建议网络 |
| 4.4.2 非极大值抑制算法 |
| 4.5 实验验证 |
| 4.5.1 Faster R-CNN模型训练及检测结果 |
| 4.5.2 基于高斯混合模型的背景差分法检测结果 |
| 4.6 本章小结 |
| 第5章 车辆跟踪及车辆自动检测跟踪分类系统设计 |
| 5.1 引言 |
| 5.2 目标跟踪常用算法 |
| 5.2.1 均值漂移算法 |
| 5.2.2 粒子滤波跟踪算法 |
| 5.3 基于卡尔曼滤波的车辆跟踪 |
| 5.3.1 卡尔曼滤波 |
| 5.3.2 多目标跟踪 |
| 5.3.3 实验结果 |
| 5.4 车辆自动检测跟踪分类系统设计 |
| 5.4.1 系统框架组成 |
| 5.4.2 系统功能介绍 |
| 5.4.3 系统运行结果展示 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录 A(车辆数据库信息统计图) |
| 致谢 |
（4）面向无人驾驶的道路场景建模关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 无人驾驶研究历程和发展趋势 |
| 1.2.1 国外无人驾驶发展历程 |
| 1.2.2 国内无人驾驶发展历程 |
| 1.2.3 无人驾驶发展趋势 |
| 1.3 实时道路场景建模的相关概念 |
| 1.3.1 道路几何结构 |
| 1.3.2 障碍物检测与跟踪 |
| 1.3.3 交通信号识别 |
| 1.4 论文章节内容安排 |
| 第2章 基于单目视觉的实时车道线检测与跟踪 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 基于误差传递模型的车道线特征边缘提取 |
| 2.3.1 灭点相机模型 |
| 2.3.2 ROI区域初始化 |
| 2.3.3 基于正负对称平均梯度边缘特征提取 |
| 2.4 基于BRESENHAM LINE算法的直线快速提取 |
| 2.4.1 投票空间的构建 |
| 2.4.2 图像空间到投票空间的变换 |
| 2.4.3 直线参数修正 |
| 2.5 模型自适应的车道线拟合和参数跟踪 |
| 2.5.1 几何模型估计 |
| 2.5.2 跟踪模型 |
| 2.6 实验结果及分析 |
| 2.6.1 实验平台 |
| 2.6.2 边缘特征提取对比试验 |
| 2.6.3 直线检测效率对比 |
| 2.6.4 自身数据车道线提取效果 |
| 2.6.5.公开数据集对比实验 |
| 2.7 本章小结 |
| 第3章 基于级联特征融合道路边界提取 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 三维激光雷达工作原理 |
| 3.3.1 三维激光雷达硬件组成 |
| 3.3.2 点云数据采集过程 |
| 3.3.3 点云坐标计算 |
| 3.4 基于区域划分和特征级联的路面分割 |
| 3.4.1 基于角度特征的路面分割方法 |
| 3.4.2 基于多特征级联的路面分割方法 |
| 3.4.2.1 近处区域路面分割 |
| 3.4.2.2 远处区域路面分割 |
| 3.4.3 基于三维激光雷达的时序特征的算法效率优化 |
| 3.4.3.1 扫描线预处理 |
| 3.4.3.2 三维激光雷达的时序特征 |
| 3.4.3.3 基于时序特征的算法效率优化 |
| 3.5 多传感器融合的多车道检测 |
| 3.5.1 路沿特征提取 |
| 3.5.2 融合车道线和路沿的直线车道模型构建 |
| 3.5.3 基于分段最小二乘的路沿拟合 |
| 3.6 实验与总结 |
| 3.6.1.路面分割实验 |
| 3.6.1.1 实时性分析 |
| 3.6.1.2 检测效果分析 |
| 3.6.2.路沿检测实验 |
| 3.7 本章小结 |
| 第4章 基于轮廓点云线特征和偏离模型车辆检测与跟踪 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 车辆轮廓点云线特征提取 |
| 4.3.1 锚点检测 |
| 4.3.2 直线提取 |
| 4.3.3 线特征聚类 |
| 4.4 融合车道偏离模型的车辆检测与跟踪 |
| 4.4.1 基于车辆方向线特征的目标聚类 |
| 4.4.2 基于车道偏离参数的车辆运动模型 |
| 4.5 实验与分析 |
| 4.5.1 实时性分析 |
| 4.5.2 检测效果分析 |
| 4.6 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 主要创新点 |
| 5.3 展望 |
| 参考文献 |
| 攻博期间研究经历和科研成果 |
| 参与的科研项目 |
| 研究经历及获奖情况 |
| 发表的学术文章 |
| 致谢 |
（5）无人驾驶条件下沥青路面纹理识别和制动策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人驾驶技术发展 |
| 1.2.2 沥青路面表面纹理分类与抗滑性能 |
| 1.2.3 沥青路面表面纹理获取与识别方法 |
| 1.2.4 沥青路面表面纹理特征描述方法 |
| 1.2.5 沥青路面表面纹理参数与抗滑性能的关系 |
| 1.2.6 无人驾驶车辆制动稳定性策略 |
| 1.2.7 目前研究不足 |
| 1.3 研究内容与方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 第二章 基于CRP技术的沥青路面表面纹理采集平台搭建 |
| 2.1 近景摄影测量基本原理 |
| 2.2 计算机图像处理技术基本数学模型 |
| 2.2.1 图像变形校正 |
| 2.2.2 图像分割 |
| 2.2.3 图像阴影去除 |
| 2.2.4 图像频域滤波降噪 |
| 2.3 沥青路面表面纹理采集平台搭建 |
| 2.3.1 硬件设备组成 |
| 2.3.2 硬件结构 |
| 2.4 沥青路面表面纹理图像采集与3D模型建立 |
| 2.4.1 沥青路面表面纹理2D图像采集 |
| 2.4.2 图像预处理 |
| 2.4.3 沥青路面表面纹理3D点云逆向重建 |
| 2.5 本章小结 |
| 第三章 沥青路面表面纹理信息提取及特征参数计算 |
| 3.1 沥青路面表面纹理参数描述 |
| 3.2 沥青路面表面纹理3D坐标点高程数据获取 |
| 3.2.1 纹理模型平面调平 |
| 3.2.2 纹理模型比例尺调整 |
| 3.2.3 纹理模型细节修正与坐标点数据导出 |
| 3.3 基于MATLAB与 Python混合编程的抗滑评价指标计算模块 |
| 3.3.1 软件模块需求 |
| 3.3.2 沥青路面平均构造深度MTD计算 |
| 3.3.3 软件模块基本工作流程 |
| 3.4 路表纹理水平指标有效性验证 |
| 3.4.1 铺沙法、激光扫描仪(3D-Scanner)试验数据获取 |
| 3.4.2 抗滑评价指标选取 |
| 3.4.3 ACRP系统可靠性验证 |
| 3.4.4 ACRP系统高效性验证 |
| 3.5 本章小结 |
| 第四章 基于沥青路面纹理参数的摩擦系数计算 |
| 4.1 雨天沥青路面水膜形成机理 |
| 4.1.1 沥青路表水膜形成的影响因素 |
| 4.1.2 沥青表面水膜厚度实时获取 |
| 4.2 基于路表纹理分形特性的摩擦理论 |
| 4.2.1 沥青路表纹理分形基本特征 |
| 4.2.2 路表纹理分形维数的计算方法 |
| 4.2.3 基于分形理论的摩擦接触模型 |
| 4.3 沥青路面功率谱及动摩擦系数求解 |
| 4.3.1 干燥条件下沥青路面功率谱计算 |
| 4.3.2 潮湿条件下沥青路面功率谱计算(抗滑无贡献区域) |
| 4.3.3 不同条件下沥青路面动摩擦系数计算 |
| 4.4 基于DFT试验的摩擦系数验证 |
| 4.5 本章小结 |
| 第五章 基于路表纹理识别的无人驾驶车辆制动策略 |
| 5.1 车辆制动基本原理 |
| 5.1.1 传统车辆制动原理 |
| 5.1.2 无人驾驶车辆制动原理 |
| 5.1.3 无人驾驶车辆制动情景 |
| 5.2 基于CarSim多体动力学车-路模型建立 |
| 5.2.1 CarSim多体动力学软件概述 |
| 5.2.2 无人驾驶车辆模型 |
| 5.2.3 路面模型 |
| 5.3 基于CarSim/Simulink联合仿真的无人驾驶车辆制动系统 |
| 5.3.1 车辆期望制动减速度 |
| 5.3.2 无人驾驶车辆制动模型 |
| 5.4 不同情景下无人驾驶车辆制动策略 |
| 5.4.1 拥堵路况的舒适性制动(温和制动) |
| 5.4.2 突发状况的紧急制动(潮湿干燥路面) |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要研究成果 |
| 6.2 主要创新点 |
| 6.3 可进行的后续研究 |
| 参考文献 |
| 硕士期间发表的学术论文及专利申请 |
| 致谢 |
（6）运动车辆目标检测与实时跟踪方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于视频的车辆检测算法的研究现状 |
| 1.2.2 基于视频的车辆跟踪算法的研究现状 |
| 1.2.3 视频检测系统的研究现状 |
| 1.3 论文主要架构 |
| 第二章 基于样本车辆跟踪框和质心像素纵坐标的自标定方法 |
| 2.1 摄像机投影原理 |
| 2.2 基于样本车辆的自标定 |
| 2.3 本章小结 |
| 第三章 运动车辆的检测方法 |
| 3.1 帧间差分法 |
| 3.1.1 图像二值化 |
| 3.1.2 滤波去噪 |
| 3.1.3 改进的Otsu算法 |
| 3.2 光流场法 |
| 3.3 背景差分法 |
| 3.4 本章小结 |
| 第四章 运动车辆的跟踪方法 |
| 4.1 运动车辆跟踪方法 |
| 4.1.1 基于连通区域的跟踪方法 |
| 4.1.2 基于特征的跟踪方法 |
| 4.2 基于角点匹配的车辆跟踪方法 |
| 4.3 特征点的提取 |
| 4.3.1 Fast角点检测原理 |
| 4.3.2 Harris角点检测原理 |
| 4.3.3 Fast和Harris特征点的比较及Sobel算子的引入 |
| 4.4 本章小结 |
| 第五章 对车辆的跟踪、识别与判断车型的实验 |
| 5.1 对单运动车辆的跟踪 |
| 5.2 对多运动车辆的跟踪 |
| 5.3 识别车辆并判断大车和小车 |
| 第六章 工作总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（7）中国汽车工程学术研究综述·2017（论文提纲范文）
| 索引 |
| 0引言 |
| 1汽车NVH控制 (长安汽车工程研究院庞剑总工程师统稿) |
| 1.1从静音到声品质 (重庆大学贺岩松教授提供初稿) |
| 1.1.1国内外研究现状 |
| 1.1.1.1声品质主观评价 |
| 1.1.1.2声品质客观评价 |
| 1.1.1.3声品质主客观统一模型 |
| 1.1.2存在的问题 |
| 1.1.3研究发展趋势 |
| 1.2新能源汽车NVH控制技术 |
| 1.2.1驱动电机动力总成的NVH技术 (同济大学左曙光教授、林福博士生提供初稿) |
| 1.2.1.1国内外研究现状 |
| 1.2.1.2热点研究方向 |
| 1.2.1.3存在的问题与展望 |
| 1.2.2燃料电池发动机用空压机的NVH技术 (同济大学左曙光教授、韦开君博士生提供初稿) |
| 1.2.2.1国内外研究现状 |
| 1.2.2.2存在的问题 |
| 1.2.2.3总结与展望 |
| 1.3车身与底盘总成NVH控制技术 |
| 1.3.1车身与内饰 (长安汽车工程研究院庞剑总工程师提供初稿) |
| 1.3.1.1车身结构 |
| 1.3.1.2声学包装 |
| 1.3.2制动系 (同济大学张立军教授、徐杰博士生、孟德建讲师提供初稿) |
| 1.3.2.1制动抖动 |
| 1.3.2.2制动颤振 |
| 1.3.2.3制动尖叫 |
| 1.3.2.4瓶颈问题与未来趋势 |
| 1.3.3轮胎 (清华大学危银涛教授、杨永宝博士生、赵崇雷硕士生提供初稿) |
| 1.3.3.1轮胎噪声机理研究 |
| 1.3.3.2轮胎噪声计算模型 |
| 1.3.3.3轮胎噪声的测量手段 |
| 1.3.3.4降噪方法 |
| 1.3.3.5问题与展望 |
| 1.3.4悬架系 (吉林大学庄晔副教授提供初稿) |
| 1.3.4.1悬架系NVH问题概述 |
| 1.3.4.2悬架系的动力学建模与NVH预开发 |
| 1.3.4.3悬架系的关键部件NVH设计 |
| 1.3.4.4悬架NVH设计整改 |
| 1.4主动振动控制技术 (重庆大学郑玲教授提供初稿) |
| 1.4.1主动和半主动悬架技术 |
| 1.4.1.1主动悬架技术 |
| 1.4.1.2半主动悬架技术 |
| 1.4.2主动和半主动悬置技术 |
| 1.4.2.1主动悬置技术 |
| 1.4.2.2半主动悬置技术 |
| 1.4.3问题及发展趋势 |
| 2汽车电动化与低碳化 (江苏大学何仁教授统稿) |
| 2.1传统汽车动力总成节能技术 (同济大学郝真真博士生、倪计民教授提供初稿) |
| 2.1.1国内外研究现状 |
| 2.1.1.1替代燃料发动机 |
| 2.1.1.2高效内燃机 |
| 2.1.1.3新型传动方式 |
| 2.1.2存在的主要问题 |
| 2.1.3重点研究方向 |
| 2.1.4发展对策及趋势 |
| 2.2混合动力电动汽车技术 (重庆大学胡建军教授、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.2.1国内外研究现状 |
| 2.2.2存在的问题 |
| 2.2.3重点研究方向 |
| 2.3新能源汽车技术 |
| 2.3.1纯电动汽车技术 (长安大学马建、余强、汪贵平教授, 赵轩、李耀华副教授, 许世维、唐自强、张一西研究生提供初稿) |
| 2.3.1.1动力电池 |
| 2.3.1.2分布式驱动电动汽车驱动控制技术 |
| 2.3.1.3纯电动汽车制动能量回收技术 |
| 2.3.2插电式混合动力汽车技术 (重庆大学胡建军、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.3.2.1国内外研究现状 |
| 2.3.2.2存在的问题 |
| 2.3.2.3热点研究方向 |
| 2.3.2.4研究发展趋势 |
| 2.3.3燃料电池电动汽车技术 (北京理工大学王震坡教授、邓钧君助理教授, 北京重理能源科技有限公司高雷工程师提供初稿) |
| 2.3.3.1国内外技术发展现状 |
| 2.3.3.2关键技术及热点研究方向 |
| 2.3.3.3制约燃料电池汽车发展的关键因素 |
| 2.3.3.4燃料电池汽车的发展趋势 |
| 3汽车电子化 (吉林大学宗长富教授统稿) |
| 3.1汽车发动机电控技术 (北京航空航天大学杨世春教授、陈飞博士提供初稿) |
| 3.1.1国内外研究现状 |
| 3.1.2重点研究方向 |
| 3.1.2.1汽车发动机燃油喷射控制技术 |
| 3.1.2.2汽车发动机涡轮增压控制技术 |
| 3.1.2.3汽车发动机电子节气门控制技术 |
| 3.1.2.4汽车发动机点火控制技术 |
| 3.1.2.5汽车发动机空燃比控制技术 |
| 3.1.2.6汽车发动机怠速控制技术 |
| 3.1.2.7汽车发动机爆震检测与控制技术 |
| 3.1.2.8汽车发动机先进燃烧模式控制技术 |
| 3.1.2.9汽车柴油发动机电子控制技术 |
| 3.1.3研究发展趋势 |
| 3.2汽车转向电控技术 |
| 3.2.1电动助力转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.1.1国内外研究现状 |
| 3.2.1.2重点研究方向和存在的问题 |
| 3.2.1.3研究发展趋势 |
| 3.2.2主动转向及四轮转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.2.1国内外研究现状 |
| 3.2.2.2研究热点和存在问题 |
| 3.2.2.3研究发展趋势 |
| 3.2.3线控转向技术 (吉林大学郑宏宇副教授提供初稿) |
| 3.2.3.1转向角传动比 |
| 3.2.3.2转向路感模拟 |
| 3.2.3.3诊断容错技术 |
| 3.2.4商用车电控转向技术 (吉林大学宗长富教授、赵伟强副教授, 韩小健、高恪研究生提供初稿) |
| 3.2.4.1电控液压转向系统 |
| 3.2.4.2电液耦合转向系统 |
| 3.2.4.3电动助力转向系统 |
| 3.2.4.4后轴主动转向系统 |
| 3.2.4.5新能源商用车转向系统 |
| 3.2.4.6商用车转向系统的发展方向 |
| 3.3汽车制动控制技术 (合肥工业大学陈无畏教授、汪洪波副教授提供初稿) |
| 3.3.1国内外研究现状 |
| 3.3.1.1制动系统元部件研发 |
| 3.3.1.2制动系统性能分析 |
| 3.3.1.3制动系统控制研究 |
| 3.3.1.4电动汽车研究 |
| 3.3.1.5混合动力汽车研究 |
| 3.3.1.6参数测量 |
| 3.3.1.7与其他系统耦合分析及控制 |
| 3.3.1.8其他方面 |
| 3.3.2存在的问题 |
| 3.4汽车悬架电控技术 (吉林大学庄晔副教授提供初稿) |
| 3.4.1电控悬架功能与评价指标 |
| 3.4.2电控主动悬架最优控制 |
| 3.4.3电控悬架其他控制算法 |
| 3.4.4电控悬架产品开发 |
| 4汽车智能化与网联化 (清华大学李克强教授、长安大学赵祥模教授共同统稿) |
| 4.1国内外智能网联汽车研究概要 |
| 4.1.1美国智能网联汽车研究进展 (美国得克萨斯州交通厅Jianming Ma博士提供初稿) |
| 4.1.1.1美国智能网联车研究意义 |
| 4.1.1.2网联车安全研究 |
| 4.1.1.3美国自动驾驶车辆研究 |
| 4.1.1.4智能网联自动驾驶车 |
| 4.1.2中国智能网联汽车研究进展 (长安大学赵祥模教授、徐志刚副教授、闵海根、孙朋朋、王振博士生提供初稿) |
| 4.1.2.1中国智能网联汽车规划 |
| 4.1.2.2中国高校及研究机构智能网联汽车开发情况 |
| 4.1.2.3中国企业智能网联汽车开发情况 |
| 4.1.2.4存在的问题 |
| 4.1.2.5展望 |
| 4.2复杂交通环境感知 |
| 4.2.1基于激光雷达的环境感知 (长安大学付锐教授、张名芳博士生提供初稿) |
| 4.2.1.1点云聚类 |
| 4.2.1.2可通行区域分析 |
| 4.2.1.3障碍物识别 |
| 4.2.1.4障碍物跟踪 |
| 4.2.1.5小结 |
| 4.2.2车载摄像机等单传感器处理技术 (武汉理工大学胡钊政教授、陈志军博士, 长安大学刘占文博士提供初稿) |
| 4.2.2.1交通标志识别 |
| 4.2.2.2车道线检测 |
| 4.2.2.3交通信号灯检测 |
| 4.2.2.4行人检测 |
| 4.2.2.5车辆检测 |
| 4.2.2.6总结与展望 |
| 4.3高精度地图及车辆导航定位 (武汉大学李必军教授、长安大学徐志刚副教授提供初稿) |
| 4.3.1国内外研究现状 |
| 4.3.2当前研究热点 |
| 4.3.2.1高精度地图的采集 |
| 4.3.2.2高精度地图的地图模型 |
| 4.3.2.3高精度地图定位技术 |
| 4.3.2.4基于GIS的路径规划 |
| 4.3.3存在的问题 |
| 4.3.4重点研究方向与展望 |
| 4.4汽车自主决策与轨迹规划 (清华大学王建强研究员、李升波副教授、忻隆博士提供初稿) |
| 4.4.1驾驶人决策行为特性 |
| 4.4.2周车运动轨迹预测 |
| 4.4.3智能汽车决策方法 |
| 4.4.4自主决策面临的挑战 |
| 4.4.5自动驾驶车辆的路径规划算法 |
| 4.4.5.1路线图法 |
| 4.4.5.2网格分解法 |
| 4.4.5.3 Dijistra算法 |
| 4.4.5.4 A*算法 |
| 4.4.6路径面临的挑战 |
| 4.5车辆横向控制及纵向动力学控制 |
| 4.5.1车辆横向控制结构 (华南理工大学游峰副教授, 初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.5.1.1基于经典控制理论的车辆横向控制 (PID) |
| 4.5.1.2基于现代控制理论的车辆横向控制 |
| 4.5.1.3基于智能控制理论的车辆横向控制 |
| 4.5.1.4考虑驾驶人特性的车辆横向控制 |
| 4.5.1.5面临的挑战 |
| 4.5.2动力学控制 (清华大学李升波副研究员、李克强教授、徐少兵博士提供初稿) |
| 4.5.2.1纵向动力学模型 |
| 4.5.2.2纵向稳定性控制 |
| 4.5.2.3纵向速度控制 |
| 4.5.2.4自适应巡航控制 |
| 4.5.2.5节油驾驶控制 |
| 4.6智能网联汽车测试 (中国科学院自动化研究所黄武陵副研究员、王飞跃研究员, 清华大学李力副教授, 西安交通大学刘跃虎教授、郑南宁院士提供初稿) |
| 4.6.1智能网联汽车测试研究现状 |
| 4.6.2智能网联汽车测试热点研究方向 |
| 4.6.2.1智能网联汽车测试内容研究 |
| 4.6.2.2智能网联汽车测试方法 |
| 4.6.2.3智能网联汽车的测试场地建设 |
| 4.6.3智能网联汽车测试存在的问题 |
| 4.6.4智能网联汽车测试研究发展趋势 |
| 4.6.4.1智能网联汽车测试场地建设要求 |
| 4.6.4.2智能网联汽车测评方法的发展 |
| 4.6.4.3加速智能网联汽车测试及进程管理 |
| 4.7典型应用实例解析 |
| 4.7.1典型汽车ADAS系统解析 |
| 4.7.1.1辅助车道保持系统、变道辅助系统与自动泊车系统 (同济大学陈慧教授, 何晓临、刘颂研究生提供初稿) |
| 4.7.1.2 ACC/AEB系统 (清华大学王建强研究员, 华南理工大学游峰副教授、初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.7.2 V2X协同及队列自动驾驶 |
| 4.7.2.1一维队列控制 (清华大学李克强教授、李升波副教授提供初稿) |
| 4.7.2.2二维多车协同控制 (清华大学李力副教授提供初稿) |
| 4.7.3智能汽车的人机共驾技术 (武汉理工大学褚端峰副研究员、吴超仲教授、黄珍教授提供初稿) |
| 4.7.3.1国内外研究现状 |
| 4.7.3.2存在的问题 |
| 4.7.3.3热点研究方向 |
| 4.7.3.4研究发展趋势 |
| 5汽车碰撞安全技术 |
| 5.1整车碰撞 (长沙理工大学雷正保教授提供初稿) |
| 5.1.1汽车碰撞相容性 |
| 5.1.1.1国内外研究现状 |
| 5.1.1.2存在的问题 |
| 5.1.1.3重点研究方向 |
| 5.1.1.4展望 |
| 5.1.2汽车偏置碰撞安全性 |
| 5.1.2.1国内外研究现状 |
| 5.1.2.2存在的问题 |
| 5.1.2.3重点研究方向 |
| 5.1.2.4展望 |
| 5.1.3汽车碰撞试验测试技术 |
| 5.1.3.1国内外研究现状 |
| 5.1.3.2存在的问题 |
| 5.1.3.3重点研究方向 |
| 5.1.3.4展望 |
| 5.2乘员保护 (重庆理工大学胡远志教授提供初稿) |
| 5.2.1国内外研究现状 |
| 5.2.2重点研究方向 |
| 5.2.3展望 |
| 5.3行人保护 (同济大学王宏雁教授、余泳利研究生提供初稿) |
| 5.3.1概述 |
| 5.3.2国内外研究现状 |
| 5.3.2.1被动安全技术 |
| 5.3.2.2主动安全技术研究 |
| 5.3.3研究热点 |
| 5.3.3.1事故研究趋势 |
| 5.3.3.2技术发展趋势 |
| 5.3.4存在的问题 |
| 5.3.5小结 |
| 5.4儿童碰撞安全与保护 (湖南大学曹立波教授, 同济大学王宏雁教授、李舒畅研究生提供初稿;曹立波教授统稿) |
| 5.4.1国内外研究现状 |
| 5.4.1.1儿童碰撞安全现状 |
| 5.4.1.2儿童损伤生物力学研究现状 |
| 5.4.1.3车内儿童安全法规和试验方法 |
| 5.4.1.4车外儿童安全法规和试验方法 |
| 5.4.1.5儿童安全防护措施 |
| 5.4.1.6儿童约束系统使用管理与评价 |
| 5.4.2存在的问题 |
| 5.4.3重点研究方向 |
| 5.4.4发展对策和展望 |
| 5.5新能源汽车碰撞安全 (大连理工大学侯文彬教授、侯少强硕士生提供初稿) |
| 5.5.1国内外研究现状 |
| 5.5.1.1新能源汽车碰撞试验 |
| 5.5.1.2高压电安全控制研究 |
| 5.5.1.3新能源汽车车身结构布局研究 |
| 5.5.1.4电池包碰撞安全防护 |
| 5.5.1.5动力电池碰撞安全 |
| 5.5.2热点研究方向 |
| 5.5.3存在的问题 |
| 5.5.4发展对策与展望 |
| 6结语 |
（8）基于机器学习与传感器融合的车辆与车道线识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 智能驾驶系统的研究背景和意义 |
| 1.2 智能驾驶汽车技术现状及论文选题目的 |
| 1.3 车辆及车道线识别技术国内外研究现状 |
| 1.3.1 车辆识别研究现状 |
| 1.3.2 车道线识别研究现状 |
| 1.3.3 多传感器融合研究现状 |
| 1.4 存在的关键问题 |
| 1.5 本文主要研究内容概述 |
| 第2章 车载传感器系统搭建与模型时空同步 |
| 2.1 传感器硬件环境搭建与坐标系定义 |
| 2.1.1 传感器选型及布置方案 |
| 2.1.2 系统坐标系定义及简化 |
| 2.2 毫米波雷达坐标系转化 |
| 2.3 摄像头成像原理与标定 |
| 2.3.1 经典摄像头成像原理 |
| 2.3.2 基于道路场景先验知识的摄像头简化模型 |
| 2.4 传感器时域同步 |
| 2.5 实验结果与分析 |
| 2.5.1 摄像头模型标定实验 |
| 2.5.2 原始图像像素距离分辨率研究 |
| 2.5.3 摄像头与毫米波雷达空间配准实验 |
| 2.6 本章小结及创新点 |
| 第3章 基于机器视觉和机器学习的车辆检测算法 |
| 3.1 车辆视觉特征的提取 |
| 3.1.1 Haar-like特征 |
| 3.1.2 基于积分图的特征值提取方法 |
| 3.2 车辆识别预测模型搭建 |
| 3.2.1 基于Adaboost的车辆特征提取与参数获取 |
| 3.2.2 级联式Adaboost结构 |
| 3.2.3 基于滑窗法的车辆识别架构 |
| 3.3 车辆目标验证 |
| 3.4 实验结果及分析 |
| 3.5 本章小结及创新点 |
| 第4章 基于视觉跟踪和迭代训练的大规模样本获取方法研究 |
| 4.1 样本采集需求与视觉跟踪算法特性研究 |
| 4.1.1 训练样本采集需求 |
| 4.1.2 视觉跟踪算法特性研究 |
| 4.1.3 样本采集跟踪算法提出 |
| 4.2 基于改进稀疏光流场与自适应模板更新的跟踪算法 |
| 4.2.1 目标特征提取与光流场建立 |
| 4.2.2 映射模型求解与模板转移 |
| 4.2.3 基于交互多模型的目标运动轨迹跟踪 |
| 4.2.4 基于交叉校验的自适应模板更新策略 |
| 4.3 实际交通场景下实车原始数据采集 |
| 4.4 基于视觉跟踪的原始训练数据采集 |
| 4.4.1 动态分布式交互采集软件的开发 |
| 4.4.2 基于视觉跟踪的训练样本采集实例 |
| 4.5 基于半监督迭代训练的样本采集方法 |
| 4.6 实验结果与分析 |
| 4.6.1 视觉跟踪算法性能评测试验 |
| 4.6.2 车辆识别预测模型迭代训练实验及识别性能分析 |
| 4.7 本章小结及创新点 |
| 第5章 基于视觉的自适应多车辆目标跟踪算法 |
| 5.1 基于自适应Kalman滤波的目标运动参数估计 |
| 5.1.1 车辆运动状态预测 |
| 5.1.2 目标噪声特性在线估计 |
| 5.1.3 状态更新 |
| 5.2 基于全局最邻近和局部校验的目标关联算法 |
| 5.2.1 基于GNN的多目标关联问题数学建模 |
| 5.2.2 目标关联度选取与局部校验 |
| 5.3 基于时序分析和有限状态机的多目标航迹管理系统 |
| 5.3.1 航迹状态定义及时序分析指标 |
| 5.3.2 基于有限状态机的航迹状态切换 |
| 5.4 基于跟踪结果的ROI动态规划与周期性全局搜索 |
| 5.5 实验结果与分析 |
| 5.5.1 自适应Kalman滤波跟踪性能评价 |
| 5.5.2 多车辆目标跟踪性能对比 |
| 5.6 本章小结及创新点 |
| 第6章 基于机器视觉的车道线识别算法研究 |
| 6.1 图像预处理 |
| 6.1.1 车道线识别ROI规划 |
| 6.1.2 图像自适应二值化 |
| 6.1.3 基于 3D掩膜(Mask)的车辆干扰移除方法 |
| 6.2 基于关联双空间的车道Blobs特征分类器 |
| 6.2.1 二值图像Blobs提取 |
| 6.2.2 BV-CV关联双空间Blobs特征 |
| 6.2.3 车道线特征描述子及分类器 |
| 6.3 基于纵向识别区域划分的车道分类模型参数确定 |
| 6.3.1 远近视场区域划分及近视场参数模型确定 |
| 6.3.2 基于自适应K-means的车道标志聚类算法 |
| 6.4 基于直线和Catmull-Rom样条自动切换的车道模型拟合 |
| 6.4.1 Catmull-Rom样条曲线 |
| 6.4.2 Catmull-Rom模型拟合及直线模型切换 |
| 6.5 实验结果与分析 |
| 6.5.1 小交通流量场景 |
| 6.5.2 大交通流量场景 |
| 6.5.3 近距离目标车辆换道场景 |
| 6.5.4 远距目标离车辆换道场景 |
| 6.5.5 主车换道场景 |
| 6.5.6 路面其他标志干扰场景 |
| 6.6 本章小结及创新点 |
| 第7章 毫米波雷达与视觉融合算法研究 |
| 7.1 基于毫米波雷达的多目标跟踪 |
| 7.1.1 雷达杂波屏蔽与目标初选 |
| 7.1.2 四维Kalman目标跟踪滤波器的设计 |
| 7.1.3 毫米波雷达多目标数据关联 |
| 7.1.4 毫米波雷达目标航迹管理 |
| 7.2 基于视觉的道路场景重建 |
| 7.3 视觉测距精度评价与毫米波雷达感知特性分析 |
| 7.3.1 视觉测距精度评价 |
| 7.3.2 毫米波雷达横向测距特性分析 |
| 7.4 雷达与视觉融合决策 |
| 7.5 实验结果与分析 |
| 7.5.1 基于毫米波雷达的多目标跟踪实验 |
| 7.5.2 毫米波雷达与视觉融合决策实验 |
| 7.6 本章小结及创新点 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
| 简历 |
（9）基于图像多特征的车辆对象识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 智能交通系统与模式识别 |
| 1.3 车辆识别技术的研究现状 |
| 1.3.1 车辆识别的研究方向和方法 |
| 1.3.2 国内外现状 |
| 1.4 本文主要研究内容与组织结构安排 |
| 1.4.1 论文主要内容 |
| 1.4.2 论文章节安排 |
| 1.5 课题来源与名词约定 |
| 第二章 车型标准特征模型库 |
| 2.1 引言 |
| 2.2 车型标准特征模型库建立 |
| 2.3 车型标准特征类入库 |
| 2.3.1 物理特征类 |
| 2.3.2 结构特征类 |
| 2.3.3 车辆照片类 |
| 2.4 本章小结 |
| 第三章 车辆对象检测与车辆颜色识别 |
| 3.1 引言 |
| 3.2 车辆对象检测技术 |
| 3.2.1 图像预处理 |
| 3.2.2 背景建模与目标检测 |
| 3.2.3 基于阴影去除的目标定位 |
| 3.3 车辆颜色识别 |
| 3.3.1 颜色特征 |
| 3.3.2 RGB颜色空间模型 |
| 3.3.3 颜色的量化 |
| 3.3.4 车辆颜色识别算法与改进 |
| 3.4 本章小结 |
| 第四章 基于车脸特征的车型分类方法 |
| 4.1 引言 |
| 4.2 车脸定位技术 |
| 4.2.1 样本采集 |
| 4.2.2 Adaboost分类算法与定位 |
| 4.2.3 融合经验矩形的改进算法 |
| 4.2.4 图像归一化 |
| 4.3 基于SIFT特征的车型分类方法 |
| 4.3.1 局部特征 |
| 4.3.2 SIFT算法步骤 |
| 4.3.3 实验步骤与结果分析 |
| 4.4 基于SURF特征的车型分类方法 |
| 4.4.1 SURF算法步骤 |
| 4.4.2 SURF与SIFT对比 |
| 4.4.3 实验结果 |
| 4.5 结合SURF与SIFT特征的车型分类方法 |
| 4.6 本章小结 |
| 第五章 融合多特征的车型分类识别 |
| 5.1 引言 |
| 5.2 车脸区域局部特征 |
| 5.2.1 车脸区域分割 |
| 5.2.2 车标区域特征提取 |
| 5.2.3 散热器隔栏区域特征提取 |
| 5.2.4 车灯区域特征提取 |
| 5.2.5 特征向量的描述 |
| 5.3 融合不变性与频域特征的车型分类识别 |
| 5.3.1 融合多特征车脸识别分类器 |
| 5.3.2 实验结果比较 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读学位期间发表论文及项目实践 |
（10）城市环境中交通对象检测与识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 表目录 |
| 图目录 |
| 1 绪论 |
| 1.1 研究目的与研究意义 |
| 1.2 城市环境中的图像道路分割的研究现状 |
| 1.2.1 道路的检测与跟踪 |
| 1.2.2 道路标线的检测与分析 |
| 1.3 前方车辆及尾灯检测与识别的研究现状 |
| 1.3.1 前方车辆检测与识别 |
| 1.3.2 面向道路其他车辆的车灯识别与检测 |
| 1.4 交通信号灯检测与识别的研究现状 |
| 1.5 并行技术的研究现状 |
| 1.5.1 并行计算的硬件架构 |
| 1.5.2 并行计算的软件设计模式 |
| 1.6 本文研究内容与结构安排 |
| 1.7 小结 |
| 2 面向城市道路的图像分割方法研究 |
| 2.1 多类类间最大方差法的分类确定及优化 |
| 2.1.1 多类类间最大方差算法及其存在的问题 |
| 2.1.2 基于直方图波峰均值的确定分类个数算法设计 |
| 2.1.3 实验设计与结果分析 |
| 2.2 多阈值分割道路区域检测算法研究 |
| 2.2.1 基于道路模型的道路区域分割 |
| 2.2.2 基于分段函数拟合的道路区域边缘检测 |
| 2.2.3 实验设计与结果分析 |
| 2.3 基于车底阴影检测的前方车辆定位算法研究 |
| 2.3.1 道路区域限定及形态学变换 |
| 2.3.2 基于车底阴影几何形状的最大连通区域选择算法设计 |
| 2.3.3 实验设计与结果分析 |
| 2.4 小结 |
| 3 前方车辆车尾灯检测与识别算法设计与分析 |
| 3.1 汽车灯具种类及其光学特性 |
| 3.1.1 汽车灯具种类及其作用 |
| 3.1.2 刹车灯与转向灯的配光方式及光源颜色 |
| 3.1.3 RGB颜色模型下基于色度特性的分割条件 |
| 3.2 基于颜色与形状特征的车尾灯对检测算法研究 |
| 3.2.1 不同颜色模型的二值化比较 |
| 3.2.2 基于几何形状的车尾灯对匹配算法研究 |
| 3.2.3 基于位置关系的车底阴影与车尾灯对匹配算法设计 |
| 3.2.4 实验设计与结果分析 |
| 3.3 自运动中的前方车辆车尾灯对跟踪算法研究 |
| 3.3.1 Kalman滤波器原理介绍 |
| 3.3.2 基于位置信息的多车辆尾灯对跟踪算法设计 |
| 3.3.3 实验结果分析 |
| 3.4 前方车辆刹车灯检测与识别算法研究 |
| 3.4.1 高位刹车灯检测算法设计 |
| 3.4.2 基于颜色分布的刹车灯识别算法研究 |
| 3.4.3 实验设计与结果分析 |
| 3.5 前方车辆转向灯检测与识别算法 |
| 3.5.1 前方车辆左右转向灯划分模型设计 |
| 3.5.2 前方车辆转向灯的亮度特征提取 |
| 3.5.3 转向灯断续闪亮状态累积识别算法设计 |
| 3.5.4 实验设计与结果分析 |
| 3.6 小结 |
| 4 交通信号灯检测与识别算法研究 |
| 4.1 交通信号灯的种类及组成结构 |
| 4.2 基于明暗信息的交通信号灯定位算法设计 |
| 4.2.1 基于道路补集的交通信号灯感兴趣区域提取 |
| 4.2.2 基于Top-hat算子的亮区域提取 |
| 4.2.3 背板区域提取及与光源亮区域匹配算法设计 |
| 4.2.4 实验设计与结果分析 |
| 4.3 圆形交通信号灯检测算法研究 |
| 4.3.1 基于圆形度的光源区域检测方法 |
| 4.3.2 改进的Hough变换的椭圆验证算法 |
| 4.3.3 实验设计与结果分析 |
| 4.4 箭头形交通灯的检测与识别算法研究 |
| 4.4.1 箭头形交通灯几何形状及投影函数设计 |
| 4.4.2 箭头形光源区域投影方差识别算法设计 |
| 4.4.3 实验设计与结果分析 |
| 4.5 交通灯颜色信号识别 |
| 4.5.1 基于HSV颜色模型的颜色信号识别方法设计 |
| 4.5.2 实验设计与结果分析 |
| 4.6 小结 |
| 5 基于混合异构车载计算平台的并行化图像处理技术研究 |
| 5.1 数字图像处理的层级划分及其并行化分析 |
| 5.2 混合异构车载计算平台的组建与优化策略 |
| 5.2.1 平台总体设计 |
| 5.2.2 基于TBB+MPI混合编程模型的粗粒度并行设计 |
| 5.2.3 基于TBB+CUDA混合编程模型的细粒度并行设计 |
| 5.2.4 实验设计与分析 |
| 5.3 混合异构车载计算平台在整体系统中的应用 |
| 5.3.1 系统流程任务级粗粒度并行设计与实现 |
| 5.3.2 任务模块算法级细粒度并行设计与实现 |
| 5.3.3 实验设计与分析 |
| 5.4 小结 |
| 6 总结 |
| 6.1 论文工作总结 |
| 6.2 进一步研究工作的构思 |
| 参考文献 |
| 攻读学位期间主要的研究成果 |
| 致谢 |
四、车型识别系统中利用阴影特点快速定位车体（论文参考文献）
- [1]智能汽车虚拟测试毫米波雷达实时模型研究[D]. 董学才. 吉林大学, 2020(08)
- [2]基于激光雷达和视觉融合的无人扫地车前方障碍物检测技术研究[D]. 羊杰. 江苏大学, 2020(02)
- [3]基于深度学习理论的桥梁上车型识别与检测跟踪研究[D]. 李紫玮. 湖南大学, 2019
- [4]面向无人驾驶的道路场景建模关键技术研究[D]. 周剑. 武汉大学, 2019(06)
- [5]无人驾驶条件下沥青路面纹理识别和制动策略研究[D]. 陈嘉颖. 东南大学, 2019(05)
- [6]运动车辆目标检测与实时跟踪方法研究[D]. 李元可. 长安大学, 2019(01)
- [7]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部. 中国公路学报, 2017(06)
- [8]基于机器学习与传感器融合的车辆与车道线识别研究[D]. 王宝锋. 北京理工大学, 2017(02)
- [9]基于图像多特征的车辆对象识别方法研究[D]. 陈伊. 昆明理工大学, 2014(01)
- [10]城市环境中交通对象检测与识别研究[D]. 李仪. 中南大学, 2013(04)