智能網(wǎng)聯(lián)汽車環(huán)境感知信號處理技術(shù)

第 1章 緒論 1
1.1　智能網(wǎng)聯(lián)汽車發(fā)展趨勢　1
1.1.1　自動駕駛歷史發(fā)展　2
1.1.2　自動駕駛行業(yè)——量的積累讓自動駕駛汽車開始邁向質(zhì)的飛躍　3
1.1.3　國內(nèi)外政策——多角度保障自動駕駛汽車安全落地　4
1.1.4　業(yè)界公司發(fā)展　6
1.2　車載傳感器概述與技術(shù)進程　7
1.2.1　毫米波雷達　8
1.2.2　激光雷達　8
1.2.3　超聲波傳感器　9
1.2.4　圖像傳感器　9
1.2.5　組合定位導航　9
1.3　小結(jié)　10
參考文獻　11
第　2章 信號處理的基本知識　12
2.1　信號采樣　12
2.1.1　信號、系統(tǒng)及信號處理　12
2.1.2　信號處理的一般過程　13
2.1.3　模擬信號的采樣過程　14
2.1.4　采樣定理　15
2.2　線性系統(tǒng)與非線性系統(tǒng)　16
2.2.1　系統(tǒng)的一般分類　16
2.2.2　線性系統(tǒng)與非線性系統(tǒng)的基本性質(zhì)　17
2.2.3　線性系統(tǒng)的分析方法　18
2.3　傅里葉變換　19
2.3.1　傅里葉級數(shù)　19
2.3.2　連續(xù)非周期信號的傅里葉變換　20
2.3.3　離散時間傅里葉變換　21
2.3.4　離散時間周期信號的傅里葉級數(shù)　22
2.3.5　離散傅里葉變換和快速傅里葉變換　23
2.3.6　其他重要變換　27
2.4　矩陣代數(shù)基礎(chǔ)　28
2.4.1　行列式的性質(zhì)　28
2.4.2　方陣的跡及其性質(zhì)　29
2.4.3　逆矩陣　29
2.4.4　初等變換與秩　31
2.4.5　關(guān)于秩的一些重要結(jié)論　32
2.5　概率論基礎(chǔ)　32
2.5.1　分布函數(shù)　32
2.5.2　均值與方差　33
2.5.3　矩　33
2.5.4　隨機向量　34
2.6　濾波算法與濾波器　35
2.6.1　濾波器的分類　35
2.6.2　濾波器的技術(shù)要求　36
2.6.3　濾波器算法　37
參考文獻　40
第3章　毫米波雷達信號處理技術(shù)　41
3.1　毫米波雷達原理　41
3.1.1　雷達方程　41
3.1.2　雷達工作體制　42
3.2　車載雷達信號處理流程　47
3.3　脈沖壓縮技術(shù)　48
3.3.1　脈沖壓縮原理　49
3.3.2　脈沖壓縮基本方法　50
3.4　雷達雜波抑制　52
3.5　雷達目標檢測技術(shù)　55
3.5.1　雷達檢測的門限值　55
3.5.2　恒虛警檢測器原理　56
3.5.3　白噪聲背景下的恒虛警檢測器　56
3.5.4　有序統(tǒng)計恒虛警檢測器　58
3.6　雷達陣列信號處理　59
3.6.1　MIMO雷達工作原理　59
3.6.2　MIMO雷達信號處理流程　60
3.6.3　時分多路　62
3.7　多目標跟蹤與識別技術(shù)　64
3.7.1　多目標跟蹤技術(shù)　64
3.7.2　毫米波雷達目標識別系統(tǒng)　67
3.8　超寬帶的毫米波雷達三維成像算法　69
3.9　應(yīng)用實例　72
3.9.1　4D毫米波雷達　72
3.9.2　車輛周圍障礙物的檢測　74
3.9.3　ADAS中的應(yīng)用　74
3.9.4　基于微多普勒特征的行人、車輛的目標識別　75
參考文獻　77
第4章　激光雷達信號處理技術(shù)　79
4.1　激光雷達原理　79
4.1.1　激光產(chǎn)生的原理　79
4.1.2　激光測距原理　80
4.1.3　激光雷達作用距離方程　81
4.1.4　激光雷達掃描方式　82
4.2　激光雷達信號處理流程　88
4.2.1　激光雷達回波信號降噪　88
4.2.2　全波形信號處理　90
4.3　激光點云處理方法　91
4.3.1　點云濾波　91
4.3.2　點云特征描述與提取　92
4.3.3　點云分割　99
4.3.4　點云配準　106
4.4　激光三維成像研究　107
4.4.1　激光掃描點云成像　108
4.4.2　其他主動激光成像技術(shù)　111
4.5　應(yīng)用實例　114
4.5.1　基于激光雷達點云的車輛檢測方法　114
4.5.2　基于激光雷達點云的車道線檢測方法　115
4.5.3　基于激光雷達的目標追蹤　116
4.5.4　三維場景重建　117
參考文獻　117
第5章　視覺傳感器信號處理技術(shù)　122
5.1　車載視覺傳感器原理　122
5.1.1　視覺傳感器基本組成　122
5.1.2　典型的視覺傳感器　123
5.2　數(shù)字圖像處理流程　127
5.2.1　圖像的采集和存儲　128
5.2.2　圖像預(yù)處理　128
5.2.3　圖像分割　129
5.2.4　圖像特征提取和選擇　130
5.3　圖像預(yù)處理技術(shù)　131
5.3.1　圖像灰度化　131
5.3.2　圖像幾何變換　132
5.3.3　圖像增強　132
5.4　圖像特征提取與分類　134
5.4.1　原始特征提取　135
5.4.2　特征降維　136
5.4.3　特征選擇　138
5.5　機器學習與深度學習方法　141
5.5.1　機器學習方法　141
5.5.2　深度學習方法　144
5.6　應(yīng)用實例　146
5.6.1　車輛與行人識別和跟蹤　146
5.6.2　車道線識別　150
5.6.3　交通標志牌識別　153
參考文獻　155
第6章　車載定位傳感器信號處理技術(shù)　157
6.1　引言　157
6.2　車載定位傳感器信號簡介　157
6.2.1　GNSS信號　158
6.2.2　輪速信號　159
6.2.3　慣性傳感器信號　159
6.3　GNSS定位　162
6.3.1　單點定位　163
6.3.2　差分定位　164
6.3.3　精密單點定位　165
6.4　航跡推算定位系統(tǒng)　165
6.4.1　平面航跡推算定位系統(tǒng)　166
6.4.2　輪速信號的處理　168
6.5　慣性導航系統(tǒng)　170
6.5.1　慣性導航常用參考坐標系　171
6.5.2　慣性傳感器測量模型　171
6.5.3　姿態(tài)解算　172
6.5.4　速度解算　173
6.5.5　位置解算　173
6.6　應(yīng)用實例——GNSS/INS/輪速傳感器松耦合組合定位系統(tǒng)　174
6.6.1　系統(tǒng)簡介　174
6.6.2　INS誤差狀態(tài)模型　174
6.6.3　基于誤差狀態(tài)卡爾曼濾波的信息融合　176
參考文獻　178
第7章　多傳感器融合技術(shù)　180
7.1　車載傳感器數(shù)據(jù)融合方法　180
7.1.1　多傳感器融合　180
7.1.2　多傳感器融合的基本原理　180
7.1.3　多傳感器的前融合與后融合技術(shù)　181
7.1.4　多傳感器數(shù)據(jù)融合算法　182
7.2　貝葉斯估計　184
7.2.1　貝葉斯估計基本概念　184
7.2.2　基于貝葉斯估計的數(shù)據(jù)融合算法　186
7.2.3　估計算法的局限性　187
7.3　擴展卡爾曼濾波　188
7.3.1　擴展卡爾曼濾波介紹　188
7.3.2　擴展卡爾曼濾波原理　189
7.3.3　擴展卡爾曼濾波在一維非線性系統(tǒng)中的應(yīng)用　190
7.4　模糊決策　192
7.4.1　模糊決策基本概念　192
7.4.2　模糊一致關(guān)系　192
7.4.3　模糊一致矩陣　194
7.4.4　廣義去模糊機制　195
7.5　應(yīng)用實例——多目標跟蹤　196
7.5.1　多目標跟蹤方法分類　197
7.5.2　多目標跟蹤算法　198
參考文獻　200
第8章　其他傳感器技術(shù)　201
8.1　超聲波雷達　201
8.1.1　超聲波雷達的工作原理　201
8.1.2　超聲波雷達的類型　202
8.1.3　超聲波雷達的數(shù)學模型　203
8.1.4　超聲波雷達的優(yōu)勢與劣勢　203
8.1.5　超聲波雷達的技術(shù)特點　204
8.2　紅外傳感器　204
8.2.1　紅外線　205
8.2.2　紅外傳感器分類　205
8.2.3　紅外傳感器相關(guān)技術(shù)　207
8.3　其他車身狀態(tài)傳感器　211
8.3.1　車身高度傳感器　211
8.3.2　碰撞傳感器　212
參考文獻　213
名詞索引　215