智能交通中毫米波雷達數(shù)據(jù)處理方法與實現(xiàn)

第1章 緒論\t001
1．1 研究背景及意義\t001
1．2 國內(nèi)外研究現(xiàn)狀\t003
1．2．1 交通監(jiān)視雷達研究現(xiàn)狀\t003
1．2．2 雷達數(shù)據(jù)處理研究現(xiàn)狀\t006
1．3 雷達測速系統(tǒng)\t007
1．4 視頻目標檢測的研究現(xiàn)狀\t009
1．5 本章小結(jié)\t010
第2章 交通雷達體制\t011
2．1 CW體制\t011
2．2 LFMCW體制\t014
2．3 FSK體制\t016
2．4 CW-FMCW復合體制\t019
2．5 本章小結(jié)\t020
第3章 微波測速雷達信號處理算法\t021
3．1 去噪算法\t021
3．1．1 基于EMD的去噪算法\t021
3．1．2 自相關檢測法\t030
3．2 測速雷達角度自適應算法\t034
3．2．1 火車測速雷達系統(tǒng)\t034
3．2．2 基于樣本統(tǒng)計特性的雷達擺角自修正算法\t040
3．3 本章小結(jié)\t047
第4章 微波測速雷達的目標識別與跟蹤\t049
4．1 單目標雷達算法優(yōu)化\t049
4．1．1 基于Kalman濾波的測速測距算法優(yōu)化\t049
4．1．2 基于CW-FMCW復合體制的DSP算法改進\t051
4．1．3 仿真和分析\t053
4．2 FSK體制雷達測速算法實現(xiàn)\t057
4．2．1 FSK體制雷達測速原理\t057
4．2．2 FSK體制雷達目標識別算法實現(xiàn)與仿真\t061
4．3 多目標檢測跟蹤算法的研究與實現(xiàn)\t071
4．3．1 多目標檢測跟蹤算法\t071
4．3．2 多目標跟蹤觸發(fā)過程\t076
4．3．3 基于恒虛警檢測的目標檢測優(yōu)化\t078
4．3．4 測試和分析\t084
4．4 本章小結(jié)\t088
第5章 聚類算法研究\t089
5．1 經(jīng)典聚類算法\t089
5．1．1 DBSCAN聚類算法\t089
5．1．2 FCM聚類算法\t091
5．1．3 K-Means聚類算法\t094
5．2 基于主軸的密度峰值模糊聚類算法\t096
5．2．1 基于密度峰值的初次聚類算法\t097
5．2．2 基于主軸更新的模糊聚類算法\t100
5．2．3 實驗設計\t104
5．3 本章小結(jié)\t112
第6章 多目標跟蹤算法和系統(tǒng)設計\t113
6．1 改進的粒子濾波算法\t113
6．1．1 航跡關聯(lián)\t113
6．1．2 動目標跟蹤\t119
6．1．3 實驗對比與路測結(jié)果\t122
6．2 數(shù)據(jù)關聯(lián)算法\t127
6．2．1 最近鄰數(shù)據(jù)關聯(lián)算法\t127
6．2．2 聯(lián)合概率數(shù)據(jù)關聯(lián)算法\t129
6．2．3 k近鄰聯(lián)合概率數(shù)據(jù)關聯(lián)算法\t131
6．2．4 實驗設計\t137
6．3 多目標跟蹤系統(tǒng)設計\t142
6．3．1 需求分析\t142
6．3．2 總體設計\t145
6．3．3 多目標跟蹤系統(tǒng)的應用\t147
6．4 本章小結(jié)\t154
第7章 基于毫米波雷達和機器視覺的信息融合與目標識別\t155
7．1 基于深度學習的目標檢測\t156
7．1．1 目標檢測\t156
7．1．2 深度學習目標檢測原理\t159
7．1．3 測試和仿真\t165
7．2 基于毫米波雷達和機器視覺的信息融合\t171
7．2．1 毫米波雷達和攝像機的數(shù)據(jù)融合\t171
7．2．2 基于機器學習的車型識別\t176
7．2．3 實驗驗證與分析\t179
7．3 本章小結(jié)\t182