目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1.1 研究背景及研究意义 1
1.2 国内外研究现状及发展趋势 1
1.2.1 国外研究现状 1
1.2.2 国内研究现状 2
1.2.3 发展趋势 3
1.3 研究内容 3
第二章 道路有效车辆目标检测与数据融合 2
2.1 车载传感器探测道路前方物体 2
2.1.1 车载雷达 2
2.1.2 毫米波雷达 2
2.1.3 车载相机 3
2.1.4 车载传感器获取前方道路信息 3
2.2 毫米波雷达探测前方车辆及其有效性确定 4
2.2.1 毫米波雷达工作原理 4
2.2.2 毫米波雷达数据解析 5
2.2.3 基于毫米波雷达的有效道路车辆目标确定 9
2.3 毫米波雷达与相机数据融合检测前方车辆 12
2.3.1 相机标定 12
2.3.2 雷达与相机的空间融合 14
2.3.3 雷达与相机的时间融合 15
2.3.4 检测前方车辆 15
第三章 基于深度学习的道路车辆类型识别 16
3.1 基于深度学习的物体检测算法YOLO 16
3.1.1 深度学习算法 16
3.1.2 YOLO模型 16
3.2 基于YOLOv3的车辆检测模型搭建 17
3.2.1 搭建数据集 17
3.2.2 训练数据集 19
3.2.3 测试数据集 21
第四章 基于模型压缩的实时性优化 23
4.1 网络剪枝 23
4.2 基于网络剪枝对YOLOv3模型进行实时性优化 23
第五章 结论与展望 24
5.1 研究结论 24
5.2 未来展望 24
5.3 经济性和环保性分析 25
参考文献 26
致 谢 28
基于雷达和深度学习 *51今日免费论文网|www.51jrft.com +Q: *351916072* 
融合的道路车辆识别研究
摘 要
随着智能汽车的发展，对周围环境感知精度和处理速度的要求越来越高。汽车行驶过程中是否能够成功定位与识别前方车辆是提升自动驾驶技术的关键。目前，在车辆定位上，采用多传感器融合的方法，提供了更完整和准确的目标探测信息；在汽车类型识别上，从原先的二阶段目标检测与识别算法发展到一阶段算法如YOLO系列，极大提升了运算速度。本研究将雷达与深度学习融合，将毫米波雷达数据进行过滤和有效目标确定后，与相机数据在时间和空间上进行结合，一方面通过解析雷达数据帧和过滤得到有效目标与自车的距离和相对速度，另一方面将雷达坐标系转换到像素坐标系上实现雷达数据的可视化，配合相机捕获的图像对道路信息认知更清晰。本研究基于深度学习进行道路有效车辆类型识别，选择YOLOv3模型对目标进行分类，分为行人、自行车、摩托车、救护车、轿车、客车、货车、建筑、不明移动物体、车架共十类。YOLOv3训练完成后基于网络剪枝进行模型压缩，即去除无用的权重以达到实时性优化。

原文链接：http://www.jxszl.com/jxgc/qcgc/608898.html