智能交通中毫米波雷达数据处理方法与实现

封面

版权信息

作者简介

内容简介

前言

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 交通监视雷达研究现状

1.2.2 雷达数据处理研究现状

1.3 雷达测速系统

1.4 视频目标检测的研究现状

1.5 本章小结

第2章 交通雷达体制

2.1 CW体制

2.2 LFMCW体制

2.3 FSK体制

2.4 CW-FMCW复合体制

2.5 本章小结

第3章 微波测速雷达信号处理算法

3.1 去噪算法

3.1.1 基于EMD的去噪算法

3.1.2 自相关检测法

3.2 测速雷达角度自适应算法

3.2.1 火车测速雷达系统

3.2.2 基于样本统计特性的雷达摆角自修正算法

3.3 本章小结

第4章 微波测速雷达的目标识别与跟踪

4.1 单目标雷达算法优化

4.1.1 基于Kalman滤波的测速测距算法优化

4.1.2 基于CW-FMCW复合体制的DSP算法改进

4.1.3 仿真和分析

4.2 FSK体制雷达测速算法实现

4.2.1 FSK体制雷达测速原理

4.2.2 FSK体制雷达目标识别算法实现与仿真

4.3 多目标检测跟踪算法的研究与实现

4.3.1 多目标检测跟踪算法

4.3.2 多目标跟踪触发过程

4.3.3 基于恒虚警检测的目标检测优化

4.3.4 测试和分析

4.4 本章小结

第5章 聚类算法研究

5.1 经典聚类算法

5.1.1 DBSCAN聚类算法

5.1.2 FCM聚类算法

5.1.3 K-Means聚类算法

5.2 基于主轴的密度峰值模糊聚类算法

5.2.1 基于密度峰值的初次聚类算法

5.2.2 基于主轴更新的模糊聚类算法

5.2.3 实验设计

5.3 本章小结

第6章 多目标跟踪算法和系统设计

6.1 改进的粒子滤波算法

6.1.1 航迹关联

6.1.2 动目标跟踪

6.1.3 实验对比与路测结果

6.2 数据关联算法

6.2.1 最近邻数据关联算法

6.2.2 联合概率数据关联算法

6.2.3 k近邻联合概率数据关联算法

6.2.4 实验设计

6.3 多目标跟踪系统设计

6.3.1 需求分析

6.3.2 总体设计

6.3.3 多目标跟踪系统的应用

6.4 本章小结

第7章 基于毫米波雷达和机器视觉的信息融合与目标识别

7.1 基于深度学习的目标检测

7.1.1 目标检测

7.1.2 深度学习目标检测原理

7.1.3 测试和仿真

7.2 基于毫米波雷达和机器视觉的信息融合

7.2.1 毫米波雷达和摄像机的数据融合

7.2.2 基于机器学习的车型识别

7.2.3 实验验证与分析