智能网联汽车环境感知信号处理技术/先进信号处理系列

第 1章 绪论 1
1．1　智能网联汽车发展趋势　1
1．1．1　自动驾驶历史发展　2
1．1．2　自动驾驶行业——量的积累让自动驾驶汽车开始迈向质的飞跃　3
1．1．3　国内外政策——多角度保障自动驾驶汽车安全落地　4
1．1．4　业界公司发展　6
1．2　车载传感器概述与技术进程　7
1．2．1　毫米波雷达　8
1．2．2　激光雷达　8
1．2．3　超声波传感器　9
1．2．4　图像传感器　9
1．2．5　组合定位导航　9
1．3　小结　10
参考文献　11
第　2章 信号处理的基本知识　12
2．1　信号采样　12
2．1．1　信号、系统及信号处理　12
2．1．2　信号处理的一般过程　13
2．1．3　模拟信号的采样过程　14
2．1．4　采样定理　15
2．2　线性系统与非线性系统　16
2．2．1　系统的一般分类　16
2．2．2　线性系统与非线性系统的基本性质　17
2．2．3　线性系统的分析方法　18
2．3　傅里叶变换　19
2．3．1　傅里叶级数　19
2．3．2　连续非周期信号的傅里叶变换　20
2．3．3　离散时间傅里叶变换　21
2．3．4　离散时间周期信号的傅里叶级数　22
2．3．5　离散傅里叶变换和快速傅里叶变换　23
2．3．6　其他重要变换　27
2．4　矩阵代数基础　28
2．4．1　行列式的性质　28
2．4．2　方阵的迹及其性质　29
2．4．3　逆矩阵　29
2．4．4　初等变换与秩　31
2．4．5　关于秩的一些重要结论　32
2．5　概率论基础　32
2．5．1　分布函数　32
2．5．2　均值与方差　33
2．5．3　矩　33
2．5．4　随机向量　34
2．6　滤波算法与滤波器　35
2．6．1　滤波器的分类　35
2．6．2　滤波器的技术要求　36
2．6．3　滤波器算法　37
参考文献　40
第3章　毫米波雷达信号处理技术　41
3．1　毫米波雷达原理　41
3．1．1　雷达方程　41
3．1．2　雷达工作体制　42
3．2　车载雷达信号处理流程　47
3．3　脉冲压缩技术　48
3．3．1　脉冲压缩原理　49
3．3．2　脉冲压缩基本方法　50
3．4　雷达杂波抑制　52
3．5　雷达目标检测技术　55
3．5．1　雷达检测的门限值　55
3．5．2　恒虚警检测器原理　56
3．5．3　白噪声背景下的恒虚警检测器　56
3．5．4　有序统计恒虚警检测器　58
3．6　雷达阵列信号处理　59
3．6．1　MIMO雷达工作原理　59
3．6．2　MIMO雷达信号处理流程　60
3．6．3　时分多路　62
3．7　多目标跟踪与识别技术　64
3．7．1　多目标跟踪技术　64
3．7．2　毫米波雷达目标识别系统　67
3．8　超宽带的毫米波雷达三维成像算法　69
3．9　应用实例　72
3．9．1　4D毫米波雷达　72
3．9．2　车辆周围障碍物的检测　74
3．9．3　ADAS中的应用　74
3．9．4　基于微多普勒特征的行人、车辆的目标识别　75
参考文献　77
第4章　激光雷达信号处理技术　79
4．1　激光雷达原理　79
4．1．1　激光产生的原理　79
4．1．2　激光测距原理　80
4．1．3　激光雷达作用距离方程　81
4．1．4　激光雷达扫描方式　82
4．2　激光雷达信号处理流程　88
4．2．1　激光雷达回波信号降噪　88
4．2．2　全波形信号处理　90
4．3　激光点云处理方法　91
4．3．1　点云滤波　91
4．3．2　点云特征描述与提取　92
4．3．3　点云分割　99
4．3．4　点云配准　106
4．4　激光三维成像研究　107
4．4．1　激光扫描点云成像　108
4．4．2　其他主动激光成像技术　111
4．5　应用实例　114
4．5．1　基于激光雷达点云的车辆检测方法　114
4．5．2　基于激光雷达点云的车道线检测方法　115
4．5．3　基于激光雷达的目标追踪　116
4．5．4　三维场景重建　117
参考文献　117
第5章　视觉传感器信号处理技术　122
5．1　车载视觉传感器原理　122
5．1．1　视觉传感器基本组成　122
5．1．2　典型的视觉传感器　123
5．2　数字图像处理流程　127
5．2．1　图像的采集和存储　128
5．2．2　图像预处理　128
5．2．3　图像分割　129
5．2．4　图像特征提取和选择　130
5．3　图像预处理技术　131
5．3．1　图像灰度化　131
5．3．2　图像几何变换　132
5．3．3　图像增强　132
5．4　图像特征提取与分类　134
5．4．1　原始特征提取　135
5．4．2　特征降维　136
5．4．3　特征选择　138
5．5　机器学习与深度学习方法　141
5．5．1　机器学习方法　141
5．5．2　深度学习方法　144
5．6　应用实例　146
5．6．1　车辆与行人识别和跟踪　146
5．6．2　车道线识别　150
5．6．3　交通标志牌识别　153
参考文献　155
第6章　车载定位传感器信号处理技术　157
6．1　引言　157
6．2　车载定位传感器信号简介　157
6．2．1　GNSS信号　158
6．2．2　轮速信号　159
6．2．3　惯性传感器信号　159
6．3　GNSS定位　162
6．3．1　单点定位　163
6．3．2　差分定位　164
6．3．3　精密单点定位　165
6．4　航迹推算定位系统　165
6．4．1　平面航迹推算定位系统　166
6．4．2　轮速信号的处理　168
6．5　惯性导航系统　170
6．5．1　惯性导航常用参考坐标系　171
6．5．2　惯性传感器测量模型　171
6．5．3　姿态解算　172
6．5．4　速度解算　173
6．5．5　位置解算　173
6．6　应用实例——GNSS/INS/轮速传感器松耦合组合定位系统　174
6．6．1　系统简介　174
6．6．2　INS误差状态模型　174
6．6．3　基于误差状态卡尔曼滤波的信息融合　176
参考文献　178
第7章　多传感器融合技术　180
7．1　车载传感器数据融合方法　180
7．1．1　多传感器融合　180
7．1．2　多传感器融合的基本原理　180
7．1．3　多传感器的前融合与后融合技术　181
7．1．4　多传感器数据融合算法　182
7．2　贝叶斯估计　184
7．2．1　贝叶斯估计基本概念　184
7．2．2　基于贝叶斯估计的数据融合算法　186
7．2．3　估计算法的局限性　187
7．3　扩展卡尔曼滤波　188
7．3．1　扩展卡尔曼滤波介绍　188
7．3．2　扩展卡尔曼滤波原理　189
7．3．3　扩展卡尔曼滤波在一维非线性系统中的应用　190
7．4　模糊决策　192
7．4．1　模糊决策基本概念　192
7．4．2　模糊一致关系　192
7．4．3　模糊一致矩阵　194
7．4．4　广义去模糊机制　195
7．5　应用实例——多目标跟踪　196
7．5．1　多目标跟踪方法分类　197
7．5．2　多目标跟踪算法　198
参考文献　200
第8章　其他传感器技术　201
8．1　超声波雷达　201
8．1．1　超声波雷达的工作原理　201
8．1．2　超声波雷达的类型　202
8．1．3　超声波雷达的数学模型　203
8．1．4　超声波雷达的优势与劣势　203
8．1．5　超声波雷达的技术特点　204
8．2　红外传感器　204
8．2．1　红外线　205
8．2．2　红外传感器分类　205
8．2．3　红外传感器相关技术　207
8．3　其他车身状态传感器　211
8．3．1　车身高度传感器　211
8．3．2　碰撞传感器　212
参考文献　213
名词索引　215