目录

●第1章 绪论1
1.1智能驾驶相关国家政策及技术发展历程1
1.2智能驾驶目标检测技术要点4
1.2.1行人目标检测算法4
1.2.2复杂环境下车辆目标检测算法6
1.2.3复杂环境下车道线检测算法7
1.2.4近场区域目标检测算法9
1.2.5车路协同三维目标检测算法16
第2章 目标检测技术基础18
2.1目标检测概述18
2.2经典目标检测算法18
2.2.1经典一阶段目标检测器19
2.2.2经典二阶段目标检测器20
2.3面向自动驾驶的常见目标检测数据集22
2.3.1国外自动驾驶目标检测数据集22
2.3.2国内自动驾驶目标检测数据集27
2.4目标检测性能评价指标36
2.4.1精度36
2.4.2召回率36
2.4.3平均精度36
2.4.4交并比37
2.4.5准确率38
2.4.6F1-Score38
第3章 遮挡环境下的行人目标检测39
3.1基于改进聚合通道特征候选区域选择40
3.1.1聚合通道特征提取40
3.1.2软级联Adaboost分类建议区域41
3.2特征提取网络42
3.2.1卷积特征提取43
3.2.2主成分分析法降维44
3.3基于蚁群算法优化支持向量机行人检测45
3.3.1支持向量机分类45
3.3.2改进蚁群算法支持向量机45
3.4实验结果与分析47
3.4.1不同检测方法对比47
3.4.2支持向量机优化结果分析49
3.5技术应用与发展趋势50
3.5.1技术应用50
3.5.2发展趋势56
第4章 复杂环境下车辆目标检测58
4.1夜视环境下车辆目标检测58
4.1.1特征提取网络58
4.1.2夜间车辆检测网络结构61
4.1.3数据集及实验参数设置65
4.1.4实验结果与分析66
4.2高速移动环境下车辆目标检测72
4.2.1高速移动环境下车辆检测网络结构72
4.2.2数据集及实验参数设置77
4.2.3实验结果与分析79
4.3行业应用与发展趋势86
4.3.1行业应用86
4.3.2发展趋势90
第5章 复杂环境下车道线目标检测92
5.1夜间环境下车道线目标检测92
5.1.1夜间车道线检测网络结构92
5.1.2实验数据集95
5.1.3实验结果与分析96
5.2高速移动环境下车道线目标检测98
5.2.1高速移动环境下车道线检测网络结构98
5.2.2数据集及实验参数设置102
5.2.3实验结果与分析104
5.3技术应用与发展趋势109
5.3.1技术应用109
5.3.2行业应用109
5.3.3发展趋势112
第6章 多传感器融合下的近场区域目标检测114
6.1基于CenterNet的图像特征信息预处理115
6.1.1深层聚合网络特征提取115
6.1.2三维边界框估计118
6.2基于F-PointPillars的点云特征融合118
6.2.1激光雷达点云信息预处理118
6.2.2毫米波雷达点云信息预处理119
6.2.3点云信息融合120
6.3基于最近相邻原则的图像点云特征信息融合121
6.3.1图像点云信息配准121
6.3.2归一化网络121
6.3.3实验结果与分析122
6.4基于多传感器特征信息优化的近场区域目标检测方法126
6.4.1多元注意力模块127
6.4.2基于动态连接学习的特征融合130
6.4.3实验结果与分析132
6.5技术应用与发展趋势137
6.5.1技术应用137
6.5.2发展趋势141
第7章 车路协同下的自动驾驶三维目标检测143
7.1车路协同多传感器融合方案143
7.2基于Euclidian距离和匈牙利匹配算法的决策级融合检测145
7.3基于时间补偿的车路协同决策级别融合检测145
7.3.1时间补偿模块146
7.3.2带有时间补偿的车路协同检测146
7.4实验结果与分析147
7.4.1实验平台147
7.4.2实验参数设置147
7.4.3基于图像或激光雷达点云三维目标检测148
7.4.4车路协同后融合检测150
7.5行业应用与发展趋势155
7.5.1行业应用155
7.5.2未来发展趋势157
参考文献159