智能交通中毫米波雷达数据处理方法与实现 pdf下载

多输入多输出（Multiple Input Multiple Ontput，MIMO）毫米波雷达是国内外雷达领域的研究热点，MIMO毫米波雷达克服了传统雷达单发单收的缺点，提高了能量利用率、测角精度、杂波抑制能力，降低了截获率。与激光雷达和视频检测相比，毫米波雷达具有非常大的优势，因此MIMO毫米波雷达广泛应用于智能交通领域。本书从智能交通系统中的车辆检测、测速、跟踪技术出发，依据真实的MIMO毫米波雷达测量数据，介绍车辆跟踪系统架构，以及常用的交通雷达体制，并对这些体制进行比较，得出FSK是***应用于测速的交通雷达体制。本书重点介绍了处理毫米波雷达探测数据的方法，包括初期对接收到的雷达信号进行去噪及利用获取的点云数据对雷达摆角进行修正，中期的点云数据聚类处理，后期的车辆轨迹关联、跟踪技术。在介绍这些技术时，不仅应用了经典的雷达数据处理技术，还提出了一些改进算法，并对目前热门的图像处理技术进行了介绍。

曹林，教授，博士生导师，现任光电测试技术及仪器教育部重点实验室副主任，中国电子教育学会研究生教育分会理事，先后主持国家自然科学基金重点支持项目、国防军工等课题。研究方向为空间信息智能感知与计算、图像理解与识别和雷达信号处理。近年来，作为项目骨干完成国家科技重大专项专题3项，发表学术论文40余篇，出版学术著作4部，教材1部，获北京市科学技术奖和中国智能交通协会科学技术奖等3项科技奖项，获授权发明专利7项，计算机软件著作权35项，其指导的研究生获2016年度“中国图象图形学报”优秀论文奖。

第1章 绪论 001
1．1 研究背景及意义 001
1．2 国内外研究现状 003
1．2．1 交通监视雷达研究现状 003
1．2．2 雷达数据处理研究现状 006
1．3 雷达测速系统 007
1．4 视频目标检测的研究现状 009
1．5 本章小结 010
第2章 交通雷达体制 011
2．1 CW体制 011
2．2 LFMCW体制 014
2．3 FSK体制 016
2．4 CW-FMCW复合体制 019
2．5 本章小结 020
第3章 微波测速雷达信号处理算法 021
3．1 去噪算法 021
3．1．1 基于EMD的去噪算法 021
3．1．2 自相关检测法 030
3．2 测速雷达角度自适应算法 034
3．2．1 火车测速雷达系统 034
3．2．2 基于样本统计特性的雷达摆角自修正算法 040
3．3 本章小结 047
第4章 微波测速雷达的目标识别与跟踪 049
4．1 单目标雷达算法优化 049
4．1．1 基于Kalman滤波的测速测距算法优化 049
4．1．2 基于CW-FMCW复合体制的DSP算法改进 051
4．1．3 仿真和分析 053
4．2 FSK体制雷达测速算法实现 057
4．2．1 FSK体制雷达测速原理 057
4．2．2 FSK体制雷达目标识别算法实现与仿真 061
4．3 多目标检测跟踪算法的研究与实现 071
4．3．1 多目标检测跟踪算法 071
4．3．2 多目标跟踪触发过程 076
4．3．3 基于恒虚警检测的目标检测优化 078
4．3．4 测试和分析 084
4．4 本章小结 088
第5章 聚类算法研究 089
5．1 经典聚类算法 089
5．1．1 DBSCAN聚类算法 089
5．1．2 FCM聚类算法 091
5．1．3 K-Means聚类算法 094
5．2 基于主轴的密度峰值模糊聚类算法 096
5．2．1 基于密度峰值的初次聚类算法 097
5．2．2 基于主轴更新的模糊聚类算法 100
5．2．3 实验设计 104
5．3 本章小结 112
第6章 多目标跟踪算法和系统设计 113
6．1 改进的粒子滤波算法 113
6．1．1 航迹关联 113
6．1．2 动目标跟踪 119
6．1．3 实验对比与路测结果 122
6．2 数据关联算法 127
6．2．1 最近邻数据关联算法 127
6．2．2 联合概率数据关联算法 129
6．2．3 k近邻联合概率数据关联算法 131
6．2．4 实验设计 137
6．3 多目标跟踪系统设计 142
6．3．1 需求分析 142
6．3．2 总体设计 145
6．3．3 多目标跟踪系统的应用 147
6．4 本章小结 154
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 155
7．1 基于深度学习的目标检测 156
7．1．1 目标检测 156
7．1．2 深度学习目标检测原理 159
7．1．3 测试和仿真 165
7．2 基于毫米波雷达和机器视觉的信息融合 171
7．2．1 毫米波雷达和摄像机的数据融合 171
7．2．2 基于机器学习的车型识别 176
7．2．3 实验验证与分析 179
7．3 本章小结 182