声明
第1章 绪论
1.1 研究背景
1.2 相关概念
1.2.1 汽车主动安全系统
1.2.2 计算机视觉技术
1.2.3 深度学习技术
1.3 国内外研究现状
1.3.1 计算机视觉技术在汽车安全领域的研究现状
1.3.2 深度学习技术在汽车安全领域的研究现状
1.3.3 变道行为分析在汽车安全领域的研究现状
1.4 研究目标
1.5 论文的主要研究内容
第2章 原型系统结构与关键技术
2.1 汽车主动安全系统中的关键技术
2.2 原型系统结构模型
2.2.1 车载数据采集系统
2.2.2 信息处理系统
2.2.3 判别与决策系统
2.2.4 操作控制与预警系统
2.3 本章小结
第3章 环境感知：智能目标检测与跟踪
3.1 基于改进ORB特征匹配的运动目标检测
3.1.1 ORB特征匹配算法
3.1.2 改进的特征匹配对筛选算法
3.1.3 运动目标检测
3.1.4 实验验证
3.2 基于Faster R-CNN的运动目标检测
3.2.1 Faster R-CNN网络框架
3.2.2 区域建议网络RPN
3.2.3 RPN与Fast R-CNN的特征共享
3.2.4 实验验证
3.3 基于YOLO的运动目标检测
3.3.1 YOLO网络框架
3.3.2 统一检测(Unified Detection)
3.3.3 损失函数
3.3.4 非极大值抑制
3.3.5 实验验证
3.4 基于YOLO和RRN的运动目标跟踪
3.4.1 RRN循环回归网络框架
3.4.2 YOLO+RRN网络框架
3.4.3 实验验证
3.5 本章小结
第4章 基于多传感器信息融合的变道行为检测
4.1 相关理论与概念
4.1.1 基于协同表示的分类器
4.1.2 基于协同表示的优化投影分类器
4.1.3 D-S理论
4.1.4 基于相关系数的D-S理论
4.2 多传感器信息融合方法
4.2.1 特征级融合法
4.2.2 决策级融合法
4.3 传感器信息特征提取
4.3.1 视频数据特征提取
4.3.2 OBD数据特征提取
4.4 变道模型与实验数据集
4.4.1 变道模型
4.4.2 实验数据集
4.5 实验验证
4.5.1 实验设置
4.5.2 基于交叉训练的变道行为检测模型
4.5.3 基于扩展数据集的变道行为检测模型
4.5.4 误检测分析
4.6 本章小结
第5章 基于分组卷积神经网络的变道行为预测
5.1 相关理论与概念
5.1.1 生理信号指标
5.1.2 谱聚类
5.1.3 分组卷积神经网络
5.2 变道行为预测方法
5.2.1 基于多元时间序列的CNN网络结构
5.2.2 基于谱聚类的MTS-GCNN网络结构
5.3 变道模型和信号描述
5.3.1 变道模型
5.3.2 生理信号描述
5.3.3 实验数据集
5.4 实验验证
5.4.1 实验设置
5.4.2 实验模型
5.4.3 基于单个驾驶员数据的变道预测模型
5.4.4 基于多个驾驶员数据的变道预测模型
5.4.5 最佳预测时间
5.5 本章小结
第6章 智能防撞控制策略
6.1 相关理论与概念
6.1.1 危险变道判别模型
6.1.2 碰撞风险评估方法
6.2 基于DDM的防撞控制模型
6.2.1 深度判别模型DDM
6.2.2 ConvLSTMs网络
6.3 实验仪器及数据集
6.4 实验验证
6.4.1 实验设置
6.4.2 实验分析：不同的输入数据类型/网络结构
6.4.3 实验分析：不同的视角数据
6.4.4 碰撞风险评估
6.5 本章小结
第7章 总结与展望
7.1 总结
7.2 研究展望
致谢
参考文献
攻读博士学位期间取得的研究成果
攻读博士学位期间参与的课题研究
附录A
武汉理工大学;
