第1章 绪论 001__eol__1.1 研究背景及意义 001__eol__1.2 国内外研究现状 003__eol__1.2.1 交通监视雷达研究现状 003__eol__1.2.2 雷达数据处理研究现状 006__eol__1.3 雷达测速系统 007__eol__1.4 视频目标检测的研究现状 009__eol__1.5 本章小结 010__eol__第2章 交通雷达体制 011__eol__2.1 CW体制 011__eol__2.2 LFMCW体制 014__eol__2.3 FSK体制 016__eol__2.4 CW-FMCW复合体制 019__eol__2.5 本章小结 020__eol__第3章 微波测速雷达信号处理算法 021__eol__3.1 去噪算法 021__eol__3.1.1 基于EMD的去噪算法 021__eol__3.1.2 自相关检测法 030__eol__3.2 测速雷达角度自适应算法 034__eol__3.2.1 火车测速雷达系统 034__eol__3.2.2 基于样本统计特性的雷达摆角自修正算法 040__eol__3.3 本章小结 047__eol__第4章 微波测速雷达的目标识别与跟踪 049__eol__4.1 单目标雷达算法优化 049__eol__4.1.1 基于Kalman滤波的测速测距算法优化 049__eol__4.1.2 基于CW-FMCW复合体制的DSP算法改进 051__eol__4.1.3 仿真和分析 053__eol__4.2 FSK体制雷达测速算法实现 057__eol__4.2.1 FSK体制雷达测速原理 057__eol__4.2.2 FSK体制雷达目标识别算法实现与仿真 061__eol__4.3 多目标检测跟踪算法的研究与实现 071__eol__4.3.1 多目标检测跟踪算法 071__eol__4.3.2 多目标跟踪触发过程 076__eol__4.3.3 基于恒虚警检测的目标检测优化 078__eol__4.3.4 测试和分析 084__eol__4.4 本章小结 088__eol__第5章 聚类算法研究 089__eol__5.1 经典聚类算法 089__eol__5.1.1 DBSCAN聚类算法 089__eol__5.1.2 FCM聚类算法 091__eol__5.1.3 K-Means聚类算法 094__eol__5.2 基于主轴的密度峰值模糊聚类算法 096__eol__5.2.1 基于密度峰值的初次聚类算法 097__eol__5.2.2 基于主轴更新的模糊聚类算法 100__eol__5.2.3 实验设计 104__eol__5.3 本章小结 112__eol__第6章 多目标跟踪算法和系统设计 113__eol__6.1 改进的粒子滤波算法 113__eol__6.1.1 航迹关联 113__eol__6.1.2 动目标跟踪 119__eol__6.1.3 实验对比与路测结果 122__eol__6.2 数据关联算法 127__eol__6.2.1 最近邻数据关联算法 127__eol__6.2.2 联合概率数据关联算法 129__eol__6.2.3 k近邻联合概率数据关联算法 131__eol__6.2.4 实验设计 137__eol__6.3 多目标跟踪系统设计 142__eol__6.3.1 需求分析 142__eol__6.3.2 总体设计 145__eol__6.3.3 多目标跟踪系统的应用 147__eol__6.4 本章小结 154__eol__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__eol__7.1 基于深度学习的目标检测 156__eol__7.1.1 目标检测 156__eol__7.1.2 深度学习目标检测原理 159__eol__7.1.3 测试和仿真 165__eol__7.2 基于毫米波雷达和机器视觉的信息融合 171__eol__7.2.1 毫米波雷达和摄像机的数据融合 171__eol__7.2.2 基于机器学习的车型识别 176__eol__7.2.3 实验验证与分析 179__eol__7.3 本章小结 182__eol____eol__