Bei der Entwicklung neuer und innovativer Funktionen im Bereich des autonomen Fahrens und der Fahrerassistenzsysteme ist die Aufgabe der Umgebungswahrnehmung von fundamentaler Bedeutung. Hierbei nimmt die visuelle Umfelderfassung eine zunehmend wichtige Stellung ein. Der Grund hierfür liegt in dem ausgesprochen hohen Abstraktionspotential der Bilddaten, durch welches eine Umgebung beliebig komplex dargestellt werden kann. Um die Informationsfülle der Bilddaten für eine praktische Anwendung nutzbar zu machen, greifen derzeitige Auswertesysteme hierbei meist nur auf einen sehr eingeschränkten Teil der Daten zu. Die rasante Entwicklung im Bereich der Rechen- und Speichertechnologie erlaubt mittlerweile jedoch den Einsatz anspruchsvoller Modelle und Algorithmen zur Bildanalyse, die eine detaillierte Abbildung der Umgebung im Inneren eines Rechners erlauben. Besonders wünschenswert ist hierbei die Repräsentation der umgebenden Szene in Form einer dichten Segmentierung, welche relevante Objekte vollständig aus der restlichen Umgebung herauslöst und identifiziert. Die in dieser Arbeit vorgestellte Szenensegmentierung liefert eine solche vollständige und minimal einschränkende Beschreibung der dreidimensionalen Szene. Dabei wird ein einzelnes Objekt als eine, relativ zur Kamera, räumlich und zeitlich gleichförmig bewegte Gruppierung von Szenenpunkten beschrieben. Eine Besonderheit des Verfahrens ist die Tatsache, dass die einzelnen Teilaufgaben der dreidimensionalen Rekonstruktion, Bewegungsschätzung und Segmentierung dabei in einem gemeinsamen Modell beschrieben und in verzahnter Reihenfolge gelöst werden. Die einzelnen Modellparameter werden dabei robust durch merkmalsbasierte Verfahren bestimmt, wobei das aktuelle Segmentierergebnis in der Form eines probabilistischen Assoziationsgewichtes mit in den rekursiven Schätzprozess auf der Basis eines Kalman-Glätters integriert wird. Hierdurch kann eine fortlaufende Verbesserung der verkoppelten Schätzgrößen erreicht werden, deren Güte über die Zeit kontinuierlich zunimmt. Die Erwartung der räumlichen und zeitlichen Konsistenz zusammengehöriger Szenenbereiche wird explizit durch das Modell eines Markov-Zufallsfeldes berücksichtigt. Zur Lösung der globalen Optimierungsaufgabe werden aktuelle Graphenschnittverfahren eingesetzt. Das Ergebnis der bewegungsbasierten Szenensegmentierung ist eine Menge von Bildbereichen, die vom Menschen eindeutig als unabhängig bewegte Objekte interpretierbar sind. Die Leistungsfähigkeit des Verfahrens wird anhand von realen und synthetischen Bildsequenzen aufgezeigt. Die Ergebnisse sind hierbei den meisten aktuellen Objektdetektionsverfahren im Bereich der mobilen Umfeldwahrnehmung deutlich überlegen und unterstreichen das hohe Potenzial des Verfahrens.

    One of the cornerstones in the development of automotive driver assistance systems is the comprehensive perception and understanding of the environment in the vicinity of the vehicle. In this context, vision sensors provide a rich and versatile source of information. In the past, most of the systems only used a small fraction of this information due to the limited computational power aboard a vehicle. Today this is going to change as modern driver assistance systems are expected to carry out sophisticated tasks, pushing the vehicle more and more into intelligent interaction with the driver. The precondition for such action is a detailed description of the environment. Optimally, such a description reflects the human perception and segregates the scene densely into physically relevant and meaningful regions. In this work, such regions represent other traffic participants. The object detection task is performed based on the relative motion of these objects to the observer. To obtain a dense representation of the observed scene, object detection is formulated as an image segmentation task. Different to previous approaches in three dimensional scene analysis, the involved tasks of scene reconstruction, motion estimation and image segmentation are formulated in a joint model and solved in an iterative way. Within the filter framework the actual segmentation result is integrated into the estimation task by means of a data association process which weights each observation according to a probabilistic measure. The method first estimates the model parameters for a number of object hypotheses based on a set of feature points in a recursive manner. The evolving parameter estimates are then used to recover the scene depth from spatially and temporally separated views. Given the dense depth map and the set of tracked object parameters, scene segmentation is performed. A Markov Random Field is used to express expectations on spatial and temporal continuity of objects. The performance of the approach is evaluated on real and synthetic image data.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Dichte Objektsegmentierung in Stereobildfolgen


    Beteiligte:


    Erscheinungsdatum :

    2009


    Format / Umfang :

    168 Seiten, Bilder, Tabellen, Quellen




    Medientyp :

    Hochschulschrift


    Format :

    Print


    Sprache :

    Deutsch




    Dichte Packung

    Online Contents | 2016


    Lärmmindernde dichte Fahrbahnbeläge

    Deutschland, Bundesministerium für Verkehr | SLUB | 1993


    Lärmmindernde dichte Fahrbahnbeläge

    Nies, Volker / Deutschland, Bundesministerium für Verkehr | TIBKAT | 1993


    Dichte im Asphaltstrassenbau

    Arand, Wolfgang | TIBKAT | 1969


    Dichte. Eine Begriffsbestimmung

    Roskamm, Nikolai | Online Contents | 2016