Vorgestellt wird ein adaptives System zur Erkennung von Autos in Videosequenzen realer Verkehrssituationen. Das System ist echtzeitfähig. Es besteht aus mehreren gekoppelten Verarbeitungsebenen - initiale Detektion, Objektverfolgung und Klassifikation - und ist in ein Fahrerassistenz-Gesamtsystem eingebunden. Hauptschwerpunkt dieses Beitrags ist die Beschreibung des Klassifikationsmoduls. Die initiale Detektion benutzt verschiedene Heuristiken zur Erzeugung von Fahrzeughypothesen. Diese werden im Klassifikationsschritt bewertet. Die Klassifikationsfunktion wird anhand von Beispielen mit einem überwachten Lernschema trainiert. Es wird gezeigt, dass annähernde Skaleninvarianz im Klassifikationsschritt durch die Verwendung von näherungsweise skaleninvarianten Bildmerkmalen und durch das Training mit verschieden großen Beispielen erreicht werden kann. Die zur Implementierung der Klassifikationsfunktion verwendeten neuronalen Netzwerke (NN) werden mit einem einfachen Optimierungsverfahren (Pruning) im Hinblick auf Größe und Klassifikationsleistung optimiert. Überraschenderweise liefern extrem einfache NN gute Klassifikationsergebnisse bei sehr hoher Verarbeitungsgeschwindigkeit.
Detektion und Klassifikation von Fahrzeugen in Echtzeit
FAS, Workshop Fahrerassistenzsysteme, 3 ; 121-128
2005
8 Seiten, 3 Bilder, 11 Quellen
Conference paper
German
Tema Archive | 2007
|Verfahren zur Detektion von entgegenkommenden Fahrzeugen
European Patent Office | 2018
|Detektion von Fahrzeugen in optischen Satellitenbildern
TIBKAT | 2011
|Detektion von Fahrzeugen in optischen Satellitenbildern
TIBKAT | 2011
|