Moderne Fahrerassistenzsysteme haben das Ziel, den Fahrer zu entlasten und damit das Fahren angenehmer und sicherer zu machen. Dazu ist eine Erfassung des Fahrzeugumfeldes, insbesondere anderer Verkehrsteilnehmer, unerlässlich. Die in aktuellen Systemen eingesetzten Sensoren können alleine jedoch nicht die hohen Anforderungen an die Zuverlässigkeit und die Größe des Erfassungsbereiches erfüllen. Die vorliegende Arbeit beschreibt ein Verfahren zur Fahrzeugdetektion anhand monoskopischer Videomerkmale. Aus den Bildern einer im Fahrzeug angebrachten Videokamera werden charakteristische Merkmale extrahiert, die einen Hinweis auf das Vorhandensein eines Fahrzeuges geben. Ein solches Merkmal ist der Schattenbereich, der unter Personen- und Lastkraftwagen auftritt. Die Auswertung dunkler Bildregionen liefert Informationen über mögliche Objektpositionen. Allerdings ist ein einzelnes Merkmal nicht ausreichend, um eine zuverlässige Detektion zu gewährleisten. Daher werden des Weiteren Bereiche analysiert, die sich durch eine Achsensymmetrie auszeichnen, welche sich gerade bei der Front- und Heckpartie von Fahrzeugen beobachten lässt. Diese Beobachtungen werden fusioniert und zeitlich verfolgt. Da aufgrund der Natur der Merkmale ein hoher Anteil Fehlhypothesen enthalten ist, kommen Joint Probubilistle Dato Association-Filter zum Einsatz. Allerdings lässt sich die Vielzahl der zu berücksichtigenden Verkehrssituationen nicht durch ein einziges Bewegungsmodell beschreiben. Daher werden mehrere Bewegungsmodelle in einem Interacting Multiple Model-Verfahren verknüpft. Experimentelle Ergebnisse belegen, dass erst diese Kombination der Verfahren eine stabile Verfolgung von Fahrzeugen ermöglicht. Außerdem zeigt sich, dass selbst stark rauschbehaftete Sensoren die Zuverlässigkeit des Systems erhöhen können. Das beschriebene Verfahren wurde in einem Versuchsfahrzeug umgesetzt und ist in der Lage, Informationen über Position und Verhalten anderer Vcrkehrsteilnehmer in Videobildrate bereitzustellen.
Modern driver assistance systems have to ease the task of driving and thus increase traffic safety. To accomplish this goal, reliable perception of the surrounding environment, especially of other road users, is indispensable. However, sensors employed in current systems cannot satisfy the high demands on reliability and field of view. This work presents a method for detecting vehicles using monoscopic video features. From the images of a video camera mounted in the car, characteristic cues are extracted that indicate the presence of a vehicle. The shadow that occurs below cars and trucks is such a cue. 13y analysing dark image regions, information about possible object locations is obtained. However, a single feature is not sufficient for reliable detection. Thus, by searching for regions with high symmetry about a vertical axis, additional observations are obtained as symmetry is a property of the front or rear of vehicles. These observations are fused and tracked over time. As these features exhibit a high rate of false positives, Joint Probabilistic Data Association filters are employed. Due to the fact that the sensor has to cope with varying traffic situations, it is not possible to formulate a single motion mode. Thus, several motion models are combined in an lnteracting Multiple Mode approach. Experimental results prove that only the combination of these approaches yields stable tracking results. Additionally, it is shown that even noisy sensors can improve the reliability of the proposed System. The presented techniques have been implemented in an experimental vehicle and are capable of providing information about position and behaviour of other road users in video frank rate.
Fahrzeugdetektion durch Fusion monoskopischer Videomerkmale
Vehicle detection by combination of monoscopic video features
2007
125 Seiten, Bilder, Tabellen, Quellen
Theses
German
Fahrzeugdetektion durch Fusion monoskopischer Videomerkmale
Catalogue medicine | 2007
|Fahrzeugdetektion mit stationären Kameras zur automatischen Verkehrsüberwachung
British Library Conference Proceedings | 2019
|Automotive engineering | 1993
|