Videobasierte modellgestützte Objekterkennung

Autor(en): Speth, Johannes TU München, 21. Juni 2010 Seiten: 196 Auflage: 1 Aufl. Band: 28 Sprache: DE ISBN-10: 3869553170 ISBN-13: 9783869553177 Zugeordnete Fachbereiche: AUDI Dissertationsreihe | Ingenieurwissenschaften | Maschinenbau-und Verfahrenstechnik | Elektrotechnik Kategorie: Dissertation Bezugsmöglichkeiten Print Version 33,20 € 31,54 € In den Warenkorb eBook (2351.0 kB) 33,20 € In den Warenkorb

Kurzbeschreibung

Um den steigenden Anforderungen zukünftiger Fahrerassistenzsysteme an die Qualität der Informationen über das lokale Umfeld des eigenen Fahrzeugs zu entsprechen, werden in dieser Arbeit Algorithmen zur videobasierten Fahrzeug-und Fahrspurerkennung entwickelt. Die Verfahren zur Fahrzeugdetektion kombinieren Expertenwissen mit modernen Maschinenlernverfahren in einem Gesamtsystem, das an verschiedene Problemstellungen zur videobasierten Objekterkennung angepasst werden kann. Durch den Einsatz spezieller Sensormodelle wird das anschließende multisensorielle Verfolgen von Fahrzeugen in einem Kalman-Filter basierten Objekttracker ermöglicht.
Ein Algorithmus zur videobasierten Fahrspurverfolgung wird durch robustheitssteigernde Maßnahmen erweitert, so dass eine automatische Spurführung des Versuchsfahrzeugs auch bei komplexen Fahrszenarien ermöglicht wird.

Description

In order to meet the increasing requirements of future driver assistance systems in respect to the quality of information about the local environment of one’s own vehicle, this thesis develops algorithms for the video-based perception of vehicles and traffic lanes. The methods for vehicle detection combine expert knowledge with state-of-the-art machine learning algorithms to form an overall system, which can be adapted to diffierent videobased object recognition problems. Specialized sensor models subsequently facilitate the Kalman-Filter based tracking of vehicles using a multi-sensor arrangement.
An algorithm for the video-based tracking of traffic lanes is extended by measures to increase its robustness, allowing for automated lane-keeping control of the experimental vehicle even in complex driving scenarios.