Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Die Leistungsfähigkeit des Menschen für die Fahrzeugführung Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

23. Kamerabasierte Fußgängerdetektion

verfasst von : Bernt Schiele, Prof. Dr., Christian Wojek, Dr.-Ing.

Erschienen in: Handbuch Fahrerassistenzsysteme

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Die Detektion oder Erkennung von Fußgängern im Straßenverkehr ist eines der wichtigsten, zugleich aber auch eines der schwierigsten Probleme der Sensorverarbeitung. Um dem Fahrer optimale Assistenz leisten zu können, sind idealerweise alle Fußgänger unabhängig von Sichtverhältnissen robust zu erkennen. Dies wird jedoch durch verschiedenste Umweltfaktoren erschwert. Problematisch sind insbesondere wechselnde Wetter- und Sichtverhältnisse, schwierige Beleuchtungssituationen und Straßenverhältnisse. Des Weiteren erschweren individuelle Kleidung und die Verdeckung von Fußgängern beispielsweise durch parkende Autos die Detektionsaufgabe. Weiterhin zeichnen sich Fußgänger im Vergleich zu vielen anderen Objekten in Straßenverkehrsszenen durch einen hohen Grad an Artikulation aus, die insbesondere die Anwendung umrissbasierter Verfahren erschwert.
Grundsätzlich lassen sich zwei Typen von Erkennungsaufgaben abhängig vom eingesetzten Sensortyp unterscheiden:
  • videobildbasierte Verfahren – für den Tag,
  • infrarotkamerabasierte Verfahren – für die Nacht.
Während sich die Sensoren durch das aufgenommene Lichtspektrum unterscheiden, haben sich in der Praxis jedoch ähnliche grundsätzliche Verfahren für die Bearbeitung bewährt.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Stereosehen
Nächstes Kapitel Fusion umfelderfassender Sensoren
Literatur
[1]
Shashua, A., Gdalyahu, Y., Hayun, G.: Pedestrian detection for driving assistance systems: Single‐frame classification and system level performance. In: Proceedings of the IEEE International Conference on Intelligent Vehicles, S. 1–6. IEEE Computer Society Press, Tokyo (2004)
[2]
Dalal, N., Triggs, B.: Histograms of oriented gradients for human detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, S. 886–893. IEEE Computer Society Press, San Diego, CA, USA (2005)
[3]
Maji, S., Berg, A.C., Malik, J.: Classification using intersection kernel support vector machines is efficient. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, S. 1–8. IEEE Computer Society Press, Anchorage (2008)
[4]
Friedman, J., Hastie, T., Tibshirani, R.: Additive logistic regression: a statistical view of boosting. The Annals of Statistics 38(2), 337–374 (2000). Institute of Mathematical Statistics, Beachwood, OH, USACrossRefMathSciNet
[5]
Schoelkopf, B., Smola, A.J.: Learning with kernels: support vector machines, regularization, optimization, and beyond. MIT Press, Cambridge, MA, USA (2001)
[6]
Harris, C., Stephens, M.: A combined corner and edge detectio. In: Proceedings of The Fourth Alvey Vision Conference, S. 147–151. Manchester, UK (1988)
[7]
Lowe, D.G.: Distinctive image features from scale‐invariant keypoints. International Journal of Computer Vision 60(2), 91–110 (2004). Kluwer Academic Publishers, Hingham, MA, USACrossRef
[8]
Lindeberg, T.: Feature detection with automatic scale selection. International Journal of Computer Vision 30(2), 77–116 (1998). Kluwer Academic Publishers, Hingham, MA, USA
[9]
Mikolajczyk, K., Schmid, C.: A performance evaluation of local descriptors. IEEE Transactions on Pattern Analysis and Machine Intelligence 27(10), 1615–1630 (2005). IEEE Computer Society Press, Washington, DC, USACrossRef
[10]
Leibe, B.; Seemann, E.; Schiele, B.: Pedestrian detection in crowded scenes. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, S. 878–885, IEEE Computer Society Press, San Diego, CA, USA, 2005
[11]
Seemann, E., Leibe, B., Schiele, B.: Multi‐aspect detection of articulated objects. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, S. 1582–1588. IEEE Computer Society Press, New York, NY, USA (2006)
[12]
Seemann, E., Schiele, B.: Cross‐articulation learning for robust detection of pedestrians. In: Pattern Recognition: Proceedings of DAGM Symposium, S. 242–252. Springer, Berlin, New York (2006)CrossRef
[13]
Andriluka, M., Roth, S., Schiele, B.: People‐tracking‐by‐detection and people‐detection‐by‐tracking. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society Press, Anchorage, AK, USA, S. 1–8 (2008)
[14]
Seemann, E., Leibe, B., Mikolajczyk, K., Schiele, B.: An evaluation of local shape‐based features for pedestrian detection. In: Proceedings of the British Machine Vision Conference, S. 11–20. British Machine Vision Association, Oxford, UK (2005)
[15]
Gavrila, D., Munder, S.: Multi‐cue pedestrian detection and tracking from a moving vehicle. International Journal of Computer Vision 73(1), 41–59 (2007). Springer‐Verlag New York, Inc., New York, NY, USACrossRef
[16]
Mählisch, M., Oberlander, M., Lohlein, O., Gavrila, D.M., Ritter, W.: A multiple detector approach to low‐resolution fir pedestrian recognition. In: Proceedings of the IEEE International Conference on Intelligent Vehicles, S. 325–330. IEEE Computer Society Press, Las Vegas (2005)
[17]
Suard, F., Rakotomamonjy, A., Bensrhair, A., Broggi, A.: Pedestrian detection using infrared images and histograms of oriented gradients. In: Proceedings of the IEEE International Conference on Intelligent Vehicles, S. 206–212. IEEE Computer Society Press, Tokyo (2006)
[18]
Bertozzi, M., Broggi, A., Caraffi, C., Del Rose, M., Felisa, M., Vezzoni, G.: Pedestrian detection by means of far‐infrared stereo vision. Computer Vision and Image Understanding 106(2–3), 194–204 (2007). Elsevier Science Inc., New York, NY, USACrossRef
[19]
Wojek, C., Schiele, B.: A performance evaluation of single and multi‐cue people detection. In: Pattern Recognition: Proceedings of DAGM Symposium, S. 82–91. Springer, New York, München (2008)CrossRef
[20]
Papageorgiou, C., Poggio, T.: A trainable system for object detection. International Journal of Computer Vision 38(1), 15–33 (2000). Kluwer Academic Publishers, Hingham, MA, USACrossRefMATH
[21]
Viola, P.A., Jones, M.J., Snow, D.: Detecting pedestrians using patterns of motion and appearance. In: Proceedings of the IEEE International Conference on Computer Vision, S. 734–741. IEEE Computer Society Press, Washington (2003)CrossRef
[22]
Sabzmeydani, P., Mori, G.: Detecting pedestrians by learning shapelet features. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, S. 1–8. IEEE Computer Society Press, Minneapolis, MN (2007)
[23]
Belongie, S., Malik, J., Puzicha, J.: Shape matching and object recognition using shape contexts. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(4. IEEE Computer Society Press, Washington, DC, USA, S. 509–522 (2002)
[24]
Leibe, B., Leonardis, A., Schiele, B.: Robust object detection with interleaved categorization and segmentation. International Journal of Computer Vision 77, 259–289 (2008). Springer‐Verlag New York, Inc., New York, NY, USACrossRef
[25]
Mikolajczyk, K., Schmid, C.: Scale and affine invariant interest point detectors. International Journal of Computer Vision 60(1), 63–86 (2004). Kluwer Academic Publishers, Hingham, MA, USACrossRef
[26]
Lawrence, N.D.: Probabilistic non‐linear principal component analysis with Gaussian process latent variable models. Journal of Machine Learning Research 6, 1783–1816 (2005). MIT Press, Cambridge, MA, USAMATHMathSciNet
[27]
Franke, U.: Real‐time stereo vision for urban traffic scene understanding. In: Proceedings of the IEEE International Conference on Intelligent Vehicles, S. 273–278. IEEE Computer Society Press, Dearborn, MI, (2000)
[28]
Gavrila, D., Philomin, V.: Real‐time object detection for „smart“ vehicles. In: Proceedings of the IEEE International Conference on Computer Vision, S. 87–93. IEEE Computer Society Press, Kerkyra, Korfu (1999)CrossRef
[29]
Wöhler, C., Anlauf, J.K.: An adaptable time‐delay neural‐network algorithm for image sequence analysis. IEEE Transactions on Neural Networks 10(6), 1531–1536 (1999). IEEE Computer Society Press, Washington, DC, USACrossRef
[30]
Kuhn, H.W.: The Hungarian method for the assignment problem. Naval Research Logistic Quarterly 2, 83–97 (1955). Institute for Operations Research and the Management Sciences, Hanover, MD, USACrossRef
[31]
Wojek, C., Dorkó, G., Schulz, A., Schiele, B.: Sliding‐windows for rapid object‐class localization: a parallel technique. In: Pattern Recognition: Proceedings of DAGM Symposium, S. 71–81. Springer, New York, München (2008)CrossRef
[32]
Zhang, W., Zelinsky, G., Samaras, D.: Real‐time accurate object detection using multiple resolutions. In: Proceedings of the IEEE International Conference on Computer Vision, S. 1–8. IEEE Computer Society Press, Rio de Janeiro (2007)
[33]
Zhu, Q., Avidan, S., Yeh, M.C., Cheng, K.T.: Fast human detection using a cascade of histograms of oriented gradients. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, S. 1491–1498. IEEE Computer Society Press, New York, NY, USA (2006)
Metadaten
Titel
Kamerabasierte Fußgängerdetektion
verfasst von
Bernt Schiele, Prof. Dr.
Christian Wojek, Dr.-Ing.
Copyright-Jahr
2015
Buch
Handbuch Fahrerassistenzsysteme

Print ISBN: 978-3-658-05733-6

Electronic ISBN: 978-3-658-05734-3

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-658-05734-3_23

    Premium Partner

    Bildnachweise