nach oben

Erschienen in:

2015 | OriginalPaper | Buchkapitel

21. Maschinelles Sehen

verfasst von : Christoph Stiller, Prof. Dr.-Ing., Alexander Bachmann, Dr.-Ing., Andreas Geiger, 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

KI-gestützte Suche

Aus

Zusammenfassung

Eine Kamera bildet die dreidimensionale (3d) Welt auf einen zweidimensionalen Bildaufnehmer ab. Somit entsteht bei der Bildaufnahme ein Informationsverlust um eine ganze Dimension. Für eine Reihe von Messaufgaben, vornehmlich in der Klassifikation von Objekten, ist eine zweidimensionale (2d) Information bereits ausreichend. In einer Vielzahl anderer Aufgaben der Fahrerassistenz ist hingegen die 3d Information unverzichtbar, um beispielsweise Sicherheitsabstände zielgenau zu regeln. Entsprechend wird in oft rechenintensiven Bildauswerteverfahren die 3d Szenengeometrie und Dynamik rekonstruiert. Begünstigt durch den anhaltenden Preisverfall von Kamera und Auswertehardware einerseits und der vielfältigen aus Bildfolgen extrahierbaren Information andererseits, werden Bildsensoren in einer beständig wachsenden Vielzahl von Anwendungen eingesetzt.

Während höhere Lebewesen auch zuvor unbekannte Umgebungen nahezu ausnahmslos und mit verblüffender Leichtigkeit visuell wahrnehmen und diese Wahrnehmung erfolgreich zur Navigation nutzen, ist das Wahrnehmungsvermögen maschineller Bildsensoren bislang auf eng begrenzte Domänen beschränkt. Selbst mit dem dadurch formulierbaren Vorwissen ist maschinelles Sehen der menschlichen Leistungsfähigkeit derzeit noch weit unterlegen. Dieses Kapitel gibt einen Überblick über grundlegende Methoden der Bildinterpretation, sowie über das Potenzial und die Grenzen von Bildsensoren. Die theoretischen Grundlagen werden dabei durch zahlreiche Praxisbeispiele illustriert.

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 Kamera-Hardware

Nächstes Kapitel Stereosehen

von griechisch stereós: hart, fest, körperlich, räumlich

Streng genommen wird hier das Bild einer kalibrierten Kamera betrachtet, deren Bildenbene den Abstand f zum optischen Zentrum aufweist. Diese zusätzliche Skalierung der Bildkoordinaten mit der Brennweite ist üblich, um Bildkoordinaten in Pixel und metrische Entfernungen in Meter auszudrücken.

Diese Annahme ist äquivalent zur Abgeschlossenheit des Zustands im Wiener’schen Sinne.

Faugeras, O.: Three dimensional computer vision: A geometric viewpoint. MIT Press, Cambridge, MA (1993)

Jähne, B.: Digitale Bildverarbeitung. Springer Verlag, Heidelberg (1997)CrossRef

Canny, J.: A computational approach to edge detection. IEEE Trans. Pattern Anal. Mach. Intell. 8(6), 679–698 (1986)CrossRef

Harris, C.G., Stephens, M.: A Combined Corner and Edge Detector, 4th Alvey Vision Conference, S. 147–151 (1988)

Stiller, C., Konrad, J.: Estimating Motion in Image Sequences – A tutorial on modeling and computation in 2D motion. IEEE Signal Processing Magazine 7, 70–91 (1999). 9, 116–117CrossRef

Trucco, E., Verri, A.: Introductory Techniques for 3–D Computer Vision. Prentice Hall, New York (1998)

Lowe, D.G.: Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision 60(2), 91–110 (2004)CrossRef

Bay, H., Tuytelaars, T., van Gool, L.: SURF: Speeded up robust Features, European Conference on Computer Vision (2006)

Calonder, M., Lepetit, V., Ozuysal, M., Trzcinski, T., Stretcha, C., Fua, P.: BRIEF: Computing a Local Binary Descriptor Very Fast. IEEE Transactions on Pattern Analysis and Machine Intelligence 34(5), 1281–1298 (2012)CrossRef

10.

Tola, E., Lepetit, V., Fua, P.: DAISY: An Efficient Dense Descriptor Applied to Wide-Baseline Stereo,″. IEEE Transactions on Pattern Analysis and Machine Intelligence 32(5), 815–830 (2010)CrossRef

11.

Lategahn, H., Beck, J., Kitt, B., Stiller, C.: How to Learn an Illumination Robust Image Feature for Place Recognition IEEE Intelligent Vehicles Symposium. (2013)

12.

Shi, J.; Tomasi, C.: Good features to track. IEEE Conf on Computer Vision and Pattern Recognition, 1994, Seattle

13.

Longuet-Higgins, H.C.: A computer algorithm for reconstructing a scene from two projections. Nature 293, 133–135 (1981)CrossRef

14.

Scheer, O.: Stereoanalyse und Bildsynthese. Springer, Heidelberg (2005)

15.

Nistér, D.: An Efficient Solution to the Five-Point Relative Pose Problem. IEEE Trans. Pattern Anal. Mach. Intell. 26(6), 756–777 (2004)CrossRef

16.

Dang, T., Hoffmann, C., Stiller, C.: Visuelle mobile Wahrnehmung durch Fusion von Disparität und Verschiebung. In: Maurer, M., Stiller, C. (Hrsg.) Fahrerassistenzsysteme mit maschineller Wahrnehmung, S. 21–42. Springer, Heidelberg (2005)CrossRef

17.

Dang, T., Hoffmann, C., Stiller, C.: Continuous stereo self-calibration by camera parameter tracking. IEEE Transactions on Image Processing 18(7), 1536–1550 (2009)CrossRefMathSciNet

18.

Barker A.; Brown D.E; Martin W.N.: Bayesian Estimation and the Kalman Filter, Technischer Bericht IPC-94-002, 5, 1994

19.

Chen Z.: Bayesian Filtering: From Kalman Filters to Particle Filters, and Beyond. Technischer Bericht, 2003

20.

Meinhold, R.J., Singpurwalla, N.D.: Understanding the Kalman Filter. The American Statistician 37(2), 123–127 (1983)MathSciNet

21.

Welch, G., Bishop, G.: An Introduction to the Kalman Filter. Technischer Bericht. http://www.cs.unc.edu/~welch/kalman/kalmanIntro.html

22.

Ghanbarpour Asl, H., Pourtakdoust, S.H.: UD Covariance Factorization for Unscented Kalman Filter using Sequential Measurements Update, International Journal of Engineering and Natural. Sciences 1, 4 (2007)

23.

Liu, Y., Bougani, C.S., Cheung, P.Y.K.: Efficient mapping of a Kalman Filter into an FPGA using Taylor Expansion International Conference on Field Programmable Logic and Applications., S. 345–350 (2007)

24.

Grewe, R., Komar, M., Hohm, A., Hegemann, S., Lüke, S.: Environment Modelling for Future ADAS Functions 19th ITS World Congress. (2012)

25.

Stiller, C., Puente Leon, F., Kruse, M.: Information fusion for automotive applications – An overview. Information Fusion 12(4), 244–252 (2011)CrossRef

26.

Schöttle, M.: Zukunft der Fahrerassistenz mit neuen E/E-Architekturen. ATZ Elektronik 6(4), 8–15 (2011)CrossRef

27.

Saarinen, J., Andreasson, H., Stoyanov, T., Luhtala, A.J.: Normal distributions transform occupancy maps: Application to large-scale online 3d mapping IEEE International Conference on Robotics and Automation. (2013)

28.

Grewe, R., Hohm, A., Lüke, S., Winner, H.: Umfeldmodelle: standardisierte Schnittstellen für Assistenzsysteme. ATZelektronik 7(5), 334–339 (2012). Springer Automotive Media

29.

Triebel, R., Pfaff, P., Burgard, W.: Multi-level surface maps for outdoor terrain mapping and loop closing IEEE/RSJ International Conference on Intelligent Robots and Systems., S. 2276–2282 (2006)

30.

Bertozzi, M., Broggi, A., Castellucio, S.: A real-time oriented system for vehicle detection. Journal Systems Architectur 43(1–5), 317–325 (1997)CrossRef

31.

Kalinke, T., Tzokamkas, C., von Seelen, W.: A texture-based object detection and an adaptive model-based classification IEEE Intelligent Vehicles Symposium., S. 143–148 (1998)

32.

Papageorgiou, C., Poggio, T.: A trainable System for Object Detection. Int. J. Computer Vision 38(1), 15–33 (2000)CrossRefMATH

33.

Sun, Z., Bebis, B., Miller, R.: On-Road Vehicle Detection using Gabor-Filters and SVM IEEE Int. Conf. Digital Signal Processing. (2002)

34.

Mohan, A., Papageorgiou, C., Poggio, T.: Example-based object detection in images by components. IEEE Transactions on Pattern Analysis and Machine Intelligence 23(4), 349–361

35.

Bachmann, A., Dang, T.: Improving Motion-Based Object Detection by Incorporating Object-Specific Knowledge. International Journal of Intelligent Information and Database Systems 2(2), 258–276 (2007). Special Issue on: Information Processing in Intelligent Vehicles and Road ApplicationsCrossRef

36.

Cuchiari, R., Piccard, M.: Vehicle Detection under Day and Night Illumination Int. ICSC Symposium Intelligent Industrial Automation. (1999)

37.

Liebner, M., Klanner, F., Baumann, M., Ruhhammer, C., Stiller, C.: Velocity-Based Driver Intent Inference at Urban Intersections in the Presence of Preceding Vehicles. IEEE Intelligent Transportation Systems Magazine 5(2), 10–21 (2013)CrossRef

38.

Wojek, C., Walk, S., Roth, S., Schindler, K., Schiele, B.: Monocular Visual Scene Understanding: Understanding Multi-Object Traffic Scenes IEEE Transactions on Pattern Analysis and Machine Intelligence. (2013)

39.

Dickmanns E.D.: The 4D-approach to visual control of autonomous systems. IAA NASA Conference on Intelligent Robots in Field Factory Service and Space 1994, Houston, Texas

40.

Franke, U.: Real time 3d-road modeling for autonomous vehicle guidance, 7th Scandinavian Conference on Image Analysis, 1991, Aalborg, Dänemark

41.

Ziegler, J.; Bender, P.; Lategahn, H.; Schreiber, M.; Strauß, T.; Stiller, C.: Kartengestütztes automatisiertes Fahren auf der Bertha-Benz-Route von Mannheim nach Pforzheim, Fahrerassistenzworkshop UniDAS, Walting, April 2014

42.

Geiger, A., Lauer, M., Wojek, C., Stiller, C., Urtasun, R.: 3D Traffic Scene Understanding from Movable Platforms IEEE Transactions on Pattern Analysis and Machine Intelligence. (2014)

43.

Geiger, A.: Probabilistic Models for 3D Urban Scene Understanding from Movable Platforms, PhD Thesis, Karlsruhe Institute of Technology, 2013

44.

Geiger, A., Lenz, P., Stiller, C., Urtasun, R.: Vision meets Robotics: The KITTI Dataset. International Journal of Robotics Research 32(11), 1229–1235 (2013)CrossRef

Titel: Maschinelles Sehen
verfasst von: Christoph Stiller, Prof. Dr.-Ing.
Alexander Bachmann, Dr.-Ing.
Andreas Geiger, Dr.-Ing.
Verlag: Springer Fachmedien Wiesbaden
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_21

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

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

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Premium Partner