Masterarbeit Karsten Mittig
Titel der Arbeit:
Erkennung von Personen und einspurigen Fahrzeugen in
Bildsequenzen
Betreuer: Dr.-Ing. Patrick Westfeld,
Dipl.-Ing. Tom Landgraf (Fraunhofer IVI)
Beschreibung:
Ziel dieser Arbeit war die Implementierung eines
Detektionssystems, welches automatisch in Bildsequenzen nach
Fußgängern sucht und deren Vorkommen meldet. Die Videos wurden
von der FSD Fahrzeugsystemdaten GmbH zur Verfügung gestellt.
Das hier vorgestellte System basiert darauf, das untersuchte
Bild mit einem vorher antrainierten Datensatz von
Fußgängerbildern zu vergleichen. Es verwendet "Histogramme von
orientierten Gradienten" zur Beschreibung lokaler Bildmerkmale,
um Trainings- und Testbilder in Merkmalsvektoren zu kodieren
(Abb. 1). Diese Vektoren können dann von einem binären
Klassifikator, der Support Vector Machine, genutzt werden, um
das getestete Bild mit den Trainingsbildern zu vergleichen. Ist
eine ausreichend hohe Übereinstimmung in den Vektoren
vorhanden, so wird das untersuchte Bild der Klasse der
Fußgänger zugeordnet.
Abb. 1: Links: Trainingsbild eines Fußgängers, mitte: Gradientenbild, rechts: Gradientenhistogramm (Beispiel) für rot markierten Bildausschnitt. Die Histogramme aller Ausschnitte eines Bildes ergeben den Merkmalsvektor.
Es wurde gezeigt, dass das Detektionssystem unter bestimmten Voraussetzungen gut funktioniert, dass es jedoch auch mit einigen Problemen zu kämpfen hat. Entscheidend für hohe Detektionsraten ist zum einen eine gute Bildqualität und zum anderen, dass die Fußgänger komplett und in einer gewissen Mindestgröße zu sehen sind. Abbildung 2 zeigt ein Beispiel mit zwei von drei detektierten Fußgängern.
Abb. 2: Resultat der Detektion: Bounding Boxen für jeden Fußgängerfund.
Neben Fußgängern wurde auch die Klasse der Fahrradfahrer untersucht. Dabei wurde der gleiche Trainingsdatensatz wie bei den Fußgängern eingesetzt. Es hat sich gezeigt, dass auch Fahrradfahrer detektierbar sind, da sie Fußgängern in ihrer Figur oft ähneln. Da die Übereinstimmungen aber nicht aus jeder Perspektive gleich hoch sind, fällt die Detektionsrate der Fahrradfahrer etwas niedriger aus.
Abb. 3: Fahrradfahrer lassen sich mit dem gleichen Algorithmus detektieren.
Eine volle Automatisierung der Videoanalyse kann das vorgestellte System nicht bieten, da die korrekte Detektion von Fußgängern und Fahrradfahrern zu stark von verschiedenen Faktoren abhängig ist. Es zeigt jedoch einen Ansatz, der vielversprechend ist und weiterentwickelt werden kann.