DE102009009904A1 - Object i.e. road sign, identifying method, involves adding images and classifiers, which contain stored samples and sequences, as another set of samples, if sequences correspond to another set of sequences - Google Patents
Object i.e. road sign, identifying method, involves adding images and classifiers, which contain stored samples and sequences, as another set of samples, if sequences correspond to another set of sequences Download PDFInfo
- Publication number
- DE102009009904A1 DE102009009904A1 DE102009009904A DE102009009904A DE102009009904A1 DE 102009009904 A1 DE102009009904 A1 DE 102009009904A1 DE 102009009904 A DE102009009904 A DE 102009009904A DE 102009009904 A DE102009009904 A DE 102009009904A DE 102009009904 A1 DE102009009904 A1 DE 102009009904A1
- Authority
- DE
- Germany
- Prior art keywords
- sequences
- image
- vehicle
- meaning
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
Description
Die Erfindung betrifft ein Verfahren zur Identifizierung von Objekten, insbesondere von Verkehrszeichen, wobei die Objekte mittels einer in einem Fahrzeug integrierten Erfassungseinheit erfasst und die erfassten Objekte zur Identifizierung mit gespeicherten Mustern verglichen werden.The Invention relates to a method for identifying objects, in particular of traffic signs, wherein the objects by means of a recorded in a vehicle integrated detection unit and the captured objects for identification with stored patterns be compared.
Es ist allgemein bekannt, dass zu einer automatischen Erkennung von Objekten, beispielsweise zur automatischen Erkennung von Verkehrszeichen im Straßenverkehr, die Objekte mittels einer optischen Erfassungseinheit erfasst und mit Mustern verglichen werden. Zu diesem Zweck werden die Muster mittels verschiedener Verfahren und Vorrichtungen erstellt, den Mustern wird eine Bedeutung zugewiesen und zum Vergleich mit den erfassten Objekten werden die Muster gespeichert.It is well known that for automatic detection of Objects, for example for automatic recognition of traffic signs in the Road traffic, the objects by means of an optical detection unit recorded and compared with patterns. For this purpose will be creating the patterns using different methods and devices, the patterns are assigned a meaning and compared with the collected objects are stored the patterns.
Ein
Verfahren zur Kennzeichnung von Mustern, die als gespeicherte Information
vorliegen, ist aus der
Der Erfindung liegt die Aufgabe zugrunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Identifizierung von Objekten anzugeben, mittels dem eine verbesserte Identifizierung bei gleichzeitig verringertem Aufwand realisierbar ist.Of the Invention is based on the object, a relation to the Prior art improved method for the identification of Specify objects by means of which an improved identification at the same time reduced effort is feasible.
Die Erfindung wird mit einem Verfahren gelöst, welches die im Anspruch 1 angegebenen Merkmale aufweist.The Invention is achieved by a method which the Having specified in claim 1 features.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.advantageous Embodiments of the invention are the subject of the dependent claims.
Bei dem erfindungsgemäßen Verfahren zur Identifizierung von Objekten, insbesondere von Verkehrszeichen, werden die Objekte mittels einer in einem Fahrzeug integrierten Erfassungseinheit erfasst und die erfassten Objekte zur Identifizierung mit gespeicherten Mustern verglichen.at the method of identification according to the invention objects, in particular traffic signs, become the objects detected by means of a vehicle integrated in a detection unit and the detected objects for identification with stored patterns compared.
Erfindungsgemäß wird eine Bildbedeutung eines Bildes eines erfassten Objekts aus einem Fahrzustand des Fahrzeugs ermittelt und mit in einer Speichereinheit des Fahrzeugs hinterlegten Bedeutungen vordefinierter Muster verglichen. Dabei wird das Bild dann einem Klassifikator, welcher zumindest ein vordefiniertes Muster und eine Bedeutung eines Objekts enthält, als weiteres Muster hinzugefügt, wenn die Bildbedeutung der in dem Klassifikator enthaltenen Bedeutung entspricht.According to the invention a picture meaning of an image of a detected object from a Driving condition of the vehicle determined and with in a storage unit the vehicle deposited meanings of predefined patterns compared. The image is then a classifier, which at least one contains a predefined pattern and a meaning of an object, added as another pattern when the picture meaning corresponds to the meaning contained in the classifier.
Aufgrund dieser erfindungsgemäßen Ausbildung des Verfahrens ergibt sich in besonders vorteilhafter Weise, dass die Objekte auch dann eindeutig identifizierbar sind, wenn deren reales Erscheinungsbild von einem vorgegebenen idealen, insbesondere aus virtuellen Zeichen gebildeten Erscheinungsbild abweicht, da der vordefinierte Klassifikator durch das Hinzufügen der weiteren Muster mit der gleichen Bedeutung ”lernfähig” und somit aktualisierbar ist. Die Ermittlung der Bildbedeutung des erfassten Objekts, beispielsweise die Ermittlung eines Regelungsgehalts eines Verkehrszeichens, anhand des Fahrzustands des Fahrzeugs liefert zuverlässige Ergebnisse und ermöglicht eine automatische und schnelle Aktualisierung des Klassifikators, wobei ein manueller personal- und zeitintensiver Aufwand zur Aktualisierung des Klassifikators entfallen kann.by virtue of this inventive design of the method results in a particularly advantageous manner that the objects also then clearly identifiable, if their real appearance from a given ideal, in particular from virtual characters formed appearance differs because the predefined classifier by adding the other patterns with the same Meaning "adaptive" and thus updatable is. The determination of the image meaning of the detected object, for example the determination of a regulatory content of a traffic sign based on the driving condition of the vehicle provides reliable results and allows automatic and fast updating of the classifier, being a manual labor-intensive and time-consuming Expenses for updating the classifier can be omitted.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.embodiments The invention will be described below with reference to a drawing explained.
Dabei zeigen:there demonstrate:
Die
einzige
Die
Vorrichtung
Zur
Erkennung der Objekte O umfasst die Vorrichtung
Weiterhin
umfasst die Vorrichtung
Die
Klassifikatoren K1 bis Kn dienen
dabei der Identifizierung der erfassten Objekte O mittels einer in
der Vorrichtung
So
wird beispielsweise als Objekt O ein Verkehrszeichen erfasst, dessen
Regelungsgehalt eine Geschwindigkeitsbegrenzung auf eine Geschwindigkeit
von 70 km/h ist. Das Bild A des Verkehrszeichens wird der Datenverarbeitungseinheit
Aufgrund unterschiedlicher Umgebungseigenschaften des Fahrzeugs, insbesondere Wetterbedingungen, aufgrund von Fahrzuständen F des Fahrzeugs, beispielsweise dessen Geschwindigkeit, und/oder aufgrund von unterschiedlichen Darstellungen der Objekte O mit gleicher Bedeutung B1 bis Bn ist die Hinterlegung eines Musters M1 bis Mn je Klassifikator K1 bis Kn nicht ausreichend, um erfassten Objekten O sicher die richtige Bedeutung B1 bis Bn zuzuweisen.Due to different environmental properties of the vehicle, in particular weather conditions, due to driving conditions F of the vehicle, for example its speed, and / or due to different representations of the objects O with the same meaning B 1 to B n is the deposit of a pattern M 1 to M n per classifier K 1 to K n are not sufficient to safely assign detected objects O the correct meaning B 1 to B n .
Da
eine Berücksichtigung aller möglichen Muster M1 bis Mn bei der
Erzeugung der vordefinierten Klassifikatoren K1 bis
Kn sehr aufwändig ist, sieht das
erfindungsgemäße Verfahren vor, dass die erfassten
Bilder B der Objekte O, die von den hinterlegten Mustern M1 bis Mn eines Klassifikators
K1 bis Kn abweichen
aber deren Bildbedeutung BB1 bis BBn einer Bedeutung B1 bis
Bn eines der Muster M1 bis
Mn entspricht, diesem Klassifikator K1 bis Kn als weiteres Muster
mM1 bis mMn zugewiesen
und in der Speichereinheit
Um zu ermitteln, ob das mittels des Bildes B erfasste Objekt O die gleiche Bildbedeutung BB1 bis BBn wie einer der gespeicherten Klassifikatoren K1 bis Kn aufweist, wird die Bildbedeutung BB1 bis BBn des Objekts O aus einem Fahrzustand F des Fahrzeugs während der Erfassung des Objekts O ermittelt. Zu diesem Zweck wird ein Fahrerprofil aus einem Verhalten des Fahrers und weiterer nicht näher dargestellter Fahrzeugsensorik erstellt.In order to determine whether the object O detected by means of the image B has the same image meaning BB 1 to BB n as one of the stored classifiers K 1 to K n , the image significance BB 1 to BB n of the object O becomes a driving state F of the vehicle determined during the detection of the object O. For this purpose, a driver profile of a behavior of the driver and other not-shown vehicle sensor system is created.
So wird beispielsweise als Objekt O ein Verkehrszeichen erfasst, das jedoch aufgrund der oben bereits beschriebenen Gründe nicht einem der hinterlegten Muster M1 bis Mn eines der Klassifikatoren K1 bis Kn entspricht bzw. nur unvollständig identifiziert wird. Nimmt der Fahrer des Fahrzeugs das Verkehrszeichen wahr, bei dem es sich beispielsweise wiederum um die Geschwindigkeitsbegrenzung auf 70 km/h handelt, so führt er im Allgemeinen Handlungen aus, welche den Fahrzustand F des Fahrzeugs ändern und welche mittels der Fahrzeugsensorik erfassbar sind.Thus, for example, a traffic sign is detected as object O, but due to the reasons already described above does not correspond to one of the stored patterns M 1 to M n of one of the classifiers K 1 to K n or is only identified incompletely. If the driver of the vehicle perceives the traffic sign, which in turn is, for example, the speed limit of 70 km / h, he generally carries out actions which change the driving state F of the vehicle and which can be detected by means of the vehicle sensor system.
So bremst der Fahrer das Fahrzeug bei Wahrnehmung des Verkehrszeichens z. B. auf 70 km/h ab. Aufgrund des erfassten Abbremsvorgangs auf 70 km/h während der Erfassung des Verkehrszeichens wird als Bildbedeutung BB1 bis BBn die Geschwindigkeitsbegrenzung auf 70 km/h ermittelt, so dass das Bild A des Objekts O dem Klassifikator K1 bis Kn als neues Muster mM1 bis mMn zugefügt wird, welcher als Bedeutung B1 bis Bn ebenfalls die Geschwindigkeitsbegrenzung auf 70 km/h beinhaltet.Thus, the driver brakes the vehicle when the traffic sign z. B. from 70 km / h. Due to the detected deceleration process to 70 km / h during the detection of the traffic sign is determined as image meaning BB 1 to BB n the speed limit to 70 km / h, so that the image A of the object O the classifier K 1 to K n as a new pattern mM 1 to mM n , which as meaning B 1 to B n also includes the speed limit to 70 km / h.
Somit ist es in besonders vorteilhafter Weise möglich, dass z. B. bei einer international abweichenden Darstellung von Verkehrszeichen deren Regelungsgehalt sicher erkannt wird.Consequently it is possible in a particularly advantageous manner that z. B. in an internationally deviant representation of traffic signs whose regulatory content is reliably detected.
Auch
kann die Bildbedeutung BB1 bis BBn des erfassten Objekts O zusätzlich
aus einem Verhalten, insbesondere einer Bewegung E, eines weiteren vor
dem Fahrzeug befindlichen Fahrzeugs abgeleitet werden, wobei die
Bewegung E des weiteren Fahrzeugs mittels der Erfassungseinheit
Bevor
das Bild A des erfassten Objekts O einem der Klassifikatoren K1 bis Kn vorzugsweise
automatisch hinzugefügt wird, kann die ermittelte Bildbedeutung
BB1 bis BBn automatisch
durch die Datenverarbeitungseinheit
Alternativ oder zusätzlich kann die Bildbedeutung BB1 bis BBn auch manuell überprüft werden. So kann beispielsweise dem Fahrer des Fahrzeugs das erfasste Bild A des Objekts O und eine Bildbedeutung BB1 bis BBn vorgeschlagen werden, wobei dieser das Zufügen des erfassten Bilds B als weiteres Muster mM1 bis mMn zu einem der Klassifikatoren K1 bis Kn bestätigen oder verwerfen kann.Alternatively or additionally, the image significance BB 1 to BB n can also be checked manually. Thus, for example, the driver of the vehicle, the captured image A of the object O and a picture meaning BB 1 to BB n are proposed, this of adding the captured image B as another pattern mM 1 to mM n to one of the classifiers K 1 to K n confirm or reject.
Ferner können bei Erfassung eines Objekts O, dessen Bildbedeutung BB1 bis BBn keinem der Klassifikatoren K1 bis Kn zuordbar ist, auch neue Klassifikatoren K1 bis Kn erzeugt werden, wobei die Erzeugung automatisch erfolgt und deren endgültige Verwendung und Hinterlegung vorzugsweise anhand einer automatischen und/oder manuellen Überprüfung bestätigt oder verworfen werden.Furthermore, upon detection of an object O whose image meaning BB 1 to BB n can not be assigned to any of the classifiers K 1 to K n , new classifiers K 1 to K n can also be generated, wherein the generation takes place automatically and their final use and deposit are preferably based on an automatic and / or manual check confirmed or rejected.
Auch
ist es möglich die aktualisierten Klassifikatoren K1 bis Kn insbesondere
während Werkstattaufenthalten des Fahrzeugs auszulesen
und diese wahlweise mit oder ohne nochmalige zusätzliche Überprüfung
auf Richtigkeit zur Aktualisierung bzw. als so genanntes Update
für gleichartige Vorrichtungen wie die dargestellte Vorrichtung
- 11
- Vorrichtungcontraption
- 22
- Erfassungseinheitacquisition unit
- 33
- Speichereinheitstorage unit
- 44
- DatenverarbeitungseinheitData processing unit
- AA
- Bildimage
- B1 bis Bn B 1 to B n
- Bedeutungimportance
- BB1 bis BBn BB 1 to BB n
- Bildbedeutungimage meaning
- Ee
- BewegungMove
- FF
- Fahrzustanddriving condition
- K1 bis Kn K 1 to K n
- Klassifikatorclassifier
- M1 bis Mn M 1 to M n
- Mustertemplate
- mM1 bis mMn mM 1 to mM n
- Mustertemplate
- OO
- Objektobject
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list The documents listed by the applicant have been automated generated and is solely for better information recorded by the reader. The list is not part of the German Patent or utility model application. The DPMA takes over no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- - DE 10110275 A1 [0003] DE 10110275 A1 [0003]
Claims (4)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102009009904A DE102009009904A1 (en) | 2009-02-20 | 2009-02-20 | Object i.e. road sign, identifying method, involves adding images and classifiers, which contain stored samples and sequences, as another set of samples, if sequences correspond to another set of sequences |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102009009904A DE102009009904A1 (en) | 2009-02-20 | 2009-02-20 | Object i.e. road sign, identifying method, involves adding images and classifiers, which contain stored samples and sequences, as another set of samples, if sequences correspond to another set of sequences |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102009009904A1 true DE102009009904A1 (en) | 2009-10-15 |
Family
ID=41060790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102009009904A Withdrawn DE102009009904A1 (en) | 2009-02-20 | 2009-02-20 | Object i.e. road sign, identifying method, involves adding images and classifiers, which contain stored samples and sequences, as another set of samples, if sequences correspond to another set of sequences |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102009009904A1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009051783A1 (en) * | 2009-11-03 | 2011-05-05 | Thorsten Hohenadel | Device for limiting speed of vehicle, has image or character recognition system for determining variable and for determining or limiting maximum speed of vehicle |
DE102011001248A1 (en) | 2011-03-14 | 2012-09-20 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method for assisting driver of motor car, involves detecting motion information of object by radar measuring device so as to perform the object tracking |
CN113077051A (en) * | 2021-04-14 | 2021-07-06 | 广东博智林机器人有限公司 | Network model training method and device, text classification model and network model |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10110275A1 (en) | 2001-03-02 | 2002-09-19 | Daimler Chrysler Ag | Method for semi-automatic recognition or classification of random sample patterns in which a pattern is first accessed by a computer system and a suggestion made, with the suggestion accepted or rejected by an operator |
-
2009
- 2009-02-20 DE DE102009009904A patent/DE102009009904A1/en not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10110275A1 (en) | 2001-03-02 | 2002-09-19 | Daimler Chrysler Ag | Method for semi-automatic recognition or classification of random sample patterns in which a pattern is first accessed by a computer system and a suggestion made, with the suggestion accepted or rejected by an operator |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009051783A1 (en) * | 2009-11-03 | 2011-05-05 | Thorsten Hohenadel | Device for limiting speed of vehicle, has image or character recognition system for determining variable and for determining or limiting maximum speed of vehicle |
DE102011001248A1 (en) | 2011-03-14 | 2012-09-20 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method for assisting driver of motor car, involves detecting motion information of object by radar measuring device so as to perform the object tracking |
CN113077051A (en) * | 2021-04-14 | 2021-07-06 | 广东博智林机器人有限公司 | Network model training method and device, text classification model and network model |
CN113077051B (en) * | 2021-04-14 | 2024-01-26 | 南京零洞数智科技有限公司 | Network model training method and device, text classification model and network model |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19982422C1 (en) | Road sign recognition device reduces image data to simplified representation by erasing regions containing class-specific attribute data | |
DE102009048066A1 (en) | Procedure for traffic sign recognition | |
DE102016003424B4 (en) | Method and device for recognizing traffic signs | |
EP2179381A1 (en) | Method and apparatus for recognizing traffic signs | |
DE102017209496B4 (en) | Method and device for classifying an object for a vehicle | |
DE102008057675A1 (en) | Traffic sign recognizing method for driver of vehicle, involves assigning additional character to traffic sign, searching additional character in given positions, and detecting additional character by edge detector and grey value detector | |
DE102010013943A1 (en) | Method and device for a functional test of an object recognition device of a motor vehicle | |
DE102014106506A1 (en) | Method for carrying out a diagnosis of a camera system of a motor vehicle, camera system and motor vehicle | |
DE102017216267B4 (en) | Method and device for data reduction of feature-based environment information of a driver assistance system | |
WO2013152929A1 (en) | Learning method for automated recognition of traffic signs, method for determining an updated parameter set for the classification of a traffic sign and traffic sign recognition system | |
DE102018010039A1 (en) | Method for recognizing at least one pattern in an environment of a vehicle, control device for executing such a method, and vehicle with such a control device | |
DE102017215283A1 (en) | Method for anonymizing an image for a camera system of a motor vehicle, image processing device, camera system and motor vehicle | |
DE102016120066A1 (en) | A computer implemented method for controlling an object recognition system | |
DE102009009904A1 (en) | Object i.e. road sign, identifying method, involves adding images and classifiers, which contain stored samples and sequences, as another set of samples, if sequences correspond to another set of sequences | |
DE102019118106B4 (en) | Method for determining a visibility | |
DE102020004790A1 (en) | Device for recognizing traffic signs from a vehicle | |
DE102008057671A1 (en) | Vehicle's e.g. commercial passenger car, surrounding area monitoring method, involves illuminating vehicle and/or surrounding area of vehicle depending on captured real illumination in overall image | |
DE102007021579A1 (en) | Traffic sign i.e. circular traffic sign, classifying method, involves classifying object in dependence of classification process and/or classification result, by another different classification process for classification of traffic sign | |
DE102021205447A1 (en) | Data enrichment for training image classifiers | |
DE102016107530A1 (en) | Regulation speed indicator of a vehicle | |
EP3734557A1 (en) | Method for providing training data for adaptive situation recognition algorithms and method for automated situation detection of operating situations of a vehicle for public transport | |
DE102019207700A1 (en) | Classification device for object detection in environment sensor data and methods | |
DE102019208864A1 (en) | Detection system, working procedures and training procedures | |
DE102019005825A1 (en) | Method for generating training data for an electronic computing device external to the motor vehicle, and driver assistance system | |
DE102018008993A1 (en) | Method for determining a state of infrastructure objects, control device and computer program product |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OAV | Publication of unexamined application with consent of applicant | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |