-
Die
Erfindung betrifft ein Verfahren zum automatischen Erkennen einer
Situationsänderung innerhalb eines mittels Sensoren zu überwachenden räumlichen
Gebietes. Die Erfindung betrifft ebenfalls eine Vorrichtung hierzu.
-
Häufig
wird unter dem Aspekt der Sicherheit die mitunter sehr komplexe
Anforderung gestellt, Orte oder Gebiete, in denen sich viele Akteure
oder Objekte bewegen und miteinander interagieren, mittels entsprechender
Sensoren zu überwachen. Beispiele für solche Orte
oder Gebiete sind Straßen, Parks, Bahnhöfe, öffentliche
Plätze, Flughäfen, Autobahnen oder Einkaufszentren.
Innerhalb dieser Orte oder Gebiete interagieren die sich daran befindlichen Akteure
oder Objekte miteinander, die beispielsweise Fußgänger,
Fahrradfahrer, PKWs, Schiffe, Flugzeuge, Sportler oder Kunden sein
können. Dabei wird meist bei der Überwachung insbesondere
darauf abgestellt, dass die in dem Gebiet befindlichen Objekte oder
Akteure innerhalb der festgelegten Rahmenbedingungen bewegen, so
dass atypische oder gar bedrohliche Ereignisse durch die jeweiligen Überwacher
(z. B. Fluglotsen, Sicherheitsdienste) schnell erkannt werden können.
-
Die
zur Überwachung am häufigsten verwendeten Sensoren
sind dabei Kameras, die das zu überwachende räumliche
Gebiet aufnehmen. Das so aufgenommene Bild einer Kamera wird dann
in den meisten Fällen an eine Zentrale weitergeleitet,
wo es dann auf einem Bildschirm für einen Operator dargestellt
wird. Gerade bei Gebieten mit einer sehr großen räumlichen
Ausdehnung kommt es sehr schnell zu einer großen Anzahl
von benötigten Kameras, um alle Bereiche des zu überwachenden
Gebietes erfassen und abdecken zu können. Für
den Operator stellt sich dabei das Problem, dass mit einer Erhöhung
der Anzahl der Kameras auch die Anzahl der Bilder, die überwacht
werden müssen, erhöht werden. Dies führt
letztlich zu einer gesteigerten Komplexität, die im ungünstigsten
Fall zu Lasten der Sicherheit geht.
-
Um
diese Überwachungskomplexität zu verringern, gibt
es zum Einen die Möglichkeit, die Anzahl der zu überwachenden
Bilder bzw. allgemein gesprochen, die Anzahl der zur Überwachung
benötigten Informationen, zu reduzieren, was letztlich
zum Verlust von Informationen führen kann. Zum Anderen
gibt es die Möglichkeit, mit Hilfe von Bilderkennungsverfahren
die Bildsignale zu analysieren und auf entsprechend programmierte
Signaturen hin zu filtern.
-
So
beschreibt beispielsweise die
US 2003/0107650 A1 ein Überwachungs-
und Sicherheitssystem, welches automatische eine Warnung herausgibt,
wenn entsprechende Ereignisse, die zuvor programmiert wurden, bei
der Überwachung eines Gebietes auftreten. So kann mit diesem
System beispielsweise auf einen möglichen Ladendiebstahl aufmerksam
gemacht werden, wenn eine Person innerhalb des zu überwachenden
Gebietes (hier ein Laden) eine Plastiktüte öffnet.
Dazu ist das System derart eingerichtet, dass es die Geräusche
innerhalb des Ladens aufnimmt und nach dem charakteristischen Akustikmuster
einer sich öffnenden Plastiktüte hin untersucht.
-
Nachteilig
dabei ist insbesondere die Tatsache, dass dieses System nur solche
Ereignisse erkennt, auf die es speziell programmiert wurde. So ist dieses
System nicht ohne Weiters auf eine andere Szenerie oder Umgebung übertragbar.
-
Auch
bei der Verkehrskontrolle bzw. bei der Verkehrslagenerfassung spielt Überwachung
eine wichtige Rolle. So wird auf deutschen Autobahnen mittels entsprechender
Sensoren ständig die Verkehrsdichte erfasst, um so z. B.
Verkehrsleiteinrichtungen, wie sie auf der Autobahn A2 installiert
sind, in Abhängigkeit der Verkehrsdichte ansteuern zu können.
-
Zu
dieser Thematik ist aus der
EP
0 798 684 A1 ein Verfahren und ein System zur Verkehrslagenerfassung
durch stationäre Datenerfassungseinrichtungen bekannt,
bei dem die Datenerfassungseinrichtungen ihre Daten an eine Zentrale
weiterleiten, in der diese dann entsprechend ausgewertet werden. Das
Ergebnis der Auswertung wird dann an die Datenerfassungseinrichtungen
zurückgesendet, damit diese in die Lage versetzt werden,
nur noch auf solche Ereignisse zu achten, die letztlich auch zu
einer Meldung an die Zentrale führen müssen. Damit
soll insbesondere erreicht werden, dass die von der Datenerfassungseinrichtung
zur Zentrale zu übertragenden Daten möglichst
gering gehalten werden.
-
Nachteilig
dabei ist bei diesem System wie auch bei den anderen aus dem Stand
der Technik bekannten Systemen, die Tatsache, dass Signaturen der
zu detektierenden Ereignisse vom Operator festgelegt werden müssen.
Außerdem werden in den Wochen nach der Installation meist
häufig weitere Wartungsdurchläufe nötig,
um durch Änderungen im beobachteten Bereich, durch Wetteränderungen, Jahreszeiten
usw. das System neu anzupassen. Dabei sind diese Systeme meist nur
in der Lage, genau festgelegte Vorgänge innerhalb ihres
Bereiches zu erkennen.
-
So
wird z. B. in der
US
2004/0130620 A1 ein Verfahren zur Videoanalyse offenbart,
bei dem eine Mehrzahl von Bildsensoren einen auch überlappenden
Bereich aufnehmen. Die innerhalb des Überwachungsbereiches
sich bewegenden Objekte können dabei mit Hilfe eines entsprechenden
Tracking-Algorithmus verfolgt werden, und zwar auch über
die Aufnahmegrenzen eines Bildsensors hinweg.
-
Im
Hinblick auf die aus dem Stand der Technik bekannten Nachteile ist
es Aufgabe der vorliegenden Erfindung, ein verbessertes Verfahren
zum Detektieren von Ereignissen innerhalb eines zu überwachenden
räumlichen Gebietes anzugeben.
-
Die
Aufgabe wird mit dem Verfahren der eingangs genannten Art gelöst,
wobei das zu überwachende räumliche Gebiet in
eine Mehrzahl von Feldern unterteilt wird, mit den Schritten:
- a) Erfassen von Werten mittels der Sensoren
hinsichtlich mindestens einer Eigenschaft von Objekten, die sich
innerhalb des zu überwachenden räumlichen Gebietes
befinden, und deren Felder, innerhalb dessen der jeweilige Wert
der Eigenschaft erfasst wurde,
- b) Lernen zumindest eines Verhaltens der Objekte bezüglich
mindestens einer der Objekteigenschaften anhand einer statistischen
Auswertung der ermittelten Werte für mindestens ein Feld,
und
- c) Erkennen einer Situationsänderung in Abhängigkeit
eines Vergleichs zwischen dem erlernten Verhalten mindestens eines
Feldes und zumindest einem aktuell ermitteltem Wert des mindestens
einen Feldes bezüglich mindestens einer der Objekteigenschaften.
-
Damit
wird es möglich, ein Gebiet mit entsprechenden Sensoren
zu überwachen, ohne das es speziell auf bestimmte Ereignisse,
die es erkennen soll, programmiert werden muss. Dazu werden mit Hilfe
der Sensoren, die das Gebiet überwachen, Werte von den
Objekten erfasst, die sich innerhalb des zu überwachenden
räumlichen Gebietes befinden. Die erfassten Werte sind
dabei Werte entsprechender Eigenschaften der Objekte, die mit Hilfe
der Sensoren erfasst bzw. ermittelt oder gemessen werden können.
Eine solche Objekteigenschaft könnte dabei z. B. die Geschwindigkeit,
Richtung oder aber auch ganz allgemein gesprochen die Aktivität
eines Objektes innerhalb eines entsprechenden Feldes sein. Es ist
aber auch denkbar, dass weitere Informationen über die
Objekte als Eigenschaften ermittelt werden können, wie
z. B. der Treibstoffvorrat eines Flugzeuges, je nachdem was für
eine Art von Sensoren verwendet wird.
-
Darüber
hinaus wird beim Erfassen der Werte ermittelt, innerhalb welchen
Feldes der entsprechende Wert erfasst wurde, so dass sich ein Datenpaar
aus einem Wert einer Objekteigenschaft und dazugehörigen
Feld des räumlichen Gebietes ergibt. Im nächsten
Schritt wird dann für mindestens eines der Felder ein Verhalten
der Objekte bezüglich mindestens einer ihrer Objekteigenschaften
gelernt, indem die in dem Feld hinterlegten Werte der Objekteigenschaft
mittels statistischer Methoden ausgewertet werden. Somit ergibt
sich für jedes Feld des gesamten räumlichen Gebietes
ein entsprechendes Verhalten der Objekte bezüglich der überwachten
Eigenschaft der Objekte.
-
So
kann beispielsweise bei der Überwachung einer Straße
für jedes Feld ein Verhalten hinsichtlich der Geschwindigkeit
gelernt werden, was sich z. B. in Form der Durchschnittsgeschwindigkeit ausdrücken
lässt. Um nun eine Veränderung der beobachten
Situation erkennen zu können, die sich letztlich aus einer
spontanen Verhaltensänderung einer oder mehrerer Objekte
innerhalb der Gesamtszene ergibt, wird das erlernte Verhalten mindestens
eines Feldes mit aktuell ermittelten Werten des entsprechenden Feldes
verglichen, wobei anhand des Vergleiches auf eine Situationsänderung
geschlossen wird.
-
Dabei
kann selbstverständlich nicht nur ein Verhalten bezüglich
einer Eigenschaft und bezüglich eines Feldes gelernt werden,
sondern auch mehrere Verhalten pro Feld und Eigenschaft. Solche
Konstellationen treten z. B. in Kreuzungsbereichen auf, in denen
es z. B. zwei Häufungspunkte für die Geschwindigkeit
gibt, und zwar einmal für Fahrzeuge und einmal für
Fußgänger. Die aktuell ermittelten Werte werden
dann sowohl mit dem einen als auch mit dem anderen Verhalten verglichen
(Schritt c)), wobei eine Situationsänderung dann angenommen wird,
wenn sich die aktuellen Werte unter keines der Verhalten subsumieren
lassen.
-
So
erkennt das oben genannte Verfahren z. B. eine sprunghafte Änderung
der Durchschnittsgeschwindigkeit der Fahrzeuge auf der Straße,
so dass somit die Bildung eines Staus bzw. das Auflösen
eines Staus erkannt wird. Der Vorteil dieses Verfahrens besteht
dabei darin, dass durch die Aufteilung des räumlichen Gebietes
in eine Mehrzahl von Feldern lokale Situationsänderungen
innerhalb eines großen räumlichen Gebietes ohne
Weiteres detektierbar sind sowie die Integration mehrerer Sensoren,
die das räumliche Gebiet aus unterschiedlichen Sichtweisen aufnehmen,
problemlos möglich ist.
-
Darüber
hinaus ist bei diesem Verfahren keine spezielle Programmierung auf
entsprechend zu detektierende Ereignissen notwendig.
-
Vorteilhafter
Weise wird das Verhalten in Schritt b) durch die zuletzt ermittelten
Werte des entsprechenden Feldes gelernt, die innerhalb eines bestimmten
Zeitraumes liegen. So ist es z. B. denkbar, dass nur solche Werte
beim Lernen des Verhaltens berücksichtigt werden, die innerhalb
der letzten z. B. fünf Minuten erfasst wurden. Dadurch
wird es möglich, dass das System nach einer gewissen Zeit
die sich geänderte Situation neu lernt und als typisches Verhalten
ansieht.
-
Es
ist aber auch denkbar, dass für mehrere diskrete Zeiträume
jeweils ein Verhalten gelernt wird, das dem Vergleich zum Erkennen
einer Situationsänderung in Schritt c) zugrunde gelegt
wird. Dabei ist es denkbar, dass ein Verhalten eines Zeitraumes,
der weiter zurückliegt, bei dem Vergleich eine geringere Gewichtung
erhält, als jene Zeiträume, die noch nicht so
lange her sind, so dass junge Zeiträume eine höhere
Gewichtung erhalten als ältere.
-
Besonders
vorteilhaft ist es aber auch, dass jeweilige Verhalten der Mehrzahl
der Zeiträume zu einem gemeinsamen Verhalten zusammenzuführen, wobei
auch hier ältere Zeiträume eine andere Gewichtung
bekommen können als jüngere. Durch das Zusammenführen
verschiedener erlernter Verhalten unterschiedlichster Zeiträume
kann somit ein typisches Verhalten der Objekte innerhalb der zu
beobachtenden Szene abgebildet werden. Dabei können die
unterschiedlich gelernten Verhalten z. B. mittels Mittelwertbildung
zusammengeführt werden.
-
An
dieser Stelle sei erwähnt, dass pro Feld und Zeitraum mehrere
Verhalten entsprechend der Objekteigenschaften erlernt werden können.
So ist es denkbar, dass für eine Objekteigenschaft 1 ein Verhalten
gelernt wird und gleichzeitig für eine Objekteigenschaft 2,
die z. B. mittels anderer Sensoren aufgenommen wird, ebenfalls ein
Verhalten gelernt wird, so dass sich für jede Objekteigenschaft
ein entsprechend gelerntes Verhal ten ergibt. Diese pro Objekteigenschaft
erlernten Verhalten können dann sowohl einzeln betrachtet
als auch zusammengeführt werden.
-
Vorteilhaft
ist es, wenn vor dem Vergleich in Schritt c) die Felder maskiert
werden, d. h. ausschließlich die Felder zum Vergleich herangezogen werden,
für die überhaupt entsprechende Werte hinterlegt
sind. Dabei bleiben alle die Felder unberücksichtigt, für
die keine oder nur eine sehr geringe Anzahl von Werten hinterlegt
sind.
-
Ganz
besonders vorteilhaft ist es, wenn zusätzlich zu der Erfassung
der Werte eine Positionsangabe ermittelt wird, welche die entsprechende Ortsposition
des Objektes innerhalb des räumlichen Gebietes repräsentiert.
Diese sog. Ermittlungsposition, welche die Position angibt, an der
der Wert innerhalb des räumlichen Gebietes bei dem entsprechenden
Objekt ermittelt wurde, wird dann zur Ermittlung des Feldes, mit
der der ermittelte Wert verknüpft wird, herangezogen.
-
Damit
mehrere Sensoren auch überlappende Bereiche des zu überwachenden
Gebietes abdecken können, ist es ganz besonders vorteilhaft,
wenn diese oben beschriebene Ermittlungsposition in ein einheitliches
Positionskoordinatensystem bzw. in einheitliche Weltkoordinaten
umgerechnet wird, damit die Positionsangaben der ermittelten Werte
untereinander vergleichbar sind. So können dann die Werte unabhängig
von der Sensorposition in die entsprechenden Felder eingetragen
werden.
-
In
einer konkreten Ausführungsform ist es ganz besonders vorteilhaft,
wenn das Erkennen einer Situationsänderung in Schritt c)
in Abhängigkeit des Vergleiches zwischen einem erlernten
Verhalten aus Schritt b) und einem anhand statistischer Auswertung
von aktuell ermittelten Werten aktuellem Verhalten erfolgt. Dabei
wird kontinuierlich ein aktuelles Verhalten für eines oder
mehrere Felder ermittelt und mit einem zuvor erlernten Verhalten
für die entsprechenden Felder verglichen. Dadurch wird
es möglich, Situationsänderungen daran zu erkennen,
dass sich das Verhalten der Objekte in nerhalb einer oder mehrerer
Felder entsprechend ändert, und zwar bezüglich
einer oder mehrerer Objekteigenschaften.
-
In
einer anderen Ausführungsform ist es ganz besonders vorteilhaft,
wenn eine Situationsänderung in Abhängigkeit des
Vergleiches zwischen dem erlernten Verhalten aus Schritt b) und
aktuellen Werten einer Trajektorie eines konkreten Objektes erkannt
wird. Dabei werden Werte bezüglich einer oder mehrerer
Objekteigenschaften eines konkreten Objektes erfasst, während
sich das Objekt auf einer bestimmten Bahn (Trajektorie) durch das
zu überwachende Gebiet bewegt. Diese so aufgenommenen Werte
werden dann einer bestimmten Trajektorie des Objektes zugeordnet
und mit dem erlernten Verhalten der anderen Objekte verglichen.
Weicht das Verhalten bezüglich einer oder mehrerer Objekteigenschaften
des konkreten Objektes gegenüber dem erlernten Verhalten
der anderen Objekte signifikant ab, so kann auf eine Situationsänderung
geschlossen werden. Somit können auch einzelne Objekte
identifiziert werden, die sich gegenüber dem typischen Verhalten
der gesamten Szene atypisch verhalten, was ebenfalls eine Situationsänderung
darstellt.
-
Vorteilhafterweise
werden für die statistische Auswertung Mittelwerte, Summen,
Produkte und/oder Standardabweichungen gebildet, die dann miteinander
verglichen werden können. Dabei sind grundsätzlich
alle arithmetischen Operationen möglich, die der Fachmann
für statistische Zwecke heranziehen würde. Als
Sensoren zur Überwachung des räumlichen Gebietes
kommen insbesondere bildgebende Sensoren, die vorteilhafterweise
mit Bilderkennungsverfahren ausgestattet sind, Radarsensoren oder
RFID Transponder in Betracht. Als zu überwachende Objekte
kommen insbesondere Menschen, Tiere, also Lebewesen im Allgemeinen,
Straßen-, Schienen-, Luft- oder Wasserfahrzeuge in Betracht
sowie Partikel und sonstige Objekte. Besonders vorteilhaft ist es
dabei, wenn die genannten Sensoren zum Ermitteln von Eigenschaften
wie Aktivität der Objekte, die Geschwindigkeit der Objekte oder
deren Richtung eingerichtet sind.
-
Darüber
hinaus ist es ganz besonders vorteilhaft, wenn der Vergleich in
Schritt c) mit tels eines Schwellenwertvergleiches erfolgt, so dass
nicht bereits kleinste Änderungen zum Erkennen einer Situationsänderung
führen. So kann der Schwellenwert derart ausgelegt sein,
dass sprunghafte Veränderungen im Verhalten der Objekte
als Situationsänderung erkannt werden. So kann für
jedes Feld bzw. jede Zelle ein Schwellenwert ermittelt werden, der
dann für jedes Feld hinterlegt wird, wobei sich der Schwellenwert
z. B. aus dem Produkt der Standardabweichung des jeweiligen Feldes
mit einem Empfindlichkeitsfaktor wie folgt ergeben kann: Si,j = Vobj(i,j) ± kempf·σi,j mit
Si,j als Schwellenwert in dem Feld (i, j),
mit Vobj(i,j) als das erlernte Verhalten
bezüglich einer Eigenschaft der Objekte im Feld (i, j),
mit kempf als eine Empfindlichkeitsfaktor,
der für die gesamte Szene bzw. Karte gilt und mit σi,j als Standardabweichung in dem Feld (i,
j) bezüglich der erlernten Objekteigenschaft. Durch k kann
in der gesamten Karte eine Empfindlichkeit eingestellt werden, die
dann aber in jedem Feld zu einem anderen Ergebnis in Abhängigkeit
von σ führt. So kann in örtlich nahe
beieinander liegenden Feldern in einem Feld eine Situationsänderung
erkannt werden, in benachbarten Feldern jedoch nicht, weil hier
beispielsweise die Standardabweichung σ sehr hoch ist (z.
B. in Kreuzungsgebieten). Somit kann der Schwellwert für
jede Zelle einzeln und dynamisch geregelt werden, was das Verfahren
noch genauer macht.
-
Dabei
können für ein Feld auch mehrere Schwellwerte
hinterlegt sein, wenn sich bezüglich einer Objekteigenschaft
mehrere typische Verhalten ergeben.
-
Des
Weiteren betrifft die Erfindung ein Computerprogrammprodukt zum
Ausführen des vorstehenden Verfahrens sowie eine Vorrichtung
hierzu.
-
Die
Erfindung wird anhand der beigefügten Zeichnungen beispielhaft
erläutert. Es zeigen:
-
1a, 1b skizzenhafte
Darstellung einer aufgenommenen Szene;
-
2 Grundschema
der Datenstruktur;
-
3a, 3b, 3c Grundschema von abgeleiteten Informationen;
-
4 schematische
Darstellung der Situationserkennung über mehrere Zeitbereiche;
-
5 skizzenhafte
Darstellung eines Trajektorienvergleiches.
-
Die 1a und 1b zeigen
skizzenhaft die Aufnahme einer Straßenkreuzung, die als
Ausführungsbeispiel den weiteren Ausführungen
zugrunde gelegt werden soll. Die Kreuzung wird dabei anhand zweier
Videokameras überwacht, wobei 1a das Bild
der ersten Videokamera aus einem ersten Blickwinkel erkennen lässt,
während 1b das Bild einer zweiten
Videokamera aus einem anderen Blickwinkel erkennen lässt.
-
Mittels
einer entsprechenden Software, die nicht Gegenstand des vorliegenden
erfindungsgemäßen Verfahrens ist, werden aus den
aufgenommenen Bildinformationen Werte bestimmter Objekteigenschaften
identifiziert. In diesen Ausführungsbeispielen sind die
Objekte Fahrzeuge, welche die Kreuzung passieren. Dabei wird von
der Bilderkennungssoftware für jedes Fahrzeug die Geschwindigkeit
sowie die Richtung erkannt und entsprechend abgespeichert. Somit
wird pro Fahrzeug, welches sich im Sichtfeld der Kameras befindet,
kontinuierlich sowohl die Geschwindigkeit als auch die Richtung
ermittelt.
-
Wie
in 1a und 1b beispielhaft
im oberen Bereich der aufgenommen Bilder zu erkennen ist, wird der
aufgenommene Bildbereich in eine Mehrzahl von Feldern 1 unterteilt.
In 1a und 1b ist
dies jedoch nur skizzenhaft angedeutet und erstreckt sich im Normalfall über
die ganze Szene. Bei der Erfassung der Geschwindigkeits- und Richtungswerte
für jedes Objekt wird zusätzlich die Position
ermittelt, an der die entsprechenden Werte ermittelt wurden. Damit
diese Werte auch unabhängig von dem Standort der entsprechenden
Kamera verwertbar sind, wird diese Positionsinformation in ein Weltkoordinatensystem
umgerechnet und entsprechend abgespeichert. Somit ergeben sich für
ein Fahrzeug, welches durch den Sichtbereich der beiden Kameras
in 1a und 1b fährt,
eine Mehrzahl von Geschwindigkeits- und Richtungswerten an unterschiedlichen Positionen
bzw. eine Mehrzahl von Geschwindigkeits- und Richtungswerten an
gleichen Positionen, da die Werte durch mehrere unterschiedliche
Sensoren erfasst werden können.
-
Jedem
Geschwindigkeits- und Richtungswert wird nun anhand seiner Position
das entsprechende Feld 1 zugeordnet, innerhalb dessen die
ermittelte Position liegt. Somit kann jedem gemessenen Geschwindigkeits-
und Richtungswert genau ein solches Feld zugeordnet werden. Dies
ist schematisch in 2 dargestellt. Mit anderen Worten,
es wird in all jenen Feldern, die von dem Objekt während der
Bewegung durch das räumliche Gebiet tangiert werden, mindestens
ein Geschwindigkeits- und Richtungswert für dieses Objekt
hinterlegt. Dabei kommt es nicht darauf an, das Objekt selber zu
identifizieren. In 2 sind die schraffierten Felder 2 die
Felder, in denen Objektwerte von verschiedenen Objekten hinterlegt
wurden. Die weißen Felder hingegen weisen keinerlei hinterlegte
Werte auf.
-
Aus
dieser Anordnung ergibt sich eine kartenartige Datenstruktur, aus
der sich dann mit Hilfe von statistischen Auswertungen weitere kartenartige Datenstrukturen
ermitteln lassen, aus denen dann das Verhalten der Objekte innerhalb
der Szene abgeleitet werden kann.
-
Eine
solche abgeleitete kartenartige Struktur ist in 3 zu
erkennen. Bei der 3 handelt es sich um eine Datenstruktur,
bei der in jedem Feld der Mittelwert der in diesem Feld hinterlegten
Werte gebildet wurde. In diesem Ausführungsbeispiel wurde dies
mit der Objekteigenschaft „Geschwindigkeit” durchgeführt.
Es lassen sich aber auch andere kartenartige Strukturen ableiten,
wie z. B. solche, bei denen für jedes Feld die Standardabweichung
als statistische Auswertung ermittelt wird.
-
Dabei
werden zunächst für jedes Feld die Werte ermittelt,
deren Eigenschaft statistisch abgeleitet werden soll. In diesem
Ausführungsbeispiel wären das die Geschwindigkeitswerte.
Dann wird für jedes Feld die statistische Auswertung durchgeführt.
Da die statistische Auswertung für jedes Feld separat durchgeführt
wird, ergeben sich somit für jedes Feld auch unterschiedliche
Werte, die in der 3 durch eine unterschiedliche
Schraffierung in den einzelnen Feldern dargestellt wird.
-
Durch
eine solche statistische Auswertung, wie sie in die 3 gezeigt
wird, lässt sich das Verhalten der Objekte hinsichtlich
bestimmter Objekteigenschaften innerhalb der Szene ermitteln, wobei das
erlernte Verhalten als typisches Verhalten der Objekte verstanden
wird. Verändert sich nun die Szene, indem z. B. die Geschwindigkeit
langsamer oder schneller wird, so schlägt sich dies letztlich
auch in der statistischen Auswertung nieder, so dass aufgrund eines
Vergleiches zwischen dem erlernten Verhalten und momentan aktuellen
Werten dann auf eine Situationsänderung geschlossen werden
kann. Eine solche Situationsänderung ist somit letztlich
immer eine Abweichung des Verhaltens der Objekte vom typischen Verhalten
der Objekte innerhalb dieser Szene bezüglich mindestens
einer Objekteigenschaft.
-
Es
sei beispielhaft einmal angenommen, die mittlere Geschwindigkeit
liegt dabei je nach Feld zwischen 50 und 60 km/h. Kommt es nun zu
einem Stau, so verringert sich naturgemäß die
Geschwindigkeit der Fahrzeuge drastisch, was von den Sensoren erkannt
wird. Verglichen mit dem erlernten Verhalten, welches eine mittlere
Geschwindigkeit zwischen 50 und 60 km/h als typisches Verhalten
anzeigt, ist eine Geschwin digkeit von 10 oder 20 km/h eines Objektes innerhalb
dieser Szene atypisch, so dass auf eine Situationsänderung
geschlossen werden kann. Darüber hinaus würde
sich in diesem Fall auch die statistische Auswertung bezüglich
der Standardabweichung sprunghaft verändern. Somit kann
sehr schnell auf ein atypisches Verhalten der Objekte geschlossen
werden, ohne dass zuvor das System wissen musste, worauf es zu achten
hat. Dabei kann der Stau allein aus der Veränderung der
Standardabweichung erkannt werden, da Stop & Go eine viel größere
Standardabweichung erzeugt, als fließender Verkehr, wobei
dies auch schon bei relativ kleinen bzw. schwachen Veränderungen
festzustellen ist.
-
4 zeigt
beispielhaft den Vergleich zwischen dem erlernten Verhalten und
einem aktuellen Verhalten bezüglich der beiden Objekteigenschaften Geschwindigkeit
(S) und Richtung (D) anhand der statistischen Auswertung „Mittelwertbildung” (Sμ, Dμ).
-
Über
drei in der Vergangenheit liegende diskrete Zeiträume t–3, t–2 und
t–1 wurden kartenartige Datenstrukturen
gelernt, wie sie zuvor beschrieben wurden. Dazu wurden Datenstrukturen
bezüglich der Geschwindigkeit und der Richtung der Objekte
innerhalb der beobachteten Szene gelernt. Aus den ermittelten Werten
für die Geschwindigkeit S und die Richtung D wurde dann
für jedes Feld der Mittelwert abgeleitet, was als kartenartige
Datenstruktur 41 und 42 in 4 zu erkennen
ist.
-
Aus
diesen drei abgeleiteten kartenartigen Datenstrukturen in den Zeiträumen
t–3 bis t–1 wurde dann
ein gemeinsames Verhalten abgeleitet, welches ebenfalls in Form
einer kartenartigen Datenstruktur 43 bzw. 44 abgespeichert
wird. Bei der Bildung eines gemeinsamen erlernten Verhaltens kann dabei
mit Hilfe unterschiedlicher Gewichtungen z. B. jüngeres
erlerntes Verhalten stärker berücksichtigt werden
als älteres.
-
Darüber
hinaus wurde aus momentan aktuell ermittelten Werten bezüglich
der Geschwindigkeit und der Richtung ein aktuelles Verhalten gelernt,
welches sich in den abgeleiteten kartenartigen Datenstrukturen 45 und 46 in 4 niederschlägt.
In all den genannten Datenstrukturen wurde mit Hilfe der Mittelwertbildung
als statistische Auswertung das Verhalten der Objekte innerhalb
der Szene abgebildet. Auf Basis des aktuell ermittelten Verhaltens 45 bzw. 46 wird
nun der Vergleich mit dem gemeinsam erlernten Verhalten 43 bzw. 44 durchgeführt.
In diesem Ausführungsbeispiel wird dazu einfach die Differenz
gebildet, d. h. es wird der Mittelwert eines Feldes im erlernten
Verhalten mit dem Mittelwert des entsprechend gleichen Feldes im
aktuellen Verhalten subtrahiert, so dass sich eine Differenzkarte
ergibt. Es sind aber auch andere Vergleichsmöglichkeiten insbesondere
mathematischer Art denkbar. Dieser Vergleich wird sowohl mit der
Objekteigenschaft „Geschwindigkeit” als auch mit
der Objekteigenschaft „Richtung” durchgeführt,
wobei nach der Differenzbildung die einzelnen Werte aller Felder
aufsummiert werden.
-
Als
Ergebnis dieses Vergleiches kommt in diesem Ausführungsbeispiel
ein konkreter Skalar heraus, welcher die Unterschiede zwischen dem
aktuellen und dem erlernten Verhalten repräsentiert. Es ist
dabei leicht zu erkennen, dass je größer der Unterschied
zwischen erlerntem und aktuellem Verhalten ist, je größer
auch der Skalar ist. Des Weiteren lässt sich aus dieser
Anordnung erkennen, dass kleine Änderungen sich nicht wesentlich
auf das Gesamtergebnis auswirken, so dass nicht gleich auf eine
Situationsänderung geschlossen wird, sobald die Werte lokal
auch nur minimal abweichen.
-
Des
Weiteren ist in dieser Anordnung zu erkennen, dass bei anhaltender
Situationsänderung das System selbstlernend ist und es
sich der neuen Situation anpasst. Am obigen Beispiel des Staus orientiert,
bedeutet dies, dass zwar der Stau als Situationsänderung
zunächst erkannt wird (z. B. anhand einer großen
Standardabweichung), nach einer gewissen Zeit aber die langsame
Geschwindigkeit des Staus als typisches Verhalten gelernt wird (die
Standardabweichung wird wieder kleiner). Das System passt sich somit
automatisch ohne dass es neu justiert werden muss an die gegebene
Situation an. Löst sich der Stau nach einer gewissen Weile
wieder auf, so erhöht sich sprunghaft die Durchschnittsgeschwindigkeit,
was ebenfalls wieder als Situationsänderung erkannt wird,
da nun wiederum das Verhalten der Objekte von dem erlernten typischen
Verhal ten abweicht. Somit kann das System sowohl die Bildung eines
Staus als auch dessen Auflösung hinterher ohne Probleme
und manuelles Eingreifen erkennen und passt sich durch Mitlernen
der Standardabweichung auch an zu erwartende Änderungsstärken
an.
-
Auch
ist es mit diesem Verfahren möglich, auf bestimmte äußere
Einflüsse wie Witterungsbedingungen oder Ausfall von bestimmten
Sensoren entsprechend zu reagieren, ohne dass es dafür
eines manuellen Eingriffs bedarf. Fällt z. B. ein Sensor
aus oder wird der Sensor von einem Fremdkörper teilweise überdeckt,
so wird dies zwar von dem Verfahren zunächst als Situationsänderung
erkannt, im weiteren Verlauf jedoch als typisch wahrgenommen. Für den
späteren Verlauf hat somit der Ausfall bzw. der teilweise
Ausfall eines Sensors keine Bedeutung mehr.
-
An
dieser Stelle sei angemerkt, dass sowohl die statistische Auswertung „Mittelwertbildung” als auch
die genannten Objekteigenschaften nicht auf diese begrenzt sind
und nicht einschränkend zu verstehen sind.
-
Dabei
kann auch hier mit Schwellenwerten gearbeitet werden, die für
jedes Verhalten und der bezüglichen Standardabweichung
ermittelt werden. So schwankt der Durchschnittswert (Mittelwert)
in einer großen Szene oft nur gering, obwohl sich z. B.
auf einer Fahrbahn ein Stau gebildet hat, z. B. weil sich der Stau
zunächst nur auf einer Fahrbahn bildet und sich dann auf
die anderen Fahrbahnen „ausbreitet” bzw. sich
der Stau nur in eine Richtung bildet, während die Gegenfahrbahn
frei ist. So kann es zu kompensatorischen Änderungen kommen,
die sich gegenseitig aufheben, so dass in der Summe keine Situationsänderung
detektiert wird.
-
So
ist es besonders vorteilhaft, wenn für jedes Feld die Standardabweichung
gespeichert wird, die dann für einen Schwellwertvergleich
herangezogen wird, um so selektiv für einzelne Felder Situationsänderungen
feststellen zu können. Durch eine Faktorisierung der Standardabweichung
kann ein Empfindlichkeit eingestellt werden, so dass sich in manchen
Feldern Situationsänderungen ergeben, da hier die Standardabweichungen relativ
gering sind, während in anderen Feldern dies als normales
Verhalten erkannt wird, was auf relativ große Standardabweichungen
zurückzuführen ist.
-
So
passt das erfindungsgemäße Verfahren die Standardabweichung
in den Feldern, in denen eine starke Änderung auftritt
entsprechend über die Zeit an (z. B. bei Entstehung eines
Staus), während die anderen Feldern für Veränderungen
empfindlich bleiben (z. B. die Gegenfahrbahn, bei der noch kein Stau
aufgetreten ist).
-
5 zeigt
schematisch eine andere Ausführungsform, bei der mit Hilfe
eines entsprechenden Tracking-Algorithmus ein bestimmtes bzw. konkretes Objekt
verfolgt wurde. Dazu wird von dem zu beobachtenden Objekt eine Trajektorie 51 aufgenommen, die
eine Mehrzahl von Datenpunkten aufweist. An diesen Datenpunkten
wurden dann z. B. entsprechende Werte von zu messenden Objekteigenschaften
ermittelt und hinterlegt. Diese Datenpunkte werden nun mit dem erlernten
Verhalten der Gesamtszene verglichen, um festzustellen, ob das Objekt
sich bezogen auf das Gesamtverhalten aller Objekte typisch oder
atypisch verhält. Dies wird gleichzeitig für alle
Objekte in der Szene einzeln durchgeführt.
-
Dazu
wird jeder Datenpunkt der Trajektorie mit der darunter liegenden
kartenartigen Datenstruktur, insbesondere mit den Feldern verglichen,
in die der entsprechende Datenpunkt fällt. Am Beispiel
von 5 sei dies szenenhaft mit dem Datenpunkt 52 dargestellt.
Dabei wird zunächst einmal ermittelt, ob für diesen
Datenpunkt der Trajektorie des Objektes überhaupt Werte
innerhalb der Karte hinterlegt sind. Dann wird die entsprechende
Objekteigenschaft, hier die Geschwindigkeit, mit den hinterlegten
Geschwindigkeiten verglichen. So lässt sich z. B. aus dem
erlernten Verhalten die mittlere Geschwindigkeit ableiten und mit
der Geschwindigkeit des konkreten Datenpunktes 52 entsprechend
vergleichen. Dabei kann mit Hilfe von Stabilitätsinformationen
und Gewichtungen verhindert werden, dass kleinste Differenzen als
atypisches Verhalten erkannt werden.
-
Beispielsweise
lässt sich mit diesem Ausführungsbeispiel in 5 erkennen,
wenn z. B. Radfahrer sich sehr schnell durch eine Szene bewegen
oder Fußgänger, die ziellos laufen oder plötzlich
anfangen zu rennen oder über sonst kaum benutzte Flächen wie
Wiesen laufen. Auch lässt sich mit diesem System ein Geisterfahrer
erkennen. Es lassen sich aber auch andere Objekte wie Flugzeuge
damit überwachen, so dass bei der Überwachung
eines Flughafens z. B. Situationen erkannt werden, in denen Servicefahrzeuge
sich in ungewöhnlichen Bereichen bewegen oder atypische
Geschwindigkeiten aufweisen. Auch Starts von selten benutzten Start-
und Landebahnen sowie Änderung der Startrichtung und der Einsatz
eines Testfahrzeuges lassen sich mit diesem Verfahren erkennen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
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.
-
Zitierte Patentliteratur
-
- - US 2003/0107650
A1 [0005]
- - EP 0798684 A1 [0008]
- - US 2004/0130620 A1 [0010]