DE102009027275A1 - Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements - Google Patents
Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements Download PDFInfo
- Publication number
- DE102009027275A1 DE102009027275A1 DE102009027275A DE102009027275A DE102009027275A1 DE 102009027275 A1 DE102009027275 A1 DE 102009027275A1 DE 102009027275 A DE102009027275 A DE 102009027275A DE 102009027275 A DE102009027275 A DE 102009027275A DE 102009027275 A1 DE102009027275 A1 DE 102009027275A1
- Authority
- DE
- Germany
- Prior art keywords
- image
- image processing
- processing method
- assistance system
- driver assistance
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Bildverarbeitungsverfahren für ein Fahrerassistenzsystem (10) eines Kraftfahrzeugs (11) zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements, welches ein Verkehrszeichen oder Teile eines Verkehrszeichens aufweist, in wenigstens einem zu durchsuchenden, von einem Bildsensor (12) des Fahrerassistenzsystems (10) erfassten digitalen Bild. Zur Detektion und Klassifikation des wenigstens einen Teils des wenigstens einen vorgegebenen Bildelements in dem wenigstens einen zu durchsuchenden digitalen Bild (16) werden aus wenigstens einem Bildbereich des wenigstens einen zu durchsuchenden digitalen Bilds erste skaleninvariante Bildmerkmale und deren relative Anordnung zueinander berechnet, wonach die ersten skaleninvarianten Bildmerkmale und deren relative geometrische Anordnung zueinander von einem Klassifikator mit abgespeicherten und/oder erlernten, aus dem wenigstens einen vorgegebenen Bildelement berechneten zweite skaleninvarianten Bildmerkmalen und deren relativer geometrischer Anordnung zueinander verglichen werden, wobei als Ergebnis des Vergleichs bei ausreichender Übereinstimmung der wenigstens eine Teil des wenigstens einen vorgegebenen Bildelements in dem wenigstens einen zu durchsuchenden digitalen Bild detektiert und klassifiziert wird.
Description
- Die Erfindung betrifft ein Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements, welches ein Verkehrszeichen oder Teile eines Verkehrzeichens aufweist, in wenigstens einem zu durchsuchenden von einem Bildsensor des Fahrerassistenzsystems erfassten digitalen Bild. Des Weiteren betrifft die Erfindung ein Computerprogramm, ein Computerprogrammprodukt und eine Vorrichtung, um ein derartiges Bildverarbeitungsverfahren als Computerprogramm auszuführen.
- Stand der Technik
- Aus der
DE 198 42 176 A1 ist ein Verfahren zur Erkennung von Verkehrszeichen in der Umgebung eines Fahrzeugs und zur Navigation des Fahrzeugs, bei dem bei einem Erkennen von Verkehrszeichen Verkehrszeichenerkennungsdaten erstellt werden, bekannt. - Im Gegensatz zu Ländern, die der Wiener Konvention, insbesonders zur Regelung der Verkehrszeichengestaltung, beigetreten sind, können in Ländern wie beispielsweise den Vereinigten Staaten von Amerika, Verkehrszeichen sehr unterschiedlich und individuell gestaltet sein. In den Vereinigten Staaten von Amerika sind darüber hinaus die einzelnen Bundesstaaten für die Verkehrszeichengestaltung verantwortlich, wodurch unterschiedliche Varianten, z. B. hinsichtlich Größe, Schriftform, Anordnung usw. auftreten können. Zudem werden, anders als in der Wiener Konvention durch Piktogramme, Schriftzüge wie „SPEED LIMIT”, „TRUCKS”, „MINIMUM SPEED” oder dergleichen eingesetzt.
- Diese Tatsache stellt für ein auf der Erkennung von Verkehrszeichen basierendes Fahrerassistenzsystem eine besondere Herausforderung dar.
- In Ländern, in denen die Verkehrszeichen entsprechend der Wiener Konvention ausgeführt sind, kann von dem Fahrerassistenzsystem üblicherweise zunächst die Form, z. B. ein Kreis für Geschwindigkeitsbegrenzungen, in einem, insbesondere von einem Bildsensor des Fahrerassistenzsystems erfassten Bild detektiert werden. Dies ist für amerikanische Verkehrszeichen in der Regel ebenfalls möglich (z. B. Rechteck). Anschließend werden die Bildausschnitte hinsichtlich ihrer Helligkeit normiert, um Einflüsse der Beleuchtungssituation zu minimieren. Des Weiteren werden die Bildausschnitte hinsichtlich ihrer Größen auf die gespeicherten Piktogramme der zu klassifizierenden Verkehrszeichen normiert. Schließlich werden die Piktogramme durch Grauwertvergleiche mit den Bildausschnitten verglichen und bei genügend großer Übereinstimmung wird der Bildausschnitt als Verkehrszeichen erkannt. Unterstützend können noch Bewegungsinformationen berücksichtigt werden, um eine Unterscheidung von beispielsweise im Heckbereich von Lastkraftwagen oder Bussen angebrachten Verkehrszeichen von statischen, gültigen Verkehrszeichen zu ermöglichen. Die vorstehend beschriebene Vorgehensweise ist für US-Verkehrszeichen in den Vereinigten Staaten von Amerika nur noch bedingt einsetzbar, da die erwähnte Variantenvielfalt der Verkehrszeichen die Anzahl der abzuspeichernden Piktogramme, sofern diese überhaupt vorab alle auffindbar sind, und damit den Rechenaufwand extrem steigert.
- Eine alternative Möglichkeit bestünde darin, innerhalb der detektierten Verkehrszeichen die einzelnen Zeichen, d. h. Buchstaben und Ziffern, sozusagen zu lesen und im Sinne einer optischen Zeichenerkennung OCR (Optical Character Recognition/OCR) zu interpretieren. Dies ist jedoch relativ aufwendig und schwer in Kraftfahrzeugsteuergeräten zu implementieren. Darüber hinaus ist das generelle Verständnis der geschriebenen Wörter grundsätzlich nicht erforderlich, da es sich nur um eine begrenzte Anzahl von Schlüsselwörtern handelt.
- In der Bildverarbeitung wurden in jüngerer Zeit Verfahren entwickelt, welche Bildbereiche invariant gegenüber Skalierung und Rotation beschreiben können. Die skaleninvariante Merkmalstransformation (SIFT – scale-invariant feature transfrom) ist ein Algorithmus zur Extraktion lokaler Bildmerkmale aus Abbildun gen, welcher vor allem bei der Bilderkennung verwendet wird. In der
US 6,711,293 B1 ist ein Verfahren und eine Vorrichtung zum Identifizieren von skaleninvarianten Merkmalen in einem Bild und des Weiteren ein Verfahren und eine Vorrichtung, um derartige skaleninvariante Merkmale zur Lokalisierung eines Objekts in einem Bild zu verwenden, offenbart. - Darüber hinaus ist aus Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool, „SURF: Speeded-Up Robust Features", Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3 pp. 346–359, 2008 ein Algorithmus zur schnellen und robusten Ermittlung von Bildmerkmalen für maschinelles Sehen bekannt.
- Zum weiteren Stand der Technik wird auf die
DE 103 38 455 A1 verwiesen. - Offenbarung der Erfindung
- Erfindungsgemäß wird ein Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements, welches ein Verkehrszeichen oder Teile eines Verkehrszeichens aufweist, in wenigstens einem zu durchsuchenden von einem Bildsensor des Fahrerassistenzsystems erfassten digitalen Bild vorgeschlagen, wobei zur Detektion und Klassifikation des wenigstens einen Teils des wenigstens einen vorgegebenen Bildelements in dem wenigstens einen zu durchsuchenden digitalen Bild aus wenigstens einem Bildbereich des wenigstens einen zu durchsuchenden digitalen Bilds erste skaleninvariante Bildmerkmale und deren relative geometrische Anordnung zueinander berechnet werden, wonach die ersten skaleninvarianten Bildmerkmale und deren relative geometrische Anordnung zueinander von einem Klassifikator mit abgespeicherten und/oder erlernten aus dem wenigstens einen vorgegebenen Bildelement berechneten zweiten skaleninvarianten Bildmerkmalen und deren relativer geometrischer Anordnung zueinander verglichen werden, wobei als Ergebnis des Vergleichs bei ausreichender Übereinstimmung der wenigstens eine Teil des wenigstens einen vorgegebenen Bildelements in dem wenigstens einen zu durchsuchenden digitalten Bild detektiert und klassifiziert wird.
- Durch die erfindungsgemäßen Maßnahmen können in vorteilhafter Weise Bildteile anhand von skaleninvarianten Bildmerkmalen klassifiziert werden. Auf den zu suchenden vorgegebenen Bildelementen, welche Verkehrszeichen oder Teile von Verkehrszeichen wie Buchstaben bzw. Ziffern aufweisen, werden die skaleninvarianten Bildmerkmale an sich und deren relative geometrische Position bzw. Anordnung zueinander vorab berechnet und gespeichert bzw. von einem Klassifikator erlernt. Als Klassifikator kann beispielsweise ein neuronales Netz eingesetzt werden. Dies bildet die Grundlage für die Klassifkation und/oder die Suche. In dem digitalen Bild, insbesondere des Bildsensors des Fahrerassistenzsystems, in welchem das Verkehrszeichen bzw. dessen Schriftzug, Ziffern oder Symbole aufgefunden werden sollen, werden ebenfalls die skaleninvarianten Bildmerkmale berechnet. Anschließend können, da die skaleninvarianten Bildmerkmale einander eindeutig zuzuordnen sind, die im Bildbereich gefundenen skaleninvarianten Bildmerkmale mit den abgelegten bzw. erlernten skaleninvarianten Bildmerkmalen verglichen werden. Dafür eignen sich beispielsweise Algorithmen wie in Berthold K. P. Horn, "Closed-form solution of absolute orientation using unit quaternions", Journal of the Optical Society of America A, Vol 4, pages 629–642, April 1987 beschrieben. Dies kann für mehrere Bildbereiche durchgeführt werden. Grundsätzlich kann so das gesamte digitale Bild durchsucht oder gescannt werden. Gegebenenfalls kann auch lediglich ein Teil des Verkehrszeichens, z. B. bei einer Teilverdeckung durch andere Objekte wie Gebüsche und dergleichen detektiert und klassifiziert werden. Vorteilhafterweise werden Skalierungen implizit berücksichtigt. Damit kann gegenüber den bekannten Klassifikationsverfahren sowohl die Normierung hinsichtlich der Größe, mit welcher die Entfernungsunabhängigkeit des beobachteten Objekts verbunden ist, als auch hinsichtlich der Helligkeit entfallen. Dadurch bleibt der Rechenaufwand relativ gering und das Verfahren ist vorteilhafter Weise auf Kraftfahrzeugsteuergeräten einsetzbar. Das beschriebene Bildverarbeitungsverfahren kann ebenfalls auf die Zahlen der Geschwindigkeitsbegrenzung, z. B. „15”, „30”, „45”, „50” und „55”, angewendet werden. Werden etwa Bildelemente wie z. B. „SPEED” und „LIMIT” und zugehörige Zahlen detektiert und klassifiziert, kann ein Geschwindigkeitsbegrenzungszeichen als erkannt eingeordnet werden. Da die skaleninvarianten Bildmerkmale u. a. für die Verfolgung (sogenanntes „Tracking”) von den Bildobjekten entwickelt wurden, können nach einer Detektion, die skaleninvarianten Bildmerkmale direkt auch für die Verfolgung von Bildbereichen mit Objekten verwendet werden. Dadurch entfällt in vorteilhafter Weise die Berechnung zusätzli cher Merkmale für das Tracking im Vergleich zu herkömmlichen Verfahren. Das erfindungsgemäße Bildverarbeitungsverfahren ist zur Klassifikation und Detektion von Bildbereichen mit beliebigen, aufzufindenden geometrischen Anordnungen von skaleninvarianten Bildmerkmalen geeignet und nicht auf Schriftzüge oder Zahlen beschränkt.
- Vorteilhaft ist es, wenn vorab in einem Trainingsschritt aus dem wenigstens einen vorgegebenen Bildelement die zweiten skaleninvarianten Bildmerkmale und deren relative geometrische Anordnung zueinander unter Verwendung unterschiedlicher Ausführungen des wenigstens einen vorgegebenen Bildelements, insbesondere mit unterschiedlichen Ansichten oder Schriftformen des Verkehrszeichens berechnet und von dem Klassifikator abgespeichert und/oder erlernt werden.
- Durch diese Maßnahmen kann der Klassifikator beispielsweise mit unterschiedlichen Ansichten oder Ausführungsformen in einem Trainingsschritt konfrontiert werden. Dabei werden alle möglichen skaleninvarianten Bildmerkmale berechnet und entsprechende Antworten (Ergebnis des Vergleichs positiv oder negativ) vorgegeben. Als Klassifikator könnte beispielsweise ein neuronales Netz zum Einsatz kommen.
- Erfindungsgemäß kann ferner vorgesehen sein, dass nur charakteristische zweite skaleninvariante Bildmerkmale und deren relative geometrische Anordnung zueinander berücksichtigt werden, welche in dem Trainingsschritt identifiziert werden.
- Es wird in dem Trainingsschritt ermittelt, von welchen skaleninvarianten Bildmerkmalen dieselben Antworten bei unterschiedlichen Ansichten oder Bildern erhalten werden. Bildmerkmale, welche auf mehreren Ansichten bzw. Bildern im Trainingsschritt sehr stark ansprechen, werden als sogenannte charakteristische bzw. diskriminierende Merkmale identifiziert, welche dann ausschließlich bei dem erfindungsgemäßen Bildverarbeitungsverfahren berücksichtigt werden können.
- Vorteilhaft ist es, wenn die ersten skaleninvarianten Bildmerkmale und die zweiten skaleninvarianten Bildmerkmale mittels des eingangs erwähnten Scale-Invariant Feature Transform-Verfahrens (SIFT-Verfahren) oder des ebenfalls eingangs erwähnten Speeded-Up Robust Features-Verfahrens (SURF-Verfahren) berechnet werden.
- Erfindungsgemäß kann ferner vorgesehen sein, dass der wenigstens eine Bildbereich vorab durch eine Suche nach bestimmten geometrischen Formen in dem wenigstens einen zu durchsuchenden digitalen Bild identifiziert wird. Durch eine Beschränkung auf Bildbereiche, welche z. B. mittels einer geometrischen Suche nach bestimmten Formen wie etwa Rechtecke, Kreise oder dergleichen ermittelt werden, kann der Rechenaufwand weiter gesenkt werden. Die Geschwindigkeit des Systems wird ebenfalls erhöht.
- Vorteilhaft ist es, wenn ein Maß für die Korrektheit der Detektion und Klassifikation bestimmt wird. Bei einem Vergleich kann bei geometrischen Abweichungen (z. B. andere Schriftart) ein Maß entstehen, welches als Schwelle zur Verwerfung der Klassifikation bzw. Detektion genutzt werden kann. Die Detektion und Klassifikation kann verworfen werden, wenn das Maß für die Korrektheit der Detektion und Klassifikation einen vorgegebenen Schwellwert unterschreitet. Als Maß für die Korrektheit der Detektion und Klassifikation kann die Anzahl der den Bildpunkten der ersten skaleninvarianten Bildmerkmale zuordenbaren Bildpunkte der zweiten skaleninvarianten Bildmerkmale verwendet werden.
- Zusätzlich kann eine aus Sequenzen der zu durchsuchenden digitalen Bilder ermittelte Eigenbewegung berücksichtigt werden. Sonach können Analysen in den Bildfolgen ebenfalls unterstützend hinzugezogen werden.
- Das wenigstens eine vorgegebene Bildelement kann wenigstens einen Schriftzug eines Verkehrszeichens aufweisen.
- In den Ansprüchen sind ein Computerprogramm und ein Computerprogrammprodukt mit Programmcodemitteln, um das erfindungsgemäße Bildverarbeitungsverfahren auszuführen, angegeben.
- Eine Vorrichtung, insbesondere ein Fahrassistenzsystem eines Kraftfahrzeugs mit wenigstens einem Bildsensor und einer mit diesem verbundenen Bildverarbeitungseinrichtung wird ebenfalls vorgeschlagen.
- Das erfindungsgemäße Bildverarbeitungsverfahren ist vorzugsweise als Computerprogramm auf einer Bildverarbeitungseinrichtung eines Fahrerassistenzsystems eines Kraftfahrzeugs realisiert, wobei auch andere Lösungen selbstverständlich in Frage kommen. Dazu kann das Computerprogramm mit einem Speicherelement (z. B. ROM, EEPROM oder dergleichen) der Bildverarbeitungseinrichtung gespeichert sein. Durch Abarbeitung auf der Bildverarbeitungseinrichtung wird das Bildverarbeitungsverfahren ausgeführt. Die Bildverarbeitungseinrichtung kann einen Mikrocomputer mit einem Mikroprozessor, einen programmierbaren integrierten Schaltkreis (Field Programmable Gate Array/FPGA), einen anwendungsspezifischen integrierten Schaltkreis (Application Specific Integrated Circuit/ASIC) einen digitalen Signalprozessor (DSP) oder dergleichen aufweisen. Die Bildverarbeitungseinrichtung kann auf einem Steuergerät des Fahrerassistenzsystems vorgesehen sein. Das Computerprogramm kann auf einem computerlesbaren Datenträger (Diskette, CD, DVD; Festplatte, USB-Memory-Stick, Speicherkarte oder dergleichen) oder einem Internetserver als Computerprogrammprodukt gespeichert sein und von dort aus in das Speicherelement der Bildverarbeitungseinrichtung übertragen werden.
- Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung sind in den Unteransprüchen angegeben. Nachfolgend ist anhand der Zeichnungen ein Ausführungsbeispiel der Erfindung prinzipmäßig beschrieben.
- Kurzbeschreibung der Zeichnungen
- Es zeigen:
-
1 eine schematische Darstellung eines Fahrerassistenzsystems eines Kraftfahrzeugs; -
2 eine prinzipmäßige Darstellung eines digitalen Bildes eines Bildsensors des Fahrerassistenzsystems zur Veranschaulichung eines erfindungsgemäßen Bildverarbeitungsverfahrens; -
3 ein vereinfachtes Blockdiagramm des erfindungsgemäßen Bildverarbeitungsverfahrens; und -
4 eine prinzipmäßige Darstellung unterschiedlicher Ansichten bzw. Ausführungsformen eines Verkehrszeichens zur Veranschaulichung des erfindungsgemäßen Bildverarbeitungsverfahrens. - Beschreibung von Ausführungsbeispielen
-
1 zeigt ein Fahrerassistenzsystem10 eines gestrichelt angedeuteten Kraftfahrzeugs11 sowie einen Bildsensor12 , welcher über eine Bildsensorsignalleitung13 mit einer Auswerteeinheit bzw. Bildverarbeitungseinrichtung14 verbunden ist. Die Bildverarbeitungseinrichtung14 ist über eine Ausgangssignalleitung15 mit dem Fahrerassistenzsystem10 verbunden. Als Bildsensor12 sind beispielsweise CCD- oder CMOS-Kameras, aber auch Wärmebildgeräte oder dergleichen einsetzbar. Es können auch weitere Bildsensoren12 in anderen nicht dargestellten Ausführungsbeispielen vorgesehen sein, um beispielsweise Stereobilder erzeugen zu können. Der Bildsensor12 übermittelt digitale Bilder der beobachteten Szene an die Bildverarbeitungseinrichtung14 über die Bildsensorsignalleitung13 . Die Bildverarbeitungseinrichtung13 erzeugt auf der Ausgangssignalleitung15 ein Ausgangssignal, welches elektrisch, digital, akkustisch und/oder visuell zur Anzeige, Information oder Speicherung an das Fahrerassistenzsystem10 übertragen wird. - Im vorliegenden Ausführungsbeispiel ist das Fahrerassistenzsystem
10 ein Fahrerinformationssystem, welches Verkehrszeichen erkennt und dem Fahrer zur Anzeige bringt. Im weiteren Ausführungsbeispiel könnte das Fahrerassistenzsystem10 auch beispielsweise eine adaptive Geschwindigkeitsregelvorrichtung für das Kraftfahrzeug11 ausgebildet sein. Solche Systeme werden auch als ACC(Adaptive Cruise Control)-Systeme bezeichnet. In der Publikation Robert Bosch GmbH, „adaptive Fahrgeschwindigkeitsregelung ACC", gelbe Reihe, Ausgabe 2002, Technische Unterrichtung sind derartige adaptive Geschwindigkeitsregelvorrichtungen beschrieben. Diese könnte beispielsweise die Geschwindigkeit des Kraftfahrzeugs in Abhängigkeit eines erkannten Verkehrszeichens einregeln. - In
2 ist zur Veranschaulichung eines erfindungsgemäßen Bildverarbeitungsverfahrens vereinfacht ein digitales Bild16 des Bildsensors12 dargestellt. Auf der Bildverarbeitungseinrichtung14 läuft das erfindungsgemäße Bildverarbeitungsverfahren für das Fahrerassistenzsystem10 des Kraftfahrzeugs11 zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements17 , welches ein Verkehrszeichen18 oder Teile des Verkehrszeichens18 aufweist, in dem zu durchsuchenden von dem Bildsensor12 des Fahrerassistenzsystems10 erfassten digitalen Bild16 , ab. Stark vereinfacht ist in dem digitalen Bild16 eine Szene mit einer Straße19 und einem Baum20 dargestellt. - In
3 ist das erfindungsgemäße Bildverarbeitungsverfahren, welches auf der Bildverarbeitungseinrichtung14 abläuft, mit weiteren optionalen gestrichelt angedeuteten Schritten als Blockdiagramm dargestellt. Zur Detektion und Klassifikation des vorgegebenen Bildelements17 in dem zu durchsuchenden digitalen Bild16 werden aus einem oder mehreren Bildbereichen21 (s.2 ) des zu durchsuchenden digitalen Bilds16 erste skaleninvariante Bildmerkmale und deren relative geometrische Anordnung zueinander in einem Verfahrensschritt B berechnet, wonach in einem Verfahrensschritt C die ersten skaleninvarianten Bildmerkmale und deren relative Anordnung zueinander von einem Klassifikator mit abgespeicherten oder erlernten (in3 vereinfacht als Datenbank22 angedeutet) aus dem vorgegebenen Bildelement17 berechneten zweiten skaleninvarianten Bildmerkmalen und deren relativer geometrischer Anordnung zueinander verglichen werden, wobei als Ergebnis des Vergleichs von Verfahrensschritt C bei ausreichender Übereinstimmung wenigstens des Teils des vorgegebenen Bildelements17 in dem zu durchsuchenden digitalen Bild16 detektiert und klassifiziert wird. Dies wird über die Ausgangssignalleitung15 an das Fahrerassistenzsystem10 übermittelt. - Vorab kann in einem Verfahrensschritt A der Bildbereich
21 durch eine Suche nach bestimmten geometrischen Formen, vorliegend einem Rechteck des Verkehrszeichens18 in dem zu durchsuchenden digitalen Bild16 identifiziert werden. - In einem Trainingsschritt T werden aus dem wenigstens einen vorgegebenen Bildelement
17 die zweiten skaleninvarianten Bildmerkmale und deren relative geometrische Anordnung zueinander unter Verwendung der in4 vereinfacht dargestellten unterschiedlichen Ausführungsformen17a ,17b des vorgegebenen Bildelements17 , insbesondere mit unterschiedlichen Ansichten oder Schriftzügen des Verkehrszeichens18 berechnet und von dem Klassifikator abgespeichert und/oder erlernt. - Im vorliegenden Ausführungsbeispiel werden nur charakteristische zweite skaleninvariante Bildmerkmale und deren relative geometrische Position zueinander berücksichtigt. Diese werden in dem Trainingsschritt T identifiziert.
- Die ersten skaleninvarianten Bildmerkmale und die zweiten skaleninvarianten Bildmerkmale können mittels des Scale-Invariant Feature Transform-Verfahrens (SIFT-Verfahren) oder des Speeded-Up Robust Features-Verfahrens (SURF-Verfahren) berechnet werden.
- Für die Korrektheit der Detektion und Klassifikation wird ein Maß bestimmt. Über die Ausgangssignalleitung
15 erhält das Fahrerassistenzsystem10 von der Bildverarbeitungseinrichtung14 das Ergebnis der Detektion und Klassifikation und damit Informationen, ob ein bestimmtes Verkehrszeichen18 in dem digitalen Bild16 erkannt wurde. - Die Detektion und Klassifikation wird verworfen, wenn das Maß für die Korrektheit der Detektion und Klassifikation einen vorgegebenen Schwellwert unterschreitet. Als Maß für die Korrektheit der Detektion und Klassifikation wird die Anzahl der den Bildpunkten der ersten skaleninvarianten Bildmerkmale zuordenbaren Bildpunkte der zweiten skaleninvarianten Bildmerkmale verwendet.
- Zusätzlich wird eine aus Sequenzen der zu durchsuchenden digitalen Bilder
16 ermittelte Eigenbewegung des Kraftfahrzeugs11 berücksichtigt. - Das erfindungsgemäße Bildverarbeitungsverfahren ist vorzugsweise als Computerprogramm auf der Bildverarbeitungseinrichtung
14 des Kraftfahrzeugs11 realisiert, wobei auch andere Lösungen selbstverständlich in Frage kommen. Dazu kann das Computerprogramm in einem Speicherelement (z. B. ROM, EEPROM oder dergleichen) der Bildverarbeitungseinrichtung14 gespeichert sein. Durch Abarbeitung auf der Bildverarbeitungseinrichtung14 wird das Bildverarbeitungsverfahren ausgeführt. Die Bildverarbeitungseinrichtung14 kann einen Mikrocomputer mit einem Mikroprozessor, einen programmierbaren integrierten Schaltkreis (Field Programmable Gate Array/FPGA), einen anwendungsspezifischen integ rierten Schaltkreis (Application Specific Integrated Circuit/ASIC), einen digitalen Signalprozessor (DSP) oder dergleichen aufweisen. Das Computerprogramm kann auf einem computerlesbaren Datenträger (Diskette, CD, DVD, Festplatte, USB-Speicher-Stick, Speicherkarte oder dergleichen) oder einem Internetserver als Computerprogrammprodukt gespeichert sein und von dort aus in das Speicherelement der Bildverarbeitungseinrichtung14 übertragen werden. - 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
-
- - DE 19842176 A1 [0002]
- - US 6711293 B1 [0007]
- - DE 10338455 A1 [0009]
- Zitierte Nicht-Patentliteratur
-
- - Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool, „SURF: Speeded-Up Robust Features”, Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3 pp. 346–359, 2008 [0008]
- - Berthold K. P. Horn, ”Closed-form solution of absolute orientation using unit quaternions”, Journal of the Optical Society of America A, Vol 4, pages 629–642, April 1987 [0011]
- - Robert Bosch GmbH, „adaptive Fahrgeschwindigkeitsregelung ACC”, gelbe Reihe, Ausgabe 2002 [0031]
Claims (13)
- Bildverarbeitungsverfahren für ein Fahrerassistenzsystem (
10 ) eines Kraftfahrzeugs (11 ) zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements (17 ,17a ,17b ), welches ein Verkehrszeichen (18 ) oder Teile eines Verkehrszeichens (18 ) aufweist, in wenigstens einem zu durchsuchenden von einem Bildsensor (12 ) des Fahrerassistenzsystems (10 ) erfassten digitalen Bild (16 ), dadurch gekennzeichnet, dass zur Detektion und Klassifikation des wenigstens einen Teils des wenigstens einen vorgegebenen Bildelements (17 ,17a ,17b ) in dem wenigstens einen zu durchsuchenden digitalen Bild (16 ) aus wenigstens einem Bildbereich (21 ) des wenigstens einen zu durchsuchenden digitalen Bilds (16 ) erste skaleninvariante Bildmerkmale und deren relative geometrische Anordnung zueinander berechnet werden (B), wonach die ersten skaleninvarianten Bildmerkmale und deren relative geometrische Anordnung zueinander von einem Klassifikator mit abgespeicherten und/oder erlernten aus dem wenigstens einen vorgegebenen Bildelement (17 ,17a ,17b ) berechneten zweiten skaleninvarianten Bildmerkmalen und deren relativer geometrischer Anordnung zueinander verglichen werden (C), wobei als Ergebnis des Vergleichs bei ausreichender Übereinstimmung der wenigstens eine Teil des wenigstens einen vorgegebenen Bildelements (17 ,17a ,17b ) in dem wenigstens einen zu durchsuchenden digitalen Bild (16 ) detektiert und klassifiziert wird. - Bildverarbeitungsverfahren nach Anspruch 1, dadurch gekennzeichnet, dass vorab in einem Trainingsschritt (T) aus dem wenigstens einen vorgegebenen Bildelement (
17 ,17a ,17b ) die zweiten skaleninvarianten Bildmerkmale und deren relative geometrische Anordnung zueinander unter Verwendung unterschiedlicher Ausführungen (17a ,17b ) des wenigstens einen vorgegebenen Bildelements (17 ,17a ,17b ), insbesondere mit unterschiedlichen Ansichten oder Schriftformen des Verkehrzeichens (18 ), berechnet und von dem Klassifikator abgespeichert und/oder erlernt werden. - Bildverarbeitungsverfahren nach Anspruch 2, dadurch gekennzeichnet, dass nur charakteristische zweite skaleninvariante Bildmerkmale und deren relati ve geometrische Anordnung zueinander berücksichtigt werden, welche in dem Trainingsschritt (T) identifiziert werden.
- Bildverarbeitungsverfahren nach Anspruch 1, 2 oder 3, dadurch gekennzeichnet, dass die ersten skaleninvarianten Bildmerkmale und die zweiten skaleninvarianten Bildmerkmale mittels des Scale-Invariant Feature Transform-Verfahrens (SIFT-Verfahren) oder des Speeded-Up Robust Features-Verfahrens (SURF-Verfahren) berechnet werden.
- Bildverarbeitungsverfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass der wenigstens eine Bildbereich (
21 ) vorab durch eine Suche nach bestimmten geometrischen Formen in dem wenigstens einen zu durchsuchenden digitalen Bild (16 ) identifiziert wird (A). - Bildverarbeitungsverfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass ein Maß für die Korrektheit der Detektion und Klassifikation bestimmt wird.
- Bildverarbeitungsverfahren nach Anspruch 6, dadurch gekennzeichnet, dass die Detektion und Klassifikation verworfen wird, wenn das Maß für die Korrektheit der Detektion und Klassifikation einen vorgegebenen Schwellwert unterschreitet.
- Bildverarbeitungsverfahren nach Anspruch 6, 7 oder 8, dadurch gekennzeichnet, dass als Maß für die Korrektheit der Detektion und Klassifikation die Anzahl der den Bildpunkten der ersten skaleninvarianten Bildmerkmale zuordenbaren Bildpunkte der zweiten skaleninvarianten Bildmerkmale verwendet wird.
- Bildverarbeitungsverfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass zusätzlich eine aus Sequenzen der zu durchsuchenden digitalen Bilder ermittelte Eigenbewegung berücksichtigt wird.
- Bildverarbeitungsverfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass das wenigstens eine vorgegebene Bildelement (
17 ,17a ,17b ) wenigstens einen Schriftzug eines Verkehrszeichens (18 ) aufweist. - Computerprogramm mit Programmcodemitteln, um ein Bildverarbeitungsverfahren gemäß einem der Ansprüche 1 bis 10 durchzuführen, wenn dass Programm auf einer Bildverarbeitungseinrichtung (
14 ) eines Fahrerassistenzsystems (10 ) eines Kraftfahrzeugs (11 ), insbesondere auf einem Mikroprozessor eines Mikrocomputers, ausgeführt wird. - Computerprogrammprodukt mit Programmcodemitteln, die auf einem computerlesbaren Datenträger gespeichert sind, um ein Bildverarbeitungsverfahren gemäß einem der Ansprüche 1 bis 10 durchzuführen, wenn dass Programm auf einer Bildverarbeitungseinrichtung (
14 ) eines Fahrerassistenzsystems (10 ) eines Kraftfahrzeugs (11 ), insbesondere auf einem Mikroprozessor eines Mikrocomputers, ausgeführt wird. - Vorrichtung, insbesondere Fahrerassistenzsystem (
10 ) eines Kraftfahrzeugs (11 ) mit wenigstens einem Bildsensor (12 ) und einer mit diesem verbundenen Bildverarbeitungseinrichtung (14 ), welche zur Ausführung eines Computerprogramms gemäß Anspruch 11 eingerichtet ist.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102009027275A DE102009027275A1 (de) | 2009-06-29 | 2009-06-29 | Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements |
PCT/EP2010/058688 WO2011000726A1 (de) | 2009-06-29 | 2010-06-21 | Bildverarbeitungsverfahren für ein fahrerassistenzsystem eines kraftfahrzeugs zur detektion und klassifikation wenigstens eines teils wenigstens eines vorgegebenen bildelements |
EP10726950A EP2449507A1 (de) | 2009-06-29 | 2010-06-21 | Bildverarbeitungsverfahren für ein fahrerassistenzsystem eines kraftfahrzeugs zur detektion und klassifikation wenigstens eines teils wenigstens eines vorgegebenen bildelements |
JP2012518066A JP2012531685A (ja) | 2009-06-29 | 2010-06-21 | 少なくとも1つの設定された画像要素の少なくとも一部を検出およびクラス分類する、車両のドライバーアシストシステム用の画像処理方法 |
CN2010800292391A CN102549602A (zh) | 2009-06-29 | 2010-06-21 | 用于检测和分类至少一个预给定的图像元素的至少一部分的、用于机动车驾驶员辅助系统的图像处理方法 |
US13/380,764 US9030558B2 (en) | 2009-06-29 | 2010-06-21 | Image processing method for a driver assistance system of a motor vehicle for detecting and classifying at least one portion of at least one predefined image element |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102009027275A DE102009027275A1 (de) | 2009-06-29 | 2009-06-29 | Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102009027275A1 true DE102009027275A1 (de) | 2010-12-30 |
Family
ID=42790904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102009027275A Pending DE102009027275A1 (de) | 2009-06-29 | 2009-06-29 | Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements |
Country Status (6)
Country | Link |
---|---|
US (1) | US9030558B2 (de) |
EP (1) | EP2449507A1 (de) |
JP (1) | JP2012531685A (de) |
CN (1) | CN102549602A (de) |
DE (1) | DE102009027275A1 (de) |
WO (1) | WO2011000726A1 (de) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001296645A1 (en) | 2000-10-06 | 2002-04-15 | The Trustees Of Columbia University In The City Of New York | Massive parallel method for decoding dna and rna |
SM200800017B (it) * | 2008-03-18 | 2010-11-12 | Saulle Mattei | Sistema di controllo interattivo di una rete stradale urbana ed extraurbana soggetta a norme e/o limitazioni di sicurezza e funzionalità. |
JP5427202B2 (ja) * | 2011-03-29 | 2014-02-26 | 富士重工業株式会社 | 車両用運転支援装置 |
CN102982543A (zh) * | 2012-11-20 | 2013-03-20 | 北京航空航天大学深圳研究院 | 一种多源遥感图像配准方法 |
CN103971087B (zh) * | 2013-07-12 | 2017-04-19 | 湖南纽思曼导航定位科技有限公司 | 一种实时搜索及识别交通标志的方法及装置 |
US9607015B2 (en) * | 2013-12-20 | 2017-03-28 | Qualcomm Incorporated | Systems, methods, and apparatus for encoding object formations |
KR101596299B1 (ko) * | 2014-01-06 | 2016-02-22 | 현대모비스 주식회사 | 교통 표지판 인식 방법 및 장치 |
CN104021369A (zh) * | 2014-04-30 | 2014-09-03 | 南京农业大学 | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 |
WO2016080452A1 (ja) * | 2014-11-19 | 2016-05-26 | エイディシーテクノロジー株式会社 | 自動運転制御装置 |
US9937923B2 (en) * | 2016-01-30 | 2018-04-10 | Bendix Commercial Vehicle Systems Llc | System and method for providing a speed warning and speed control |
DE102016215538A1 (de) * | 2016-08-18 | 2018-03-08 | Robert Bosch Gmbh | Verfahren zum Transformieren von Sensordaten |
DE102016118538A1 (de) * | 2016-09-29 | 2018-03-29 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Klassifizieren eines Verkehrszeichens in einem Umgebungsbereich eines Kraftfahrzeugs, Rechenvorrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug |
EP3477553B1 (de) * | 2017-10-27 | 2023-08-30 | Robert Bosch GmbH | Verfahren zum erfassen eines anomalen bildes unter einem ersten datensatz von bildern mit einem kontradiktorischen autoencoder |
CN108284838A (zh) * | 2018-03-27 | 2018-07-17 | 杭州欧镭激光技术有限公司 | 一种用于检测车辆外部环境信息的检测系统及检测方法 |
DE102018207923A1 (de) * | 2018-05-18 | 2019-11-21 | Robert Bosch Gmbh | Verbessertes Training eines Klassifikators |
US10891501B2 (en) * | 2019-01-28 | 2021-01-12 | Uber Technologies, Inc. | Automatically associating road sign information with road segments using image data |
US11293762B2 (en) * | 2019-06-18 | 2022-04-05 | Here Global B.V. | System and methods for generating updated map data |
CN111160466B (zh) * | 2019-12-30 | 2022-02-22 | 深圳纹通科技有限公司 | 一种基于直方图统计的特征匹配算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19842176A1 (de) | 1998-09-15 | 2000-03-16 | Bosch Gmbh Robert | Verfahren und Vorrichtung zur Verkehrszeichenerkennung und Navigation |
US6711293B1 (en) | 1999-03-08 | 2004-03-23 | The University Of British Columbia | Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image |
DE10338455A1 (de) | 2003-08-21 | 2005-04-14 | Robert Bosch Gmbh | Fahrerinformationsvorrichtung |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19831413C2 (de) * | 1998-07-14 | 2002-03-07 | Daimler Chrysler Ag | Bildverarbeitungsverfahren und Vorrichtungen zur Erkennung von Objekten im Verkehr |
DE19852631C2 (de) * | 1998-11-14 | 2001-09-06 | Daimler Chrysler Ag | Vorrichtung und Verfahren zur Verkehrszeichenerkennung |
JP2006235752A (ja) * | 2005-02-22 | 2006-09-07 | Asahi Engineering Kk | オブジェクト認識装置及びその制御方法、並びに、コンピュータプログラム及びコンピュータ可読記憶媒体 |
CN101966071B (zh) * | 2005-04-13 | 2012-10-17 | 奥林巴斯医疗株式会社 | 图像处理装置以及图像处理方法 |
JP4717760B2 (ja) | 2006-08-31 | 2011-07-06 | 三菱電機株式会社 | 物体認識装置および映像物体測位装置 |
JP4988408B2 (ja) * | 2007-04-09 | 2012-08-01 | 株式会社デンソー | 画像認識装置 |
JP2009043186A (ja) * | 2007-08-10 | 2009-02-26 | Denso Corp | 情報記憶装置、及び走行環境情報認識装置 |
US8233670B2 (en) * | 2007-09-13 | 2012-07-31 | Cognex Corporation | System and method for traffic sign recognition |
US20090313239A1 (en) * | 2008-06-16 | 2009-12-17 | Microsoft Corporation | Adaptive Visual Similarity for Text-Based Image Search Results Re-ranking |
EP2214122B1 (de) * | 2009-02-03 | 2013-07-17 | Harman Becker Automotive Systems GmbH | Verfahren und Vorrichtung zur Unterstützung eines Fahrzeugfahrers |
-
2009
- 2009-06-29 DE DE102009027275A patent/DE102009027275A1/de active Pending
-
2010
- 2010-06-21 WO PCT/EP2010/058688 patent/WO2011000726A1/de active Application Filing
- 2010-06-21 EP EP10726950A patent/EP2449507A1/de not_active Ceased
- 2010-06-21 JP JP2012518066A patent/JP2012531685A/ja active Pending
- 2010-06-21 CN CN2010800292391A patent/CN102549602A/zh active Pending
- 2010-06-21 US US13/380,764 patent/US9030558B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19842176A1 (de) | 1998-09-15 | 2000-03-16 | Bosch Gmbh Robert | Verfahren und Vorrichtung zur Verkehrszeichenerkennung und Navigation |
US6711293B1 (en) | 1999-03-08 | 2004-03-23 | The University Of British Columbia | Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image |
DE10338455A1 (de) | 2003-08-21 | 2005-04-14 | Robert Bosch Gmbh | Fahrerinformationsvorrichtung |
Non-Patent Citations (3)
Title |
---|
Berthold K. P. Horn, "Closed-form solution of absolute orientation using unit quaternions", Journal of the Optical Society of America A, Vol 4, pages 629-642, April 1987 |
Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool, "SURF: Speeded-Up Robust Features", Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3 pp. 346-359, 2008 |
Robert Bosch GmbH, "adaptive Fahrgeschwindigkeitsregelung ACC", gelbe Reihe, Ausgabe 2002 |
Also Published As
Publication number | Publication date |
---|---|
EP2449507A1 (de) | 2012-05-09 |
US20120162429A1 (en) | 2012-06-28 |
CN102549602A (zh) | 2012-07-04 |
JP2012531685A (ja) | 2012-12-10 |
US9030558B2 (en) | 2015-05-12 |
WO2011000726A1 (de) | 2011-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102009027275A1 (de) | Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements | |
EP2569731B1 (de) | Verfahren zur erkennung von verkehrszeichen | |
DE102006012914B4 (de) | System und Verfahren zur Bestimmung des Abstands zu einem vorausfahrenden Fahrzeug | |
EP3053097A1 (de) | Verfahren und vorrichtung zur erkennung von verkehrszeichen | |
DE102017208718A1 (de) | Verfahren zur Erkennung von Objekten in einem Bild einer Kamera | |
DE102014214448A1 (de) | Vorrichtung und Verfahren zur Erkennung eines Verkehrszeichens | |
EP2028605A1 (de) | Detektionsverfahren für symmetrische Muster | |
DE102013201545A1 (de) | Erstellen eines Umfeldmodells für ein Fahrzeug | |
DE102013222322A1 (de) | Verfahren und Gerät für das Bereitstellen von Augmented Reality bzw. erweiterter Realität | |
DE112016003546T5 (de) | Vorrichtung zum Darstellen von Unterstützungsbildern für einen Fahrer und Verfahren dazu | |
DE102014106506A1 (de) | Verfahren zum Durchführen einer Diagnose eines Kamerasystems eines Kraftfahrzeugs, Kamerasystem und Kraftfahrzeug | |
DE102017207442A1 (de) | Verfahren und Vorrichtung zum Klassifizieren von Objekten im Umfeld eines Kraftfahrzeuges | |
DE102009014437A1 (de) | Objekterkennungssystem und -verfahren | |
DE102012218123A1 (de) | Verfahren und Vorrichtung zum Kalibrieren zumindest eines optischen Sensors eines Fahrzeugs | |
EP2320384A1 (de) | Verfahren zur Kennzeichenerkennung und Mautkategorisierung von Fahrzeugen | |
DE102020103770A1 (de) | Identifizierung der Aufmerksamkeitsregion zur Verbesserung der sensorgestützten Erkennung in einem Fahrzeug | |
EP2048597A1 (de) | Verfahren zur Objekterfassung | |
WO2019063246A1 (de) | Erkennungssystem, arbeitsverfahren und trainingsverfahren zum erzeugen eines 3d-modells mit referenzdaten | |
DE102015204528A1 (de) | Vorrichtung und Verfahren zur Objekterkennung in einem Fortbewegungsmittel | |
WO2017012743A1 (de) | Verfahren zur plausibilisierung einer ansteuerentscheidung für sicherheitsmittel | |
WO2016131812A1 (de) | Mobilgerät zum erfassen eines textbereiches auf einem identifikationsdokument | |
DE102019132012A1 (de) | Verfahren und System zur Detektion von kleinen unklassifizierten Hindernissen auf einer Straßenoberfläche | |
DE102007038137A1 (de) | Verfahren zur Verarbeitung eines erfassten Bildes und zugehörige Bilderfassungsvorrichtung für ein Fahrerassistenzsystem | |
DE102019219927A1 (de) | Verfahren und Vorrichtung zum Erkennen einer Entfremdung einer Sensordatendomäne von einer Referenzdatendomäne | |
DE102017215051A1 (de) | Vorrichtung und Verfahren zum Reduzieren des Einflusses von Streulicht und Reflexionen auf optische Bilderkennung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06K0009620000 Ipc: G06V0030190000 |
|
R084 | Declaration of willingness to licence | ||
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings |