-
HINTERGRUND
-
Die Erkennung einer Leitplanke an einem Straßenrand ist von entscheidender Bedeutung für das hoch automatisierte Fahren. Diese Strukturen (d. h. Leitplanken) findet man entlang von Straßen in verschiedenen Ländern der Welt. Ihr Vorhandensein am Straßenrand setzt dem freien Raum, der dem Fahrzeug zur Verfügung steht, um sich seitwärts zu bewegen, eine dingliche Grenze. Daher ist es sehr wichtig, Leitplanken zu erkennen. Dieses Problem (d. h. der Leitplankenerkennung) kann mithilfe einer Kamera (z. B. einer Monokamera) gelöst werden.
-
KURZDARSTELLUNG
-
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Erzeugen eines Leitplankenmusters, umfassend:
- a. Aufnehmen eines Einzelbildes mit einer Kamera;
- b. Bestimmen, dass das Einzelbild wenigstens zwei Leitplankenstrukturen einer Leitplanke umfasst, und Nachverfolgen der Leitplankenstruktur in dem Einzelbild mit einem Ausschnittsrechteck, wobei die Leitplankenstruktur einen nicht vertikalen Abschnitt, non-vertical portion - NVP, und einen vertikalen Abschnitt, vertical portion - VP, umfasst;
- c. Verarbeiten der Informationen des Ausschnittsrechtecks, um Winkelgradientinformationen bezüglich einer der nachverfolgten Leitplankenstrukturen zu extrahieren;
- d. Gruppieren der Winkelgradientinformationen in Clustern mit einem Clustering-Verfahren, das Informationscluster bezüglich der Winkel der Komponenten des Ausschnittsrechtecks ergibt;
- e. Extrahieren von Informationen bezüglich des nicht vertikalen Abschnitts, NVP, des Ausschnittsvierecks;
- f. Wiederholen der Schritte c.-e., bis alle nachverfolgten Leitplankenstrukturen diesen Schritten unterzogen wurden; und g. Anpassen einer die NVPs der nachverfolgten Leitplankenstrukturen durchlaufenden Kurve.
-
Die Winkelgradientinformationen können extrahiert werden, indem ein Winkelgradientdeskriptor der wenigstens zwei Leitplankenstrukturen, vorzugsweise ein Deskriptor in Form eines Histogramms orientierter Gradienten, HoG, bereitgestellt wird, der Gradientenlinien des vertikalen Teils und des nicht vertikalen Teils der Einzelstruktur der Leitplanke und Informationen bezüglich der winkelmäßigen Ausrichtung des nicht vertikalen Teils gegenüber einer Bezugsbasis bereitstellt. Die Winkelgradientinformationen können extrahiert werden, indem ein View-Oriented, Distributed, Cluster-Based Approach to Parallel Computing, VODCA, durchgeführt wird.
-
Das Verfahren hat den Vorteil, dass die VODCA-Komponente zum Extrahieren der HoG-Merkmale wiederverwendet werden kann, um die Rechenhardware zu entlasten, und dass die Klassifikatorkomponente des VODCA-Frameworks wiederverwendet werden kann. Schritt g) kann ein Interpolieren einer die erkannten Leitplankenstrukturen durchlaufenden Kurve umfassen, um eine durchgehende Kurve zu erhalten, die eine Leitplanke darstellt.
-
Die Kurve kann eine die Schnittpunkte der Gradientenlinien des NVP der wenigstens zwei Leitplankenstrukturen durchlaufende Polynomkurve sein.
-
Schritt d. des vorgenannten Verfahrens kann einen Mittelwert, µ, und eine entsprechende Spanne, σ, für jeden nicht vertikalen Teil bereitstellen; und die Spanne wird verwendet, um die Anpassung der Kurve zu optimieren.
-
Schritt d. des vorgenannten Verfahrens kann ferner ein Entfernen falsch positiver Richtlinienstrukturen umfassen.
-
Es kann bestimmt werden, dass das Einzelbild zwei Leitplankenstrukturen auf getrennten Seiten einer Straße umfasst. Also werden möglicherweise zwei Kurven erzeugt.
-
Das Verfahren hat also den besonderen Vorteil, dass es in der Lage ist, mehrere Leitplanken in einem Einzelbild zu erkennen. Das Nachverfolgen der erkannten Leitplankenstrukturen wird mit einem geeigneten Tracking-Algorithmus oder -Verfahren, insbesondere einem Kalman-Filter, durchgeführt.
-
Um zu bestimmen, dass das Einzelbild zwei Leitplankenstrukturen auf getrennten Seiten einer Straße umfasst, können die Winkelinformationen der Leitplankenstrukturen berücksichtigt werden.
Das vorgenannte Verfahren kann ferner ein Warnen eines Fahrers umfassen, wenn er sich der Leitplanke nähert.
-
Dementsprechend hat das Verfahren den weiteren Vorteil, dass das offenbarte Verfahren ein Spurhaltesystem oder/und Radar unterstützen kann, um den Straßenrand (genau) zu bestimmen, da die Leitplanke stets dem Straßenrand folgt oder umgekehrt. Die Erfindung betrifft auch ein Fahrerassistenzsystem zum Erkennen einer Leitplankenstruktur, umfassend:
- a. eine Kamera, die dazu betriebsfähig ist, eine Mehrzahl von Bildern aufzunehmen;
- b. einen Prozessor, der mit der Kamera wirkverbunden ist, wobei der Prozessor dazu betriebsfähig ist, die vorstehend in dem Verfahren definierten Vorgänge durchzuführen.
-
Das Fahrerassistenzsystem kann ferner ein Radar umfassen, und der Prozessor ist dazu betriebsfähig, die durch das Radar bereitgestellten Informationen zum Erzeugen einer Leitplankenkurve zu verwenden.
-
Die Erfindung betrifft auch ein Fahrzeug, welches das vorgenannte Fahrerassistenzsystem umfasst.
-
Das Fahrzeug kann ein Pkw, ein Motorrad oder ein Lkw sein. Die Erfindung betrifft auch ein computerimplementiertes Maschinenlernverfahren zum Bereitstellen eines Verfahrens, das bestimmt, dass ein Einzelbild eine Leitplankenstruktur umfasst:
- a. Bereitstellen markierter Datensätze wenigstens eines Einzelbildes von Leitplankenstrukturen in einer Datenbank und wenigstens einer Maschine, bei der es sich um ein Lernmodell handelt;
- b. Verarbeiten des wenigstens einen Einzelbildes, um Winkelgradientinformationen bezüglich Leitplankenstrukturen der Leitplanke zu extrahieren;
- c. Verwenden der Winkelgradientinformationen, um das Lernmodell zu trainieren, ein Einzelbild als eine Leitplankenstruktur innerhalb des Einzelbildes enthaltend zu klassifizieren.
-
Das Lernmodell kann jeder/s Ansatz, Verfahren oder Modell des maschinellen Lernens sein, beispielsweise eine Support Vector Machine, SVM, oder eine Adaptive Boosting Machine, AdaBoost.
-
Schritt b. des computerimplementierten Maschinenlernverfahrens kann ein Durchführen eines View-Oriented, Distributed, Cluster-Based Approach to Parallel Computing, VODCA, umfassen.
-
Die Erfindung betrifft auch ein Computersystem, das einen Speicher und einen Prozessor umfasst, wobei der Prozessor dazu betriebsfähig ist, die Vorgänge des vorgenannten computerimplementierten Maschinenlernverfahrens durchzuführen.
-
Figurenliste
-
- 1 stellt sich wiederholende Muster innerhalb einer Leitplanke dar.
- 2 zeigt eine Einzelstruktur der Leitplanke.
- 3 zeigt Gradienten der Einzelstruktur der Leitplanke.
- 4 zeigt eine Darstellung des Merkmals eines Deskriptors in Form eines Histogramms orientierter Gradienten (HoG) einer Leitplankenstruktur.
- 5 zeigt ein Ablaufdiagramm des Trainings eines Maschinenlernalgorithmus zur Erkennung und Klassifizierung einer Leitplankenstruktur.
- 6 zeigt die in einem Ausschnittsrechteck enthaltenen Winkelinformationen.
- 7 zeigt eine auf dem Gaußschen Mischmodell beruhende Dichteverteilung für die in 6 dargestellten Winkelinformationen.
- 8 zeigt die Anpassung eines Polynoms an erkannte Leitplankenstrukturen.
- 9 betrifft ein Ablaufdiagramm für einen zweischrittigen Ansatz, umfassend: (1) die Erkennung von Leitplankenstrukturen mit einem Ansatz des maschinellen Lernens (S1-S5) und (2) Erzeugen eines Leitplankenmusters aus den erkannten Leitplankenstrukturen.
- 10 beschreibt ein erfindungsgemäßes Computersystem.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Nachfolgend wird im Einzelnen auf die vorliegende Offenbarung eingegangen, die in den beigefügten Zeichnungen beispielhaft dargestellt ist, wobei gleiche Bezugszeichen durchgängig gleiche Elemente bezeichnen. Die Aspekte der Offenbarung werden nachstehend beschrieben, um die hier inbegriffenen Lehren unter Bezugnahme auf die Figuren zu erläutern.
-
Bevor die Offenbarung im Einzelnen erläutert wird, sollte klar sein, dass die Erfindung in ihrer Anwendung nicht auf die Details der Ausführung und die Anordnung der Komponenten beschränkt ist, die in der folgenden Beschreibung dargelegt oder in den Zeichnungen dargestellt sind. Die Erfindung kann andere Ausführungsformen annehmen oder auf verschiedene Weisen praktiziert oder ausgeführt werden. Es versteht sich auch, dass die Formulierung und Terminologie, die hier verwendet werden, der Beschreibung dienen und nicht als einschränkend angesehen werden sollten. Die unbestimmten Artikel „eine/r/s“ und die bestimmten Artikel „der/die/das“ beinhalten auch den entsprechenden Plural. Die Überschriften sind lediglich eingefügt, um das Verständnis der Erfindung zu unterstützen, und sollten nicht als den Inhalt der Abschnitte gegeneinander abgrenzend ausgelegt werden.
-
Erkennung von Leitplankenstrukturen
-
Leitplanken 101 sind lineare Strukturen, die am Straßenrand der Fernstraßen sowie an anderen Arten von Straßen 102 vorhanden sind.
-
Eine Leitplankenstruktur besteht aus sich wiederholenden Mustern, die in 1 als T1, T2....T6 gezeigt sind. Dabei ist es wichtig zu verstehen, dass N derartige sich wiederholende Muster mithilfe einer Kamera (z. B. einer Monokamera) gefunden werden können.
-
Das sich wiederholende Muster einer Leitplanke, das hier als Leitplankenstruktur (z. B. T1-T6 in 1) bezeichnet wird, kann aus zwei Teilen bestehen, nämlich einem vertikalen Teil, VP, und einem nicht vertikalen Teil, NVP, die in 2 gezeigt sind.
-
Ein digitales Bild der Leitplankenstruktur kann verarbeitet werden, um den Winkelgradienten oder einen ähnlichen Merkmalsdeskriptor des Bildes bereitzustellen (wie in 3 gezeigt). Diese Deskriptoren können zur Erkennung derartiger Strukturen verwendet werden. Beispielsweise zeigt 4 die gleiche Leitplankenstruktur wie in den 2 und 3, aber visualisiert mit einem Deskriptor der Leitplankenstruktur in Form eines Histogramms orientierter Gradienten, HoG. Winkelgradientdeskriptoren (z. B. HoG, Kantenorientierungshistogramme, auf skaleninvarianter Merkmalstransformation beruhende Deskriptoren und Formkontexte) können verwendet werden, weil die durch die Winkelgradientdeskriptoren bereitgestellten Winkelinformationen das Objekt umfassend beschreiben.
-
Trainings-Maschinenlernalgorithmus zur Erkennung von Leitplankenstrukturen
-
Die vorstehend beschriebenen, bezüglich der Leitplankenstruktur bereitgestellten Winkelgradientdeskriptoren können verwendet werden, um einen Trainings-Maschinenlernalgorithmus zur Erkennung von Leitplankenstrukturen bereitzustellen. Das erhaltene trainierte Maschinenlernmodell ist in der Lage, Leitplanken und/oder Leitplankenstrukturen in einem Bild zu erkennen und zu klassifizieren.
-
Das Verfahren zum Trainieren eines Maschinenlernalgorithmus zur Erkennung von Leitplankenstrukturen ist in 5 dargestellt. Das Verfahren kann computerimplementiert sein und durch jedes geeignete Computersystem, wie etwa einen Personal Computer, einen Laptop, einen Großrechner oder jedes andere System, das wenigstens einen Prozessor und einen Speicher umfasst, durchgeführt werden. Das Trainingsverfahren und -system muss nicht Teil eines in einem Fahrzeug enthaltenen Fahrerassistenzsystems sein, das Training kann also „offline“, d. h. wenn das Verfahren oder System gerade nicht als Fahrerassistenzverfahren oder -system arbeitet, durchgeführt werden. „Online“ bezeichnet den Echtzeitbetrieb eines Fahrerassistenzverfahrens oder -systems, d. h. das Verfahren oder System versucht, Leitplankenstrukturen und/oder Leitplanken während des Fahrens eines Fahrzeugs zu erkennen.
-
Das Verfahren kann die folgenden Schritte beinhalten: Datensätze werden bereitgestellt, S501, und zwar in einer Datenbank, die Beispiele für Leitplanken und/oder Leitplankenstrukturen, d. h. wenigstens ein bekannte Leitplankenstrukturen umfassendes digitales Bild, enthält. Die Datenbank kann einzelne digitale Bilder von Leitplankenstrukturen oder Folgen von Leitplankenstrukturen abbildenden Einzelbildern (z. B. Videos) enthalten. Die Datensätze können markiert sein, um die in dem digitalen Bild abgebildete Leitplankenstruktur anzugeben und um unterschiedliche Leitplankenstrukturen anzugeben.
-
Die Datensätze können verwendet werden, um unter Verwendung der vorstehend beschriebenen Winkelgradientdeskriptoren die Winkelgradientmerkmale zu extrahieren, S502. Die Winkelgradientdeskriptoren können in ein auf überwachtem Lernen basierendes Erkennungssystem eingegeben werden. Das Erkennungssystem kann beispielsweise ein Lernmodell oder Klassifikator sein, wie etwa eine Support Vector Machine, SVM, oder eine Adaptive Boosting Machine, AdaBoost. Das Ergebnis des Verfahrens ist ein trainierter Klassifikator, S503, der in der Lage ist, eine Liste von in einem Einzelbild vorhandenen Leitplankenstrukturen bereitzustellen. Das Verfahren kann auch einen Nachverfolgungsschritt umfassen, in dem die erkannte Struktur nachverfolgt wird und der in der Lage ist, ein Begrenzungs- oder Ausschnittsrechteck um die Leitplankenstruktur herum bereitzustellen.
-
Fahrerassistenzverfahren und -system
-
Verfahren und System zum Erkennen von Leitplanken
-
Dieses/r trainierte Modell oder Klassifikator kann verwendet werden, um Leitplankenstrukturen in einem digitalen Bild online zu erkennen. Wenn das/der trainierte Modell oder Klassifikator online angewendet wird, können wenigstens zwei nachverfolgte Schutzstrukturen erkannt werden. Diese Strukturen können unter Verwendung eines Clustering-Algorithmus als richtig positive Leitplankenstrukturen validiert werden, und falsch positive erkannte Leitplankenstrukturen werden also ggf. entfernt. Ferner kann ein Clustering-Algorithmus verwendet werden, um die Verteilung der Winkel der klassifizierten Leitplankenstrukturen zu bestimmen.
-
Insbesondere kann das Verfahren oder System auch einen Schritt zum Entfernen falsch positiver Leitplankenstrukturen umfassen.
Wie nachfolgend angegeben:
Falsch positive Ergebnisse können entfernt werden, indem ein Clustering-Algorithmus angewendet wird. Der Clustering-Algorithmus kann ein Gaußsches Mischmodell (z. B. ein eindimensionales Gaußsches Mischmodell, GMM-1D) oder ein K-Means sein.
-
Dieser Schritt kann auf folgende Weise durchgeführt werden: Um falsch positive Ergebnisse zu entfernen, kann eine Plausibilitätsprüfung angewendet werden. Dies kann durch Verwenden der folgenden Verfahrensschritte erreicht werden. Es kann ein Tracker verwendet werden, um die erkannten Strukturen nachzuverfolgen. Es kann eine Leitplankenstruktur (zur Weiterverarbeitung) berücksichtigt werden. Die Track-Längen können mehr als eins betragen. Track-Länge bezeichnet die Anzahl der Vorkommen eines Objekts, das für einen gegebenen Track erkannt wurde. Im vorliegenden Fall sind diese Objekte die potenziellen Leitplankenstrukturen einer Leitplanke, d. h. die Objekte wurden noch keiner Plausibilitätsprüfung unterzogen.
Von dem Klassifikator des trainierten Maschinenlernverfahrens kann/können (ein) Begrenzungsrechteck(e) erhalten werden, das/die richtig positive Leitplankenstrukturen enthält/enthalten. Dann können aus dem Kantenbild jenes Bereichs in dem Begrenzungsrechteck (ähnlich den Rechtecken T1-T6 von 1; 6 zeigt den Inhalt eines Begrenzungsrechtecks) Richtungsgradientinformationen extrahiert werden.
Da eine Leitplankenstruktur aus einer NVP- und einer VP-Komponente besteht (vgl. 2 und 6), kann man in der Richtungsgradientbeschreibung beispielsweise eine Null-Grad- oder Nahe-Null-Grad-Kante für die VP-Komponente erhalten, wie in 6 gezeigt. Hier kann die NVP-Kantenkomponente zu Nicht-Null-Winkelgradientinformationen beitragen.
-
Richtungsgradientinformationswerte können dann einem Clustering-Algorithmus, wie vorstehend definiert, zugeführt werden. Es können also 2D-Winkelinformationen in eine zeilendominierte Matrix oder jedes geeignete Verfahren umgewandelt werden, um 1D-Daten zu erhalten. Aus der auf dem Clustering-Algorithmus, z. B. GMM, beruhenden Verteilung werden m Gauß-Kerne mit höchster Wahrscheinlichkeit zur weiteren Analyse ausgewählt. Eine der Gauß-Verteilungen kann der VP-Komponente entsprechen, und die andere bezieht sich auf die NVP-Komponente.
-
Beispielsweise wird m bestimmt, indem ein Schwellenwert, T, festgelegt wird, und es können alle über dem vorgegebenen Schwellenwert, T, liegenden Gauß-Verteilungen berücksichtigt werden.
-
Für einen beispielhaften Ausschnitt, der in
6 gezeigt ist, wird in
7 das Ergebnis des GMM-Clusterings für n = 4 (n ist die Anzahl der Gauß-Kerne) gezeigt.
Tabelle 1
Kurve Nr. | Mittel, µ | Spanne, σ |
1 | -110,76 | 35, 60 |
2 | -19,16 | 20,01 |
3 | 2,46 | 5,08 |
4 | 94,54 | 39,51 |
-
Tabelle 1 zeigt das Mittel und die Spanne für die Leitplankenstruktur, die in 7 dargestellt sind. Man beachte, dass Tabelle 1 lediglich dazu dient, die Erfindung zu veranschaulichen und zu erläutern. Aus 7 und der entsprechenden Tabelle 1 ist zu erkennen, dass der Gradient Komponenten (auch Kerne genannt) aufweist, die sich bei den Mittelwerten zentrieren, zusammen mit einer durch Sigma angegebenen Spanne. Es ist zu erkennen, dass das Fenster zwei Spitzen mit hoher Dichte enthält, nämlich c3 und c2 bei 2,46 Grad bzw. -19,16 Grad.
-
Ferner besteht eine Überlappung zwischen diesen Komponenten, sie können also als eine Komponente angesehen werden. Die beiden anderen Komponenten, d. h. c1 und c4, stellen ein Paar einer Line in der [-180, 180]-Kreisdarstellung dar. Diese beiden Komponenten gehören zu der Leitplankenstruktur und ihr Winkel kann bestimmt werden.
-
Hier kann eine Plausibilitätsprüfung angewendet werden, um (ein) falsch positive(s) Leitplankenstrukturen/Begrenzungsrechteck abzulehnen, indem beispielsweise die GMM-Verteilung geprüft wird. Einer des Mittelwerts des Kerns (von allen) muss möglicherweise 0° ±Δ betragen (wobei Δ ein vorgegebener Schwellenwert ist). Andernfalls kann das erkannte Rechteck abgelehnt werden.
-
Der gleiche Vorgang kann bezüglich jeder (durch ein Ausschnittsrechteck nachverfolgten) erkannten Leitplankenstruktur durchgeführt werden. Es kann jedoch jedes geeignete Tracking-Verfahren verwendet werden, wenn das erfindungsgemäße Verfahren durchgeführt wird (z. B. ein Kalman-Filter). Aus diesen Leitplankenstrukturen kann man NVP-Winkelinformationen, d. h. das Mittel, µ, extrahieren, wie vorstehend beschrieben. Diese Mittelwerte können relevant sein, weil die NVP-Komponente zur Kontinuität zwischen den Leitplankenstrukturen beiträgt, wie nachstehend erläutert.
-
Erzeugen eines Leitplankenmusters aus den erkannten Leitplankenstrukturen
-
Um ein Leitplankenmuster zu bestimmen, muss man eine einen Satz von Punkten durchlaufende Kurve zeichnen (d. h. jede Leitplankenstruktur trägt für diesen Zweck einen Punkt bei). Dieser Punkt kann als Schnittpunkt der NVP-Gradientenlinien in einem erkannten Rechteck erhalten werden.
-
Dann wird unter Berücksichtigung der winkelmäßigen Ausrichtung des NVP-Teils der erkannten Strukturen, insbesondere des NVP, eine (z. B. polynomische) Kurve die Leitplankenstrukturen durchlaufend angepasst.
-
Optional kann eine Kontinuitätsprüfung durchgeführt werden. Es können Winkelinformationen (d. h. µ) mit einer Spanne (d. h. σ) erhalten werden, wie vorstehend erläutert. Damit lässt sich die geplottete/gezeichnete Linie unter Berücksichtigung der Informationen bezüglich des Winkels des NVP (innerhalb von σ) der jeweiligen Leitplankenstrukturen anpassen. Es kann also eine glatte Linie 801 bereitgestellt werden, die, z. B. in einem Bild, das eine Straße 802 enthält (siehe 8), visualisiert werden kann oder für eine andere Anwendung bereitgestellt werden kann.
-
Das Zeichnen einer Kurve unter Berücksichtigung des Winkel der NVP-Komponente gewährleist die Robustheit des vorgeschlagenen Algorithmus in Szenarien, die eine Leitplanke auf beiden Seiten einer Straße umfassen. In einem derartigen Szenario kann das Fahrerassistenzsystem oder -verfahren Leitplankenstrukturen auf beiden Seiten erkennen. In diesen Szenarien ergeben das offenbarte Verfahren und System unterschiedliche NVP-Werte für die auf der linken und rechten Seite der Straße gefundenen Leitplankenstrukturen. Im Ergebnis lassen sich mit dem offenbarten Verfahren und System zwei Leitplanken gleichzeitig in einem gegebenen Einzelbild erkennen oder/und zeichnen.
-
9 gibt einen Überblick über die Schritte des offenbarten Fahrerassistenzsystems und -verfahrens.
-
Im Schritt S901 wird ein Einzelbild (d. h. ein Bild oder ein Einzelbild eines Videos) eingegeben. Der/das trainierte Maschinenlernalgorithmus oder -verfahren wird für das Einzelbild angewendet, S902, und erkennt die Leitplankenstruktur. Dann werden die Leitplankenstrukturen der Leitplanke mit einem geeigneten Tracking-Verfahren (z. B. einem Kalman-Filter) verfolgt, und es wird ein Ausschnittsrechteck zur Weiterverarbeitung bereitgestellt (extrahiert). Aus den in dem Ausschnittsrechteck enthaltenen Informationen werden Winkelinformationen bezüglich der Strukturen in dem Ausschnittsrechteck erhalten, darunter Winkelinformationen bezüglich des NVP, S903. Optional kann ein Gruppieren in Clustern erfolgen, um falsch positive Ergebnisse zu entfernen, S904. Es werden Informationen bezüglich des NVP-Winkels erhalten und bereitgestellt, S905. Eine (z. B. polynomische) Kurve kann unter Berücksichtigung der erhaltenen NVP-Winkelinformationen die jeweilige Leitplankenstruktur durchlaufend angepasst werden.
-
10 beschreibt ein Computersystem 1000 zum Durchführen des erfindungsgemäßen Verfahrens zum Erzeugen eines Leitplankenmusters. Das Computersystem umfasst eine Kamera 1002 zum Aufnehmen des Einzelbildes, das in dem Prozessor 1001 verarbeitet wird. Das System 1000 umfasst optional einen Speicher zum Speichern der erfassten und verarbeiteten Daten.
-
Das erfindungsgemäße computerimplementierte Maschinenlernverfahren kann in demselben System durchgeführt werden, aber in diesem Fall ist die Kamera 1002 optional.
-
Das erfindungsgemäße Computersystem kann ein Personal Computer, eine anwendungsspezifische integrierte Schaltung, application-specific integrated circuit - ASIC, oder ein Field Programmable Gate Array, FPGA, sein.
-
Bezugszeichenliste
-
- 101
- Leitplanke
- T1-T6
- Leitplankenstrukturen
- 102
- Straße
- S501
- markierte Datenbank für Leitplankenstrukturen bereitstellen
- S502
- Winkelgradientmerkmale extrahieren
- S503
- Klassifizierungsschritt
- 801
- gezeichnete Kurve
- 802
- Straße
- S901
- Einzelbild eingeben
- S902
- Maschinenlernalgorithmus zur Erkennung von Leitplankenstrukturen anwenden
- S903
- Winkelinformationen aus Ausschnitt extrahieren
- S904
- Clustering anwenden
- S905
- Winkelinformationen bezüglich des nicht vertikalen Abschnitts extrahieren
- S905
- unter Berücksichtigung nicht vertikaler Winkelinformationen (Polynom-)Anpassen durchführen
- 1000
- Computersystem
- 1001
- Prozessor
- 1002
- Kamera