DE102019207700A1 - Classification device for object detection in environment sensor data and methods - Google Patents
Classification device for object detection in environment sensor data and methods Download PDFInfo
- Publication number
- DE102019207700A1 DE102019207700A1 DE102019207700.5A DE102019207700A DE102019207700A1 DE 102019207700 A1 DE102019207700 A1 DE 102019207700A1 DE 102019207700 A DE102019207700 A DE 102019207700A DE 102019207700 A1 DE102019207700 A1 DE 102019207700A1
- Authority
- DE
- Germany
- Prior art keywords
- feature
- class
- sensor data
- identified
- classification device
- 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.)
- Ceased
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Abstract
Die Erfindung betrifft eine Klassifikationsvorrichtung (3, 3a) zur Objektdetektion in Umfeldsensordaten eines Fahrzeuges. Ferner betrifft die Erfindung ein Verfahren, ein Fahrerassistenzsystem und ein Computerprogramm als auch ein computerlesbares Speichermedium.The invention relates to a classification device (3, 3a) for object detection in environment sensor data of a vehicle. The invention also relates to a method, a driver assistance system and a computer program as well as a computer-readable storage medium.
Description
Die Erfindung betrifft eine Klassifikationsvorrichtung zur Objektdetektion eines Objektes in Umfeldsensordaten. Ferner betrifft die Erfindung noch ein Fahrerassistenzsystem mit einer solchen Klassifikationsvorrichtung, ein Verfahren zur Objektdetektion in Umfeldsensordaten mittels einer solchen Klassifikationsvorrichtung sowie ein Computerprogramm und ein computerlesbares Medium.The invention relates to a classification device for object detection of an object in environment sensor data. The invention also relates to a driver assistance system with such a classification device, a method for object detection in surroundings sensor data by means of such a classification device, and a computer program and a computer-readable medium.
Fahrerassistenzsysteme in Kraftfahrzeugen unterstützen den Fahrer in einer Vielzahl von unterschiedlichen Verkehrssituationen. Dabei wird eine Umgebung des Fahrzeugs mit einem geeigneten Erfassungsmittel, einer hochauflösenden Kamera oder einem Radar-System, erfasst. Aus dem erfassten Bild bzw. den erfassten Daten werden dabei entsprechende Objekte extrahiert, die zur Fahrerassistenz genutzt werden können. Entsprechende Objekterkennungsvorrichtungen ordnen hierbei erkannte Objekte mittels eines trainierten generischen Klassifikators einem Objekttyp zu. Solche Objekterkennungsvorrichtungen verwenden für gewöhnlich eine einfache Heuristik um viele unterschiedliche Objekte klassifizieren zu können. Auf der Grundlage von Klassifikationsverfahren erstellte Softwaremodule zur Klassifizierung werden als Klassifikatoren bezeichnet.Driver assistance systems in motor vehicles support the driver in a large number of different traffic situations. The surroundings of the vehicle are recorded with a suitable recording means, a high-resolution camera or a radar system. Corresponding objects that can be used for driver assistance are extracted from the captured image or the captured data. Corresponding object recognition devices assign recognized objects to an object type using a trained generic classifier. Such object recognition devices usually use a simple heuristic in order to be able to classify many different objects. Software modules for classification created on the basis of classification methods are referred to as classifiers.
Oftmals besteht das Problem, dass durch die Objekterkennungsvorrichtung die Objekte im Umfeld des Fahrzeugs nur ungenau erkannt werden können. Aufgrund nur ungenau erkannter Objekte können Fehleinschätzungen durch das Fahrerassistenzsystem entstehen, welche zu gefährlichen Fahrsituationen führen können.The problem often arises that the objects in the vicinity of the vehicle can only be recognized imprecisely by the object recognition device. As a result of only inaccurately recognized objects, incorrect assessments can arise by the driver assistance system, which can lead to dangerous driving situations.
Die
Der Erfindung liegt die Aufgabe zugrunde, Mittel zur Objektdetektion in Umfeldsensordaten mit erhöhter Leistungsfähigkeit zur Verfügung zu stellen.The invention is based on the object of providing means for object detection in environment sensor data with increased performance.
Die Aufgabe wird gelöst durch eine Klassifikationsvorrichtung mit den Merkmalen des Anspruchs 1, einem Fahrerassistenzsystem mit den Merkmalen des Anspruchs 12 und ein Verfahren mit den Merkmalen des Anspruchs 13. Ferner wird die Aufgabe gelöst durch die Angabe eines Computerprogramms mit den Merkmalen des Anspruchs 14 und ein computerlesbares Medium mit den Merkmalen des Anspruchs 15.The object is achieved by a classification device with the features of
In den Unteransprüchen sind weitere vorteilhafte Maßnahmen aufgelistet, die beliebig geeignet miteinander kombiniert werden können, um weitere Vorteile zu erzielen.The subclaims list further advantageous measures that can be combined with one another in any suitable manner in order to achieve further advantages.
Die Aufgabe wird gelöst durch eine Klassifikationsvorrichtung zur Objektdetektion eines Objektes in Umfeldsensordaten eines Fahrzeugs umfassend:
- ein Sensorsystem zur Bereitstellung von Umfeldsensordaten von einem Umfeld eines Fahrzeugs,
- einen Kaskadenklassifikator mit einer vorgegebenen Anzahl von hierarchisch aufeinander aufbauenden Hierarchieebenen, wobei in jeder Hierarchieebene zumindest eine Merkmalsklasse mit Referenzmerkmalen vorgesehen ist,
- wobei zumindest ein Referenzmerkmal einer jeweils höheren Hierarchieebene mit einer vorbestimmten Merkmalsklasse, welche auf einer, der höheren Hierarchieebene hierarchisch nachfolgenden unteren Hierarchieebene angeordnet ist, verknüpft ist,
- wobei die verknüpfte Merkmalsklasse auf der unteren Hierarchieebene als Referenzmerkmale die Unterreferenzmerkmale des Referenzmerkmals auf der höheren Hierarchieebene umfasst,
- eine Detektionseinheit, welche dazu ausgebildet ist, die zumindest eine Merkmalsklasse der ersten Hierarchieebene als identifiziert anzunehmen und welche ferner dazu ausgebildet ist, die Umfeldsensordaten mit den, durch eine identifizierte Merkmalsklasse vorgegebenen Referenzmerkmale zu vergleichen und bei einem positiven Vergleich, das jeweils positiv verglichene Referenzmerkmal sowie die, mit dem positiv verglichenen Referenzmerkmal verknüpfte Merkmalsklasse als identifiziert anzunehmen und
- jedes nicht identifizierte Referenzmerkmal als auch die zu dem nicht identifizierten Referenzmerkmal verknüpfte Merkmalsklasse zu verwerfen.
- a sensor system for providing environment sensor data from the environment of a vehicle,
- a cascade classifier with a predetermined number of hierarchical levels building on one another, with at least one feature class with reference features being provided in each hierarchy level,
- wherein at least one reference feature of a higher hierarchical level is linked to a predetermined feature class which is arranged on a lower hierarchical level that follows the higher hierarchical level,
- wherein the linked feature class on the lower hierarchical level comprises, as reference features, the sub-reference features of the reference feature on the higher hierarchical level,
- a detection unit which is designed to accept the at least one feature class of the first hierarchical level as identified and which is also designed to compare the environment sensor data with the reference features specified by an identified feature class and, in the case of a positive comparison, the respectively positively compared reference feature and to accept the feature class linked to the positively compared reference feature as identified and
- discard each unidentified reference feature as well as the feature class linked to the unidentified reference feature.
Hierarchisch aufeinander aufbauend bedeutet hierbei, dass die Merkmalsklassen in verschiedenen Hierarchieebenen, welche hier mit 01, ..., 0N, bezeichnet werden, liegen.Hierarchically building on one another means here that the feature classes are in different hierarchical levels, which are designated here with 01, ..., 0N.
Sensordaten sind hierbei bearbeitbare Sensorsignale, welche mit einem Sensorsystem erzeugt werden. Ein Sensorsystem umfasst ein oder mehrere Sensoren, welche auch unterschiedlicher Bauart sein können, beispielsweise Lidar-/ Radarsensoren, Kamerasensoren etc.Sensor data are processable sensor signals that are generated with a sensor system. A sensor system comprises one or more sensors, which can also be of different types, for example lidar / radar sensors, camera sensors, etc.
Umfeldsensordaten eines Fahrzeugs sind Sensordaten, welche vorzugsweise durch am oder im Fahrzeug angeordnete Sensoren erzeugt werden. Alternativ oder zusätzlich können diese auch durch externe nicht am Fahrzeug angeordnete Sensoren erzeugt werden.Environment sensor data of a vehicle are sensor data which are preferably generated by sensors arranged on or in the vehicle. Alternatively or additionally, these can also be generated by external sensors that are not arranged on the vehicle.
Ein Unterreferenzmerkmal ist eine Verfeinerung/ Detaillierung des jeweiligen Referenzmerkmals; so sind beispielsweise „Metall“, „Holz“, „Stoff“ Unterreferenzmerkmale zu „Material“.A sub-reference feature is a refinement / detailing of the respective reference feature; for example, “metal”, “wood”, “fabric” are sub-reference characteristics to “material”.
Dabei heißt verworfen, dass die Detektionseinheit ein nicht identifiziertes Referenzmerkmal als auch, bei Vorhandensein, die zu dem nicht identifizierten Referenzmerkmal verknüpfte Merkmalsklasse nicht mehr berücksichtigt bzw. nicht mehr weiterverfolgt.In this context, rejected means that the detection unit no longer takes into account or no longer follows up an unidentified reference feature and, if present, the feature class linked to the unidentified reference feature.
Dabei bedeutet positiver Vergleich, dass ein Annahmeschwellenwert vorgesehen ist und bei einem vorgegebenen Annahmeschwellenwert, das Referenzmerkmal in den Umfeldsensordaten als erkannt vorliegt. Dieser Annahmeschwellenwert kann eine Wahrscheinlichkeit sein. Wird der Annahmeschwellenwert beispielsweise bei 80% festgesetzt, so muss mit 80% Wahrscheinlichkeit das Referenzmerkmal in den Umfeldsensordaten als erkannt gelten, um einen positiven Vergleich zu erlangen. Auch andere Annahmeschwellenwerte sind jedoch möglich.In this context, a positive comparison means that an acceptance threshold value is provided and, given a predefined acceptance threshold value, the reference feature is present as recognized in the surroundings sensor data. This acceptance threshold can be a probability. If the acceptance threshold value is set at 80%, for example, then the reference feature in the environment sensor data must be considered recognized with an 80% probability in order to obtain a positive comparison. However, other acceptance thresholds are also possible.
Durch die hier vorgestellte Klassifikationsvorrichtung sind detektierte Objekte in Umfeldsensordaten nicht mehr lediglich durch einen generischen Klassifikator, sondern durch den erfindungsgemäßen hierarchischen Kaskadenklassifikator klassifizierbar. Dies ermöglicht eine schnellere Detektion von Objekten und auch eine Detektion von nur schwer erkennbaren Objekten.
Durch das kaskadieren, insbesondere durch das Verwerfen von Referenzmerkmalen auf allen Hierarchieebenen kann die Klassifikationsvorrichtung eine verbesserte Entscheidung treffen und dabei Ressourcen schonen.As a result of the classification device presented here, detected objects in environment sensor data can no longer be classified only by a generic classifier, but by the hierarchical cascade classifier according to the invention. This enables faster detection of objects and also the detection of objects that are difficult to recognize.
By cascading, in particular by discarding reference features on all hierarchical levels, the classification device can make an improved decision while conserving resources.
Dabei untersucht die Detektionseinheit vorzugsweise nur diejenigen Umfeldsensordaten in denen die zuvor identifizierten Referenzmerkmale liegen. Somit werden Berechnungsergebnisse von einer Hierarchieebene zur nächsten weitergegeben. Dadurch werden Ressourcen gespart. Zudem kann hierdurch ein schnellerer und genauerer Vergleich getroffen werden.The detection unit preferably only examines those environment sensor data in which the previously identified reference features are located. Thus, calculation results are passed on from one hierarchical level to the next. This saves resources. In addition, a faster and more accurate comparison can be made.
Vorzugsweise ist die Detektionseinheit dazu ausgelegt, den Vergleich der Umfeldsensordaten mit den, durch die identifizierte Merkmalsklasse, vorgegebenen Referenzmerkmale mit einem Verfahren aus der künstlichen Intelligenz durchzuführen. Vorzugsweise ist das Verfahren ein Verfahren des Maschinellen Lernens, insbesondere ein künstliches neuronales Netz. Insbesondere kann durch ein solches Verfahren die Auswertung in Echtzeit erfolgen, sodass das Fahrerassistenzsystem bzw. das Fahrzeug schnell auf die jeweiligen Erkenntnisse reagieren kann. Durch die Verwendung eines solchen Verfahrens können große Datenmenge einfach verarbeitet und komplexe Zusammenhänge erfasst werden.The detection unit is preferably designed to carry out the comparison of the environment sensor data with the reference features specified by the identified feature class using a method from artificial intelligence. The method is preferably a machine learning method, in particular an artificial neural network. In particular, the evaluation can take place in real time using such a method, so that the driver assistance system or the vehicle can react quickly to the respective findings. By using such a method, large amounts of data can be processed easily and complex relationships can be recorded.
Ferner ist eine Verfahrensdatenbank vorgesehen, wobei die Detektionseinheit dazu ausgelegt ist, das Verfahren in Abhängigkeit von den, durch die identifizierten Merkmalsklassen, vorgegebenen Referenzmerkmale und/oder in Abhängigkeit von den identifizierten Merkmalsklassen aus der Verfahrensdatenbank auszuwählen.A method database is also provided, the detection unit being designed to select the method from the method database as a function of the reference features specified by the identified feature classes and / or as a function of the identified feature classes.
Dabei kann das Verfahren an den Schwierigkeitsgrad oder der Art des Vergleiches der Umfeldsensordaten mit den Referenzmerkmalen angepasst werden. Abhängig von der identifizierten Merkmalsklasse wird jetzt der beste oder die besten Algorithmen für den Vergleich automatisch ausgewählt. Dadurch werden nur die Algorithmen aktiviert, die wirklich grade benötigt werden. Somit wird die benötigte Laufzeit zur Erkennung eines Objektes erheblich reduziert.The method can be adapted to the degree of difficulty or the type of comparison of the environment sensor data with the reference features. Depending on the identified feature class, the best or the best algorithms are now automatically selected for the comparison. This means that only the algorithms that are really needed are activated. This significantly reduces the runtime required to detect an object.
Vorzugsweise ist das Sensorsystem zum Aufnehmen eines Innenraums eines Fahrzeugs ausgestaltet, so dass die Umfeldsensordaten Innenraumsensordaten sind. Dadurch können Objekte im Innenraum eines Fahrzeugs erkannt werden.The sensor system is preferably designed to record an interior of a vehicle, so that the environment sensor data are interior sensor data. This allows objects in the interior of a vehicle to be recognized.
Vorzugsweise umfassen die Referenzmerkmale statische und/oder dynamische Eigenschaften und/oder Beschaffenheiten von Objekten. Die Referenzmerkmale sind dahingehend ausgelegt, dass sie zur Beschreibung eines Objektes geeignet sind. Ferner sind sie dazu ausgelegt, sich in Umfeldsensordaten detektieren zu lassen.The reference features preferably include static and / or dynamic properties and / or properties of objects. The reference features are designed in such a way that they are suitable for describing an object. They are also designed to be detected in environment sensor data.
In weiterer vorteilhafter Ausgestaltung ist eine Aktionsdatenbank vorgesehen, welche dazu ausgelegt ist, in Abhängigkeit von den identifizierten Referenzmerkmalen ein Aktionssignal auszugeben. Dadurch können der Fahrer bzw. die Insassen eines Fahrzeugs auf Objekte hingewiesen werden, welche eine Gefährdung des Fahrers bzw. der Insassen des Fahrzeugs darstellen.In a further advantageous embodiment, an action database is provided which is designed to output an action signal as a function of the identified reference features. As a result, the driver or the occupants of a vehicle can be made aware of objects which represent a risk to the driver or the occupants of the vehicle.
In bevorzugter Ausgestaltung ist eine Objektdatenbank mit Objekten vorgegeben, wobei die Klassifikationsvorrichtung dazu ausgebildet ist, mittels der identifizierten Referenzmerkmale ein Objekt in der Objektdatenbank als detektiertes Objekt zu bestimmen. Dazu sind dem Objekt Objektmerkmale in der Objektdatenbank zugeordnet. Die als positiv identifizierten Referenzmerkmale werden zusammengefasst und mit den, zu dem Objekt gehörenden Objektmerkmalen in der Objektdatenbank verglichen. Dadurch werden die positiv identifizierten Referenzmerkmale auf ein Objekt abgebildet und das Objekt gilt, bei genügend hoher Übereinstimmung, als in den Umfeldsensordaten detektiert. Dem Objekt ist vorzugsweise eine Gefahrenstufe zugewiesen, d.h. jedes Objekt ist mit einer Gefahrenstufe in der Objektdatenbank hinterlegt. Vorzugsweise ist eine Aktionsdatenbank vorgesehen, welche dazu ausgelegt ist, in Abhängigkeit von dem detektierten Objekt ein Aktionssignal auszugeben.In a preferred embodiment, an object database with objects is specified, the classification device being designed to use the identified reference features to determine an object in the object database as the detected object. For this purpose, object features are assigned to the object in the object database. The reference features identified as positive are summarized and compared with the object features belonging to the object in the object database. As a result, the positively identified reference features are mapped onto an object and the object is deemed to have been detected in the surroundings sensor data if there is a sufficiently high degree of correspondence. A danger level is preferably assigned to the object, ie each object is stored with a danger level in the object database. An action database is preferably provided which is designed to output an action signal as a function of the detected object.
Bevorzugt ist ein Annahmeschwellenwert vorgesehen, wobei die Detektionseinheit dazu ausgelegt ist, den Vergleich in Abhängigkeit von einem vorgegebenen Annahmeschwellenwert als positiv einzustufen. Vorzugsweise gibt der Annahmeschwellenwert die Wahrscheinlichkeit an, mit welcher das Referenzmerkmal in den Umfeldsensordaten als durch die Detektionseinheit erkannt vorliegt. Der Annahmeschwellenwert kann vorab in der Detektionseinheit hinterlegt sein. Dadurch lässt sich einfach ermitteln, ob ein positiver Vergleich zwischen Umfeldsensordaten und Referenzmerkmalen vorliegt.An acceptance threshold value is preferably provided, the detection unit being designed to classify the comparison as positive as a function of a predefined acceptance threshold value. The acceptance threshold value preferably indicates the probability with which the reference feature is present in the surroundings sensor data as being recognized by the detection unit. The acceptance threshold value can be stored in the detection unit in advance. This makes it easy to determine whether there is a positive comparison between the environment sensor data and reference features.
Ferner wird die Aufgabe gelöst durch ein Fahrerassistenzsystem mit einer wie oben beschriebenen Klassifikationsvorrichtung, wobei das Fahrerassistenzsystem ein Head-Up-Display, eine Anzeigeeinheit und/oder akustische Informationseinheit aufweist. Somit können beispielsweise die durch die Klassifikationsvorrichtung generierten Aktionssignale als Warnung angezeigt werden. Die Warnung ist beispielsweise visuell oder akustisch wahrnehmbar. Die akustische Informationseinheit ist beispielsweise eine Lautsprechereinheit oder eine Sprachausgabeeinheit. Ferner können anhand der detektierten Objekte, beispielsweise im Innenraum des Fahrzeugs, die Funktionen, die nicht sicherheitsrelevant sind abgeschaltet werden, um sicherheitsrelevante Funktionen bevorzugt auszuführen. Dabei kann die Entscheidung, ob eine Funktion sicherheitsrelevant ist oder nicht sicherheitsrelevant ist, vom Fahrerassistenzsystem anhand der detektierten Objekte getroffen werden.The object is also achieved by a driver assistance system with a classification device as described above, the driver assistance system having a head-up display, a display unit and / or an acoustic information unit. Thus, for example, the action signals generated by the classification device can be displayed as a warning. The warning can be perceived visually or acoustically, for example. The acoustic information unit is, for example, a loudspeaker unit or a voice output unit. Furthermore, on the basis of the detected objects, for example in the interior of the vehicle, the functions that are not safety-relevant can be switched off in order to preferably carry out safety-relevant functions. The decision as to whether a function is safety-relevant or not safety-relevant can be made by the driver assistance system on the basis of the detected objects.
Die Aufgabe wird ferner gelöst durch die Angabe eines Verfahrens zur Objektdetektion eines Objektes in Umfeldsensordaten eines Fahrzeugs, umfassend der Schritte:
- - Bereitstellen von Umfeldsensordaten von einem Umfeld eines Fahrzeugs durch ein Sensorsystem,
- - Bereitstellen eines Kaskadenklassifikators mit einer vorgegebenen Anzahl von hierarchisch aufeinander aufbauenden Hierarchieebenen, wobei in jeder Hierarchieebene zumindest eine Merkmalsklasse mit Referenzmerkmalen, vorgesehen ist, wobei zumindest ein Referenzmerkmal einer jeweils höheren Hierarchieebene mit einer vorbestimmten Merkmalsklasse, welche auf einer, der höheren Hierarchieebene hierarchisch nachfolgenden unteren Hierarchieebene angeordnet ist, verknüpft ist, wobei die verknüpfte Merkmalsklasse auf der unteren Hierarchieebene als Referenzmerkmale die Unterreferenzmerkmale des Referenzmerkmals auf der höheren Hierarchieebene umfasst,
- - Annehmen der zumindest einen Merkmalsklasse der ersten Hierarchieebene als identifiziert durch eine Detektionseinheit,
- - Vergleichen der Umfeldsensordaten mit den, durch eine identifizierte Merkmalsklasse vorgegebenen Referenzmerkmalen durch die Detektionseinheit,
- - Annahme bei einem positiven Vergleich, das jeweils positiv verglichene Referenzmerkmal sowie der, mit dem positiv verglichenen Referenzmerkmal verknüpften Merkmalsklasse als identifiziert,
- - Verwerfen eines jeweils nicht identifizierten Referenzmerkmales als auch der, zu dem nicht identifizierten Referenzmerkmal verknüpften Merkmalsklasse.
- - Provision of environment sensor data from the environment of a vehicle by a sensor system,
- - Provision of a cascade classifier with a predetermined number of hierarchically building up hierarchical levels, with at least one feature class with reference features being provided in each hierarchy level, with at least one reference feature of a respective higher hierarchy level with a predetermined feature class, which is on a hierarchically following lower hierarchy level Hierarchical level is arranged, is linked, the linked feature class on the lower hierarchical level as reference features comprising the sub-reference features of the reference feature on the higher hierarchical level,
- - Accepting the at least one feature class of the first hierarchical level as identified by a detection unit,
- - Comparison of the surroundings sensor data with the reference features specified by an identified feature class by the detection unit,
- - Assumption in the case of a positive comparison that the respective positively compared reference feature as well as the feature class linked to the positively compared reference feature are identified,
- Discarding a respectively unidentified reference feature and also the feature class linked to the unidentified reference feature.
Die Vorteile der Klassifikationsvorrichtung können auch auf das Verfahren übertragen werden.The advantages of the classification device can also be transferred to the method.
Weiterhin wird die Aufgabe gelöst durch ein Computerprogramm, umfassend Befehle, die bewirken, dass die wie oben beschriebene Klassifikationsvorrichtung das wie oben beschriebene Verfahren durchführt. Dadurch kann das Verfahren auch noch nachträglich vereinfacht in Fahrzeuge mit einem dafür ausgelegten Fahrerassistenzsystem installiert werden.Furthermore, the object is achieved by a computer program comprising commands which cause the classification device as described above to carry out the method as described above. As a result, the method can also be installed subsequently in a simplified manner in vehicles with a driver assistance system designed for this purpose.
Ferner wird die Aufgabe gelöst durch ein computerlesbares Medium, auf dem das wie oben beschriebene Computerprogramm gespeichert ist. Dadurch lässt sich das Computerprogramm einfach in Fahrzeuge installieren oder updaten.The object is also achieved by a computer-readable medium on which the computer program as described above is stored. This makes it easy to install or update the computer program in vehicles.
Weitere Merkmale, Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Darin zeigen schematisch:
-
1 : ein Fahrerassistenzsystem gemäß der Erfindung, -
2 : eine erste Ausgestaltung einer erfindungsgemäßen Klassifikationsvorrichtung, -
3 : eine erfindungsgemäße Verfahrensdatenbank für die Klassifikationsvorrichtung, -
4 : eine zweite Ausgestaltung einer erfindungsgemäßen Klassifikationsvorrichtung, -
5 : eine Ausgestaltung eines erfindungsgemäßen Verfahrens.
-
1 : a driver assistance system according to the invention, -
2 : a first embodiment of a classification device according to the invention, -
3 : a method database according to the invention for the classification device, -
4th : a second embodiment of a classification device according to the invention, -
5 : an embodiment of a method according to the invention.
Obwohl die Erfindung im Detail durch die bevorzugten Ausführungsbeispiele näher illustriert und beschrieben wurde, ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt. Variationen hiervon können vom Fachmann abgeleitet werden, ohne den Schutzumfang der Erfindung, wie er durch die nachfolgenden Patentansprüche definiert wird, zu verlassen.Although the invention has been illustrated and described in detail by the preferred exemplary embodiments, the invention is not restricted by the examples disclosed. Variations on this can be derived by the person skilled in the art without departing from the scope of protection of the invention as defined by the following patent claims.
Das Sensorsystem
Die Klassifikationsvorrichtung
Hierarchieebenen
Referenzmerkmale können z. B. sein: die Beschaffenheit oder Eigenschaften von Gegenständen und/oder Menschen und /oder Tieren etc., welche geeignet sind, in den Umfeldsensordaten detektiert zu werden und den Gegenstand/Mensch/Tier zu beschreiben, wie beispielsweise: Material, Haut, Volumen, Länge, Gewicht.Reference features can e.g. B. be: the nature or properties of objects and / or people and / or animals etc. which are suitable to be detected in the environment sensor data and to describe the object / person / animal, such as: material, skin, volume, Length, weight.
Ferner können den Referenzmerkmalen noch verschiedene Gefahrenstufen zugeordnet werden. So kann beispielsweise der Eigenschaft „Metall“ eine höhere Gefahrenstufe als „Stoff“ zugeordnet werden. Die Referenzmerkmale können ebenfalls in Form von Regeln zur Identifizierung von Objekten vorliegen, wobei die Regeln hier ebenfalls als Referenzmerkmale bezeichnet werden.Furthermore, different levels of danger can be assigned to the reference features. For example, the property “metal” can be assigned a higher hazard level than “substance”. The reference features can also be in the form of rules for identifying objects, the rules also being referred to here as reference features.
Ferner umfasst die Klassifikationsvorrichtung
Nach Durchlaufen des Kaskadenklassifikators
Dadurch wird das Objekt detektiert. Anhand des detektierten Objektes durch die Klassifikationsvorrichtung
So kann beispielsweise bei Erkennen eines metallischen spitzen Gegenstandes im Fahrzeuginnenraum ein Warnsignal auf dem Head-Up-Display
Die Detektionseinheit
Die verschiedenen Verfahren sind vorzugsweise Verfahren aus der künstlichen Intelligenz.The
The various methods are preferably methods from artificial intelligence.
Dabei bedeutet positiver Vergleich, dass bei einem vorgegebenen Annahmeschwellenwert, das Referenzmerkmal in den Umfeldsensordaten als erkannt vorliegt. Dieser Annahmeschwellenwert kann eine Wahrscheinlichkeit sein. Wird dieser bei 80% festgesetzt, so muss beispielsweise mit 80% Wahrscheinlichkeit das Referenzmerkmal in den Umfeldsensordaten als erkannt gelten, um einen positiven Vergleich zu erlangen. Der Annahmeschwellenwert ist vorzugsweise in der Detektionseinheit
Die Klassifikationsvorrichtung
Die Klassifikationsvorrichtung
Jede der Merkmalsklassen umfasst dabei vorgegebene Referenzmerkmale. Dabei sind Referenzmerkmale auch Regeln, die zur Erkennung eines Objektes führen können. Diese werden ebenfalls als Referenzmerkmale bezeichnet. Die Referenzmerkmale sind für jede der Merkmalsklassen dabei vorzugsweise unterschiedlich.Each of the feature classes includes predetermined reference features. Reference features are also rules that can lead to the recognition of an object. These are also referred to as reference features. The reference features are preferably different for each of the feature classes.
In der ersten Hierarchieebene
Die Referenzmerkmale der Merkmalsklasse „Class_Object_Basismerkmale“ auf der ersten Hierarchieebene
Das Referenzmerkmal „Material“ wird beispielsweise auf der ersten Hierarchieebene
Das Referenzmerkmal „Größe“ wird auf der ersten Hierarchieebene
Ferner wird beispielsweise das Referenzmerkmal „Geschwindigkeit“ auf der ersten Hierarchieebene
Für die anderen angegebenen Referenzmerkmale in der Merkmalsklasse der ersten Hierarchieebene
Ferner umfasst die Klassifikationsvorrichtung
Die Detektionseinheit
Bei einem positiven Vergleich wird das positiv verglichene Referenzmerkmal auf der jeweiligen Hierarchieebene sowie die mit dem positiv verglichenen Referenzmerkmal verknüpfte Merkmalsklasse auf der der jeweiligen Hierarchieebene nachfolgenden unteren Hierarchieebene als identifiziert angenommen.In the event of a positive comparison, the positively compared reference feature is linked to the respective hierarchical level as well as the one linked to the positively compared reference feature Characteristic class assumed to be identified on the lower hierarchical level following the respective hierarchical level.
Dabei bedeutet positiver Vergleich, dass bei einem vorgegebenen Annahmeschwellenwert, das Referenzmerkmal in den Umfeldsensordaten als erkannt vorliegt. Dieser Annahmeschwellenwert ist vorzugsweise als Wahrscheinlichkeitswert ausgebildet. Wird dieser bei 80% festgesetzt, so muss beispielsweise mit 80% Wahrscheinlichkeit das Referenzmerkmal in den Umfeldsensordaten als erkannt gelten, um einen positiven Vergleich zu erlangen.In this context, a positive comparison means that, given a predetermined acceptance threshold value, the reference feature is present as recognized in the environment sensor data. This acceptance threshold is preferably designed as a probability value. If this is set at 80%, then, for example, the reference feature in the environment sensor data must be recognized with 80% probability in order to achieve a positive comparison.
In diesem Beispiel wird angenommen, dass die Detektionseinheit
In diesem Beispiel wurden daher die Referenzmerkmale „Material“ und „Größe“ in den Umfeldsensordaten durch die Detektionseinheit
Damit gelten die Referenzmerkmale „Material“ und „Größe“ auf der ersten Hierarchieebene
Die nicht identifizierten Referenzmerkmale als auch, falls vorhanden, die zu dem jeweiligen nicht identifizierten Referenzmerkmal verknüpfte Merkmalsklasse wird verworfen.The unidentified reference features and, if present, the feature class linked to the respective unidentified reference feature are discarded.
In diesem Beispiel bedeutet dies, dass bei einem Vergleich des Referenzmerkmals „Geschwindigkeit“ auf der Hierarchieebene
Ebenso werden die Referenzmerkmale „Geschwindigkeit“, „Orientierung“, „Gewicht“ etc. auf der Hierarchieebene
Die Detektionseinheit
Die Merkmalsklasse „Class_Object_Größe“ umfasst die Referenzmerkmale „Volumen“ und „Flächig“. In diesem Beispiel wird das Referenzmerkmal „Volumen“ als in den Umfeldsensordaten vorliegend erkannt, d. h., es liegt ein positiver Vergleich vor.The feature class "Class_Object_Size" includes the reference features "Volume" and "Area". In this example, the reference feature “volume” is recognized as being present in the surroundings sensor data, i. i.e. there is a positive comparison.
Damit gilt das Referenzmerkmal „Volumen“ als auch die mit dem Referenzmerkmal „Volumen“ verbundene Merkmalsklasse „Class_Object_Volumen“ der nächst unteren dritten Hierarchieebene
In diesem Beispiel wird das Referenzmerkmal „Flächig“ nicht in den Umfeldsensordaten erkannt. Das Referenzmerkmal „Flächig“ sowie eine zu diesem Referenzmerkmal gehörende mögliche Merkmalsklasse auf der nächst unteren dritten Hierarchieebene
In diesem Beispiel umfasst die Merkmalsklasse „Class_Object_Material“ auf der zweiten Hierarchieebene
Die Referenzmerkmale „Holz“ und „Sonstiges“ werden in diesem Beispiel nicht durch die Detektionseinheit
Die Detektionseinheit
Dabei umfasst die Merkmalsklasse „Class_Object_Volumen“ die Referenzmerkmale „X ≤ 10cm, Y ≤ 10cm, Z ≤ 10cm“ und „X > 10cm; Y > 10cm, Z > 10cm“.The feature class "Class_Object_Volumen" includes the reference features "X ≤ 10cm, Y ≤ 10cm, Z ≤ 10cm" and "X> 10cm; Y> 10cm, Z> 10cm ".
Dabei wird das Referenzmerkmal „X≤10cm, Y≤10cm, Z≤10cm“ durch die Detektionseinheit
In diesem Fall liegt keine weitere Verknüpfung des Referenzmerkmals „X ≤ 10cm, Y≤ 10cm , Z ≤ 10cm“ mit einer Merkmalsklasse auf der nächst unteren vierten Hierarchieebene
In diesem Beispiel wird das Referenzmerkmal „X > 10cm; Y > 10cm, Z > 10cm“ nicht in den Umfeldsensordaten durch die Detektionseinheit
Ferner umfasst die Merkmalsklasse „Class_Object_Haut“ auf der dritten Hierarchieebene
Dabei wird das Referenzmerkmal „Leder“ als in den Umfeldsensordaten vorliegend erkannt, d. h., es liegt ein positiver Vergleich vor. Damit gilt das Referenzmerkmal „Leder“ als auch die mit dem Referenzmerkmal verbundene Merkmalsklasse „Class_ Object_Leder“ der nächst unteren vierten Hierarchieebene
Das Referenzmerkmal „Tierfell“ wurde lediglich mit einem Annahmeschwellenwert von 5% erkannt und liegt somit unter den für einen positiven Vergleich geforderten 80 %. Damit wird das Referenzmerkmal „Tierfell“ und eine mögliche zu dem Referenzmerkmal gehörende Merkmalsklasse auf der vierten Hierarchieebene
Das Referenzmerkmal „Menschlich“ wurde lediglich mit einem Annahmeschwellenwert von 10% erkannt und liegt somit unter den für einen positiven Vergleich geforderten 80 %. Damit wird das Referenzmerkmal „Menschlich“ und eine mögliche zu dem Referenzmerkmal gehörende Merkmalsklasse auf der nächst unteren Hierarchieebene
Die Detektionseinheit
Dabei wird das Referenzmerkmal „Glattleder“ mit einem Wahrscheinlichkeitswert von 80 % als in den Umfeldsensordaten vorliegend erkannt, d. h., es liegt ein positiver Vergleich vor. Damit gilt das Referenzmerkmal „Glattleder“ als identifiziert. In diesem Fall liegt keine weitere Verknüpfung des Referenzmerkmals „Glattleder“ mit einer Merkmalsklasse auf der nächst unteren Hierarchieebene vor. Das Referenzmerkmal „Autoleder“ wurde lediglich mit einem Wahrscheinlichkeitswert von 15% erkannt und liegt somit unter den für einen positiven Vergleich geforderten 80 %. Damit wird das Referenzmerkmal „Autoleder“ und eine mögliche, zu diesem Referenzmerkmal gehörende Merkmalsklasse auf der nächst unteren Hierarchieebene verworfen.The reference characteristic “smooth leather” is recognized as being present in the environment sensor data with a probability value of 80%, i.e. i.e. there is a positive comparison. The reference characteristic “smooth leather” is therefore considered identified. In this case, there is no further link between the reference characteristic “smooth leather” and a characteristic class on the next lower hierarchical level. The reference characteristic “car leather” was only recognized with a probability value of 15% and is therefore below the 80% required for a positive comparison. This means that the reference characteristic “car leather” and a possible characteristic class belonging to this reference characteristic are discarded on the next lower hierarchical level.
Nach Durchlaufen des Kaskadenklassifikators
Die Referenzmerkmale können hierzu in einer Gefahrenstufendatenbank mit den einzelnen Gefahrenstufen verknüpft sein.For this purpose, the reference features can be linked to the individual hazard levels in a hazard level database.
Anhand der positiv identifizierten Referenzmerkmale kann eine Aktion vorzugsweise in Form eines Aktionssignals, welche in einer Aktionsdatenbank hinterlegt ist, ausgegeben werden. Das Aktionssignal kann beispielsweise an das Fahrerassistenzsystem
In diesem Beispiel wurden die Referenzmerkmale: „Glattleder (Leder, Haut, Material), X ≤ 10cm, Y ≤ 10cm, Z ≤ 10cm (Größe, Volumen)“ als positiv identifiziert und können beispielsweise auf einem Head-Up-Display
Durch den erfindungsgemäßen Kaskadenklassifikator
Da die positiven Referenzmerkmale immer der nachfolgenden Hierarchieebene an die damit verbundene Merkmalsklasse übergeben werden, steigt die Genauigkeit der Referenzmerkmale in Abhängigkeit von Hierarchieebene zu Hierarchieebene an und somit auch die Genauigkeit hinsichtlich des zu detektierenden Objektes.Since the positive reference features are always transferred to the subsequent hierarchy level to the associated feature class, the accuracy of the reference features increases as a function of hierarchy level to hierarchy level and thus also the accuracy with regard to the object to be detected.
Ferner umfasst der Kaskadenklassifikator
Hier sind die einzelnen Merkmalsklassen auf den unterschiedlichen Hierarchieebenen jeweils mit zumindest einem vorgegebenen Verfahren verknüpft.Here, the individual feature classes on the different hierarchical levels are each linked with at least one specified method.
Dabei wird der Merkmalsklasse „Class_Object_Basismerkmale“ auf der obersten Hierarchieebene
Bei dem Abstandsklassifikator in der „Class_Object_Basismerkmale“ werden die Referenzmerkmale mit dem Umfeldsensordaten verglichen, in dem der Abstand dieser Umfeldsensordaten zu dem Referenzmerkmal bestimmt wird.In the case of the distance classifier in the “Class_Object_Basismerkmale”, the reference features are compared with the environment sensor data, in which the distance between this environment sensor data and the reference feature is determined.
In der „Class_Objekt_Haut“ kann hingegen ein Künstliches Neuronales Netz zum Einsatz kommen, da die Erkennung von Haut aufgrund der Vielzahl von unterschiedlichen Hauttypen und Möglichkeiten hochkomplex ist.In the "Class_Object_Haut", however, an artificial neural network can be used, since the recognition of skin is highly complex due to the multitude of different skin types and possibilities.
Auch können Musteranalyseverfahren oder Maximum-Likelihood-Verfahren oder Kreuzvalidierung oder andere Verfahren genutzt werden.Pattern analysis methods or maximum likelihood methods or cross validation or other methods can also be used.
Die einzelnen Verfahren werden zum Vergleich der Referenzmerkmale mit den Umfeldsensordaten herangezogen. Die Ergebnisse dieses Vergleiches kann anschließend von einer Hierarchieebene auf die nächst untere Hierarchieebene übertragen werden und dort verwertet werden. Durch die Verknüpfung von verschiedenen Verfahren mit den einzelnen Merkmalsklassen kann eine schnellere und genauere Detektion des Objektes stattfinden. Dadurch kann eine Verbesserung des Ergebnisses erzielt werden. Ferner kann der verwendete Algorithmus auf die Komplexität der Aufgabe, d. h. hier das Erkennen der Referenzmerkmale in den Umfeldsensordaten abgestimmt werden. Dies führt zu einem schnelleren Verfahren.The individual methods are used to compare the reference features with the environment sensor data. The results of this comparison can then be transferred from one hierarchical level to the next lower hierarchical level and used there. By linking different methods with the individual feature classes, a faster and more accurate detection of the object can take place. This can improve the result. Furthermore, the algorithm used can be adapted to the complexity of the task, i. H. here the recognition of the reference features in the environment sensor data are coordinated. This leads to a faster process.
Alternativ oder zusätzlich können die einzelnen Verfahren in der Verfahrensdatenbank
Die hier dargestellte Klassifikationsvorrichtung
Der Kaskadenklassifikator
Jeder der Merkmalsklassen umfasst dabei vorgegebene Referenzmerkmale. Dabei sind Referenzmerkmale auch Regeln, die zur Erkennung eines Objektes führen können. Diese werden ebenfalls als Referenzmerkmale bezeichnet. Die Referenzmerkmale sind für jede der Merkmalsklassen unterschiedlich.
In der ersten Hierarchieebene
In the
Eine weitere Merkmalsklasse in der ersten Hierarchieebene
Ferner umfasst die Klassifikationsvorrichtung
Die ersten Referenzmerkmale sind dabei jeweils mit Merkmalsklassen der zweiten Hierarchieebene
Bei einem positiven Vergleich wird das positiv verglichene Referenzmerkmal auf der jeweiligen Hierarchieebene sowie die, mit dem positiv verglichenen Referenzmerkmal verknüpfte Merkmalsklasse auf der der jeweiligen Hierarchieebene nachfolgenden unteren Hierarchieebene als identifiziert angenommen.In the case of a positive comparison, the positively compared reference feature on the respective hierarchy level and the feature class linked to the positively compared reference feature on the lower hierarchy level following the respective hierarchy level are assumed to be identified.
In diesem Beispiel wird angenommen, dass die Detektionseinheit
Dabei bedeutet positiver Vergleich, dass bei einem vorgegebenen Annahmeschwellenwert, das Referenzmerkmal in den Umfeldsensordaten als erkannt vorliegt. Dieser Annahmeschwellenwert kann eine Wahrscheinlichkeit sein. Wird dieser bei 80% festgesetzt, so muss beispielsweise mit 80% Wahrscheinlichkeit das Referenzmerkmal in den Umfeldsensordaten als erkannt gelten, um einen positiven Vergleich zu erlangen.In this context, a positive comparison means that, given a predetermined acceptance threshold value, the reference feature is present as recognized in the environment sensor data. This acceptance threshold can be a probability. If this is set at 80%, then, for example, the reference feature in the environment sensor data must be recognized with 80% probability in order to achieve a positive comparison.
Das Referenzmerkmal „Größe“ wird auf der ersten Hierarchieebene
Das Referenzmerkmal „Material“ wird auf der ersten Hierarchieebene
Die nicht identifizierten Referenzmerkmale sowie die zu diesen Referenzmerkmalen gehörenden Merkmalsklassen auf der nächst unteren Hierarchieebene werden verworfen.The unidentified reference features and the feature classes belonging to these reference features on the next lower hierarchical level are discarded.
Die Detektionseinheit
Dabei wird das Referenzmerkmal „Volumen“ als in den Umfeldsensordaten vorliegend erkannt, d. h., es liegt ein positiver Vergleich vor. Dabei untersucht die Detektionseinheit
Das Referenzmerkmal „Flächig“ sowie die zu diesem Referenzmerkmal gehörende Merkmalsklasse auf der nächst unteren Hierarchieebene wird verworfen.The reference characteristic “flat” as well as the characteristic class belonging to this reference characteristic on the next lower hierarchy level is discarded.
Ferner umfasst die Merkmalsklasse „Class_Object_Material“ auf der zweiten Hierarchieebene
Dabei wird das Referenzmerkmal „Metall“ als in den Umfeldsensordaten vorliegend erkannt, d. h., es liegt ein positiver Vergleich vor. Damit gilt das Referenzmerkmal „Metall (zweite Gefahrenstufe)“ als identifiziert.The reference feature “metal” is recognized as being present in the environment sensor data, i. i.e. there is a positive comparison. The reference characteristic “metal (second hazard level)” is thus identified.
Die nicht identifizierten Referenzmerkmal sowie die zu diesen Referenzmerkmalen gehörenden Merkmalsklassen auf der nächst unteren Hierarchieebene werden verworfen.The unidentified reference features and the feature classes belonging to these reference features on the next lower hierarchical level are discarded.
Das identifizierte Referenzmerkmal „Metall (zweite Gefahrenstufe)“ als auch das identifizierte Referenzmerkmal „Volumen“ weisen in diesem Beispiel keine weitere Verknüpfungen zu einer Merkmalsklasse auf der dritten Hierarchieebene auf.The identified reference characteristic “metal (second hazard level)” and the identified reference characteristic “volume” do not have any further links to a characteristic class on the third hierarchy level in this example.
Ferner weist die Klassifikationsvorrichtung
Nach Durchlaufen des Kaskadenklassifikators
Dadurch werden die positiv identifizierten Referenzmerkmale auf ein Objekt abgebildet und das Objekt gilt, bei genügend hoher Übereinstimmung, als in den Umfeldsensordaten detektiert. Dem Objekt ist vorzugsweise durch die Objektdatenbank
Dabei kann die Objektdatenbank
In diesem Beispiel weist die erste Teilobjektdatenbank beispielsweise ein „Rohr, dritte Gefahrenstufe“ als Objekt auf, welches durch die Objektmerkmale Metall (zweite Gefahrenstufe), länglich (dritte Gefahrenstufe), Hohlkörper, Länge größer Durchmesser, runder Querschnitt, gerade, gebogen ... definiert ist.In this example, the first partial object database has, for example, a "pipe, third danger level" as an object, which is characterized by the object features metal (second danger level), elongated (third danger level), hollow body, length larger in diameter, round cross-section, straight, curved ... is defined.
In diesem Beispiel weisen die identifizierten Referenzmerkmale mit den Objektmerkmalen eine hinreichende Übereinstimmung auf. Damit gilt das Objekt „Rohr, Gefahrenstufe 3“ als identifiziert.In this example, the identified reference features have sufficient correspondence with the object features. The object "Pipe,
Abhängig des durch die Klassifikationsvorrichtung
Auch kann lediglich eine Aktionsdatenbank
In einem ersten Schritt
In einem zweiten Schritt
In einem dritten Schritt
In einem vierten Schritt
In einem fünften Schritt
In einem fünften Schritt
BezugszeichenlisteList of reference symbols
- 11
- FahrerassistenzsystemDriver assistance system
- 22
- SensorsystemSensor system
- 3,3a3.3a
- KlassifikationsvorrichtungClassification device
- 44th
- KaskadenklassifikatorCascade classifier
- 55
- DetektionseinheitDetection unit
- 66th
- VerfahrensdatenbankProcess database
- 77th
- Head-Up-DisplayHead-Up Display
- ADAD
- AktionsdatenbankAction database
- ODOD
- ObjektdatenbankObject database
- S1 ,,..,S5S1 ,, .., S5
- VerfahrensschritteProcedural steps
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
- DE 112009000480 T5 [0004]DE 112009000480 T5 [0004]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019207700.5A DE102019207700A1 (en) | 2019-05-27 | 2019-05-27 | Classification device for object detection in environment sensor data and methods |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019207700.5A DE102019207700A1 (en) | 2019-05-27 | 2019-05-27 | Classification device for object detection in environment sensor data and methods |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019207700A1 true DE102019207700A1 (en) | 2020-12-03 |
Family
ID=73264809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019207700.5A Ceased DE102019207700A1 (en) | 2019-05-27 | 2019-05-27 | Classification device for object detection in environment sensor data and methods |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019207700A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112009000480T5 (en) * | 2008-03-03 | 2011-04-07 | VideoIQ, Inc., Bedford | Dynamic object classification |
-
2019
- 2019-05-27 DE DE102019207700.5A patent/DE102019207700A1/en not_active Ceased
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112009000480T5 (en) * | 2008-03-03 | 2011-04-07 | VideoIQ, Inc., Bedford | Dynamic object classification |
Non-Patent Citations (2)
Title |
---|
CERRI, R; Barros, R. C.; de Carvalho, A. CPLF. Hierarchical multi-label classification using local neural networks. In: Journal of Computer and System Sciences, 2014, 80. Jg., Nr. 1, S. 39-56. doi: 10.1016/j.jcss.2013.03.007 (URL: https://www.sciencedirect.com/science/article/pii/S0022000013000718/pdfft?md5=8b94e703e7e81077af4f6ad4b20c6c36&pid=1-s2.0-S0022000013000718-main.pdf) * |
P. Weyers, A. Barth and A. Kummert: Driver State Monitoring with Hierarchical Classification. In: 2018 21st International Conference on Intelligent Transportation Systems (ITSC), Maui, HI, 2018, pp. 3239-3244. doi: 10.1109/ITSC.2018.8569467 (URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8569467&isnumber=8569013) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2483836B1 (en) | Method for traffic sign recognition | |
EP3526095B1 (en) | Categorization of vehicles in the environment of a motor vehicle | |
DE102017217733A1 (en) | Checking a neural network | |
DE102015201406A1 (en) | CHARACTER DETECTION DEVICE AND METHOD FOR DETERMINING LEFT OR RIGHT TRAFFIC AND THE ROUTE UNIT INDEX | |
DE102014106506A1 (en) | Method for carrying out a diagnosis of a camera system of a motor vehicle, camera system and motor vehicle | |
WO2018202552A1 (en) | Method and device for classifying objects in the environment of a motor vehicle | |
DE10345948B4 (en) | Method for evaluation and temporal stabilization of classification results | |
DE102017105764A1 (en) | Configuration of a driver assistance system for a motor vehicle, with monitored machine learning | |
DE102019207700A1 (en) | Classification device for object detection in environment sensor data and methods | |
DE102018007558A1 (en) | Method for recording situations at bus stops for autonomous buses | |
DE102019202523A1 (en) | Method and device for operating a control system | |
DE102018205539A1 (en) | Detection of objects and situations in measurement data with improved suppression of non-representative correlations | |
DE102021005092A1 (en) | Method and device for recognizing emotional states of occupants of a vehicle | |
DE102009009904A1 (en) | Object i.e. road sign, identifying method, involves adding images and classifiers, which contain stored samples and sequences, as another set of samples, if sequences correspond to another set of sequences | |
DE102019218127A1 (en) | Method and device for the optimal provision of AI systems | |
DE102009013326A1 (en) | Vehicle controlling method, involves producing image of object, determining object data and surrounding data from image of object, and classifying object using object data and surrounding data | |
DE102015008539A1 (en) | Method for merging a plurality of information sources for object detection and method for operating a driver assistance device | |
DE102019206233A1 (en) | Method for providing training data for adaptable situation recognition algorithms and methods for automated situation recognition of operating situations of a vehicle for public passenger transport | |
DE102021001677A1 (en) | Method for detecting damage to an object, control device for carrying out such a method, detection device with such a control device and motor vehicle with such a detection device | |
DE102013002375A1 (en) | Method for calibrating camera of motor car in parking aid, involves detecting reference object in image using camera, and processing image, in order to recognize parameter stored in reference pattern of camera | |
DE102017002686A1 (en) | Method for detecting a dangerous situation | |
DE102021002294A1 (en) | Method for detecting damage to an object, control device for carrying out such a method, detection device with such a control device and motor vehicle with such a detection device | |
DE102019218590A1 (en) | Method and device for object recognition | |
DE102007021578A1 (en) | Road sign classifying method, involves determining object, assigning image elements for each image of object, and accomplishing classification with help of determined image data, with which individual probability is determined | |
DE102020208878A1 (en) | Process for curve detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings | ||
R003 | Refusal decision now final |