DE102023207319B3 - Computer-implemented method and system for determining an object in a recording - Google Patents
Computer-implemented method and system for determining an object in a recording Download PDFInfo
- Publication number
- DE102023207319B3 DE102023207319B3 DE102023207319.6A DE102023207319A DE102023207319B3 DE 102023207319 B3 DE102023207319 B3 DE 102023207319B3 DE 102023207319 A DE102023207319 A DE 102023207319A DE 102023207319 B3 DE102023207319 B3 DE 102023207319B3
- Authority
- DE
- Germany
- Prior art keywords
- sub
- histogram
- determining
- segment
- histograms
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000002123 temporal effect Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012913 prioritisation Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Die Erfindung betrifft ein Computer-implementiertes Verfahren (100) zum Bestimmen eines Objekts in einer Aufnahme, umfassend die Schritte: Bereitstellen (110) einer Vielzahl an Bilddateien charakterisierend eine Vielzahl an zeitlich nacheinander aufgenommenen Aufnahmen (A) eines vorbestimmten Bereichs an ein Bildverarbeitungsmodul (300); Bereitstellen (120), mittels des Bildverarbeitungsmoduls (300), einer Histogramm-Information an ein Steuergerät (400); Erzeugen (130), mittels des Steuergeräts (400), eines zeitdiskreten Signals basierend auf der Histogramm-Information der zeitlich nacheinander aufgenommenen Aufnahmen (A); Bestimmen (140), mittels eines ersten trainierten Maschinenlernalgorithmus des Steuergeräts (400), einer Anwesenheit des Objekts in zumindest einer der Aufnahmen (A) basierend auf dem zeitdiskreten Signal, wobei der erste Maschinenlernalgorithmus zum Bestimmen der Anwesenheit des Objekts basierend auf einer zeitlichen Änderung eines Gradienten eines Tonwerts zumindest eines Histogramms der Histogramm-Information ausgebildet ist.The invention relates to a computer-implemented method (100) for determining an object in a recording, comprising the steps of: providing (110) a plurality of image files characterizing a plurality of recordings (A) of a predetermined area taken one after the other to an image processing module (300); providing (120), by means of the image processing module (300), histogram information to a control device (400); generating (130), by means of the control device (400), a time-discrete signal based on the histogram information of the recordings (A) taken one after the other; Determining (140), by means of a first trained machine learning algorithm of the control unit (400), a presence of the object in at least one of the recordings (A) based on the time-discrete signal, wherein the first machine learning algorithm is designed to determine the presence of the object based on a temporal change of a gradient of a tone value of at least one histogram of the histogram information.
Description
Die Erfindung betrifft ein Computer-implementiertes Verfahren und ein System zum Bestimmen eines Objekts in einer Aufnahme.The invention relates to a computer-implemented method and a system for determining an object in a recording.
Das Bestimmen und/oder Erkennen eines Objekts in einer Aufnahme spielt bei verschiedenen Einsatzgebieten, wie Fahr- und Arbeitsaufgaben im industriellen Bereich eine wichtige Rolle. Beispielsweise müssen auf einem Feld Objekte erkannt werden, damit diese nicht überfahren werden. Dabei spielt es nicht zwingend eine Rolle, was das für ein Objekt ist, es ist wesentlich, dass dieses nicht überfahren wird.Determining and/or recognizing an object in a recording plays an important role in various areas of application, such as driving and working tasks in the industrial sector. For example, objects must be recognized in a field so that they are not driven over. It does not necessarily matter what type of object it is, the important thing is that it is not driven over.
Eine mögliche Anwendung wäre demnach eine Not-Stopp Funktion, die das Fahrzeug anhält, wenn in einem Kamerabild ein Objekt auftaucht, welches zuvor nicht im Bildberiech bzw. der Aufnahme war. Diese Art der Objekterkennung kann auch auf Arbeitsaufgaben angewendet werden, die bspw. nur dann ausgeführt werden, wenn ein bestimmtes Objekt im Bildbereich ist bzw. die Arbeitsaufgabe dann abgebrochen wird. Dies kann beispielsweise eine Mensch-Maschinen-Zusammenarbeit sein.One possible application would therefore be an emergency stop function that stops the vehicle when an object appears in a camera image that was not previously in the image area or recording. This type of object recognition can also be applied to work tasks that are only carried out when a certain object is in the image area or the work task is then aborted. This could be, for example, human-machine collaboration.
Ein Beispiel ist die Anbringung von farblichen Markierungen auf einem Industrieboden. Sobald diese im Bildbereich erkannt werden, führt ein Fahrzeug eine definierte Aktion aus (bspw. Not-Stopp oder Umkehr oder Geschwindigkeitsreduzierung). Die Farbe kann entsprechend kodiert sein (z.B. rot für Not-Stopp, Gelb für Geschwindigkeitsreduktion).One example is the application of colored markings on an industrial floor. As soon as these are recognized in the image area, a vehicle carries out a defined action (e.g. emergency stop or reversal or speed reduction). The color can be coded accordingly (e.g. red for emergency stop, yellow for speed reduction).
Im Bereich der Bildverarbeitung sind Histogramme bekannt. Ein Histogramm im Bereich der Bildverarbeitung zeigt die statistische Häufigkeit der Tonwerte eines Bilds in Form eines (diskreten) Balkendiagramms an. Es wird deshalb auch Tonwertkurve genannt. Auf der horizontalen Achse befinden sich die Tonwerte (Farb-/Helligkeitswerte). Die Höhe eines Balkens gibt an, wie häufig dieser Tonwert im Bild vorkommt. Im einfachsten Falle eines Graustufenbildes spiegelt es die Anzahl von Pixeln der Farben Schwarz (am linken Rand) bis Weiß (am rechten Rand) wider. Anhand eines Histogramms kann die Tonwertverteilung und somit die korrekte Belichtung (Unter-/Überbelichtung), der Kontrast und andere visuelle Attribute des Ausgangsbilds abgeschätzt werden. Es gibt keine Möglichkeit das Originalbild aus einem Histogramm zu rekonstruieren, da jede unterschiedliche Anordnung von Pixelwerten genau dasselbe Histogramm aufweist. Auch für Farbbilder lassen sich Histogramme erstellen. Eine Möglichkeit besteht darin, für jeden Farbkanal ein einzelnes Histogramm zu erstellen.Histograms are well known in the field of image processing. A histogram in the field of image processing shows the statistical frequency of the tonal values of an image in the form of a (discrete) bar diagram. It is therefore also called a tone curve. The tonal values (color/brightness values) are on the horizontal axis. The height of a bar indicates how often this tonal value occurs in the image. In the simplest case of a grayscale image, it reflects the number of pixels of the colors black (on the left edge) to white (on the right edge). A histogram can be used to estimate the tonal value distribution and thus the correct exposure (under/overexposure), the contrast and other visual attributes of the source image. There is no way to reconstruct the original image from a histogram, since every different arrangement of pixel values has exactly the same histogram. Histograms can also be created for color images. One possibility is to create a separate histogram for each color channel.
Unter dem Oberbegriff der Punktoperatoren finden sich verschiedene häufig genutzte Verfahren der digitalen Bildverarbeitung wie Tonwertkorrektur, Kontrastverstärkung und Helligkeitskorrektur. Sie stellen meistens den ersten Schritt der Vorverarbeitung dar, um den Bildkontrast zu verstärken oder Belichtungsfehler bei der Bildaufnahme auszugleichen. Eine Segmentierung eines Bildes wird oft durch die Anwendung eines globalen Schwellwertverfahrens realisiert. Im Anschluss an die Segmentierung werden die gefundenen Objekte oft noch klassifiziert, d. h. in einzelne Klassen „einsortiert“. Bei der Visualisierung der Ergebnisse einer Segmentierung oder einer Klassifizierung für den Menschen sind die Verfahren der Pseudokolorierung oder Falschfarbendarstellung gebräuchlich. Die Segmentierung ist ein Teilgebiet der digitalen Bildverarbeitung und des Computer-Sehens. Die Erzeugung von inhaltlich zusammenhängenden Regionen durch Zusammenfassung benachbarter Pixel oder Voxel entsprechend einem bestimmten Homogenitätskriterium bezeichnet man als Segmentierung.The general term point operators covers various frequently used methods of digital image processing such as tone value correction, contrast enhancement and brightness correction. They usually represent the first step in preprocessing to increase the image contrast or to compensate for exposure errors when taking the image. Segmentation of an image is often achieved by applying a global threshold method. After segmentation, the objects found are often classified, i.e. "sorted" into individual classes. Pseudo-coloring or false color representation methods are commonly used to visualize the results of segmentation or classification for humans. Segmentation is a sub-area of digital image processing and computer vision. The creation of content-related regions by combining neighboring pixels or voxels according to a certain homogeneity criterion is called segmentation.
Globale Schwellwertverfahren kommen häufig im Bereich der Bildsegmentierung zum Einsatz. Dabei wird jeder Pixel eines Grauwertbildes auf Grundlage seines Grauwertes einer von zwei Klassen zugeordnet. Auf diese Art und Weise wird beispielsweise oft der Bildvordergrund vom Hintergrund getrennt oder zwischen unterschiedlich hellen Objekten unterschieden. Eine solche Trennung kann jedoch nur optimal funktionieren, wenn ein bimodales Histogramm vorliegt, wenn also zwei lokale Maxima im Histogramm existieren.Global thresholding methods are often used in the field of image segmentation. Each pixel of a grayscale image is assigned to one of two classes based on its gray value. In this way, for example, the foreground of the image is often separated from the background or objects of different brightness are distinguished. However, such a separation can only work optimally if a bimodal histogram is present, i.e. if two local maxima exist in the histogram.
Dazu kommt, dass die Objekterkennung in einem Bild (also die Erkennung von Objekten, die sich bzgl. Farbe/Intensität der Farbe vom Hintergrund unterscheiden), nur sehr schlecht ausführbar auf einem Seriensteuergerät oder Steuergerät mit geringer Rechenleistung ist. Für eine zuverlässige Segmentierung werden rechenintensive „Machine Learning“ -Bildverfahren eingesetzt. Diese Verfahren können allerdings nur Objekte Segmentieren, die sie bereits kennen. Beispielsweise auf einem Feld mit verschiedenen Vegetationsstufen für Pflanzen gestaltet sich das Training eines solchen Netzes als sehr schwierig.In addition, object recognition in an image (i.e. the recognition of objects that differ from the background in terms of color/intensity of color) is very difficult to perform on a standard control unit or a control unit with low computing power. Computationally intensive "machine learning" image processes are used for reliable segmentation. However, these processes can only segment objects that they already know. For example, training such a network in a field with different vegetation levels for plants is very difficult.
Aus dem Stand der Technik sind, beispielsweise aus
Es ist eine Aufgabe der vorliegenden Erfindung, ein Computer-implementiertes Verfahren und ein System bereitzustellen, die einen oder mehrere der zuvor genannten Nachteile lösen und/oder zumindest verbessern. Es ist insbesondere eine Aufgabe der Erfindung, die Anwesenheit eines Objekts in einer Aufnahme in einem Steuergerät mit geringem Rechenaufwand zu ermöglichen.It is an object of the present invention to provide a computer-implemented method and a system which solve and/or at least improve one or more of the aforementioned disadvantages. In particular, it is an object of the invention to enable the presence of an object in a receptacle in a control device to be detected with little computational effort.
Die Aufgabe wird gemäß einem ersten Aspekt durch ein Computer-implementiertes Verfahren zum Bestimmen eines Objekts in einer Aufnahme gelöst. Das Verfahren umfasst ein Bereitstellen einer Vielzahl an Bilddateien charakterisierend eine Vielzahl an zeitlich nacheinander aufgenommenen Aufnahmen eines vorbestimmten Bereichs an ein Bildverarbeitungsmodul. Das Verfahren umfasst weiter ein Bereitstellen, mittels des Bildverarbeitungsmoduls, einer Histogramm-Information an ein Steuergerät. Das Bereitstellen der Histogramm-Information umfasst für zwei oder mehr Aufnahmen der Aufnahmen ein Aufteilen der Aufnahme in eine vorbestimmte Vielzahl an Teilsegmenten. Das Bereitstellen der Histogramm-Information kann für jede der Aufnahmen das Aufteilen und die nachfolgenden Schritte umfassen. Das Bereitstellen der Histogramm-Information umfasst weiter ein Bestimmen eines Histogramms für vorbestimmte Farbkanäle jedes Teilsegments der Vielzahl an Teilsegmenten, wobei ein Histogramm Tonwerte und eine Anzahl der Tonwerte des Farbkanals des Teilsegments charakterisiert. Die Histogramm-Information charakterisiert die bestimmten Histogramme. Das Verfahren umfasst weiter ein Erzeugen, mittels des Steuergeräts, eines zeitdiskreten Signals basierend auf der Histogramm-Information der zeitlich nacheinander aufgenommenen Aufnahmen. Weiter umfasst das Verfahren ein Bestimmen, mittels eines ersten trainierten Maschinenlernalgorithmus des Steuergeräts, einer Anwesenheit des Objekts in zumindest einer der Aufnahmen basierend auf dem zeitdiskreten Signal. Der erste Maschinenlernalgorithmus ist zum Bestimmen der Anwesenheit des Objekts basierend auf einer zeitlichen Änderung eines Gradienten eines Tonwerts zumindest eines Histogramms der Histogramm-Information ausgebildet.The object is achieved according to a first aspect by a computer-implemented method for determining an object in a recording. The method comprises providing a plurality of image files characterizing a plurality of recordings of a predetermined area taken one after the other to an image processing module. The method further comprises providing, by means of the image processing module, histogram information to a control device. The provision of the histogram information comprises, for two or more recordings of the recordings, dividing the recording into a predetermined plurality of sub-segments. The provision of the histogram information can comprise the division and the subsequent steps for each of the recordings. The provision of the histogram information further comprises determining a histogram for predetermined color channels of each sub-segment of the plurality of sub-segments, wherein a histogram characterizes tonal values and a number of tonal values of the color channel of the sub-segment. The histogram information characterizes the determined histograms. The method further comprises generating, by means of the control unit, a time-discrete signal based on the histogram information of the images taken one after the other. The method further comprises determining, by means of a first trained machine learning algorithm of the control unit, a presence of the object in at least one of the images based on the time-discrete signal. The first machine learning algorithm is designed to determine the presence of the object based on a temporal change in a gradient of a tone value of at least one histogram of the histogram information.
Ziel kann es sein, ein Objekt durch ein signifikantes Auftreten von neuen/unterschiedlichen Farbkanälen zu erkennen. Dabei kann es unerheblich sein, um was für ein Objekt es sich handelt. Es ist in erster Linie nur ausschlaggebend zu erkennen, dass sich ein Objekt im Field of View eines Kamerabildes bzw. einer Aufnahme befindet. Um den Rechenaufwand bei der Objekterkennung auf einem Steuergerät zu reduzieren, wird das oben genannte Verfahren beschrieben, welches als Komponenten zumindest ein Bildverarbeitungsmodul (wie zum Beispiel: Image Signal Processor (ISP)) und die Funktion auf dem Seriensteuergerät beschreibt. Mit der vorgeschlagenen Lösung kann die Anwesenheit des Objekts auch in einem relativ homogenen Bild erkannt werden. Beispielsweise kann bei einer Fahrt auf einem Acker die Anwesenheit eines Steins erkannt werden.The aim can be to recognise an object by a significant occurrence of new/different colour channels. It can be irrelevant what kind of object it is. It is primarily just crucial to recognise that an object is in the field of view of a camera image or recording. In order to reduce the computational effort required for object recognition on a control unit, the above-mentioned method is described, which describes at least one image processing module (such as an Image Signal Processor (ISP)) and the function on the series control unit as components. With the proposed solution, the presence of the object can also be recognised in a relatively homogeneous image. For example, the presence of a stone can be recognised when driving across a field.
Das Verfahren kann für eine Verwendung in einem assistierten und/oder autonomen Fahren eines Fahrzeugs und/oder einer Arbeit von Off-Highway-Maschinen verwendet werden.The method may be used for use in assisted and/or autonomous driving of a vehicle and/or work of off-highway machines.
Das Bereitstellen der Vielzahl an Bilddateien kann ein Aufnehmen, mittels einer Kameraeinheit, der Vielzahl an Bilddateien und ein Senden, mittels der Kameraeinheit, der Vielzahl an Bilddateien an die Bildverarbeitungseinheit umfassen. Die Bildverarbeitungseinheit kann von der Kameraeinheit umfasst sein oder eine weitere separate Einheit sein.Providing the plurality of image files may include recording the plurality of image files by means of a camera unit and sending the plurality of image files to the image processing unit by means of the camera unit. The image processing unit may be included in the camera unit or be another separate unit.
Die Bilddateien der Vielzahl an Bilddateien können einzelne Frames einer Videoaufnahme sein.The image files of the multitude of image files can be individual frames of a video recording.
Die Aufnahmen können zweidimensionale Aufnahmen sein.The images can be two-dimensional images.
Die Teilsegmente der Vielzahl an Teilsegmenten können gleich groß sein.The subsegments of the plurality of subsegments can be of equal size.
Die Tonwerte können in Klassen umgewandelt werden, um eine verbesserte Struktur der Informationen für Computerprozesse zu ermöglichen.The tonal values can be converted into classes to provide an improved structure of information for computer processes.
Im ersten Schritt können die Bilddateien jeweilige Rohbilder der Kameraeinheit umfassen und in gleichgroße Teilsegmente aufgeteilt werden, wobei die Teilsegmente sowohl in ihrer Größe als auch in Ihrer Anzahl (Anzahl der Teilsegmente pro Bilddatei) variabel sein können. Dies kann beispielsweise über das Bildverarbeitungsmodul, welches entweder direkt auf der Kameraeinheit oder in einer nachgelagerten Einheit verbaut ist, durchgeführt werden.In the first step, the image files can include the respective raw images from the camera unit and be divided into equally sized sub-segments, whereby the sub-segments can be variable in both their size and their number (number of sub-segments per image file). This can be done, for example, via the image processing module, which is installed either directly on the camera unit or in a downstream unit.
Im nächsten Schritt kann auf dem Bildverarbeitungsmodul für jedes dieser Teilsegmente das Histogramm für jeden vorhandenen Farbkanal ermittelt werden. Das Ziel kann sein, die statistische Häufigkeit der Tonwerte für jeden vorhandenen Farbkanal für jedes vorhandene Teilsegment zu bestimmen. Diese Histogramme können für jedes Teilsegment separat an das Seriensteuergerät über eine Kommunikationseinheit ausgegeben werden. Die Kommunikationseinheit und das verwendete Protokoll kann beliebig ausgeprägt sein (SPI, LAN, CAN, LIN, FlexRay).In the next step, the histogram for each of these sub-segments can be determined on the image processing module for each of these sub-segments. The goal can be to determine the statistical frequency of the tonal values for each existing color channel for each existing sub-segment. These histograms can be calculated for each sub-segment separately to the series control unit via a communication unit. The communication unit and the protocol used can be of any design (SPI, LAN, CAN, LIN, FlexRay).
Im nächsten Schritt können die Histogramme der Teilsegmente über das Seriensteuergerät interpretiert werden. Das Histogramm pro Farbkanal kann aus Tonwert (x-Wert (bspw. 0-255 im RGB Farbraum, aber nicht darauf beschränkt)) und Häufigkeit dieses Tonwerts (y-Wert) bestehen. Die Tonwerte können als Klassen definiert werden oder in solche umgewandelt werden, so dass (für das RGB Beispiel 0-255) für jede Farbe jeweils 256 Klassen existieren. Folglich können in jedem Abtastzeitraum 256 Messwerte pro Farbkanal pro Teilsegment erhalten werden. Diese Messwerte pro Farbkanal pro Teilsegment können dann zu dem zeitdiskreten Signal über der Zeit zusammengesetzt werden. Diese können als Input-Feature für den ersten Maschinenlernalgorithmus angesehen werden (bei 3 Farbkanälen wären dies: 256 * 3 * „Anzahl der Teilsegmente“).In the next step, the histograms of the sub-segments can be interpreted via the series control unit. The histogram per color channel can consist of tone value (x-value (e.g. 0-255 in the RGB color space, but not limited to this)) and frequency of this tone value (y-value). The tone values can be defined as classes or converted into such, so that (for the RGB example 0-255) 256 classes exist for each color. Consequently, 256 measured values per color channel per sub-segment can be obtained in each sampling period. These measured values per color channel per sub-segment can then be combined to form the time-discrete signal over time. These can be seen as input features for the first machine learning algorithm (for 3 color channels this would be: 256 * 3 * "number of sub-segments").
Ein Ziel kann es sein, über den ersten Maschinenlernalgorithmus Anomalien (beispielsweise große Abweichungen der Intensitäten, die durch ein auftretendes Objekt verursacht werden) über der Zeit abzubilden bzw. zu erkennen. Im Vorfeld kann ein neuronales Netz mit einem gelabelten Datensatz trainiert werden, welcher die relevanten Objekte als gelabelte Information umfasst. Das neuronale Netz kann dabei nur die Information erhalten, ob sich das Objekt im Bild bzw. der Aufnahme befindet oder nicht. Anhand der zeitlichen Änderung der Gradienten der Farbkanäle kann das neuronale Netz lernen, das Auftreten eines Objektes zu dieser Änderung zuzuordnen. Dieses Training kann auf einem Rechner mit hoher Rechenleistung durchgeführt werden. Das neuronale Netz kann der trainierte erste Maschinenlernalgorithmus sein.One goal can be to use the first machine learning algorithm to map or detect anomalies (for example, large deviations in intensity caused by an object appearing) over time. A neural network can be trained in advance with a labeled data set that includes the relevant objects as labeled information. The neural network can only receive the information whether the object is in the image or recording or not. Based on the temporal change in the gradients of the color channels, the neural network can learn to assign the appearance of an object to this change. This training can be carried out on a computer with high computing power. The neural network can be the trained first machine learning algorithm.
Das Steuergerät kann einen Speicher zum Speichern des ersten und/oder eines nachfolgend genannten zweiten Maschinenlernalgorithmus umfassen. Das Steuergerät kann eine Rechenleistung aufweisen, die geringer im Vergleich zu einer Rechenleistung des Bildverarbeitungsmoduls ist. Insbesondere kann es sich um ein sogenanntes Embedded-Steuergerät handeln, beispielsweise ein Motorsteuergerät, ein Getriebesteuergerät oder ein anderes Steuergerät für eine Subfunktion in einem System, bspw. einem Fahrzeug. Ein Embedded-Steuergerät zeichnet sich dabei durch eine im Vergleich zu einem Hochleistungsrechner (High-Performance-Computer oder HPC) geringere Rechenleistung aus.The control unit can comprise a memory for storing the first and/or a subsequently mentioned second machine learning algorithm. The control unit can have a computing power that is lower compared to a computing power of the image processing module. In particular, it can be a so-called embedded control unit, for example an engine control unit, a transmission control unit or another control unit for a subfunction in a system, e.g. a vehicle. An embedded control unit is characterized by a lower computing power compared to a high-performance computer (HPC).
Die Histogramm-Information kann weiter eine Positionsinformation umfassen, die jeweilige Positionen der Vielzahl an Teilsegmenten in der Vielzahl an Bilddateien charakterisiert. Das Verfahren kann weiter, basierend auf der Positionsinformation, ein Bestimmen einer Position des Objekts in dem zumindest einen Teilsegment aufweisend das Histogramm mit dem zeitlich veränderten Gradienten umfassen.The histogram information may further comprise position information that characterizes respective positions of the plurality of sub-segments in the plurality of image files. The method may further comprise, based on the position information, determining a position of the object in the at least one sub-segment comprising the histogram with the temporally changed gradient.
Das Verfahren kann weiter ein Bestimmen einer Bewegungsrichtung des Objekts basierend auf einem zeitlichen Verlauf der Position des Objekts in dem Teilsegment umfassen. Wenn das Objekt beispielsweise in einem Segment 1 in einer ersten Aufnahme erstmalig auftaucht und dann in einem Segment 4 einer zweiten nachfolgenden Afunahme, d.h. dass der gleiche Tonwert im Histogramm eines Farbkanals signifikant in jedem Segment erscheint, dann bewegt sich das Objekt quer durch den FOV der Kameraeinheit (Objekt-Tracking).The method may further comprise determining a direction of movement of the object based on a temporal progression of the position of the object in the sub-segment. For example, if the object first appears in a segment 1 in a first recording and then in a segment 4 of a second subsequent recording, i.e. the same tonal value in the histogram of a color channel appears significantly in each segment, then the object moves across the FOV of the camera unit (object tracking).
Das Verfahren kann weiter ein Ausgeben eines Priorisierungsbefehls zum Erhöhen zumindest eines Parameters im Zusammenhang mit den Aufnahmen umfassen. Der Parameter kann derart erhöht werden, dass eine Auflösung eines Aufnahmeabschnitts der Aufnahmen entsprechend dem Teilsegment aufweisend das Histogramm mit dem zeitlich veränderten Gradienten erhöht wird. Alternativ oder zusätzlich können weitere Parameter angepasst werden, wie eine Abtastrate der Bildverarbeitungseinheit und eine Aufnahmegeschwindigkeit der Kameraeinheit.The method may further comprise issuing a prioritization command for increasing at least one parameter in connection with the recordings. The parameter may be increased such that a resolution of a recording section of the recordings corresponding to the sub-segment having the histogram with the temporally changed gradient is increased. Alternatively or additionally, further parameters may be adjusted, such as a sampling rate of the image processing unit and a recording speed of the camera unit.
Eine Anzahl der Vielzahl an Teilsegmenten kann basierend auf einer Rechenleistung des Steuergeräts vorbestimmt sein.A number of the plurality of sub-segments can be predetermined based on a computing power of the control unit.
Die vorbestimmten Farbkanäle können alle Farbkanäle des Teilsegments oder eine vorbestimmte Teilmenge an Farbkanälen des Teilsegments sein. Beispielsweise kann bei 255 Klassen bzw. Tonwerten nur jede 15te Klasse bzw. jeder 15te Tonwert verwendet werden.The predetermined color channels can be all color channels of the sub-segment or a predetermined subset of color channels of the sub-segment. For example, with 255 classes or tone values, only every 15th class or every 15th tone value can be used.
Die vorbestimmte Teilmenge kann basierend auf einer vorbestimmten Anwendung des Verfahrens bestimmt sein.The predetermined subset may be determined based on a predetermined application of the method.
Wie viele Teilsegmente erstellt werden, kann von der Rechenleistung des Steuergeräts, welche eine ECU sein oder eine solche umfassen kann, abhängig sein. Je mehr Teilsegmente vorliegen, desto besser kann ein Tracking (Position des Segments im Gesamtbild) sein. Je weniger Teilsegmente, desto geringer kann der Rechenaufwand sein und eine geringere zu übertragende und zu speichernde Datenmenge erreicht werden.How many sub-segments are created can depend on the computing power of the control unit, which can be an ECU or include one. The more sub-segments there are, the better the tracking (position of the segment in the overall picture) can be. The fewer sub-segments, the lower the computing effort can be and the smaller the amount of data that needs to be transmitted and stored.
Das Bereitstellen der Histogramm-Information kann weiter ein Zusammenfassen vorbestimmter Histogramme der bestimmten Histogramme für vorbestimmte Farbkanäle jedes Teilsegments der Vielzahl an Teilsegmenten umfassen. Verschiedene Farbkanäle können zu einem gemeinsamen Feature kombiniert werden, um weiter eine erforderliche Rechenleistung zu reduzieren. Das Zusammenfassen kann basierend auf einer Anwendung des Verfahrens bestimmt. Die Histogramm-Information kann die zusammengefassten Histogramme charakterisieren.Providing the histogram information may further comprise summarizing predetermined Histograms of the determined histograms for predetermined color channels of each sub-segment of the plurality of sub-segments. Different color channels may be combined into a common feature to further reduce required computational power. The aggregation may be determined based on an application of the method. The histogram information may characterize the aggregated histograms.
Das Bereitstellen der Histogramm-Information kann weiter ein Reduzieren der bestimmten Histogramme mittels eines OneHot-Encoding-Verfahrens und einer Pulse-Code-Modulation-, PCM-Demodulation umfassen, wobei die bereitgestellte Histogramm-Information die reduzierten Histogramme charakterisiert.Providing the histogram information may further comprise reducing the determined histograms by means of a one-hot encoding method and a pulse code modulation, PCM demodulation, wherein the provided histogram information characterizes the reduced histograms.
Das Bereitstellen der Histogramm-Information kann weiter ein Bestimmen von für die Anwendung relevanten Histogrammen der bestimmten Histogramme mittels eines zweiten trainierten Maschinenlernalgorithmus umfassen, der zum Bestimmen von für eine Anwendung relevanten Histogrammen ausgebildet ist. Der zweite trainierte Maschinenlernalgorithmus kann ein neuronales Netz sein. Das neuronale Netz kann derart mit dem Ziel trainiert worden sein, dass für eine jeweilige Anwendung relevante Klassen bzw. Tonwerte ermittelt werden.Providing the histogram information can further comprise determining histograms of the determined histograms that are relevant to the application using a second trained machine learning algorithm that is designed to determine histograms that are relevant to an application. The second trained machine learning algorithm can be a neural network. The neural network can have been trained in such a way that classes or tonal values that are relevant to a respective application are determined.
Das Verfahren kann weiter ein Ausgeben einer Objektinformation umfassen, die beim Bestimmen der Anwesenheit des Objekts in dem zumindest einen Teilsegment ausgegeben wird. Die Objektinformation kann an eine weitere Einheit und/oder einen Benutzer ausgegeben werden, um die Einheit bzw. den Benutzer über die Anwesenheit des Objekts zu informieren. Weiter kann die Objektinformation eine Bewegungsrichtung des Objekts charakterisieren.The method may further comprise outputting object information that is output when determining the presence of the object in the at least one sub-segment. The object information may be output to another unit and/or a user in order to inform the unit or the user of the presence of the object. The object information may further characterize a direction of movement of the object.
Das Verfahren kann weiter ein zumindest teilweises Steuern einer externen Einheit, wie einem Fahrzeug, basierend auf der Objektinformation umfassen. Beispielsweise kann ein Gabelstapler basierend auf der Information von Hindernissen entlang eines vorbestimmten Pfads einen anderen Pfad fahren.The method may further comprise at least partially controlling an external entity, such as a vehicle, based on the object information. For example, a forklift may drive a different path based on information of obstacles along a predetermined path.
Die Aufgabe wird gemäß einem zweiten Aspekt durch ein System zum Bestimmen eines Objekts in einer Aufnahme gelöst, umfassend ein Bildverarbeitungsmodul und ein Steuergerät mit jeweiligen Mitteln zum Ausführen des Verfahrens gemäß dem ersten Aspekt.The object is achieved according to a second aspect by a system for determining an object in a recording, comprising an image processing module and a control device with respective means for carrying out the method according to the first aspect.
Das System kann weiter eine Kameraeinheit zum Aufnehmen der Aufnahmen und Bereitstellen der Aufnahmen an das Bildverarbeitungsmodul umfassen. Das Bildverarbeitungsmodul kann von der Kameraeinheit oder in einer nachgelagerten und/oder separaten Einheit umfasst sein.The system may further comprise a camera unit for recording the images and providing the images to the image processing module. The image processing module may be comprised of the camera unit or in a downstream and/or separate unit.
Das Steuergerät kann eine Electric Control Unit, ECU sein oder umfassen. Das Steuergerät kann weiter einen Speicher zum Speichern des ersten und/oder zweiten Maschinenlernalgorithmus umfassen.The controller may be or include an electric control unit, ECU. The controller may further include a memory for storing the first and/or second machine learning algorithm.
Verfahrensmerkmale, die in Bezug auf das Verfahren gemäß dem ersten Aspekt beschrieben wurden, können als Merkmale des Systems gemäß dem zweiten Aspekt ausgeführt werden.Method features described in relation to the method according to the first aspect may be embodied as features of the system according to the second aspect.
Die Aufgabe wird gemäß einem dritten Aspekt durch ein Computerprogrammprodukt gelöst, umfassend Befehle, die bewirken, dass das System gemäß dem zweiten Aspekt das Verfahren gemäß dem ersten Aspekt ausführt.The object is achieved according to a third aspect by a computer program product comprising instructions which cause the system according to the second aspect to carry out the method according to the first aspect.
Bevorzugte Ausführungsbeispiele werden exemplarisch anhand der beiliegenden Figuren erläutert. Es zeigen
-
1 ein schematisches Ausführungsbeispiel eines Computer-implementierten Verfahrens zum Bestimmen eines Objekts in einer Aufnahme; -
2 eine schematische Darstellung einer Segmentierung einer Aufnahme; und -
3 ein schematisches Ausführungsbeispiel eines Systems zum Bestimmen eines Objekts.
-
1 a schematic embodiment of a computer-implemented method for determining an object in a recording; -
2 a schematic representation of a segmentation of a recording; and -
3 a schematic embodiment of a system for determining an object.
In den Figuren sind gleiche oder im Wesentlichen funktionsgleiche beziehungsweise -ähnliche Elemente mit den gleichen Bezugszeichen bezeichnet.In the figures, identical or essentially functionally identical or similar elements are designated by the same reference numerals.
Das Verfahren 100 umfasst ein Bereitstellen 110 einer Vielzahl an Bilddateien charakterisierend eine Vielzahl an zeitlich nacheinander aufgenommenen Aufnahmen A eines vorbestimmten Bereichs an ein Bildverarbeitungsmodul 300. Der vorbestimmte Bereich kann ein zu überwachender Bereich, beispielsweise einer Industrieanlage sein.The
Die Vielzahl an Bilddateien können von einer Kameraeinheit 200, insbesondere einer Aufnahmeeinheit 210 dieser aufgenommen werden. Weiter kann die Vielzahl an Bilddateien mittels einer Kommunikationseinheit 240 der Kameraeinheit 200 an das Bildverarbeitungsmodul 300 gesendet werden. Das Bildverarbeitungsmodul 300 kann mittels einer Kommunikationseinheit 340 die Vielzahl an Bilddateien empfangen.The plurality of image files can be recorded by a
Die Bilddateien der Vielzahl an Bilddateien können einzelne Frames eines Videos sein.The image files of the multitude of image files can be individual frames of a video.
Das Verfahren 100 umfasst weiter ein Bereitstellen 120, mittels des Bildverarbeitungsmoduls 300, einer Histogramm-Information an ein Steuergerät 400. Dazu kann die Kommunikationseinheit 340 des Bildverarbeitungsmoduls 300 die Histogramm-Information an eine Kommunikationseinheit 440 des Steuergeräts 400 senden und die Kommunikationseinheit 440 des Steuergeräts die Histogramm-Information empfangen.The
Das Bereitstellen 120 der Histogramm-Information des Verfahrens 100 umfasst für jede der Aufnahmen A zumindest die folgenden Schritte 121, 122. In dem Schritt 121 wird die in eine vorbestimmte Vielzahl an Teilsegmenten T1-T4 aufgeteilt, wie in der
Weiter umfasst das Bereitstellen 120 ein Bestimmen 122 eines Histogramms für vorbestimmte Farbkanäle jedes Teilsegments der Vielzahl an Teilsegmenten. Ein Histogramm charakterisiert Tonwerte und eine Anzahl der Tonwerte des Farbkanals des Teilsegments. Weiter charakterisiert die Histogramm-Information die bestimmten Histogramme.Furthermore, the providing 120 includes determining 122 a histogram for predetermined color channels of each sub-segment of the plurality of sub-segments. A histogram characterizes tone values and a number of tone values of the color channel of the sub-segment. Furthermore, the histogram information characterizes the determined histograms.
Die Tonwerte eines Histogramms können entlang einer X-Achse und die Anzahl der Tonwerte können entlang einer Y-Achse des Histogramms aufgetragen sein. Die Tonwerte können für das weitere Verfahren in Klassen umgewandelt werden, um eine Verarbeitung der Daten zu verbessern. Ein Histogramm pro Farbkanal kann auf der X-Achse in einem RGB-Farbraum die Werte 0-255 aufweisen. Der Prozess des Aufteilens der Aufnahme und des Bestimmens der Histogramme kann sehr rechenaufwendig sein, sodass diese Schritte in dem Bildverarbeitungsmodul 300 erfolgen.The tonal values of a histogram may be plotted along an X-axis and the number of tonal values may be plotted along a Y-axis of the histogram. The tonal values may be converted into classes for further processing to improve processing of the data. A histogram per color channel may have the values 0-255 on the X-axis in an RGB color space. The process of splitting the image and determining the histograms can be very computationally intensive, so these steps are performed in the
Um eine Datenmenge der Histogramm-Information zu reduzieren, kann beispielsweise nicht jeder Farbkanal, sondern nur jeder 15te Farbkanal verwendet werden. Dadurch wird eine deutlich geringere Datenmenge erreicht. Eine geringere Datenmenge kann zu einer geringeren Auflösung führen, sodass je nach Anwendungsfall des Verfahrens jeweilige Farbkanäle betrachtet werden können.To reduce the amount of data in the histogram information, for example, not every color channel can be used, but only every 15th color channel. This results in a significantly smaller amount of data. A smaller amount of data can lead to a lower resolution, so that depending on the application of the method, individual color channels can be viewed.
Die Schritte des Aufteilens 121 und des Bestimmens 122 können mittels einer Steuerung 330 des Bildverarbeitungsmoduls 300 erfolgen.The steps of dividing 121 and determining 122 can be carried out by means of a
Das Verfahren 100 umfasst weiter ein Erzeugen 130, mittels des Steuergeräts 400, eines zeitdiskreten Signals basierend auf der Histogramm-Information der zeitlich nacheinander aufgenommenen Aufnahmen. Der Schritt des Erzeugens 130 kann mittels der Steuerung 430 erfolgen. Jede der Steuerungen 230, 330, 430 kann einen Prozessor umfassen oder ein solcher sein, um entsprechende Computerprogrammprodukte auszuführen.The
Das Verfahren 100 umfasst weiter ein Bestimmen 140, mittels eines ersten trainierten Maschinenlernalgorithmus des Steuergeräts 400, einer Anwesenheit des Objekts in zumindest einer der Aufnahmen A basierend auf dem zeitdiskreten Signal. Der erste Maschinenlernalgorithmus ist zum Bestimmen der Anwesenheit des Objekts basierend auf einer zeitlichen Änderung eines Gradienten eines Tonwerts zumindest eines Histogramms der Histogramm-Information ausgebildet ist. Der erste Maschinenlernalgorithmus kann auf einem Speicher 420 des Steuergeräts 400 gespeichert sein. Weiter können die Kameraeinheit 200 und das Bildverarbeitungsmodul 300 jeweilige Speicher 220, 320 zum Speichern von Informationen aufweisen.The
Gemäß dem Verfahren 100 werden die Gradienten der Farbkanäle für jedes Teilsegment (Gradientenänderung) über den zeitlichen Verlauf beobachtet. Wenn nun eine deutliche Änderung der Häufigkeitsdichte für die betrachteten Intensitätsklassen bzw. Tonwerte im Histogramm auftritt, dann kann darauf basierend auf ein Objekt geschlossen werden. Durch die vorgeschlagene Systemarchitektur kann mittels eines einfachen Steuergeräts, insbesondere einer ECU die Anwesenheit des Objekts erkannt werden. Das Steuergerät kann beispielsweise in einem zu steuernden Fahrzeug verbaut sein.According to
Die Histogramm-Information kann weiter eine Positionsinformation umfassen, die jeweilige Positionen der Vielzahl an Teilsegmenten T1-T4 in der Vielzahl an Bilddateien charakterisiert. Das Verfahren 100 kann weiter, basierend auf der Positionsinformation, ein Bestimmen einer Position des Objekts in dem zumindest einen Teilsegment T1-T4 aufweisend das Histogramm mit dem zeitlich veränderten Gradienten umfassen. Da bekannt ist, in welchem Teilsegment T1-T4 dieses Objekt auftritt, kann Rückschluss auf die Position des Objektes im Gesamtbild getroffen werden. Bewegt sich das Objekt über mehrere Teilsegmente T1-T4, dann kann die Bewegung des Objekts im Gesamtbild bzw. der Aufnahmen A ermittelt werden („Objekt Tracking“).The histogram information can further comprise position information that characterizes respective positions of the plurality of sub-segments T1-T4 in the plurality of image files. The
Da bekannt ist, in welchem Teilsegment T1-T4 das Objekt detektiert wurde, kann ein Priorisierungsbefehls zum Erhöhen zumindest eines Parameters im Zusammenhang mit den Aufnahmen bestimmt und ausgegeben werden, beispielsweise an die Kameraeinheit 200 und/oder das Bildverarbeitungsmodul 300. Der Parameter kann derart erhöht werden, dass eine Auflösung eines Aufnahmeabschnitts der Aufnahmen entsprechend dem Teilsegment T1-T4 aufweisend das Histogramm mit dem zeitlich veränderten Gradienten erhöht wird. Folglich kann eine erhöhte Auflösung in dem Teilsegment gefordert werden, in welchem das Objekt erkannt wurde.Since it is known in which sub-segment T1-T4 the object was detected, a prioritization command can be used to increase at least one para meters in connection with the recordings are determined and output, for example to the
Die Speicher 220, 320, 420 können zum Speichern eines oder jeweiliger Computerprogrammprodukte ausgebildet sein. Die Steuerungen 230, 330, 430 können jeweils zum Ausführen der Computerprogrammprodukte ausgebildet sein.The
Wie bereits eingangs erwähnt, zeigt die
BezugszeichenReference symbol
- 100100
- Computer-implementiertes Verfahren zum Bestimmen eines ObjektsComputer-implemented method for determining an object
- 110110
- Bereitstellen einer Vielzahl an BilddateienProviding a variety of image files
- 120120
- Bereitstellen, mittels des Bildverarbeitungsmoduls, einer Histogramm-Information an ein SteuergerätProviding histogram information to a control unit using the image processing module
- 121121
- Aufteilen der Aufnahme in eine vorbestimmte Vielzahl an TeilsegmentenDividing the recording into a predetermined number of sub-segments
- 122122
- Bestimmen eines Histogramms für vorbestimmte FarbkanäleDetermining a histogram for predetermined color channels
- 130130
- Erzeugen, mittels des Steuergeräts, eines zeitdiskreten SignalsGenerating, by means of the control unit, a time-discrete signal
- 140140
- Bestimmen, mittels eines ersten trainierten Maschinenlernalgorithmus des Steuergeräts, einer Anwesenheit des ObjektsDetermining, by means of a first trained machine learning algorithm of the control unit, a presence of the object
- AA
- AufnahmeRecording
- T1-T4T1-T4
- TeilsegmenteSubsegments
- 200200
- KameraeinheitCamera unit
- 210210
- AufnahmeeinheitRecording unit
- 220220
- SpeicherStorage
- 230230
- Steuerungsteering
- 240240
- KommunikationseinheitCommunication unit
- 300300
- BildverarbeitungsmodulImage processing module
- 320320
- SpeicherStorage
- 330330
- Steuerungsteering
- 340340
- KommunikationseinheitCommunication unit
- 400400
- SteuergerätControl unit
- 420420
- SpeicherStorage
- 430430
- Steuerungsteering
- 440440
- KommunikationseinheitCommunication unit
Claims (14)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102023207319.6A DE102023207319B3 (en) | 2023-08-01 | 2023-08-01 | Computer-implemented method and system for determining an object in a recording |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102023207319.6A DE102023207319B3 (en) | 2023-08-01 | 2023-08-01 | Computer-implemented method and system for determining an object in a recording |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102023207319B3 true DE102023207319B3 (en) | 2024-07-11 |
Family
ID=91582622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102023207319.6A Active DE102023207319B3 (en) | 2023-08-01 | 2023-08-01 | Computer-implemented method and system for determining an object in a recording |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102023207319B3 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5969772A (en) | 1997-10-30 | 1999-10-19 | Nec Corporation | Detection of moving objects in video data by block matching to derive a region motion vector |
US6445818B1 (en) | 1998-05-28 | 2002-09-03 | Lg Electronics Inc. | Automatically determining an optimal content image search algorithm by choosing the algorithm based on color |
DE102004050375A1 (en) | 2004-10-15 | 2006-04-27 | Volkswagen Ag | Method for detection and classification of traffic related objects e.g. motor vehicles involves evaluating color picture of environment of motor vehicles and transforming picture into HSI (color-saturation-intensity) space |
DE102014112914A1 (en) | 2014-09-09 | 2016-03-10 | Connaught Electronics Ltd. | Method for segmenting an image, driver assistance system and motor vehicle |
US10410084B2 (en) | 2016-10-26 | 2019-09-10 | Canon Virginia, Inc. | Devices, systems, and methods for anomaly detection |
-
2023
- 2023-08-01 DE DE102023207319.6A patent/DE102023207319B3/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5969772A (en) | 1997-10-30 | 1999-10-19 | Nec Corporation | Detection of moving objects in video data by block matching to derive a region motion vector |
US6445818B1 (en) | 1998-05-28 | 2002-09-03 | Lg Electronics Inc. | Automatically determining an optimal content image search algorithm by choosing the algorithm based on color |
DE102004050375A1 (en) | 2004-10-15 | 2006-04-27 | Volkswagen Ag | Method for detection and classification of traffic related objects e.g. motor vehicles involves evaluating color picture of environment of motor vehicles and transforming picture into HSI (color-saturation-intensity) space |
DE102014112914A1 (en) | 2014-09-09 | 2016-03-10 | Connaught Electronics Ltd. | Method for segmenting an image, driver assistance system and motor vehicle |
US10410084B2 (en) | 2016-10-26 | 2019-09-10 | Canon Virginia, Inc. | Devices, systems, and methods for anomaly detection |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AT521607B1 (en) | Method and device for testing a driver assistance system | |
DE102015121339B4 (en) | SYSTEMS AND METHODS FOR DETERMINING A CONDITION OF A ROAD | |
AT521647B1 (en) | Method and system for data processing, for training an artificial neural network and for analyzing sensor data | |
EP3642758B1 (en) | Method for evaluating an optical appearance in the surroundings of a vehicle, and vehicle | |
EP3948688A1 (en) | Training for artificial neural networks with better utilization of learning data records | |
DE102019214558A1 (en) | PROJECTION INFORMATION RECOGNITION DEVICE BASED ON AN ARTIFICIAL NEURAL NETWORK AND PROCESSES OF THE SAME | |
DE102016120066A1 (en) | A computer implemented method for controlling an object recognition system | |
DE102023207319B3 (en) | Computer-implemented method and system for determining an object in a recording | |
DE102019204602B4 (en) | Method and device for masking objects contained in an image | |
EP3576013A1 (en) | Estimation of a path of a rail path | |
DE102018132627A1 (en) | Method for capturing an environment of a motor vehicle by means of temporal fusion of images through an artificial neural network; Control unit, driver assistance system; Computer program product | |
DE102021200643B3 (en) | Method for environment recognition for semi-autonomous or autonomous driving functions of a motor vehicle using a neural network | |
DE102017218773A1 (en) | Method and device for driving an actuator | |
DE102018201909A1 (en) | Method and device for object recognition | |
WO2021180547A1 (en) | Method and device for processing images | |
EP4248418A2 (en) | Method and system for annotating sensor data | |
EP3973458A1 (en) | Method for operating a deep neural network | |
DE102020129164A1 (en) | METHOD AND DEVICE FOR DISTINGUISHING DIFFERENT CONFIGURATION STATES OF AN OBJECT ON THE BASIS OF A PICTURED REPRESENTATION OF THE OBJECT | |
DE69531412T2 (en) | Image coding based on image areas and their segmented border lines | |
WO2021043517A1 (en) | Methods for compressing a neural network | |
DE102019217951A1 (en) | Method and apparatus for determining a domain distance between at least two data domains | |
DE102022110233A1 (en) | COMPUTER-IMPLEMENTED METHOD FOR SELECTING TRAINING DATA SETS FROM A VARIETY OF DATA SETS | |
DE102021124310A1 (en) | Pre-processing of an input image for a classification algorithm | |
DE102022209409A1 (en) | Line detection anchor | |
DE102021206316A1 (en) | Method and device for detecting an object for a vehicle and camera system comprising a mono camera |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division |