DE102009009904A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
DE102009009904A1
DE102009009904A1 DE102009009904A DE102009009904A DE102009009904A1 DE 102009009904 A1 DE102009009904 A1 DE 102009009904A1 DE 102009009904 A DE102009009904 A DE 102009009904A DE 102009009904 A DE102009009904 A DE 102009009904A DE 102009009904 A1 DE102009009904 A1 DE 102009009904A1
Authority
DE
Germany
Prior art keywords
sequences
image
vehicle
meaning
samples
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.)
Withdrawn
Application number
DE102009009904A
Other languages
German (de)
Inventor
Frank Dipl.-Ing. Lindner
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Daimler AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Daimler AG filed Critical Daimler AG
Priority to DE102009009904A priority Critical patent/DE102009009904A1/en
Publication of DE102009009904A1 publication Critical patent/DE102009009904A1/en
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

The method involves detecting an object (O) by a detection unit (2) integrated in a vehicle. The detected object is compared with stored samples (M1-Mn). Significances (BB1-BBn) of images of the object are determined from a driving condition (F) of the vehicle, and are compared with significances (B1-Bn) of pre-defined samples, which are stored in a memory unit (3). The images and classifiers (K1-Kn), which contain the stored samples and the sequences (B1-Bn), is added as another set of samples (mM1-mMn), if the sequences (BB1-BBn) correspond to the sequences (B1-Bn).

Description

Die Erfindung betrifft ein Verfahren zur Identifizierung von Objekten, insbesondere von Verkehrszeichen, wobei die Objekte mittels einer in einem Fahrzeug integrierten Erfassungseinheit erfasst und die erfassten Objekte zur Identifizierung mit gespeicherten Mustern verglichen werden.The Invention relates to a method for identifying objects, in particular of traffic signs, wherein the objects by means of a recorded in a vehicle integrated detection unit and the captured objects for identification with stored patterns be compared.

Es ist allgemein bekannt, dass zu einer automatischen Erkennung von Objekten, beispielsweise zur automatischen Erkennung von Verkehrszeichen im Straßenverkehr, die Objekte mittels einer optischen Erfassungseinheit erfasst und mit Mustern verglichen werden. Zu diesem Zweck werden die Muster mittels verschiedener Verfahren und Vorrichtungen erstellt, den Mustern wird eine Bedeutung zugewiesen und zum Vergleich mit den erfassten Objekten werden die Muster gespeichert.It is well known that for automatic detection of Objects, for example for automatic recognition of traffic signs in the Road traffic, the objects by means of an optical detection unit recorded and compared with patterns. For this purpose will be creating the patterns using different methods and devices, the patterns are assigned a meaning and compared with the collected objects are stored the patterns.

Ein Verfahren zur Kennzeichnung von Mustern, die als gespeicherte Information vorliegen, ist aus der DE 101 10 275 A1 bekannt, wobei Kennzeichnungsvorschläge erzeugt werden, die von einem Bearbeiter geprüft werden. Die Kennzeichnungsvorschläge werden automatisch in einem Computersystem erzeugt und dem Bearbeiter werden das Muster und der Kennzeichnungsvorschlag für das Muster mittels eines Computerprogramms dargestellt, wobei der Bearbeiter den Kennzeichnungsvorschlag annehmen kann, um dem Muster seine Bedeutung zuzuweisen. Alternativ kann der Bearbeiter den Kennzeichnungsvorschlag auch zurückweisen oder ändern.A method for identifying patterns that are stored as stored information is known from US 5,156,237 DE 101 10 275 A1 known, wherein labeling proposals are generated, which are checked by an editor. The tagging suggestions are automatically generated in a computer system and the processor is presented with the pattern and the tagging suggestion for the pattern by means of a computer program, whereby the operator can accept the tagging suggestion to assign its meaning to the pattern. Alternatively, the engineer can also reject or change the labeling proposal.

Der Erfindung liegt die Aufgabe zugrunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Identifizierung von Objekten anzugeben, mittels dem eine verbesserte Identifizierung bei gleichzeitig verringertem Aufwand realisierbar ist.Of the Invention is based on the object, a relation to the Prior art improved method for the identification of Specify objects by means of which an improved identification at the same time reduced effort is feasible.

Die Erfindung wird mit einem Verfahren gelöst, welches die im Anspruch 1 angegebenen Merkmale aufweist.The Invention is achieved by a method which the Having specified in claim 1 features.

Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.advantageous Embodiments of the invention are the subject of the dependent claims.

Bei dem erfindungsgemäßen Verfahren zur Identifizierung von Objekten, insbesondere von Verkehrszeichen, werden die Objekte mittels einer in einem Fahrzeug integrierten Erfassungseinheit erfasst und die erfassten Objekte zur Identifizierung mit gespeicherten Mustern verglichen.at the method of identification according to the invention objects, in particular traffic signs, become the objects detected by means of a vehicle integrated in a detection unit and the detected objects for identification with stored patterns compared.

Erfindungsgemäß wird eine Bildbedeutung eines Bildes eines erfassten Objekts aus einem Fahrzustand des Fahrzeugs ermittelt und mit in einer Speichereinheit des Fahrzeugs hinterlegten Bedeutungen vordefinierter Muster verglichen. Dabei wird das Bild dann einem Klassifikator, welcher zumindest ein vordefiniertes Muster und eine Bedeutung eines Objekts enthält, als weiteres Muster hinzugefügt, wenn die Bildbedeutung der in dem Klassifikator enthaltenen Bedeutung entspricht.According to the invention a picture meaning of an image of a detected object from a Driving condition of the vehicle determined and with in a storage unit the vehicle deposited meanings of predefined patterns compared. The image is then a classifier, which at least one contains a predefined pattern and a meaning of an object, added as another pattern when the picture meaning corresponds to the meaning contained in the classifier.

Aufgrund dieser erfindungsgemäßen Ausbildung des Verfahrens ergibt sich in besonders vorteilhafter Weise, dass die Objekte auch dann eindeutig identifizierbar sind, wenn deren reales Erscheinungsbild von einem vorgegebenen idealen, insbesondere aus virtuellen Zeichen gebildeten Erscheinungsbild abweicht, da der vordefinierte Klassifikator durch das Hinzufügen der weiteren Muster mit der gleichen Bedeutung ”lernfähig” und somit aktualisierbar ist. Die Ermittlung der Bildbedeutung des erfassten Objekts, beispielsweise die Ermittlung eines Regelungsgehalts eines Verkehrszeichens, anhand des Fahrzustands des Fahrzeugs liefert zuverlässige Ergebnisse und ermöglicht eine automatische und schnelle Aktualisierung des Klassifikators, wobei ein manueller personal- und zeitintensiver Aufwand zur Aktualisierung des Klassifikators entfallen kann.by virtue of this inventive design of the method results in a particularly advantageous manner that the objects also then clearly identifiable, if their real appearance from a given ideal, in particular from virtual characters formed appearance differs because the predefined classifier by adding the other patterns with the same Meaning "adaptive" and thus updatable is. The determination of the image meaning of the detected object, for example the determination of a regulatory content of a traffic sign based on the driving condition of the vehicle provides reliable results and allows automatic and fast updating of the classifier, being a manual labor-intensive and time-consuming Expenses for updating the classifier can be omitted.

Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.embodiments The invention will be described below with reference to a drawing explained.

Dabei zeigen:there demonstrate:

1 schematisch ein Blockschaltbild einer Vorrichtung zur Erkennung und Klassifizierung von Objekten. 1 schematically a block diagram of an apparatus for the detection and classification of objects.

Die einzige 1 zeigt eine Vorrichtung 1 zur Erkennung und Klassifizierung von Objekten O, wobei es sich bei den Objekten O insbesondere um Verkehrszeichen handelt.The only 1 shows a device 1 for recognizing and classifying objects O, wherein the objects O are, in particular, traffic signs.

Die Vorrichtung 1 ist insbesondere in einem nicht näher dargestellten Fahrzeug angeordnet, wobei anhand der erfassten Objekte O vorzugsweise eines oder mehrere Fahrerassistenzsysteme gesteuert werden. Dabei kann ein Fahrer beispielsweise automatisch optisch und/oder akustisch auf einen auf einem Verkehrszeichen enthaltenen Regelungsgehalt, wie eine Geschwindigkeitsbegrenzung, hingewiesen werden und/oder automatische Eingriffe in den Antrieb des Fahrzeugs aufgeführt werden.The device 1 is arranged in particular in a vehicle, not shown, wherein on the basis of the detected objects O preferably one or more driver assistance systems are controlled. In this case, for example, a driver can automatically be made visually and / or acoustically aware of a control content contained on a traffic sign, such as a speed limit, and / or automatic interventions in the drive of the vehicle can be listed.

Zur Erkennung der Objekte O umfasst die Vorrichtung 1 zumindest eine optische Erfassungseinheit 2, insbesondere eine Kamera, mittels welcher die Objekte O anhand von Bildern A während des Betriebs des Fahrzeugs in einer Straßenszene erfasst werden.For detecting the objects O, the device comprises 1 at least one optical detection unit 2 , In particular a camera, by means of which the objects O are detected by means of images A during operation of the vehicle in a street scene.

Weiterhin umfasst die Vorrichtung 1 eine Speichereinheit 3, in welcher mehrere Klassifikatoren K1 bis Kn hinterlegt sind. Bei der Herstellung der Vorrichtung 1 werden die Klassifikatoren K1 bis Kn vordefiniert, wobei jeder der Klassifikatoren K1 bis Kn zumindest ein Muster M1 bis Mn eines Objekts O und eine dem jeweiligen Muster M1 bis Mn des Objekts O zugeordnete Bedeutung B1 bis Bn enthält. Die Bedeutung B1 bis Bn des Musters M1 bis Mn des Objekts O kann z. B. bei einer Ausbildung des Objekts O als Verkehrsschild ein Regelungsgehalt eines Verkehrsschilds sein.Furthermore, the device comprises 1 a storage unit 3 , in which several classifiers K 1 to K n are deposited. In the production of Vor direction 1 the classifiers K 1 to K n are predefined, each of the classifiers K 1 to K n having at least one pattern M 1 to M n of an object O and a meaning B 1 to B n assigned to the respective pattern M 1 to M n of the object O contains. The meaning B 1 to B n of the pattern M 1 to M n of the object O can, for. B. in a training of the object O as a road sign to be a regulatory content of a road sign.

Die Klassifikatoren K1 bis Kn dienen dabei der Identifizierung der erfassten Objekte O mittels einer in der Vorrichtung 1 angeordneten Datenverarbeitungseinheit 4. Zur Identifizierung der Objekte O werden der Datenverarbeitungseinheit 4 die mittels der Erfassungseinheit 2 erfassten Bilder A zugeführt und anhand der Datenverarbeitungseinheit 4 mit den in der Speichereinheit 3 hinterlegten Klassifikatoren K1 bis Kn, d. h. mit den in den Klassifikatoren K1 bis Kn enthaltenen Mustern M1 bis Mn, verglichen. Bei einer Übereinstimmung eines erfassten Bildes A mit einem der Muster M1 bis Mn, wird die jeweils dem Muster M1 bis Mn zugehörige Bedeutung B1 bis Bn dem auf dem Bild A dargestellten Objekt O zugewiesen, so dass das Fahrerassistenzsystem anhand der Bedeutung B1 bis Bn des Objekts O gesteuert wird.The classifiers K 1 to K n serve to identify the detected objects O by means of one in the device 1 arranged data processing unit 4 , To identify the objects O, the data processing unit 4 by means of the detection unit 2 captured images A and supplied by the data processing unit 4 with those in the storage unit 3 deposited classifiers K 1 to K n , ie compared with the patterns M 1 to M n contained in the classifiers K 1 to K n . In one of a captured image A with one of the pattern M 1 to M n match, each corresponding to the pattern M 1 to M n corresponding meaning is B 1 to B n the object O displayed on the screen A is assigned, that the driver assistance system based on the Meaning B 1 to B n of the object O is controlled.

So wird beispielsweise als Objekt O ein Verkehrszeichen erfasst, dessen Regelungsgehalt eine Geschwindigkeitsbegrenzung auf eine Geschwindigkeit von 70 km/h ist. Das Bild A des Verkehrszeichens wird der Datenverarbeitungseinheit 4 zugeführt, welche dieses mit den in der Speichereinheit 3 hinterlegten Mustern M1 bis Mn der Klassifikatoren K1 bis Kn vergleicht. Bei einer Übereinstimmung eines der Muster M1 bis Mn, welche beispielsweise als virtuelle Zeichen hinterlegt sind, mit dem Bild A, wird dem Verkehrszeichen die zu dem übereinstimmenden Muster M1 bis Mn zugehörige Bedeutung B1 bis Bn, nämlich die zulässige Höchstgeschwindigkeit von 70 km/h, zugewiesen.For example, as object O, a traffic sign is detected whose control content is a speed limit to a speed of 70 km / h. The image A of the traffic sign becomes the data processing unit 4 supplied with this in the storage unit 3 deposited patterns M 1 to M n of the classifiers K 1 to K n . If a match one of the patterns M 1 to M n, which are stored, for example as a virtual character, with the image A, the traffic sign, the n associated importance to the matching pattern M 1 to M B 1 to B n, namely the speed limit of 70 km / h, assigned.

Aufgrund unterschiedlicher Umgebungseigenschaften des Fahrzeugs, insbesondere Wetterbedingungen, aufgrund von Fahrzuständen F des Fahrzeugs, beispielsweise dessen Geschwindigkeit, und/oder aufgrund von unterschiedlichen Darstellungen der Objekte O mit gleicher Bedeutung B1 bis Bn ist die Hinterlegung eines Musters M1 bis Mn je Klassifikator K1 bis Kn nicht ausreichend, um erfassten Objekten O sicher die richtige Bedeutung B1 bis Bn zuzuweisen.Due to different environmental properties of the vehicle, in particular weather conditions, due to driving conditions F of the vehicle, for example its speed, and / or due to different representations of the objects O with the same meaning B 1 to B n is the deposit of a pattern M 1 to M n per classifier K 1 to K n are not sufficient to safely assign detected objects O the correct meaning B 1 to B n .

Da eine Berücksichtigung aller möglichen Muster M1 bis Mn bei der Erzeugung der vordefinierten Klassifikatoren K1 bis Kn sehr aufwändig ist, sieht das erfindungsgemäße Verfahren vor, dass die erfassten Bilder B der Objekte O, die von den hinterlegten Mustern M1 bis Mn eines Klassifikators K1 bis Kn abweichen aber deren Bildbedeutung BB1 bis BBn einer Bedeutung B1 bis Bn eines der Muster M1 bis Mn entspricht, diesem Klassifikator K1 bis Kn als weiteres Muster mM1 bis mMn zugewiesen und in der Speichereinheit 3 hinterlegt werden, so dass ein Klassifikator K1 bis Kn eine Vielzahl von Mustern M1 bis Mn und mM1 bis mMn mit der gleichen Bedeutung B1 bis Bn aufweisen kann.Since a consideration of all possible patterns M 1 to M n in the generation of the predefined classifiers K 1 to K n is very complicated, the method according to the invention provides that the captured images B of the objects O, which depend on the stored patterns M 1 to M n a classifier K 1 to K n but differ whose image significance BB 1 BB n a meaning B 1 to B of the patterns M 1 to M n corresponding to this classifier K 1 to K n as a further pattern n mM 1 mM n assigned and in the storage unit 3 so that a classifier K 1 to K n can have a plurality of patterns M 1 to M n and mM 1 to mM n with the same meaning B 1 to B n .

Um zu ermitteln, ob das mittels des Bildes B erfasste Objekt O die gleiche Bildbedeutung BB1 bis BBn wie einer der gespeicherten Klassifikatoren K1 bis Kn aufweist, wird die Bildbedeutung BB1 bis BBn des Objekts O aus einem Fahrzustand F des Fahrzeugs während der Erfassung des Objekts O ermittelt. Zu diesem Zweck wird ein Fahrerprofil aus einem Verhalten des Fahrers und weiterer nicht näher dargestellter Fahrzeugsensorik erstellt.In order to determine whether the object O detected by means of the image B has the same image meaning BB 1 to BB n as one of the stored classifiers K 1 to K n , the image significance BB 1 to BB n of the object O becomes a driving state F of the vehicle determined during the detection of the object O. For this purpose, a driver profile of a behavior of the driver and other not-shown vehicle sensor system is created.

So wird beispielsweise als Objekt O ein Verkehrszeichen erfasst, das jedoch aufgrund der oben bereits beschriebenen Gründe nicht einem der hinterlegten Muster M1 bis Mn eines der Klassifikatoren K1 bis Kn entspricht bzw. nur unvollständig identifiziert wird. Nimmt der Fahrer des Fahrzeugs das Verkehrszeichen wahr, bei dem es sich beispielsweise wiederum um die Geschwindigkeitsbegrenzung auf 70 km/h handelt, so führt er im Allgemeinen Handlungen aus, welche den Fahrzustand F des Fahrzeugs ändern und welche mittels der Fahrzeugsensorik erfassbar sind.Thus, for example, a traffic sign is detected as object O, but due to the reasons already described above does not correspond to one of the stored patterns M 1 to M n of one of the classifiers K 1 to K n or is only identified incompletely. If the driver of the vehicle perceives the traffic sign, which in turn is, for example, the speed limit of 70 km / h, he generally carries out actions which change the driving state F of the vehicle and which can be detected by means of the vehicle sensor system.

So bremst der Fahrer das Fahrzeug bei Wahrnehmung des Verkehrszeichens z. B. auf 70 km/h ab. Aufgrund des erfassten Abbremsvorgangs auf 70 km/h während der Erfassung des Verkehrszeichens wird als Bildbedeutung BB1 bis BBn die Geschwindigkeitsbegrenzung auf 70 km/h ermittelt, so dass das Bild A des Objekts O dem Klassifikator K1 bis Kn als neues Muster mM1 bis mMn zugefügt wird, welcher als Bedeutung B1 bis Bn ebenfalls die Geschwindigkeitsbegrenzung auf 70 km/h beinhaltet.Thus, the driver brakes the vehicle when the traffic sign z. B. from 70 km / h. Due to the detected deceleration process to 70 km / h during the detection of the traffic sign is determined as image meaning BB 1 to BB n the speed limit to 70 km / h, so that the image A of the object O the classifier K 1 to K n as a new pattern mM 1 to mM n , which as meaning B 1 to B n also includes the speed limit to 70 km / h.

Somit ist es in besonders vorteilhafter Weise möglich, dass z. B. bei einer international abweichenden Darstellung von Verkehrszeichen deren Regelungsgehalt sicher erkannt wird.Consequently it is possible in a particularly advantageous manner that z. B. in an internationally deviant representation of traffic signs whose regulatory content is reliably detected.

Auch kann die Bildbedeutung BB1 bis BBn des erfassten Objekts O zusätzlich aus einem Verhalten, insbesondere einer Bewegung E, eines weiteren vor dem Fahrzeug befindlichen Fahrzeugs abgeleitet werden, wobei die Bewegung E des weiteren Fahrzeugs mittels der Erfassungseinheit 2 und/oder weiteren, nicht näher dargestellten Sensoren erfasst wird. So wird z. B. während der unzureichenden Erfassung des Verkehrszeichens mit der Geschwindigkeitsbegrenzung auf 70 km/h ein Abbremsen des weiteren Fahrzeugs bei der Vorbeifahrt an dem Verkehrszeichen auf diese Geschwindigkeit erfasst. Das Fahrverhalten (Beschleunigen, Bremsen, Lenkbewegung, Absichtserklärungen, ...) wird dabei vorzugsweise mittels im Fahrzeug bereits vorhandener Assistenzsysteme, wie z. B. einem Abstandswarner oder eine Fahrzeug zu Fahrzeug Kommunikation, bestimmt. Eine zusätzliche Einbindung weiterer Assistenzsysteme ist weiterhin vorteilhaft, damit können beispielsweise auch Informationen aus der Verkehrsinfrastruktur erfasst werden, beispielsweise mittels eines Spurassistenten. Darüber hinaus besteht die Möglichkeit weitere externe Informationsquellen (Verkehrsleitsysteme, Radio Dienste, ...) bei der Bestimmung der Bildbedeutung BB1 bis BBn mit einzubeziehen.The image significance BB 1 to BB n of the detected object O can additionally be derived from a behavior, in particular a movement E, of another vehicle located in front of the vehicle, the movement E of the further vehicle being detected by the detection unit 2 and / or further, not shown sensors is detected. So z. B. detected during the insufficient detection of the traffic sign with the speed limit to 70 km / h, a deceleration of the other vehicle in passing the traffic sign to this speed. The driving behavior (acceleration, braking, Lenkbewe tion, declarations of intent, ...) is preferably carried out by means already existing in the vehicle assistance systems such. As a distance warning or a vehicle to vehicle communication determined. An additional integration of further assistance systems is furthermore advantageous, so that, for example, information from the traffic infrastructure can also be detected, for example by means of a lane assistant. In addition, it is possible to include other external sources of information (traffic control systems, radio services, ...) in determining the image meaning BB 1 to BB n .

Bevor das Bild A des erfassten Objekts O einem der Klassifikatoren K1 bis Kn vorzugsweise automatisch hinzugefügt wird, kann die ermittelte Bildbedeutung BB1 bis BBn automatisch durch die Datenverarbeitungseinheit 4 überprüft werden, wobei z. B. der Fahrzustand F des eigenen Fahrzeugs mit dem Verhalten des zumindest einen vorausfahrenden Fahrzeugs verglichen wird, so dass bei einer Übereinstimmung das Bild A des Objekts O als weiteres Muster mM1 bis mMn einem der Klassifikatoren K1 bis Kn hinzugefügt wird.Before the image A of the detected object O is preferably automatically added to one of the classifiers K 1 to K n , the determined image significance BB 1 to BB n can be automatically generated by the data processing unit 4 be checked, with z. For example, the driving state F of the own vehicle is compared with the behavior of the at least one preceding vehicle, so that in case of coincidence the image A of the object O is added as another pattern mM 1 to mM n to one of the classifiers K 1 to K n .

Alternativ oder zusätzlich kann die Bildbedeutung BB1 bis BBn auch manuell überprüft werden. So kann beispielsweise dem Fahrer des Fahrzeugs das erfasste Bild A des Objekts O und eine Bildbedeutung BB1 bis BBn vorgeschlagen werden, wobei dieser das Zufügen des erfassten Bilds B als weiteres Muster mM1 bis mMn zu einem der Klassifikatoren K1 bis Kn bestätigen oder verwerfen kann.Alternatively or additionally, the image significance BB 1 to BB n can also be checked manually. Thus, for example, the driver of the vehicle, the captured image A of the object O and a picture meaning BB 1 to BB n are proposed, this of adding the captured image B as another pattern mM 1 to mM n to one of the classifiers K 1 to K n confirm or reject.

Ferner können bei Erfassung eines Objekts O, dessen Bildbedeutung BB1 bis BBn keinem der Klassifikatoren K1 bis Kn zuordbar ist, auch neue Klassifikatoren K1 bis Kn erzeugt werden, wobei die Erzeugung automatisch erfolgt und deren endgültige Verwendung und Hinterlegung vorzugsweise anhand einer automatischen und/oder manuellen Überprüfung bestätigt oder verworfen werden.Furthermore, upon detection of an object O whose image meaning BB 1 to BB n can not be assigned to any of the classifiers K 1 to K n , new classifiers K 1 to K n can also be generated, wherein the generation takes place automatically and their final use and deposit are preferably based on an automatic and / or manual check confirmed or rejected.

Auch ist es möglich die aktualisierten Klassifikatoren K1 bis Kn insbesondere während Werkstattaufenthalten des Fahrzeugs auszulesen und diese wahlweise mit oder ohne nochmalige zusätzliche Überprüfung auf Richtigkeit zur Aktualisierung bzw. als so genanntes Update für gleichartige Vorrichtungen wie die dargestellte Vorrichtung 1 verwenden. Somit ist ebenfalls möglich, dem Fahrzeug mit der Vorrichtung 1 aktualisierte Klassifikatoren K1 bis Kn anderer Fahrzeuge hinzufügen.It is also possible to read out the updated classifiers K 1 to K n, in particular during workshop stays of the vehicle, and these optionally with or without additional checking for correctness for updating or as a so-called update for similar devices as the illustrated device 1 use. Thus, it is also possible to the vehicle with the device 1 add updated classifiers K 1 to K n of other vehicles.

11
Vorrichtungcontraption
22
Erfassungseinheitacquisition unit
33
Speichereinheitstorage unit
44
DatenverarbeitungseinheitData processing unit
AA
Bildimage
B1 bis Bn B 1 to B n
Bedeutungimportance
BB1 bis BBn BB 1 to BB n
Bildbedeutungimage meaning
Ee
BewegungMove
FF
Fahrzustanddriving condition
K1 bis Kn K 1 to K n
Klassifikatorclassifier
M1 bis Mn M 1 to M n
Mustertemplate
mM1 bis mMn mM 1 to mM n
Mustertemplate
OO
Objektobject

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDE 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 The documents listed by the applicant have been automated generated and is solely for better information recorded by the reader. The list is not part of the German Patent or utility model application. The DPMA takes over no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

  • - DE 10110275 A1 [0003] DE 10110275 A1 [0003]

Claims (4)

Verfahren zur Identifizierung von Objekten (O), insbesondere von Verkehrszeichen, wobei die Objekte (O) mittels einer in einem Fahrzeug integrierten Erfassungseinheit (2) erfasst und die erfassten Objekte (O) zur Identifizierung mit gespeicherten Mustern (M1 bis Mn) verglichen werden, dadurch gekennzeichnet, dass eine Bildbedeutung (BB1 bis BBn) eines Bildes (A) eines erfassten Objekts (O) aus einem Fahrzustand (F) des Fahrzeugs ermittelt wird und mit in einer Speichereinheit (3) des Fahrzeugs hinterlegten Bedeutungen (B1 bis Bn) vordefinierter Muster (M1 bis Mn) verglichen wird, wobei das Bild (A) dann einem Klassifikator (K1 bis Kn), welcher zumindest ein vordefiniertes Muster (M1 bis Mn) und eine Bedeutung (B1 bis Bn) eines Objekts (O) enthält, als weiteres Muster (mM1 bis mMn) hinzugefügt wird, wenn die Bildbedeutung (BB1 bis BBn) der in dem Klassifikator (K1 bis Kn) enthaltenen Bedeutung (B1 bis Bn) entspricht.Method for identifying objects (O), in particular traffic signs, wherein the objects (O) are detected by means of a detection unit (integrated in a vehicle) ( 2 ) and the detected objects (O) for identification with stored patterns (M 1 to M n ) are compared, characterized in that an image meaning (BB 1 to BB n ) of an image (A) of a detected object (O) from a Fahrzustand (F) of the vehicle is determined and with in a storage unit ( 3 ) of the vehicle (B 1 to B n ) predefined patterns (M 1 to M n ) is compared, the image (A) then a classifier (K 1 to K n ), which at least one predefined pattern (M 1 to M n ) and a meaning (B 1 to B n ) of an object (O) is added as a further pattern (mM 1 to mM n ) when the image meaning (BB 1 to BB n ) in the classifier (K 1 meaning (B 1 to K n) contained to B n). Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Bildbedeutung (BB1 bis BBn) zusätzlich aus einer erfassten Bewegung (E) zumindest eines weiteren Fahrzeugs abgeleitet wird.Method according to Claim 1, characterized in that the image significance (BB 1 to BB n ) is additionally derived from a detected movement (E) of at least one further vehicle. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Bildbedeutung (BB1 bis BBn) vor dem Hinzufügen des Bilds (A) des Objekts (O) zu dem Klassifikator (K1 bis Kn) automatisch und/oder manuell auf Richtigkeit überprüft wird.A method according to claim 1 or 2, characterized in that the image meaning (BB 1 to BB n ) before adding the image (A) of the object (O) to the classifier (K 1 to K n ) automatically and / or manually for correctness is checked. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Bild (A) des erfassten Objekts (O) dem Klassifikator (K1 bis Kn) als weiteres Muster (mM1 bis mMn) unmittelbar nach der Erfassung sowie der Ermittlung und/oder Überprüfung der Bildbedeutung (B1 bis Bn) automatisch zugewiesen wird.Method according to one of the preceding claims, characterized in that the image (A) of the detected object (O) the classifier (K 1 to K n ) as another pattern (mM 1 to mM n ) immediately after detection and determination and / or image significance checking (B 1 to B n ) is automatically assigned.
DE102009009904A 2009-02-20 2009-02-20 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 Withdrawn DE102009009904A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102009009904A DE102009009904A1 (en) 2009-02-20 2009-02-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102009009904A DE102009009904A1 (en) 2009-02-20 2009-02-20 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

Publications (1)

Publication Number Publication Date
DE102009009904A1 true DE102009009904A1 (en) 2009-10-15

Family

ID=41060790

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102009009904A Withdrawn DE102009009904A1 (en) 2009-02-20 2009-02-20 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

Country Status (1)

Country Link
DE (1) DE102009009904A1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009051783A1 (en) * 2009-11-03 2011-05-05 Thorsten Hohenadel Device for limiting speed of vehicle, has image or character recognition system for determining variable and for determining or limiting maximum speed of vehicle
DE102011001248A1 (en) 2011-03-14 2012-09-20 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method for assisting driver of motor car, involves detecting motion information of object by radar measuring device so as to perform the object tracking
CN113077051A (en) * 2021-04-14 2021-07-06 广东博智林机器人有限公司 Network model training method and device, text classification model and network model

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10110275A1 (en) 2001-03-02 2002-09-19 Daimler Chrysler Ag Method for semi-automatic recognition or classification of random sample patterns in which a pattern is first accessed by a computer system and a suggestion made, with the suggestion accepted or rejected by an operator

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10110275A1 (en) 2001-03-02 2002-09-19 Daimler Chrysler Ag Method for semi-automatic recognition or classification of random sample patterns in which a pattern is first accessed by a computer system and a suggestion made, with the suggestion accepted or rejected by an operator

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009051783A1 (en) * 2009-11-03 2011-05-05 Thorsten Hohenadel Device for limiting speed of vehicle, has image or character recognition system for determining variable and for determining or limiting maximum speed of vehicle
DE102011001248A1 (en) 2011-03-14 2012-09-20 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method for assisting driver of motor car, involves detecting motion information of object by radar measuring device so as to perform the object tracking
CN113077051A (en) * 2021-04-14 2021-07-06 广东博智林机器人有限公司 Network model training method and device, text classification model and network model
CN113077051B (en) * 2021-04-14 2024-01-26 南京零洞数智科技有限公司 Network model training method and device, text classification model and network model

Similar Documents

Publication Publication Date Title
DE19982422C1 (en) Road sign recognition device reduces image data to simplified representation by erasing regions containing class-specific attribute data
DE102017107264A1 (en) VISIBLE RAIN RECOGNITION USING DEEP LEARNING
EP2179381A1 (en) Method and apparatus for recognizing traffic signs
DE102008057675A1 (en) Traffic sign recognizing method for driver of vehicle, involves assigning additional character to traffic sign, searching additional character in given positions, and detecting additional character by edge detector and grey value detector
DE102010013943A1 (en) Method and device for a functional test of an object recognition device of a motor vehicle
DE102014106506A1 (en) Method for carrying out a diagnosis of a camera system of a motor vehicle, camera system and motor vehicle
DE102017209496B4 (en) Method and device for classifying an object for a vehicle
DE102017216267B4 (en) Method and device for data reduction of feature-based environment information of a driver assistance system
WO2013152929A1 (en) Learning method for automated recognition of traffic signs, method for determining an updated parameter set for the classification of a traffic sign and traffic sign recognition system
DE102017215283A1 (en) Method for anonymizing an image for a camera system of a motor vehicle, image processing device, camera system and motor vehicle
DE102016120066A1 (en) A computer implemented method for controlling an object recognition system
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
DE102018010039A1 (en) Method for recognizing at least one pattern in an environment of a vehicle, control device for executing such a method, and vehicle with such a control device
DE102020004790A1 (en) Device for recognizing traffic signs from a vehicle
DE102008057671A1 (en) Vehicle's e.g. commercial passenger car, surrounding area monitoring method, involves illuminating vehicle and/or surrounding area of vehicle depending on captured real illumination in overall image
DE102019118106B4 (en) Method for determining a visibility
DE102007021579A1 (en) Traffic sign i.e. circular traffic sign, classifying method, involves classifying object in dependence of classification process and/or classification result, by another different classification process for classification of traffic sign
DE102021205447A1 (en) Data enrichment for training image classifiers
DE102016107530A1 (en) Regulation speed indicator of a vehicle
EP3734557A1 (en) Method for providing training data for adaptive situation recognition algorithms and method for automated situation detection of operating situations of a vehicle for public transport
DE102019207700A1 (en) Classification device for object detection in environment sensor data and methods
DE102019208864A1 (en) Detection system, working procedures and training procedures
DE102019005825A1 (en) Method for generating training data for an electronic computing device external to the motor vehicle, and driver assistance system
DE102018008993A1 (en) Method for determining a state of infrastructure objects, control device and computer program product
DE102017207958A1 (en) A method of generating training data for a machine learning based pattern recognition method for a motor vehicle, motor vehicle, method of operating a computing device, and system

Legal Events

Date Code Title Description
OAV Publication of unexamined application with consent of applicant
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee