Sichtbasierte Fussgaengererkennungssysteme : effiziente Klassifizierung und verbesserte Leistungsbewertung / Vision-based pedestrian detection : efficient Classification and improved evaluation of performance.

Die Europaeische Kommission unterstuetzt mit ihrem eSafety-Programm Massnahmen, die die Anzahl der Unfaelle bis zum Jahr 2010 um 50 Prozent reduzieren sollen. Hauptsaechlich der Schutz der Fussgaenger sollte durch die europaeische Gesetzgebung deutlich erhoeht werden. Im Fruehjahr 2003 hat die Europaeische Kommission eine Richtlinie zum Schutz von Fussgaengern uebernommen, die den Verletzungsgrad der verschiedenen Koerperbereiche eines Fussgaengers definiert, der in einen Unfall mit einem Fahrzeug verwickelt war. Eine der verschiedenen Methoden, um die Zahl der an einem Verkehrsunfall beteiligten Fussgaenger herabzusetzen, ist die Entwicklung von Fussgaengererkennungssystemen, welche einen Fussgaenger vor einem Fahrzeug erkennen und den Fahrer fruehzeitig warnen oder aktiv eingreifen, bevor es zu einem Unfall kommt. Dieser Bericht enthaelt eine kurze Uebersicht ueber die Funktionen und beschreibt Klassifizierungsmodule, die auf der Bildverarbeitung von Fussgaengererkennungssystemen beruhen. Aehnlich wie bei vielen anderen Fussgaengererkennungssystemen beruht das System auf einer Kombination von Funktionen, insbesondere das so genannte "overcomplete Wavelet" und eine Kombination von Funktionen der Symmetrie- und Randdichte. Andere Funktionen sind Legendre Momente und das Edge Orientation Histogram (EOH). Diese neue Konstellation von Besonderheiten fuehrt zu hervorragenden Testresultaten in Bezug auf Laufzeit und Leistungsklassifikation, da die Klassifizierer stufenfoermig angeordnet werden koennen, um die gesamten Berechnungskosten niedrig zu halten. Hiermit soll gezeigt werden, dass besonders die Kombination von mehreren Funktionen zu befuerworten ist. So genannte Support-Vektor-Maschinen werden als Klassifizierer angewandt, da sie einfach zu handhaben und zu implementieren sind (im Vergleich zu einem neuronalen Netz). Auf Grundlage von theoretischen Fakten sind schnell lernende Algorithmen verfuegbar Diese haben sich durch sehr gute experimentelle Ergebnisse bewaehrt. Klassifizierer muessen zunaechst ausgewertet werden, um Leistungen messen und vorausberechnen zu koennen. Eine Auswertung darf nicht auf subjektiven Eindruecken beruhen, sondern es muessen statistische Analysen hinzugezogen werden. Statistische Messungen alleine reflektieren jedoch nicht die Leistung eines Klassifizierers unter realistischen Betriebsbedingungen. Ausserdem ist es wichtig, das Training und die Auswertung des Klassifizierers richtig auszulegen. Diese Gesichtspunkte werden im Einzelnen besprochen. Insbesondere wird darauf hingewiesen, dass eine Auswertung benutzt wird, die nicht nur auf Genauigkeit basiert, sondern auf fortgeschritteneren, statistischen Messungen, die auf Praezision und Wiederaufruf beruhen: Die so genannte F-Messung ermoeglicht die Erstellung der Prioritaet der Klassifizierungs-Ergebnisse waehrend des Trainings, um falsche Positive (FP) zu Lasten von falschen Negativen (FN) zu vermeiden. Die meisten Forschungsteams haben leider die Auswahl der richtigen statistischen Massnahmen fuer das Training und die Tests in der Vergangenheit vernachlaessigt, obwohl diese eine wichtige Rolle spielen, um gute Resultate fuer das endgueltige System zu erreichen. Titel in Englisch: Vision-based pedestrian detection: Efficient Classification and improved evaluation of performance. Siehe auch Gesamtaufnahme der Tagung, ITRD-Nummer D358921.