Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern
(Intelligent Embedded Systems ; ; v. 9)
データ種別 | 電子ブック |
---|---|
出版者 | Kassel : Kassel University Press GmbH |
出版年 | 2017 |
本文言語 | ドイツ語 |
大きさ | 1 online resource (179 pages) |
書誌詳細を非表示
資料種別 | 機械可読データファイル |
---|---|
内容注記 | Front Cover; Reihentitel; Titelseite; Impressum; Zusammenfassung; Abstract; Danksagung; Inhaltsverzeichnis; Akronyme; Symbole; Kapitel 1 Einführung; 1.1 Motivation und Problembeschreibung; 1.2 Zielsetzung der Arbeit; 1.2.1 Analyse von Bewegungsverläufen; 1.2.2 Modellierung des Bewegungsverhaltens; 1.3 Eigene Veröffentlichungen; 1.4 Aufbau der Arbeit; Kapitel 2 Stand der Technik; 2.1 Analyse von Bewegungsverhalten; 2.1.1 Laborstudien; 2.1.2 Studien im öffentlichen Straßenverkehr; 2.1.3 Fußgängererkennung und -tracking; 2.2 Modellierung von Bewegungsverhalten 2.2.1 Modellierung auf Basis der Trajektorie2.2.2 Modellierung auf Basis videobasierter Modelle; 2.3 Relevanter Zeithorizont; 2.4 Zwischenfazit; Kapitel 3 Messung des Bewegungsverhaltens; 3.1 Messeaufbau an einer öffentlichen Kreuzung; 3.1.1 Konzept; 3.1.2 Öffentliche Versuchskreuzung; 3.1.3 Sensoraufbau; 3.2 Extraktion von Fußgängertrajektorien; 3.2.1 Architektur; 3.2.2 Fußgängerdetektion; 3.2.3 Kopfdetektion; 3.2.4 Template Matching; 3.2.5 2D-Fusion; 3.2.6 2D-Tracking und Objektverwaltung; 3.2.7 Triangulation und Tracking in 3D-Weltkoordinaten; 3.3 Zwischenfazit Kapitel 4 Voraussetzungen zur Modellierung des Bewegungsverhaltens4.1 Überlegungen zu Orts- und Zeitvorgaben; 4.1.1 Prädikationshorizont; 4.1.2 Anforderung an die Positionsgenauigkeit der Prädiktion; 4.2 Ermittlung der Ground-Truth-Daten; 4.3 Bewertung des Prädiktionsqualität; 4.3.1 Qualitätsindikatoren der Trajektorienprädiktion; 4.3.2 Qualitätsindikatoren der Klassifikation des Bewegungszustands; 4.4 Zwischenfazit; Kapitel 5 Physikalische Modellierung des Bewegungsverhaltens; 5.1 Modellierung mit CV-Kalman-Filter; 5.2 Analyse und Modellierung des Loslaufens 5.3 Analyse und Modellierung des Abstoppens5.4 Zwischenfazit; Kapitel 6 Modellierung mit selbstlernenden Vefahren; 6.1 Konzept; 6.2 Zielausgaben der Prädiktion; 6.2.1 Bewegungszustand; 6.2.2 Trajektorie; 6.3 Repräsentation der Trajektorie für die Modellierung; 6.3.1 Repräsentation als diskrete Zeitreihe; 6.3.2 Repräsentation in Form von Polynomen; 6.3.3 Ein- und ausgabespezifische Aspekte; 6.4 Selbstlernende Verfahren und Optimierung; 6.5 Zwischenfazit; Kapitel 7 Ergebnisse; 7.1 Prädiktion des Bewegungszustands; 7.1.1 Repräsentation in zwei Klassen; 7.1.2 Repräsentation in vier Klassen 7.2 Prädiktion der Trajektorie7.2.1 Einfluss der Parametrierung; 7.2.2 Analyse der Prädiktionsfehler; 7.3 Zweistufige Ansätze zur Prädiktion; 7.3.1 Physikalische Modelle des Loslaufens; 7.3.2 Bewegungsspezifisch trainierte selbstlernende Modelle; 7.4 Laufzeit für Training und Echtzeit-Anwendung; 7.5 Zwischenfazit; Kapitel 8 Zusammenfassung und Ausblick; 8.1 Zusammenfassung der Arbeit; 8.2 Ausblick; Anhang; A.1 Final optimierte Konfiguration der Polynom-MLP-Prädiktion ; A.2 Variation der Größe der Eingabefenster; A.3 Variation der Ausgabekonfiguration |
一般注記 | Open Access A.4 Variation der Größe der verdeckten Schichten des MLP Print version record |
著者標目 | *Goldhammer, Michael. |
件 名 | BSH:Electronic books LCSH:Electronic traffic controls LCSH:Algorithms LCSH:Pedestrian accidents FREE:Algorithms FREE:Electronic traffic controls FREE:Pedestrian accidents |
分 類 | DC23:625.794 |
書誌ID | ED00003700 |
ISBN | 9783737602532 |