Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Analyse und Entwicklung einer Objektklassifizierung von Zusatzzeichen der StVO basierend auf Kameradaten eines automatisierten Fahrzeugs

 
: Gröger, Simon
: Elster, Lukas; Mori, Ken; Kuijper, Arjan

Darmstadt, 2021, 69 S.
Darmstadt, TU, Bachelor Thesis, 2021
Deutsch
Bachelor Thesis
Fraunhofer IGD ()
Lead Topic: Smart City; Research Line: Computer vision (CV); Research Line: Machine Learning (ML); deep learning; object class detection; classification performance; autonomous driving

Abstract
Die Erkennung von Verkehrszeichen, welche bereits in vielen automatisierten Fahrzeugen durchgeführt wird, beschränkt sich meistens auf Hauptverkehrszeichen. Dagegen gibt es bisher kaum Forschung bezüglich der Erkennung von Zusatzzeichen, obwohl deren Erkennung notwendig ist, damit ein autonomes Fahrzeug zugelassen werden darf. Außerdem existieren bislang keine öffentlich verfügbaren Datensätze für Zusatzzeichen. Im Projekt „aDDa 4 Students“ existiert eine Verkehrszeichenkennung, welche bisher nur Hauptverkehrszeichen klassifiziert und nun auf die Klassifikation von Zusatzzeichen angepasst wird. Dafür wird basierend auf dem Einsatzgebiet des Testfahrzeugs eine Auswahl relevanter Zusatzzeichen zusammengestellt. Die zu klassifizierenden Zusatzzeichen werden anhand dreier Kriterien ausgewählt: erstens ihre Relevanz für ein autonomes Fahrzeug, zweitens der Kompatibilität mit dem aktuellen Autonomen System und drittens der Häufigkeit des Auftretens im Einsatzgebiet. Ein Datensatz dieser ausgewählten Zusatzzeichen wird generiert. Für eine hohe Robustheit wird der Datensatz sowohl mithilfe der Kameras des Testfahrzeugs als auch mithilfe anderer Kameras aufgenommen. Aufgrund der geringen Größe des Datensatzes werden Data-Augmentationen angewendet, um mit einem größeren und diverseren Datensatz zu trainieren, wobei die Augmentationen genau ausgewählt werden. Das bestehende Klassifikationsnetz für Verkehrszeichen wird um die ausgewählten Zusatzzeichen erweitert. Dabei werden verschiedene Architekturen, Augmentationen und Learningrates trainiert und deren Klassifikationsgenauigkeit verglichen. Es wird eine Validierungsgenauigkeit von 90,39% erzielt. Außerdem werden die Zusatzzeichen jeweils einem Verkehrszeichen zugeordnet. Die Zuordnung erfolgt mithilfe heuristischer Regeln auf den klassifizierten und lokalisierten Verkehrszeichen und berücksichtigt dabei Position sowie Typ der Zusatz- und Hauptverkehrszeichen. Insgesamt wird die Verkehrszeichenklassifikation um 23 Zusatzzeichen erweitert und die Klassifikationsgenauigkeit steigt von 76,36% auf 90,39 %. Aufgrund der Verwendung einer leichtgewichtigeren Architektur sinkt die Laufzeit der Klassifikation eines Verkehrszeichens im Vergleich zur bisherigen Verkehrszeichenklassifikation um 16,5 %.

: http://publica.fraunhofer.de/dokumente/N-640706.html