Eng gekoppelte LIDAR- und Computer Vision-Integration zur Fahrzeugerkennung

In vielen Fahrerassistenzsystemen und Anwendungen des autonomen Fahrens werden sowohl LIDAR- als auch Computer Vision (CV)-Sensoren häufig zur Fahrzeugerkennung eingesetzt. LIDAR liefert ausgezeichnete Reichweiteninformationen zu verschiedenen Objekten. Es ist jedoch schwierig, diese Objekte allein anhand von Reichweiteninformationen als Fahrzeuge zu erkennen. Andererseits ermöglicht die Computer Vision-Bildgebung eine bessere Erkennung, bietet jedoch keine hochauflösenden Reichweiteninformationen. In diesem Papier wird ein eng gekoppels LIDAR/CV- integriertes System zur Fahrzeugerkennung vorgeschlagen. Dieses Sensorsystem ist an der Vorderseite eines Testfahrzeugs montiert und zeigt nach vorne. Der LIDAR-Sensor schätzt mögliche Fahrzeugpositionen. Diese Informationen werden dann in die Bildkoordinaten umgewandelt. Verschiedene Interessensgebiete (ROIs) in der Bildgebung werden basierend auf den LIDAR-Objekthypothesen definiert. Ein Adaboost-Objektklassifikator wird dann verwendet, um das Fahrzeug in den ROIs zu erkennen. Ein Ansatz zur Fehlerkorrektur des Klassifikators wird verwendet, um eine optimale Position des erkannten Fahrzeugs auszuwählen. Schließlich werden die Position und Abmessungen des Fahrzeugs sowohl aus den LIDAR- als auch aus den Bilddaten abgeleitet. Der Hauptbeitrag dieses Papiers besteht darin, dass die komplementären Vorteile der beiden Sensoren genutzt werden. Die LIDAR-Scandaten werden zur Korrektur des Klassifikators angewendet. Und der Ausgang des Adaboost-Klassifikators wird verwendet, um Entfernungs- und Dimensionsinformationen bereitzustellen. Experimentelle Ergebnisse werden präsentiert, um zu veranschaulichen, dass dieses LIDAR/CV-System zuverlässig ist. Es kann in Anwendungen wie Verkehrsüberwachung und Straßenverkehrsnavigationsaufgaben eingesetzt werden.