Lernen von Erscheinungsbildern in virtuellen Szenarien zur Fußgängererkennung

Die Erkennung von Fußgängern in Bildern ist eine Schlüssel-Funktionalität, um Kollisionen zwischen Fahrzeugen und Fußgängern zu vermeiden. Die vielversprechendsten Detektoren basieren auf appearances-basierten Fußgänger-Klassifikatoren, die mit beschrifteten Proben trainiert werden. Diese Arbeit beschäftigt sich mit der folgenden Frage: Kann ein in virtuellen Szenarien erlerntes Fußgänger-Erscheinungsbildmodell erfolgreich zur Fußgängererkennung in echten Bildern eingesetzt werden? (Abb. 1). Unsere Experimente deuten auf eine positive Antwort hin, die eine neue und relevante Schlussfolgerung für die Forschung zur Fußgängererkennung darstellt. Genauer gesagt, nehmen wir Trainingssequenzen in virtuellen Szenarien auf, und anschließend werden appearances-basierte Fußgänger-Klassifikatoren mit HOG und linearem SVM erlernt. Wir testen solche Klassifikatoren in einem öffentlich verfügbaren Datensatz, der von der Daimler AG zur Benchmarking der Fußgängererkennung bereitgestellt wurde. Dieser Datensatz enthält reale Bilder, die aus einem fahrenden Auto aufgenommen wurden. Das erzielte Ergebnis wird mit dem eines Klassifikators verglichen, der mit Proben aus echten Bildern erlernt wurde. Der Vergleich zeigt, dass, obwohl virtuelle Proben nicht speziell ausgewählt wurden, sowohl virtuelle als auch reale Trainings ähnliche Klassifikatoren mit ähnlich guter Leistung hervorbringen.