Detailergebnis zu DOK-Nr. 79831
Erkennung entfernter Lichtsignalanlagen durch semantische Segmentierung (Orig. engl.: Distant traffic light recognition using semantic segmentation)
| Autoren |
S. Masaki T. Hirakawa T. Yamashita H. Fujiyoshi |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 6.7.1 Verkehrssteuerung mit LSA 6.7.2 Verkehrsbeeinflussung außerorts, Verkehrsmanagement, Fahrerassistenzsysteme |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 11, 2021, S. 97-103, 5 B, 5 T, 16 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die Erkennung von Lichtsignalanlagen (LSA) ist eine wichtige Aufgabe für automatische Fahrassistenzsysteme. Herkömmliche Verfahren zur Erkennung von LSA lassen sich in modellbasierte Methoden, die häufig unter Umgebungsänderungen wie Sonnenlicht leiden, und maschinenlernbasierte Methoden einteilen, die Schwierigkeiten bei der Erkennung von weit entfernten und verdeckten LSA haben, weil sie Merkmale nicht effizient darstellen können. In der Arbeit wird eine Methode zur Erkennung weit entfernter LSA vorgeschlagen, bei der eine semantische Segmentierung zur Extraktion von LSA-Regionen aus Bildern und ein sogenanntes "gefaltetes neuronales Netzwerk“ (Convolutional Neural Network, CNN) zur Klassifizierung des Zustands der extrahierten LSA verwendet werden. Da die semantische Segmentierung Objekte Pixel für Pixel unter Berücksichtigung der Umgebungsinformationen klassifiziert, können entfernte und verdeckte LSA erfolgreich erkannt werden. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene semantische Segmentierung die Erkennungsgenauigkeit für weit entfernte LSA verbessert und eine Verbesserung der Genauigkeit von 12,8 % gegenüber der Erkennungsgenauigkeit durch Objekterkennung bestätigt. Darüber hinaus war der CNN-basierte Klassifikator in der Lage, den LSA-Status um mehr als 30 % genauer zu identifizieren als die Farbschwellenklassifizierung.