Räumlich-zeitliche Szeneninterpretation einer videobasierten Umfelderfassung zur Fahrerassistenz

Mit steigendem Grad der Automatisierung von Fahrerassistenzsystemen wachsen die Anforderungen an eine maschinelle Umfelderfassung. Die vorliegende Arbeit konzentriert sich dabei speziell auf Videosensorik. Ausgehend von der Zuordnungsproblematik kantenbasierter Merkmale wird die Nutzung sog. punktbasierter, unspezifischer Bildmerkmale innerhalb einer Bildfolgeauswertung nach dem 4D-Ansatz motiviert. Deren maßgeblicher Vorteil liegt in einem hohen Unterscheidungswert als grundlegende Voraussetzung für eine zuverlässige Korrespondenzfindung. Dem entgegen steht das in der Literatur vielfach angesprochene Driftproblem, aufgrund des Fehlens einer unmittelbaren Entsprechung in der Objektmodellierung gleichermaßen wie eines über der Zeit veränderlichen Erscheinungsbildes. Im Kontext der Erkennung von Fremdfahrzeugen werden hierzu zwei alternative, grundsätzlich verschiedene Lösungsansätze präsentiert, einmal basierend auf einer Merkmalsverfolgung, das andere Mal ausgehend von einem Merkmalsfluss. Voraussetzung für eine zuverlässige Zustandsschätzung schafft in beiden Fällen die kombinierte Betrachtung mit kantenbasierten Merkmalen, aufgrund derer komplementären Eigenschaften. Im Gegensatz zur Betrachtung eines Merkmalsflusses zwischen aufeinander folgenden Einzelbildern, liegt der Zweck einer Merkmalsverfolgung in der Bestimmung der Bildposition ein und desselben Merkmals über einen längeren Zeitraum und mehrere Einzelbilder hinweg. Hierzu wird ein recheneffizientes Verfahren vorgestellt, sowie dessen Eignung im Kontext einer Zustandsschätzung von Fremdfahrzeugen anhand experimenteller Ergebnisse belegt. Im Sinne eines durchgängigen Konzepts bietet sich darüber hinaus die Auswertung des Merkmalsflusses unbekannter Bildbereiche bereits zur initialen Detektion von Fremdfahrzeugen, aber auch von Hindernissen allgemeiner Art, an. Die theoretischen Grenzen der Detektierbarkeit werden dazu diskutiert. Ein Grundgedanke dieser Arbeit besteht entgegen früherer Arbeiten zum 4D-Ansatz in einer vorerst vollständigen Entkopplung einzelner Erkennungsmodule voneinander, speziell von Fahrzeug- und Fahrspurerkennung. Ziel eines darauf aufbauenden Integrationsansatzes ist es, weiterhin einen Informationsaustausch zwischen Erkennungsmodulen zu deren gegenseitiger Stützung zu gestatten, sowie dabei die Konsistenz des Umfeldmodells sicherzustellen, jedoch ohne den Nachteilen einer starren Kopplung. Hierzu wird ein dezentrales Filterkonzept präsentiert.