Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB  |
Pfadprädiktion und Risikobewertung Die Prädiktion möglicher Pfade, welchen z.B. Fußgänger oder Fahrzeuge in einer gegebenen Situation folgen werden, bildet einen zentralen Baustein für eine automatisierte Risikobewertung. Hierbei bietet die Prädiktion, im Gegensatz zu zeitlich rückwärts gerichteten Inferenzmethoden, den Vorteil, dass sie ohne Zeitverzögerung erfolgen kann. Zielsetzung. Aufbauend auf tiefen rekurrenten Netzwerken wird ein statistisches Verhaltensmodell aufgebaut. Dabei werden in dem Verhaltensmodell unterschiedliche Informationsquellen integriert. Hierzu können z.B. visuell wahrnehmbare Hindernisse, das Verhalten anderer Agenten, sowie Bewegungsprofile entlang von Trajektorien zur Vorhersage genutzt werden. |
 |
Automatische Generierung komplexer Filterarchitekturen Zustandsschätzer, wie z.B. lineare Kalman-Filter oder Partikelfilter, werden insbesondere zur Modellierung dynamischer Systeme genutzt, wie sie z.B. bei Trackingverfahren zum Einsatz kommen. Um diese effizient nutzen zu können müssen allerdings eine Vielzahl von Modellannahmen, z.B. über Objektdynamiken oder über die Struktur der Systemzustände, getroffen werden. Bei komplexen Systemen ist eine manuelle Modellierung allerdings nur eingeschränkt möglich. Zielsetzung ist die Entwicklung eines auf Methoden des maschinellen Lernen beruhenden Ansatzes, welcher automatisch komplexe Filterarchitekturen erzeugen kann. Hierbei werden Anwendung anvisiert, welche komplexe Filtersysteme erfordern, wie z.B. die Beobachtung von Objekten ohne Tiefeninformationen ("monokulares Tracking"). |
 |
Integriertes Trackmanagement Im Bereich der ansichtsbasierten Objektdetektion bilden Trackingverfahren i.d.R. einen nachgeschalteten Verarbeitungsschritt, der dazu genutzt wird die Identität einzelner Objekte über mehrere Bilder hinweg sicher zu stellen. Neben direkten Anwendungen, wie z.B. der Erzeugung von Bewegungsprofilen, werden Trackingansätze auch zur Verbesserung der Systemleistung genutzt. Aktuell werden Detektion und Tracking i.d.R. allerdings als isolierte Bausteine betrachtet. Zielsetzung ist die Entwicklung einer auf "Deep Learning" basierenden Architektur welche Objektdetektion und Trackmanagement integriert. Hierdurch werden ad-hoc Verarbeitungsschritte eliminiert, was z.B. zu einer robusteren Datenassoziation führt. |
 |
Semi-automatische Datenakquisition und -aufbereitung Die Verfügbarkeit großer Datenmengen in Kombination mit qualitativ hochwertigen Grundwahrheitsdaten ist die Grundlage für die meisten aktuellen Verfahren des maschinellen Lernens. Die manuelle Erzeugung großer Datenmengen, welche z.B. für "Deep Learning" Ansätze geeignet sind stellt trotz der rapiden algorithmischen Weiterentwicklung eine große Hürde für die Anwendbarkeit lernbasierter Verfahren dar. Zielsetzung ist die Entwicklung eines interaktiven Modellierungswerkzeuges, welches neben der rein manuellen Erzeugung von Grundwahrheitsdaten auch automatisierte Komponenten zur Aufbereitung von Daten bereit stellt. Hierzu zählen u.A. auch Funktionalitäten zum Schutz der Privatsphäre durch Anonymisierung von Videodaten, wie z.B. dem Entfernen von Kennzeichen. |
 |
Automatisches Monitoring von Aktivitäten in Innenräumen Zu den wesentlichen Herausforderungen beim automatischen Erfassen von Aktivitäten in Innenräumen mittels Videotechnik, zählen u.A. auch legale und soziale Problemstellungen, Fragen der Skalierbarkeit, und auch Fragen der Kompatibilität mit anderen cyber-physikalischen Sicherheitssystemen. Zielsetzung des Projekts ist die Entwicklung von Videoanalysekomponenten welche eine automatische Generierung von Log-Daten unterstützten. Mit Hilfe der Log-Daten können z.B. Ereignisse in Videoströmen auf einem semantisch abstrakten Niveau zusammengefasst, indiziert, oder mit anderen cyber-physikalischen Systemen fusioniert werden. |
 |
Multi-Spektrale Videoanalyse IR-Daten bieten in Ergänzung zu Videodaten im sichtbaren Spektrum den Vorteil das sie auch bei schwacher Umgebungsbeleuchtung ausreichend Informationen liefern können. Insbesondere bei stark veränderlichen Licht- und Wetterbedingungen kommen hierbei multi-spektrale Ansätze zum Einsatz. Bei der Anwendung maschineller Lernverfahren entsteht allerdings das Problem, dass im IR-Bereich nur sehr eingeschränkt Trainingsdaten zur Verfügung stehen. Zielsetzung ist die Entwicklung geeigneter Lernverfahren welche Informationen aus dem sichtbaren Spektrum in das IR-Spektrum übertragen können, um hierdurch Ansätze wie Objektdetektion und ansichstbasierte Aktionsklassifikation für multi-spektrale Sensorsysteme anwendbar zu machen. |
 |
Autokalibrierung von "Master-Slave" Systemen Um große Bereiche von einem einzelnen Beobachtungspunkt aus erfassen zu können, muß ein Ausgleich zwischen der Größe des Öffnungswinkels des optischen Systems und der für die meisten Bildverarbeitungsaufgaben notwendigen Mindestauflösung gefunden werden. Multi-fokale Systeme bieten hierbei eine Möglichkeit diesem Problem zu begegnen. Hierbei können multi-fokale Systeme als sogenannte "Master-Slave"-Systeme konzipiert werden, wobei allerdings eine gegenseitige Registrierung der einzelnen Kameras erforderlich ist. Zielsetzung ist die Entwicklung einer einfachen Methode zur Selbstkalibrierung, welche die Verwendung kommerzieller Kameras erlaubt, und weiterhin auch keine großen Anforderungen an die Qualität der Kameraaufhängung stellt. |
 |
"Online" Visualisierung von Personentracks mit einer Kamera Das Beobachten und Einschätzen von Situationen über einen längeren Zeitraum stellt menschliche Beobachter vor große Herausforderungen. Dies gilt insbesondere in komplexen, dynamischen Szenen in denen viele Ereignisse parallel ablaufen. Zielsetzung ist die Entwicklung von Verfahren, welche eine statische Ansicht auf dynamische Szenen generieren und somit menschliche Beobachter entlasten können. Hierzu werden aus Personentracks automatisch einzelne optimale Ansichten ("Best Shot Analyse") ausgewählt, sowie eine statische Zusammenfassung einzelner Bewegungsabläufe generiert. |