Intelligente Erkennung von PKW-Marken und Baujahren über synthetische Daten

Ausgangslage

Um Fahrzeuge auch in Fällen zu erkennen, wo das Nummernschild nicht klar erkennbar oder potentiell verfälscht ist, kommt sogenannte »Vehicle Make and Model Recognition« (VMMR) zum Einsatz – die feingranulare Erkennung von Fahrzeugmarken, Modellen bis hin zu Baujahren und Lackfarben in Bilddaten.

Mit modernen KI-Methoden können hier hunderte von Fahrzeugmodellen in Echtzeit in Videodaten klassifiziert oder bei spezifischen Suchanfragen erkannt werden. Eine besondere Herausforderung insbesondere bei kritischen Anwendungen ist aber die Genauigkeit und Aktualität der Datensätze, anhand derer das Klassifikationsverfahren trainiert wurde: Das Einlernen von Fahrzeugen erfordert hochwertige Trainingsdaten in großer Zahl. Die Erhebung mittels Realdaten, die von Menschen annotiert werden, ist derweil fehleranfällig, datenschutzkritisch und mit hohem Aufwand verbunden. Entsprechend werden aktuelle Fahrzeugmodelle in gängigen Ansätzen erst spät zuverlässig erkannt.

© Fraunhofer IOSB
Ergebnis der Fahrzeugklassifikation.

Expertise

Im Rahmen mehrerer Forschungs- und Entwicklungsprojekte, darunter das vom Land Baden-Württemberg geförderte Projekt »FeinSyn«, wurde ein Ansatz entwickelt, KI-basierte VMMR auf simulierten, also synthetischen Trainingsdaten, einzulernen. Neue oder spezifische Fahrzeugmodelle können somit »on demand« mit wenigen Mausklicks ergänzt werden.

Mit »Synset Boulevard« (https://synset.de/) wurde im Rahmen des »FeinSyn«-Projekts der erste große synthetische Datensatz für VMMR weltweit aufgebaut, evaluiert und als offener Datensatz bereitgestellt. Anhand des Datensatzes wurde gezeigt, dass der Ansatz gleichwertige Ergebnisse erzielt, wie das Training auf Realdaten – aber mit wesentlich reduziertem Aufwand und deutlich höherer Aktualität.

Mehrwert

Der entwickelte Ansatz verknüpft modernste KI-Methoden zur »Vehicle Make and Model Recognition« mit den Werkzeugen zur synthetischen Erzeugung von Trainingsdaten. Dies ermöglicht die zuverlässige und flexible Erkennung von Fahrzeugen bei voller Transparenz und Kontrolle über die Datensätze. Neue Modelle können bereits vor der Verbreitung im Verkehr hinzugefügt werden, ebenso wie beliebige länderspezifische Modelle.

Insbesondere ermöglicht der Ansatz eine sehr hohe Spezifität der Erkennung, bis hin zu konkreten Facelift-Versionen oder Ausstattungsvarianten.

Die Verfahren wurden erprobt im Einsatz mit der Software Videmo 360 für die Zusammenführung und Auswertung von Daten unterschiedlichster Kameradatenströme. In Verbindung mit dem Kamerasystem Ternica VES kann die Erfassung flexibel vom Einsatzfahrzeug aus erfolgen, und die Information über die Cloud zusammengeführt werden.

Infobox/Key Facts

Erkennung von hunderten von Fahrzeugmarken, Modellen und Baujahren in Videodaten
Maximale Spezifität, Flexibilität und Zuverlässigkeit durch Nutzung synthetischer statt realer Daten
Qualität der Erkennung gleichwertig mit KI-Verfahren, die auf Realdaten trainiert wurden

Abteilung Videoauswertesysteme

Sie möchten mehr über unsere Produkte im Bereich der Videoauswertung erfahren? Dann besuchen Sie die Seite unserer Abteilung.

Zur Abteilungsseite

Interesse an einer Kooperation?

Sie haben Interesse an einer Kooperation mit unserer Abteilung oder Fragen zu unseren aktuellen Forschungsthemen? Dann nehmen Sie Kontakt zu uns auf!

E-Mail senden