Pedestrian detection algorithms using shearlets

Fußgängererkennung mittels Shearlets

Die Dissertation untersucht die Eignung von Shearlets für die Aufgabe der Fußgängererkennung. Durch die mögliche Anwendung der Fußgängererkennung in diversen neuen Technologien, wie zum Beispiel dem autonomen Fahren, hat sich das Thema im letzten Jahrzehnt zu einem Schlüsselthema der Forschung entwickelt. Die Grundlage für die leistungsfähigsten Fußgängererkennungsalgorithmen sind langjährige handgefertigte Funktionen, die von einer gerichteten Bildanalyse gesteuert werden. Nach den aktuellen Resultaten des Caltech Pedestrian Detection Benchmarks können die Algorithmen in zwei Kategorien unterteilt werden. Zum einen, die Anwendung von handgefertigten Bildmerkmalen und eines Klassifikators, welcher auf diese Bildmerkmale trainiert ist. Zum anderen, Methoden mit Anwendung von Convolutional Neural Networks (CNN), in denen Bildmerkmale während der Trainingsphase gelernt werden. Unser Ziel ist es, zu untersuchen, in welcher Weise beide Typen von Algorithmen durch die Einarbeitung eines Frameworks mit umfassender theoretischer Grundlage verbessert werden können. Es wurde hierzu das Multiskalen-Framework der Shearlets ausgewählt, da es eine einheitliche Behandlung der kontinuierlichen als auch der digitalen Welt garantiert. In der Theorie haben Shearlets optimal sparse Approximationen bestimmter Bildmodelle ermöglicht und haben die Fähigkeit, Kanten in Bildern zu charakterisieren. Des Weiteren wurden Shearlets erfolgreich für diverse Bildverarbeitungsaufgaben, wie zum Beispiel Denoising oder Kantendetektion, eingesetzt. (A)

  • Availability:
  • Supplemental Notes:
    • Dissertation
  • Corporate Authors:

    LOGOS VERLAG

    GUBENER STR. 47
    BERLIN,   DEUTSCHLAND BR  D-10243
  • Authors:
    • Pfeifer, L
  • Publication Date: 2019

Language

  • English
  • German

Media Info

  • Media Type: Print
  • Features: Figures; References; Tables;
  • Pagination: 165p

Subject/Index Terms

Filing Info

  • Accession Number: 01776632
  • Record Type: Publication
  • Source Agency: Forschungsgesellschaft für Straßen- und Verkehrswesen (FGSV)
  • ISBN: 978-3-8325-4840-7-4
  • Files: ITRD
  • Created Date: May 5 2020 5:00AM