Methoden zur Fahrzeugwiedererkennung unter Verwendung maschineller Lernverfahren
- Die erscheinungsbasierte Fahrzeugwiedererkennung in öffentlichen Einsatzumgebungen ist eines der schwierigsten Probleme der Bildverarbeitung. Es stellen sich die folgenden Herausforderungen bei dieser Arbeit: -Es gibt mehr als 150 Fahrzeugmarken weltweit mit etwa 2.000 Modellen, wobei jedes Modell einer Marke im Allgemeinen eine längere Historie hat. Modell-Upgrades erscheinen alle paar Jahre und können sehr verschieden voneinander aussehen. -Das Aussehen eines Modells ändert sich auch stark bei der Änderung seiner Perspektive. -Videodaten enthalten häufig Bilder mit niedriger Auflösung oder mit Unschärfe. -Unterschiedliche Beleuchtungen oder Witterungsverhältnisse. Hierfür, wird eine Lösung mithilfe des maschinellen Lernens entwickelt. Erscheinungsbasierte Merkmale werden anhand von CNNs gelernt. Mehrere Techniken werden hierbei entwickelt und eingesetzt, um die erscheinungsbasierte Fahrzeugwiedererkennung zu verbessern. Die entwickelten Methoden können die State-of-the-Art übertreffen.
- Appearance-based vehicle re-identification in public environments is one of the most challenging computer vision tasks. To reach this goal, we have to overcome the following challenges: -There are more than 150 vehicle makes worldwide with around 2,000 models. -The appearance of a vehicle varies not only due to its make and to its model but can also differ strongly depending on the year of released and the perspective. -Video data often contains low-resolution or blurred images. -Different lighting. -Different weather conditions. To address these problems we develop a solution using machine learning approaches. We employ convolutional neural networks for learning appearance-based features to re-identify vehicles with the same make/model and color or with the same appearance as the search vehicle in real time within a large image or video data set. Several techniques were developed and used to improve this recognition task. Our developed methods can outperform the state-of-the-art.
Author: | Mohamed NafziGND |
---|---|
URN: | urn:nbn:de:hbz:294-91027 |
DOI: | https://doi.org/10.13154/294-9102 |
Referee: | Tobias GlasmachersGND, Laurenz WiskottORCiDGND |
Document Type: | Doctoral Thesis |
Language: | German |
Date of Publication (online): | 2022/08/23 |
Date of first Publication: | 2022/08/23 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Elektrotechnik und Informationstechnik |
Date of final exam: | 2022/05/17 |
Creating Corporation: | Fakultät für Elektrotechnik und Informationstechnik |
GND-Keyword: | Maschinelles Lernen; Wiedererkennen; Maschinelles Sehen; Neuronales Netz; Deep learning |
Institutes/Facilities: | Institut für Neuroinformatik |
Dewey Decimal Classification: | Technik, Medizin, angewandte Wissenschaften / Elektrotechnik, Elektronik |
faculties: | Fakultät für Elektrotechnik und Informationstechnik |
Licence (German): | Creative Commons - CC BY-NC 4.0 - Namensnennung - Nicht kommerziell 4.0 International |