Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern:
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Elektronisch E-Book |
| Sprache: | English |
| Schriftenreihe: | Intelligent Embedded Systems
v. 9 |
| Schlagworte: | |
| Online-Zugang: | kostenfrei |
| Beschreibung: | A.4 Variation der Größe der verdeckten Schichten des MLP. |
| Beschreibung: | 1 Online-Ressource (179 Seiten) |
| ISBN: | 3737602530 9783737602532 |
| Zugangseinschränkungen: | Open Access |
Internformat
MARC
| LEADER | 00000nmm a2200000 c 4500 | ||
|---|---|---|---|
| 001 | BV048278819 | ||
| 003 | DE-604 | ||
| 005 | 00000000000000.0 | ||
| 007 | cr|uuu---uuuuu | ||
| 008 | 220610s2017 |||| o||u| ||||||eng d | ||
| 020 | |a 3737602530 |9 3737602530 | ||
| 020 | |a 9783737602532 |q (electronic bk.) |9 9783737602532 | ||
| 035 | |a (OCoLC)973834120 | ||
| 035 | |a (DE-599)BVBBV048278819 | ||
| 040 | |a DE-604 |b ger | ||
| 041 | 0 | |a eng | |
| 049 | |a DE-355 | ||
| 100 | 1 | |a Goldhammer, Michael |e Verfasser |4 aut | |
| 245 | 1 | 0 | |a Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| 264 | 0 | |a Kassel |b Kassel University Press GmbH |c 2017 | |
| 300 | |a 1 Online-Ressource (179 Seiten) | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b c |2 rdamedia | ||
| 338 | |b cr |2 rdacarrier | ||
| 490 | 0 | |a Intelligent Embedded Systems |v v. 9 | |
| 500 | |a A.4 Variation der Größe der verdeckten Schichten des MLP. | ||
| 505 | 8 | |a Front Cover; Reihentitel; Titelseite; Impressum; Zusammenfassung; Abstract; Danksagung; Inhaltsverzeichnis; Akronyme; Symbole; Kapitel 1 -- Einführung; 1.1 Motivation und Problembeschreibung; 1.2 Zielsetzung der Arbeit; 1.2.1 Analyse von Bewegungsverläufen; 1.2.2 Modellierung des Bewegungsverhaltens; 1.3 Eigene Veröffentlichungen; 1.4 Aufbau der Arbeit; Kapitel 2 -- Stand der Technik; 2.1 Analyse von Bewegungsverhalten; 2.1.1 Laborstudien; 2.1.2 Studien im öffentlichen Straßenverkehr; 2.1.3 Fußgängererkennung und -tracking; 2.2 Modellierung von Bewegungsverhalten | |
| 505 | 8 | |a 2.2.1 Modellierung auf Basis der Trajektorie2.2.2 Modellierung auf Basis videobasierter Modelle; 2.3 Relevanter Zeithorizont; 2.4 Zwischenfazit; Kapitel 3 -- Messung des Bewegungsverhaltens; 3.1 Messeaufbau an einer öffentlichen Kreuzung; 3.1.1 Konzept; 3.1.2 Öffentliche Versuchskreuzung; 3.1.3 Sensoraufbau; 3.2 Extraktion von Fußgängertrajektorien; 3.2.1 Architektur; 3.2.2 Fußgängerdetektion; 3.2.3 Kopfdetektion; 3.2.4 Template Matching; 3.2.5 2D-Fusion; 3.2.6 2D-Tracking und Objektverwaltung; 3.2.7 Triangulation und Tracking in 3D-Weltkoordinaten; 3.3 Zwischenfazit | |
| 505 | 8 | |a 5.3 Analyse und Modellierung des Abstoppens5.4 Zwischenfazit; Kapitel 6 -- Modellierung mit selbstlernenden Vefahren; 6.1 Konzept; 6.2 Zielausgaben der Prädiktion; 6.2.1 Bewegungszustand; 6.2.2 Trajektorie; 6.3 Repräsentation der Trajektorie für die Modellierung; 6.3.1 Repräsentation als diskrete Zeitreihe; 6.3.2 Repräsentation in Form von Polynomen; 6.3.3 Ein- und ausgabespezifische Aspekte; 6.4 Selbstlernende Verfahren und Optimierung; 6.5 Zwischenfazit; Kapitel 7 -- Ergebnisse; 7.1 Prädiktion des Bewegungszustands; 7.1.1 Repräsentation in zwei Klassen; 7.1.2 Repräsentation in vier Klassen | |
| 505 | 8 | |a 7.2 Prädiktion der Trajektorie7.2.1 Einfluss der Parametrierung; 7.2.2 Analyse der Prädiktionsfehler; 7.3 Zweistufige Ansätze zur Prädiktion; 7.3.1 Physikalische Modelle des Loslaufens; 7.3.2 Bewegungsspezifisch trainierte selbstlernende Modelle; 7.4 Laufzeit für Training und Echtzeit-Anwendung; 7.5 Zwischenfazit; Kapitel 8 -- Zusammenfassung und Ausblick; 8.1 Zusammenfassung der Arbeit; 8.2 Ausblick; Anhang; A.1 Final optimierte Konfiguration der Polynom-MLP-Prädiktion ; A.2 Variation der Größe der Eingabefenster; A.3 Variation der Ausgabekonfiguration | |
| 505 | 8 | |a Kapitel 4 -- Voraussetzungen zur Modellierung des Bewegungsverhaltens4.1 Überlegungen zu Orts- und Zeitvorgaben; 4.1.1 Prädikationshorizont; 4.1.2 Anforderung an die Positionsgenauigkeit der Prädiktion; 4.2 Ermittlung der Ground-Truth-Daten; 4.3 Bewertung des Prädiktionsqualität; 4.3.1 Qualitätsindikatoren der Trajektorienprädiktion; 4.3.2 Qualitätsindikatoren der Klassifikation des Bewegungszustands; 4.4 Zwischenfazit; Kapitel 5 -- Physikalische Modellierung des Bewegungsverhaltens; 5.1 Modellierung mit CV-Kalman-Filter; 5.2 Analyse und Modellierung des Loslaufens | |
| 506 | 0 | |a Open Access |5 EbpS | |
| 650 | 4 | |a Algorithms | |
| 650 | 4 | |a Algorithmes | |
| 650 | 4 | |a Feux de circulation | |
| 650 | 7 | |a Piétons |2 Accidents | |
| 650 | 4 | |a algorithms | |
| 650 | 4 | |a Algorithms | |
| 650 | 4 | |a Electronic traffic controls | |
| 650 | 4 | |a Pedestrian accidents | |
| 650 | 4 | |a traffic signals | |
| 650 | 4 | |a Algorithms | |
| 650 | 4 | |a Electronic traffic controls | |
| 650 | 4 | |a Pedestrian accidents | |
| 653 | 6 | |a Electronic books | |
| 776 | 0 | 8 | |i Erscheint auch als |n Druck-Ausgabe |a Goldhammer, Michael |t Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |d Kassel : Kassel University Press GmbH, 2017 |z 9783737602532 |
| 856 | 4 | 0 | |u https://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1464765 |x Verlag |z kostenfrei |3 Volltext |
| 912 | |a ZDB-4-EOAC | ||
| 999 | |a oai:aleph.bib-bvb.de:BVB01-033658985 | ||
Datensatz im Suchindex
| _version_ | 1804184102247596032 |
|---|---|
| adam_txt | |
| any_adam_object | |
| any_adam_object_boolean | |
| author | Goldhammer, Michael |
| author_facet | Goldhammer, Michael |
| author_role | aut |
| author_sort | Goldhammer, Michael |
| author_variant | m g mg |
| building | Verbundindex |
| bvnumber | BV048278819 |
| collection | ZDB-4-EOAC |
| contents | Front Cover; Reihentitel; Titelseite; Impressum; Zusammenfassung; Abstract; Danksagung; Inhaltsverzeichnis; Akronyme; Symbole; Kapitel 1 -- Einführung; 1.1 Motivation und Problembeschreibung; 1.2 Zielsetzung der Arbeit; 1.2.1 Analyse von Bewegungsverläufen; 1.2.2 Modellierung des Bewegungsverhaltens; 1.3 Eigene Veröffentlichungen; 1.4 Aufbau der Arbeit; Kapitel 2 -- Stand der Technik; 2.1 Analyse von Bewegungsverhalten; 2.1.1 Laborstudien; 2.1.2 Studien im öffentlichen Straßenverkehr; 2.1.3 Fußgängererkennung und -tracking; 2.2 Modellierung von Bewegungsverhalten 2.2.1 Modellierung auf Basis der Trajektorie2.2.2 Modellierung auf Basis videobasierter Modelle; 2.3 Relevanter Zeithorizont; 2.4 Zwischenfazit; Kapitel 3 -- Messung des Bewegungsverhaltens; 3.1 Messeaufbau an einer öffentlichen Kreuzung; 3.1.1 Konzept; 3.1.2 Öffentliche Versuchskreuzung; 3.1.3 Sensoraufbau; 3.2 Extraktion von Fußgängertrajektorien; 3.2.1 Architektur; 3.2.2 Fußgängerdetektion; 3.2.3 Kopfdetektion; 3.2.4 Template Matching; 3.2.5 2D-Fusion; 3.2.6 2D-Tracking und Objektverwaltung; 3.2.7 Triangulation und Tracking in 3D-Weltkoordinaten; 3.3 Zwischenfazit 5.3 Analyse und Modellierung des Abstoppens5.4 Zwischenfazit; Kapitel 6 -- Modellierung mit selbstlernenden Vefahren; 6.1 Konzept; 6.2 Zielausgaben der Prädiktion; 6.2.1 Bewegungszustand; 6.2.2 Trajektorie; 6.3 Repräsentation der Trajektorie für die Modellierung; 6.3.1 Repräsentation als diskrete Zeitreihe; 6.3.2 Repräsentation in Form von Polynomen; 6.3.3 Ein- und ausgabespezifische Aspekte; 6.4 Selbstlernende Verfahren und Optimierung; 6.5 Zwischenfazit; Kapitel 7 -- Ergebnisse; 7.1 Prädiktion des Bewegungszustands; 7.1.1 Repräsentation in zwei Klassen; 7.1.2 Repräsentation in vier Klassen 7.2 Prädiktion der Trajektorie7.2.1 Einfluss der Parametrierung; 7.2.2 Analyse der Prädiktionsfehler; 7.3 Zweistufige Ansätze zur Prädiktion; 7.3.1 Physikalische Modelle des Loslaufens; 7.3.2 Bewegungsspezifisch trainierte selbstlernende Modelle; 7.4 Laufzeit für Training und Echtzeit-Anwendung; 7.5 Zwischenfazit; Kapitel 8 -- Zusammenfassung und Ausblick; 8.1 Zusammenfassung der Arbeit; 8.2 Ausblick; Anhang; A.1 Final optimierte Konfiguration der Polynom-MLP-Prädiktion ; A.2 Variation der Größe der Eingabefenster; A.3 Variation der Ausgabekonfiguration Kapitel 4 -- Voraussetzungen zur Modellierung des Bewegungsverhaltens4.1 Überlegungen zu Orts- und Zeitvorgaben; 4.1.1 Prädikationshorizont; 4.1.2 Anforderung an die Positionsgenauigkeit der Prädiktion; 4.2 Ermittlung der Ground-Truth-Daten; 4.3 Bewertung des Prädiktionsqualität; 4.3.1 Qualitätsindikatoren der Trajektorienprädiktion; 4.3.2 Qualitätsindikatoren der Klassifikation des Bewegungszustands; 4.4 Zwischenfazit; Kapitel 5 -- Physikalische Modellierung des Bewegungsverhaltens; 5.1 Modellierung mit CV-Kalman-Filter; 5.2 Analyse und Modellierung des Loslaufens |
| ctrlnum | (OCoLC)973834120 (DE-599)BVBBV048278819 |
| format | Electronic eBook |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>04780nmm a2200553 c 4500</leader><controlfield tag="001">BV048278819</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">00000000000000.0</controlfield><controlfield tag="007">cr|uuu---uuuuu</controlfield><controlfield tag="008">220610s2017 |||| o||u| ||||||eng d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3737602530</subfield><subfield code="9">3737602530</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783737602532</subfield><subfield code="q">(electronic bk.)</subfield><subfield code="9">9783737602532</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)973834120</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV048278819</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">eng</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-355</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Goldhammer, Michael</subfield><subfield code="e">Verfasser</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern</subfield></datafield><datafield tag="264" ind1=" " ind2="0"><subfield code="a">Kassel</subfield><subfield code="b">Kassel University Press GmbH</subfield><subfield code="c">2017</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">1 Online-Ressource (179 Seiten)</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">Intelligent Embedded Systems</subfield><subfield code="v">v. 9</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">A.4 Variation der Größe der verdeckten Schichten des MLP.</subfield></datafield><datafield tag="505" ind1="8" ind2=" "><subfield code="a">Front Cover; Reihentitel; Titelseite; Impressum; Zusammenfassung; Abstract; Danksagung; Inhaltsverzeichnis; Akronyme; Symbole; Kapitel 1 -- Einführung; 1.1 Motivation und Problembeschreibung; 1.2 Zielsetzung der Arbeit; 1.2.1 Analyse von Bewegungsverläufen; 1.2.2 Modellierung des Bewegungsverhaltens; 1.3 Eigene Veröffentlichungen; 1.4 Aufbau der Arbeit; Kapitel 2 -- Stand der Technik; 2.1 Analyse von Bewegungsverhalten; 2.1.1 Laborstudien; 2.1.2 Studien im öffentlichen Straßenverkehr; 2.1.3 Fußgängererkennung und -tracking; 2.2 Modellierung von Bewegungsverhalten</subfield></datafield><datafield tag="505" ind1="8" ind2=" "><subfield code="a">2.2.1 Modellierung auf Basis der Trajektorie2.2.2 Modellierung auf Basis videobasierter Modelle; 2.3 Relevanter Zeithorizont; 2.4 Zwischenfazit; Kapitel 3 -- Messung des Bewegungsverhaltens; 3.1 Messeaufbau an einer öffentlichen Kreuzung; 3.1.1 Konzept; 3.1.2 Öffentliche Versuchskreuzung; 3.1.3 Sensoraufbau; 3.2 Extraktion von Fußgängertrajektorien; 3.2.1 Architektur; 3.2.2 Fußgängerdetektion; 3.2.3 Kopfdetektion; 3.2.4 Template Matching; 3.2.5 2D-Fusion; 3.2.6 2D-Tracking und Objektverwaltung; 3.2.7 Triangulation und Tracking in 3D-Weltkoordinaten; 3.3 Zwischenfazit</subfield></datafield><datafield tag="505" ind1="8" ind2=" "><subfield code="a">5.3 Analyse und Modellierung des Abstoppens5.4 Zwischenfazit; Kapitel 6 -- Modellierung mit selbstlernenden Vefahren; 6.1 Konzept; 6.2 Zielausgaben der Prädiktion; 6.2.1 Bewegungszustand; 6.2.2 Trajektorie; 6.3 Repräsentation der Trajektorie für die Modellierung; 6.3.1 Repräsentation als diskrete Zeitreihe; 6.3.2 Repräsentation in Form von Polynomen; 6.3.3 Ein- und ausgabespezifische Aspekte; 6.4 Selbstlernende Verfahren und Optimierung; 6.5 Zwischenfazit; Kapitel 7 -- Ergebnisse; 7.1 Prädiktion des Bewegungszustands; 7.1.1 Repräsentation in zwei Klassen; 7.1.2 Repräsentation in vier Klassen</subfield></datafield><datafield tag="505" ind1="8" ind2=" "><subfield code="a">7.2 Prädiktion der Trajektorie7.2.1 Einfluss der Parametrierung; 7.2.2 Analyse der Prädiktionsfehler; 7.3 Zweistufige Ansätze zur Prädiktion; 7.3.1 Physikalische Modelle des Loslaufens; 7.3.2 Bewegungsspezifisch trainierte selbstlernende Modelle; 7.4 Laufzeit für Training und Echtzeit-Anwendung; 7.5 Zwischenfazit; Kapitel 8 -- Zusammenfassung und Ausblick; 8.1 Zusammenfassung der Arbeit; 8.2 Ausblick; Anhang; A.1 Final optimierte Konfiguration der Polynom-MLP-Prädiktion ; A.2 Variation der Größe der Eingabefenster; A.3 Variation der Ausgabekonfiguration</subfield></datafield><datafield tag="505" ind1="8" ind2=" "><subfield code="a">Kapitel 4 -- Voraussetzungen zur Modellierung des Bewegungsverhaltens4.1 Überlegungen zu Orts- und Zeitvorgaben; 4.1.1 Prädikationshorizont; 4.1.2 Anforderung an die Positionsgenauigkeit der Prädiktion; 4.2 Ermittlung der Ground-Truth-Daten; 4.3 Bewertung des Prädiktionsqualität; 4.3.1 Qualitätsindikatoren der Trajektorienprädiktion; 4.3.2 Qualitätsindikatoren der Klassifikation des Bewegungszustands; 4.4 Zwischenfazit; Kapitel 5 -- Physikalische Modellierung des Bewegungsverhaltens; 5.1 Modellierung mit CV-Kalman-Filter; 5.2 Analyse und Modellierung des Loslaufens</subfield></datafield><datafield tag="506" ind1="0" ind2=" "><subfield code="a">Open Access</subfield><subfield code="5">EbpS</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Algorithms</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Algorithmes</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Feux de circulation</subfield></datafield><datafield tag="650" ind1=" " ind2="7"><subfield code="a">Piétons</subfield><subfield code="2">Accidents</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">algorithms</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Algorithms</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Electronic traffic controls</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Pedestrian accidents</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">traffic signals</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Algorithms</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Electronic traffic controls</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Pedestrian accidents</subfield></datafield><datafield tag="653" ind1=" " ind2="6"><subfield code="a">Electronic books</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Druck-Ausgabe</subfield><subfield code="a">Goldhammer, Michael</subfield><subfield code="t">Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern</subfield><subfield code="d">Kassel : Kassel University Press GmbH, 2017</subfield><subfield code="z">9783737602532</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1464765</subfield><subfield code="x">Verlag</subfield><subfield code="z">kostenfrei</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-4-EOAC</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-033658985</subfield></datafield></record></collection> |
| id | DE-604.BV048278819 |
| illustrated | Not Illustrated |
| index_date | 2024-07-03T20:00:48Z |
| indexdate | 2024-07-10T09:34:00Z |
| institution | BVB |
| isbn | 3737602530 9783737602532 |
| language | English |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-033658985 |
| oclc_num | 973834120 |
| open_access_boolean | 1 |
| owner | DE-355 DE-BY-UBR |
| owner_facet | DE-355 DE-BY-UBR |
| physical | 1 Online-Ressource (179 Seiten) |
| psigel | ZDB-4-EOAC |
| publishDateSearch | 2017 |
| publishDateSort | 2017 |
| record_format | marc |
| series2 | Intelligent Embedded Systems |
| spelling | Goldhammer, Michael Verfasser aut Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern Kassel Kassel University Press GmbH 2017 1 Online-Ressource (179 Seiten) txt rdacontent c rdamedia cr rdacarrier Intelligent Embedded Systems v. 9 A.4 Variation der Größe der verdeckten Schichten des MLP. Front Cover; Reihentitel; Titelseite; Impressum; Zusammenfassung; Abstract; Danksagung; Inhaltsverzeichnis; Akronyme; Symbole; Kapitel 1 -- Einführung; 1.1 Motivation und Problembeschreibung; 1.2 Zielsetzung der Arbeit; 1.2.1 Analyse von Bewegungsverläufen; 1.2.2 Modellierung des Bewegungsverhaltens; 1.3 Eigene Veröffentlichungen; 1.4 Aufbau der Arbeit; Kapitel 2 -- Stand der Technik; 2.1 Analyse von Bewegungsverhalten; 2.1.1 Laborstudien; 2.1.2 Studien im öffentlichen Straßenverkehr; 2.1.3 Fußgängererkennung und -tracking; 2.2 Modellierung von Bewegungsverhalten 2.2.1 Modellierung auf Basis der Trajektorie2.2.2 Modellierung auf Basis videobasierter Modelle; 2.3 Relevanter Zeithorizont; 2.4 Zwischenfazit; Kapitel 3 -- Messung des Bewegungsverhaltens; 3.1 Messeaufbau an einer öffentlichen Kreuzung; 3.1.1 Konzept; 3.1.2 Öffentliche Versuchskreuzung; 3.1.3 Sensoraufbau; 3.2 Extraktion von Fußgängertrajektorien; 3.2.1 Architektur; 3.2.2 Fußgängerdetektion; 3.2.3 Kopfdetektion; 3.2.4 Template Matching; 3.2.5 2D-Fusion; 3.2.6 2D-Tracking und Objektverwaltung; 3.2.7 Triangulation und Tracking in 3D-Weltkoordinaten; 3.3 Zwischenfazit 5.3 Analyse und Modellierung des Abstoppens5.4 Zwischenfazit; Kapitel 6 -- Modellierung mit selbstlernenden Vefahren; 6.1 Konzept; 6.2 Zielausgaben der Prädiktion; 6.2.1 Bewegungszustand; 6.2.2 Trajektorie; 6.3 Repräsentation der Trajektorie für die Modellierung; 6.3.1 Repräsentation als diskrete Zeitreihe; 6.3.2 Repräsentation in Form von Polynomen; 6.3.3 Ein- und ausgabespezifische Aspekte; 6.4 Selbstlernende Verfahren und Optimierung; 6.5 Zwischenfazit; Kapitel 7 -- Ergebnisse; 7.1 Prädiktion des Bewegungszustands; 7.1.1 Repräsentation in zwei Klassen; 7.1.2 Repräsentation in vier Klassen 7.2 Prädiktion der Trajektorie7.2.1 Einfluss der Parametrierung; 7.2.2 Analyse der Prädiktionsfehler; 7.3 Zweistufige Ansätze zur Prädiktion; 7.3.1 Physikalische Modelle des Loslaufens; 7.3.2 Bewegungsspezifisch trainierte selbstlernende Modelle; 7.4 Laufzeit für Training und Echtzeit-Anwendung; 7.5 Zwischenfazit; Kapitel 8 -- Zusammenfassung und Ausblick; 8.1 Zusammenfassung der Arbeit; 8.2 Ausblick; Anhang; A.1 Final optimierte Konfiguration der Polynom-MLP-Prädiktion ; A.2 Variation der Größe der Eingabefenster; A.3 Variation der Ausgabekonfiguration Kapitel 4 -- Voraussetzungen zur Modellierung des Bewegungsverhaltens4.1 Überlegungen zu Orts- und Zeitvorgaben; 4.1.1 Prädikationshorizont; 4.1.2 Anforderung an die Positionsgenauigkeit der Prädiktion; 4.2 Ermittlung der Ground-Truth-Daten; 4.3 Bewertung des Prädiktionsqualität; 4.3.1 Qualitätsindikatoren der Trajektorienprädiktion; 4.3.2 Qualitätsindikatoren der Klassifikation des Bewegungszustands; 4.4 Zwischenfazit; Kapitel 5 -- Physikalische Modellierung des Bewegungsverhaltens; 5.1 Modellierung mit CV-Kalman-Filter; 5.2 Analyse und Modellierung des Loslaufens Open Access EbpS Algorithms Algorithmes Feux de circulation Piétons Accidents algorithms Electronic traffic controls Pedestrian accidents traffic signals Electronic books Erscheint auch als Druck-Ausgabe Goldhammer, Michael Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern Kassel : Kassel University Press GmbH, 2017 9783737602532 https://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1464765 Verlag kostenfrei Volltext |
| spellingShingle | Goldhammer, Michael Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern Front Cover; Reihentitel; Titelseite; Impressum; Zusammenfassung; Abstract; Danksagung; Inhaltsverzeichnis; Akronyme; Symbole; Kapitel 1 -- Einführung; 1.1 Motivation und Problembeschreibung; 1.2 Zielsetzung der Arbeit; 1.2.1 Analyse von Bewegungsverläufen; 1.2.2 Modellierung des Bewegungsverhaltens; 1.3 Eigene Veröffentlichungen; 1.4 Aufbau der Arbeit; Kapitel 2 -- Stand der Technik; 2.1 Analyse von Bewegungsverhalten; 2.1.1 Laborstudien; 2.1.2 Studien im öffentlichen Straßenverkehr; 2.1.3 Fußgängererkennung und -tracking; 2.2 Modellierung von Bewegungsverhalten 2.2.1 Modellierung auf Basis der Trajektorie2.2.2 Modellierung auf Basis videobasierter Modelle; 2.3 Relevanter Zeithorizont; 2.4 Zwischenfazit; Kapitel 3 -- Messung des Bewegungsverhaltens; 3.1 Messeaufbau an einer öffentlichen Kreuzung; 3.1.1 Konzept; 3.1.2 Öffentliche Versuchskreuzung; 3.1.3 Sensoraufbau; 3.2 Extraktion von Fußgängertrajektorien; 3.2.1 Architektur; 3.2.2 Fußgängerdetektion; 3.2.3 Kopfdetektion; 3.2.4 Template Matching; 3.2.5 2D-Fusion; 3.2.6 2D-Tracking und Objektverwaltung; 3.2.7 Triangulation und Tracking in 3D-Weltkoordinaten; 3.3 Zwischenfazit 5.3 Analyse und Modellierung des Abstoppens5.4 Zwischenfazit; Kapitel 6 -- Modellierung mit selbstlernenden Vefahren; 6.1 Konzept; 6.2 Zielausgaben der Prädiktion; 6.2.1 Bewegungszustand; 6.2.2 Trajektorie; 6.3 Repräsentation der Trajektorie für die Modellierung; 6.3.1 Repräsentation als diskrete Zeitreihe; 6.3.2 Repräsentation in Form von Polynomen; 6.3.3 Ein- und ausgabespezifische Aspekte; 6.4 Selbstlernende Verfahren und Optimierung; 6.5 Zwischenfazit; Kapitel 7 -- Ergebnisse; 7.1 Prädiktion des Bewegungszustands; 7.1.1 Repräsentation in zwei Klassen; 7.1.2 Repräsentation in vier Klassen 7.2 Prädiktion der Trajektorie7.2.1 Einfluss der Parametrierung; 7.2.2 Analyse der Prädiktionsfehler; 7.3 Zweistufige Ansätze zur Prädiktion; 7.3.1 Physikalische Modelle des Loslaufens; 7.3.2 Bewegungsspezifisch trainierte selbstlernende Modelle; 7.4 Laufzeit für Training und Echtzeit-Anwendung; 7.5 Zwischenfazit; Kapitel 8 -- Zusammenfassung und Ausblick; 8.1 Zusammenfassung der Arbeit; 8.2 Ausblick; Anhang; A.1 Final optimierte Konfiguration der Polynom-MLP-Prädiktion ; A.2 Variation der Größe der Eingabefenster; A.3 Variation der Ausgabekonfiguration Kapitel 4 -- Voraussetzungen zur Modellierung des Bewegungsverhaltens4.1 Überlegungen zu Orts- und Zeitvorgaben; 4.1.1 Prädikationshorizont; 4.1.2 Anforderung an die Positionsgenauigkeit der Prädiktion; 4.2 Ermittlung der Ground-Truth-Daten; 4.3 Bewertung des Prädiktionsqualität; 4.3.1 Qualitätsindikatoren der Trajektorienprädiktion; 4.3.2 Qualitätsindikatoren der Klassifikation des Bewegungszustands; 4.4 Zwischenfazit; Kapitel 5 -- Physikalische Modellierung des Bewegungsverhaltens; 5.1 Modellierung mit CV-Kalman-Filter; 5.2 Analyse und Modellierung des Loslaufens Algorithms Algorithmes Feux de circulation Piétons Accidents algorithms Electronic traffic controls Pedestrian accidents traffic signals |
| title | Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| title_auth | Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| title_exact_search | Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| title_exact_search_txtP | Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| title_full | Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| title_fullStr | Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| title_full_unstemmed | Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| title_short | Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern |
| title_sort | selbstlernende algorithmen zur videobasierten absichtserkennung von fußgangern |
| topic | Algorithms Algorithmes Feux de circulation Piétons Accidents algorithms Electronic traffic controls Pedestrian accidents traffic signals |
| topic_facet | Algorithms Algorithmes Feux de circulation Piétons algorithms Electronic traffic controls Pedestrian accidents traffic signals |
| url | https://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1464765 |
| work_keys_str_mv | AT goldhammermichael selbstlernendealgorithmenzurvideobasiertenabsichtserkennungvonfußgangern |