Kurzfassung

Die Innenraumüberwachung und Fahrerbeobachtung wird mit steigender Automatisierung der Fahrzeuge in der Automobilindustrie immer relevanter. Systeme, die erkennen, ob ein Fahrer Müdigkeitserscheinungen aufweist oder verschiedenen Handgesten der Passagiere erkennt, sind bereits in Fahrzeugen integriert und auf dem Markt vertreten. Anwendungen, die weitere Aspekte der Aufmerksamkeit oder verschiedene Aktivitäten des Fahrers überwachen und erkennen, können die Sicherheit und den Komfort eines Fahrzeuges aller Automatisierungsstufen weiter steigern.
Zu diesem Zweck werden drei Systeme zur Fahrerüberwachung vorgestellt. Diese Systeme klassifizieren mithilfe von künstlichen neuronalen Netzwerken, insbesondere Convolutional Neural Networks (CNN), Time-of-Flight (ToF) Tiefen- und Intensitätsbilder und Bildsequenzen des Fahrers und des Fahrersitzes verschiedener Fahrzeuge. Die Entwicklung solcher Systeme auf Basis von künstlichen neuronalen Netzwerken erfordert in diesen Fällen die Aufnahme und Annotation von Trainingsdaten, da öffentlich zugängliche Datensätze nicht die Anforderungen der Anwendungen erfüllen. Diese Datensätze sind häufig entweder zu klein, verwenden andere Sensoren oder beinhalten keine Beispiele der Klassen, die für die Anwendungen relevant sind. Darüber hinaus muss der Rechenaufwand der Netzwerke gering gehalten werden, da nur begrenzte Rechenkapazität für diese Systeme vorhanden ist.
Um den Aufwand der Generierung eines ausreichend großen Datensatzes zu reduzieren, werden neben den Systemen auch Datenstrukturen und Trainingsmethoden für die Klassifikation von Einzelbildern und Bildsequenzen vorgestellt. Diese reduzieren die Menge der benötigten Trainingsdaten und die zugrunde liegenden Netzwerke können so effizienter trainiert werden.

Patrick Weyers,
AptivServices Deutschland GmbH, Wuppertal