An Attention-based System Approach for Scene Analysis in Driver Assistance

Research on computer vision systems for driver assistance resulted in a variety of isolated approaches mainly performing very specialized tasks like, e. g., lane keeping or traffic sign detection. However, for a full understanding of generic traffic situations, integrated and flexible approaches are needed. We here present a highly integrated vision architecture for an advanced driver assistance system inspired by human cognitive principles. The system uses an attention system as the flexible and generic front-end for all visual processing, allowing a task-specific scene decomposition and search for known objects (based on a short term memory) as well as generic object classes (based on a long term memory). Knowledge fusion, e. g., between an internal 3D representation and a reliable road detection module improves the system performance. The system heavily relies on top-down links to modulate lower processing levels, resulting in a high system robustness.

Bildbasierte Fahrerassistenzsysteme verfügen in der Regel über starre Funktionen, die sehr spezialisierte Aufgaben, wie Spurhaltung oder Verkehrszeichenerkennung, in fest definierten Situationen bearbeiten. Fahrerassistenzsysteme, die in einer großen Bandbreite von möglichen Verkehrssituationen robust und sinnvoll reagieren sollen, benötigen jedoch integrierte und flexiblere Ansätze. In der vorliegenden Arbeit wird ein integriertes Fahrerassistenzsystem vorgestellt, dessen Bildverarbeitungssubsystem durch Signalverarbeitungsprozesse im menschlichen Gehirn motiviert ist. Das Subsystem verwendet ein biologisch motiviertes Aufmerksamkeitsmodul als flexibles und generisches Front-end für alle Bildverarbeitungsprozesse. Das Aufmerksamkeitsmodul erlaubt eine aufgabenabhängige Szenenzerlegung, das Wiederfinden von bereits erkannten Objekten aus dem Kurzzeitspeicher des Systems sowie die generische Detektion von beliebigen Objektklassen über den Langzeitspeicher des Systems. Die Fusion von Informationen verschiedener Teilmodule, z. B. zwischen der internen 3D-Umfeldrepräsentation und einem Modul zur Detektion von unmarkierten Straßenflächen, erhöht die Güte des Gesamtsystems. Der Ansatz verwendet rekurrente Signalwege (so genannte top-down Verbindungen), welche Module auf tieferen Systemstufen online dynamisch parametrisieren, um die Robustheit und Reaktionsgeschwindigkeit des Gesamtsystems zu verbessern.