TY - CHAP A1 - Nunn, Christian A1 - Kummert, Anton A1 - Müller, Dennis A1 - Meuter, Mirko A1 - Müller-Schneiders, Stefan T1 - An improved adaboost learning scheme using LDA features for object recognition T2 - Proceedings of the 12th International IEEE Conference on Intelligent Transportation Systems, St. Louis, MO, USA, October 3-7, 2009 Y1 - 2009 SN - 978-1-4244-5521-8 U6 - https://doi.org/10.1109/ITSC.2009.5309856 SP - 1 EP - 6 PB - IEEE CY - Piscataway, N.J. ER - TY - CHAP A1 - Gonner, Steffen A1 - Müller, Dennis A1 - Hold, Stephanie A1 - Meuter, Mirko A1 - Kummert, Anton T1 - Vehicle recognition and TTC estimation at night based on spotlight pairing T2 - Proceedings of the 12th International IEEE Conference on Intelligent Transportation Systems, St. Louis, MO, USA, October 3-7, 2009 Y1 - 2009 SN - 978-1-4244-5521-8 U6 - https://doi.org/10.1109/ITSC.2009.5309848 SP - 1 EP - 6 PB - IEEE CY - Piscataway, N.J. ER - TY - CHAP A1 - Zhao, Kun A1 - Meuter, Mirko A1 - Nunn, Christian A1 - Muller, Dennis A1 - Muller-Schneiders, Stefan A1 - Pauli, Josef T1 - A novel multi-lane detection and tracking system T2 - 2012 IEEE Intelligent Vehicles Symposium (IV) Y1 - 2012 SN - 978-1-4673-2119-8 U6 - https://doi.org/10.1109/IVS.2012.6232168 SP - 1084 EP - 1089 PB - IEEE ER - TY - CHAP A1 - Meuter, Mirko A1 - Müller, Dennis A1 - Müller-Schneiders, Stefan A1 - Iurgel, Uri A1 - Park, Su-Birm A1 - Kummert, Anton ED - Bebis, George T1 - Pedestrian Tracking from a Moving Host Using Corner Points T2 - Advances in visual computing: Third international symposium ; proceedings Y1 - 2007 SN - 978-3-540-76855-5 U6 - https://doi.org/10.1007/978-3-540-76856-2_36 VL - Lecture notes in computer science, 4841 SP - 367 EP - 376 PB - Springer CY - Berlin; Heidelberg; New York ER - TY - CHAP A1 - Müller-Schneiders, Stefan A1 - Hold, Stephanie A1 - Meuter, Mirko A1 - Müller, Dennis A1 - Nunn, Christian T1 - Augmented reality in advanced driver assistance systems T2 - Conference on Artificial Intelligence, KI2009, Workshop Proceedings Y1 - 2009 ER - TY - CHAP A1 - Müller, Dennis A1 - Pauli, Josef A1 - Meuter, Mirko A1 - Ghosh, Lali A1 - Müller-Schneiders, Stefan T1 - A generic video and radar data fusion system for improved target selection T2 - 2011 IEEE Intelligent Vehicles Symposium (IV) Y1 - 2011 SN - 978-1-4577-0891-6 U6 - https://doi.org/10.1109/IVS.2011.5940469 SP - 679 EP - 684 PB - IEEE ER - TY - CHAP A1 - Strygulec, Sarah A1 - Müller, Dennis A1 - Meuter, Mirko A1 - Nunn, Christian A1 - Ghosh, Shamila A1 - Wöhler, Christian T1 - Road boundary detection and tracking using monochrome camera images T2 - 2013 16th International Conference on Information Fusion (FUSION) Y1 - 2013 SN - 978-605-86311-1-3 SP - 864 EP - 870 PB - IEEE ER - TY - CHAP A1 - Müller, Dennis A1 - Meuter, Mirko A1 - Park, Su-Birm T1 - Motion segmentation using interest points T2 - 2008 IEEE Intelligent Vehicles Symposium Y1 - 2008 SN - 978-1-4244-2568-6 U6 - https://doi.org/10.1109/IVS.2008.4621239 SP - 19 EP - 24 PB - IEEE ER - TY - PAT A1 - Müller, Dennis A1 - Meuter, Mirko Nicolas A1 - Görmer, Steffen Michael A1 - Nunn, Christian Markus A1 - Gavriilidis, Alexandros T1 - Verfahren zur Erkennung von Funktionsfehlern einer Multisensoranordnung N2 - Bei einem Verfahren zur Erkennung von Funktionsfehlern eines oder mehrerer Sensoren einer der Überwachung einer Fahrzeugumgebung dienenden Multisensoranordnung (10) eines Fahrzeugassistenzsystems (12) wird auf der Basis von Informationen aus einer für eine vereinheitlichte Erfassung der aktuellen Fahrzeugumgebung durchgeführten Datenfusion der von den Sensoren der Multisensoranordnung (10) erhaltenen Daten wenigstens eine aktuelle Leistungsgröße der Multisensoranordnung (10) ermittelt. Die ermittelte aktuelle Leistungsgröße wird mit einer entsprechenden, für die fehlerfreie Multisensoranordnung (10) erwarteten Leistungsgröße verglichen. Eine Entscheidung darüber, ob ein Funktionsfehler des bzw. der betreffenden Sensoren der Multisensoranordnung (10) vorliegt oder nicht, wird in Abhängigkeit vom Ergebnis des Vergleichs der auf der Basis der Informationen aus der Sensordatenfusion ermittelten aktuellen Leistungsgröße mit der erwarteten Leistungsgröße der Multisensoranordnung (10) getroffen. Y1 - 2013 UR - https://depatisnet.dpma.de/DepatisNet/depatisnet?action=pdf&docid=EP000002604478A1&xxxfull=1 ER - TY - PAT A1 - Nunn, Christian Markus A1 - Meuter, Mirko Nicolas A1 - Müller, Dennis A1 - Görmer, Steffen T1 - Verfahren zum Erkennen und Verfolgen von Fahrspurmarkierungen N2 - Bei einem Verfahren zum Erkennen und Verfolgen von Fahrspurmarkierungen von einem Kraftfahrzeug aus wird mittels einer Bilderfassungseinrichtung in regelmäßigen Zeitabständen ein Bild eines vor dem Kraftfahrzeug befindlichen Verkehrsraumes erfasst. In dem erfassten Bild werden diejenigen Bildbereiche als erkannte Fahrspurmarkierungen identifiziert, welche ein vorgegebenes Erkennungskriterium erfüllen. Wenigstens eine erkannte Fahrspurmarkierung wird als zu verfolgende Fahrspurmarkierung einem Tracking-Prozess unterzogen. Es wird für jede erkannte Fahrspurmarkierung wenigstens ein Prüfbereich im Bild definiert. Anhand von Intensitätswerten der dem Prüfbereich zugehörigen Bildpunkte wird wenigstens eine Kenngröße ermittelt. In Abhängigkeit von der Kenngröße wird die erkannte Fahrspurmarkierung einer von mehreren Fahrspurmarkierungs-Klassen zugeordnet. Y1 - 2013 UR - https://depatisnet.dpma.de/DepatisNet/depatisnet?action=pdf&docid=EP000002629243A1&xxxfull=1 ER - TY - PAT A1 - Müller, Dennis A1 - Nunn, Christian Markus A1 - Meuter, Mirko Nicolas A1 - Görmer, Steffen T1 - Verfahren zur Erfassung und Bestätigung kritischer Fahrsituationen N2 - Es wird ein Verfahren zur Erfassung und Bestätigung kritischer Fahrsituationen angegeben, beidem ein insbesondere vor einem Fahrzeug befindliches Objekt mittels mehrerer unabhängiger, dem Fahrzeug zugeordneter Sensoreinheiten überwacht wird, die von den Sensoreinheiten gelieferten Signale jeweils als Sensorsignal in Form einer diskretisierten Wahrscheinlichkeitsdichtefunktion der betreffenden physikalischen Messgröße über ein definiertes Intervall [0, MAX] bereitgestellt werden, die verschiedenen Sensorsignale zu einem einzigen, ebenfalls die Form einer Wahrscheinlichkeitsdichtefunktion der betreffenden Messgröße aufweisenden Endsignal kombiniert werden und mittels eines lernenden Klassifizierers anhand des kombinierten Endsignal eine endgültige Bewertung der aktuellen Fahrsituation vorgenommen wird. Y1 - 2013 UR - https://depatisnet.dpma.de/DepatisNet/depatisnet?action=pdf&docid=EP000002549294A1&xxxfull=1 ER - TY - PAT A1 - Zhao, Kun A1 - Iurgel, Uri A1 - Meuter, Mirko A1 - Müller, Dennis T1 - Verfahren zum kalibrieren einer Bilderfassungseinrichtung N2 - Bei einem Verfahren zum Kalibrieren einer Bilderfassungseinrichtung, die an einem Kraftfahrzeug angeordnet ist und in der Lage ist, nacheinander Bilder eines vor dem Kraftfahrzeug befindlichen Verkehrsraums zu erfassen, werden in einem erfassten Bild wenigstens zwei Bildobjekte detektiert, welche in Weltkoordinaten geraden und zueinander im Wesentlichen parallelen Liniensegmenten entsprechen. Anhand der Bildobjekte wird die Position eines Fluchtpunkts in dem erfassten Bild geschätzt und mittels eines Tracking-Verfahrens verfolgt. Dabei wird ein Fehler für die Position des Fluchtpunkts berechnet. Sobald der berechnete Fehler einen vorbestimmten Schwellenwert unterschreitet, wird anhand der zu dem Fehler gehörigen Position des Fluchtpunkts die Bilderfassungseinrichtung kalibriert. Y1 - 2014 UR - https://depatisnet.dpma.de/DepatisNet/depatisnet?action=pdf&docid=EP000002704096A1&xxxfull=1 ER - TY - PAT A1 - Nunn, Christian Markus A1 - Meuter, Mirko Nicolas A1 - Müller, Dennis A1 - Görmer, Steffen T1 - Verfahren zur Detektion und Klassifikation von Objekten N2 - Bei einem Verfahren zur Detektion und Klassifikation von Objekten wie insbesondere Fahrbahnmarkierungen[AB_DE] ausgehend von einem Bild der Umgebung im Sichtbereich einer insbesondere einem Fahrzeug zugeordneten Bildaufnahmeeinrichtung wird für eine anfängliche Detektion von Objektkandidaten eine schnelle Hough-Transformation ausgeführt, bei der zur Bestimmung einer jeweiligen Votierstelle im Hough-Raum die Gradientenrichtung von ermittelten Kantenpunkten herangezogen wird. Zur Klassifikation der Objektkandidaten und zur Akkumulation zusätzlicher Merkmale wird als Hough-Raum ein zusätzliche Ebenen umfassender Raum verwendet. Y1 - 2013 UR - https://depatisnet.dpma.de/DepatisNet/depatisnet?action=pdf&docid=EP000002549408A1&xxxfull=1 ER - TY - PAT A1 - Lessmann, Stephanie A1 - Meuter, Mirko A1 - Mueller, Dennis T1 - Method to determine distance of an object from an automated vehicle with a monocular device N2 - A method of determining the distance of an object from an automated vehicle based on images taken by a monocular image acquiring device. The object is recognized with an object-class by means of an image processing system. Respective position data are determined from the images using a pinhole camera model based on the object-class. Position data indicating in world coordinates the position of a reference point of the object with respect to the plane of the road is used with a scaling factor of the pinhole camera model estimated by means of a Bayes estimator using the position data as observations and under the assumption that the reference point of the object is located on the plane of the road with a predefined probability. The distance of the object from the automated vehicle is calculated from the estimated scaling factor using the pinhole camera model. Y1 - 2018 UR - https://depatisnet.dpma.de/DepatisNet/depatisnet?action=pdf&docid=US000009862318B2&xxxfull=1 ER - TY - PAT A1 - Meuter, Mirko Nicolas A1 - Nunn, Christian Markus A1 - Müller, Dennis A1 - Görmer, Steffen M. T1 - Objektverfolgungsverfahren für ein Kamerabasiertes Fahrerassistenzsystem N2 - Die Erfindung betrifft ein Objektverfolgungsverfahren für ein kamerabasiertes Fahrerassistenzsystem, welches eine in einem eigenen Fahrzeug installierte und in Fahrtrichtung ausgerichtete Kamera zur Aufnahme von Bildern einer in Fahrtrichtung vor dem eigenen Fahrzeug liegenden Fahrzeugumgebung aufweist, mit den Schritten, dass ein ein vorausfahrendes Fahrzeug darstellendes Objekt in einem von der Kamera aufgenommenen Bild detektiert wird und ein Mittelwert und eine Kovarianzmatrix für den aktuellen Zustand des vorausfahrenden Fahrzeugs mittels eines erweiterten Kalman Filters aus der Position und Breite des Objekts in dem Bild geschätzt wird. Y1 - 2013 UR - https://depatisnet.dpma.de/DepatisNet/depatisnet?action=pdf&docid=EP000002562681A1&xxxfull=1 ER - TY - PAT A1 - Haselhoff, Anselm Stephan A1 - Müller, Dennis A1 - Meuter, Mirko Nicolas A1 - Nunn, Christian Markus T1 - Verfahren zum Erzeugen eines Trainingsbildes N2 - Bei einem Verfahren zum Erzeugen eines Trainingsbilds, welches ein zu erkennendes Objekt in einer natürlichen Objektumgebung zeigt, wird das Trainingsbild als synthetisches Bild durch Kombination eines von einer Kamera aufgenommenen Basisbilds und eines Template-Bilds erzeugt, indem mittels eines Shift-Map-Algorithmus ein Strukturmerkmal aus dem Basisbild entfernt und durch ein dem Template-Bild entnommenes Strukturmerkmal ersetzt wird. Y1 - 2016 UR - https://depatisnet.dpma.de/DepatisNet/depatisnet?action=pdf&docid=EP000003029628A1&xxxfull=1 ER -