Fahrzeugklassifikation

Ein schnelles und effektives Vorgehen der Polizeibehörden nach Delikten ist von entscheidender Bedeutung. Bei Straftaten, bei denen ein Fluchtfahrzeug zum Einsatz kommt, ist es äußerst wichtig, den Fluchtweg des Fahrzeugs rasch nachvollziehen zu können. In diesem Zusammenhang spielt die Erkennung des Fahrzeugs in Videos basierend auf Zeugenaussagen eine maßgebliche Rolle, da sie die schnelle Lokalisierung des möglichen Fluchtfahrzeugs in den umliegenden Überwachungskameras ermöglicht. Dadurch werden die Chancen auf eine erfolgreiche Fahndung der Täter deutlich erhöht und das Risiko eines Untertauchens verringert. Aufgrund von optimierten Verfahren kann die Erkennung sowohl als Echtzeitauswertung in Live-Videostreams als auch als retrograde Massendatenauswertung erfolgen.

Problemstellung

Ein zentrales Problem, dem wir uns in der Forschung in der Abteilung Videoauswertesysteme widmen, besteht darin, eine feingranulare Fahrzeugklassifikation zu entwickeln, um das von Zeugen erkannte Fahrzeugmodell in Videos korrekt erkennen zu können. Eine besondere Herausforderung der Problemstellung liegt darin, dass fortlaufend neue Fahrzeugmodelle auf den Markt kommen, was die Sammlung hinreichender Datenmengen für das Training von KI-Modellen erschwert. Auf der einen Seite würde eine fortlaufende manuelle Erweiterung des Datenbestandes einen enormen Aufwand bedeuten, auf der anderen Seite stellen Datenschutzanforderungen hohe Hürden für die Datensammlung dar. Daher liegt unser Forschungsschwerpunkt darauf, bei begrenzter Datenverfügbarkeit für das Training von KI-Modellen eine weiterhin sehr hohe Genauigkeit der Erkennung zu erreichen.

Das Verfahren gibt für jedes bekannte Fahrzeugmodell eine „Konfidenz“ aus, die angibt, wie wahrscheinlich es ein Fahrzeug dieses Modells ist. In diesem Fall handelt es sich um einen Toyota Prius mit Modelljahr 2004, dem das KI-Modell eine Wahrscheinlichkeit von über 95% zuordnet. Das Modell schließt jedoch nicht vollständig aus, dass es sich auch bspw. um einen Toyota Prius von 2010 handeln könnte. 

In diesem Fall ordnet das KI-Modell dem korrekten Fahrzeugmodell Hummer H2 2003 eine Konfidenz von 97% zu.

Lösungsansatz

Als Lösungsansatz verfolgen wir als Fraunhofer IOSB verschiedene Strategien. Neben der Optimierung von KI-Verfahren für den Einsatz mit geringen Datenmengen erforschen wir die Nutzung alternativer Datenquellen. Dabei spielt die Verwendung professionell produzierter Webbilder aufgrund ihrer breiten Verfügbarkeit eine wichtige Rolle. Allerdings besteht für sicherheitsrelevante Szenarien oft eine deutliche Diskrepanz zwischen Webbildern und den in Sicherheitsanwendungen üblichen Überwachungs- und Handyaufnahmen, die meist andere Perspektiven und eine niedrigere Qualität aufweisen. Um diese Herausforderung zu bewältigen, forschen wir an Verfahren zur domänenübergreifenden Anpassung von KI-Modellen. Hierbei werden Bilder aus einer Domäne wie Webbilder im Training genutzt, um dennoch eine Erkennung in anderen Domänen wie Überwachungsbildern mit hoher Genauigkeit durchführen zu können. Ein weiteres Forschungsthema ist die Nutzung von synthetisch erzeugten Daten. Hierbei untersuchen wir sowohl die Erstellung von Bildern mithilfe von KI-Verfahren als auch die Verwendung von durch Raytracing generierten Bildern.