LiDAR-Daten werden in so genannten Punktwolken dargestellt. Diese Darstellung fasziniert: Sie ist ein exaktes Abbild der vom Sensor erfassten Umgebung in 3D. Durch den dreidimensionalen Charakter k\u00f6nnen verschiedenste Blickwinkel eingenommen werden, die Szene aus verschiedenen Perspektiven beleuchtet werden.<\/p>\n\n\n\n
Anwendende setzen LiDAR-Sensoren aber nicht ein, weil sie sch\u00f6ne Bilder m\u00f6gen. Die Daten liefern eine F\u00fclle an Informationen<\/strong>, die zahlreiche Anwendungen von Crowd-Analytics \u00fcber Volumenerfassung bis zu Sicherheitsanwendungen erm\u00f6glichen. In der h\u00fcbschen Punktwolke sehen Menschen die ben\u00f6tigten Informationen nicht auf den ersten Blick, Algorithmen k\u00f6nnen sie aber sehr gut interpretieren.<\/p>\n\n\n\n Wie dabei Objekte erkannt und getrackt werden, beleuchtet dieser Artikel.<\/p>\n\n\n\n Stellen Sie sich einen Marktplatz vor, auf dem ein Stadtfest stattfindet. Es sind verschiedene St\u00e4nde aufgebaut, aus denen Produkte, Essen und Getr\u00e4nke verkauft werden. Die Veranstaltenden m\u00f6chten gerne analysieren, wie sich die Besuchenden auf dem Platz bewegen. So wird ausgewertet, welche Positionen f\u00fcr die Verkaufsst\u00e4nde gut gew\u00e4hlt sind und welche Angebote besonders beliebt sind. Diese Insights helfen zum einen den Budenbetreibenden, indem sie zum Beispiel aufzeigen, wie ihr Auftreten angenommen wird, oder ob sie dieses optimieren sollten. Zum anderen geben sie den Veranstaltenden Aufschluss dar\u00fcber, welche Standfl\u00e4chen je nach Auslastung wie bepreist werden sollten.<\/p>\n\n\n\n Um die Bewegungen der Besuchenden auf dem Fest zu erfassen, werden zun\u00e4chst die Menschen in der Punktwolke identifiziert. Da diese aus der gesamten gescannten Umgebung in 3D-Punkten besteht, werden zun\u00e4chst Objekte innerhalb der Punktwolke erkannt. Objekte beschreiben hierbei zun\u00e4chst alles: Die Besuchenden ebenso wie Fahrzeuge, B\u00e4nke, Kinderw\u00e4gen oder Hunde.<\/p>\n\n\n\n Da in unserem Beispiel die zu detektierenden Objekte Menschen sind, die sich auf dem Marktplatz bewegen, werden in einem ersten Schritt Punkte erkannt, die sich bewegen<\/strong><\/em>. Dies ist nicht zwangsl\u00e4ufig n\u00f6tig, reduziert aber die Menge an zu \u00fcbertragenden Daten und ist daher h\u00e4ufig von Vorteil. Objekte k\u00f6nnen aber ganz genauso in komplett statischen Punktwolken erkannt werden.<\/p>\n\n\n\n Die sich bewegenden Punkte innerhalb der Punktwolke werden erfasst, indem zu Beginn des Messzeitraums eine Referenzaufnahme get\u00e4tigt wird. Alles, was auf dieser Aufnahme zu sehen ist und sich nicht bewegt, wird als Hintergrund<\/strong> definiert. Dieser kann herausgefiltert werden, sodass die zu \u00fcbertragenden Daten sich drastisch reduzieren. In Innenr\u00e4umen reicht dieser Vorgang aus, da davon ausgegangen werden kann, dass sich der Hintergrund nicht mehr \u00e4ndert. Um zuk\u00fcnftige Ver\u00e4nderungen des Hintergrunds zu ber\u00fccksichtigen (z.B. das Wegfahren eines Marktstandes) wird dieser im Betrieb kontinuierlich identifiziert und aktualisiert \u2013 es findet eine dynamische Hintergrund-Subtraktion statt. Dies geschieht, indem Objekte, die sich \u00fcber einen vordefinierten Zeitraum nicht bewegen, ebenfalls zum Hintergrund gez\u00e4hlt werden.<\/p>\n\n\n\nLaufwege erfassen dank Objekterkennung und Tracking<\/strong><\/h2>\n\n\n\n
Hintergrund von Vordergrund unterscheiden, um Daten\u00fcbertragung zu reduzieren<\/strong><\/h2>\n\n\n\n