Zum Hauptinhalt springen

[Vision AI] Hierarchische Objekterkennung: YOLOv3 Fahrzeug-ROI, YOLOv5 Kennzeichendetektor & CSRT-Tracking (#3)

· 2 Minuten Lesezeit
Jaybee
Jaybee
AI & Robotics Engineer

YOLOv5 Kennzeichen-Lokalisierung

📌 Kernaussagen (TL;DR)

  • Herausforderung: Die Suche nach winzigen Kennzeichen (30x15 Pixel) im vollen 1080p-Frame führt zu massiven False Positives an Schildern und senkt die Inferenzrate unter 10 FPS.
  • Lösung: Zweistufige Hierarchie — Erst Fahrzeug finden (YOLOv3), dann Kennzeichen nur im Ausschnitt suchen (YOLOv5) und Zwischenframes mit schnellem CSRT-Tracking überbrücken.

1. Das hierarchische Detektionsprinzip​

Statt das gesamte Bild mit einem schweren neuronalen Netz nach kleinsten Mustern zu durchsuchen, nutzt das System eine stufenweise Verengung:

flowchart TD
    Frame[Vollbild 1920x1080] --> Step1["Schritt 1: YOLOv3 detektiert Fahrzeug-ROI (Großes Bounding Box)"]
    Step1 --> Crop[Fahrzeug-Ausschnitt isolieren]
    Crop --> Step2["Schritt 2: YOLOv5 detektiert Kennzeichen im Stoßstangenbereich"]
    Step2 --> Plate[Kennzeichen-Patch (z.B. 40x20 px)]
    Plate --> Step3["Schritt 3: CSRT Tracker übernimmt Folgebilder mit 50+ FPS"]

Durch das CSRT-Tracking muss das teure YOLOv5-Netzwerk nur alle 5 Frames ausgeführt werden. Die Zwischenbilder werden durch Korrelationsfilter stabil und ressourcenschonend verfolgt.

📌 Management Summary (3–5 Zeilen)​

  1. Hierarchische Verengung: Eliminiert False Positives an Straßenschildern und Werbetafeln vollständig.
  2. 5-fache Geschwindigkeitssteigerung: CSRT-Tracking reduziert die GPU-Inferenzlast drastisch.
  3. Stabile Verfolgung: Kennzeichen bleiben auch bei leichten Verdeckungen und Nickbewegungen im Fokus.
  4. Optimale ROI-Übergabe: Der präzise Kennzeichenausschnitt wird direkt an die Super-Resolution-Stufe weitergeleitet.
ANZEIGE