Object detection and classification for mobile platforms using 3D acoustic imaging [Elektronische Ressource] / von Marco Moebus

Sujets

• Physik

Informations

• Publié par: technischen_universitat_darmstadt
• Publié le: 01 janvier 2011
• Nombre de lectures: 27
• Langue: English
• Poids de l'ouvrage: 8 Mo

Extrait

Object Detection and Classification for Mobile
Platforms Using 3D Acoustic Imaging
Vom Fachbereich 18
Elektrotechnik und Informationstechnik
der Technischen Universität Darmstadt
zur Erlangung der Würde eines
Doktor-Ingenieurs (Dr.-Ing.)
genehmigte Dissertation
von
Dipl.-Wirtsch.-Ing. Marco Moebus
geboren am 19.09.1979 in Kronberg
Referent: Prof. Dr.-Ing. Abdelhak M. Zoubir
Korreferent: Prof. Dr. Salim Bouzerdoum
Tag der Einreichung: 15.10.2010
Tag der mündlichen Prüfung: 13.12.2010
D 17
Darmstädter Dissertation
Darmstadt, 2011I
Acknowledgments
First and foremost, I would like to thank Prof. Dr.-Ing. Abdelhak Zoubir for his
support and encouragement during the last years. It was a pleasure to work for him
and I appreciate his ability to create an atmosphere of cooperation and openness in his
group. I also thank Prof. Dr. Salim Bouzerdoum and Prof. Dr. Mats Viberg for their
interest in my work and the fruitful discussions we had.
Mythanksgotothemanycolleaguesattheinstitutewhoareresponsibleformakingmy
time there an enjoyable and formative experience. I especially thank Weaam Alkhaldi,
Saïd Aouada, Ramon Brcic, Chris Brown, Luke Cirillo, Christian Debes, Raquel Fan-
dos, Ulrich Hammes, Philipp Heidenreich, Stefan Leier, Michael Muma, and Michael
Rübsamen.
I am also grateful to the colleagues from my industry partner and want to thank them
for their support. I appreciate their willingness to not only cooperate on this topic, but
also to give me access to hardware and measurement equipment which were substantial
for obtaining real data measurements.
Most importantly, I would like to thank my wife and my family: Thank you for your
love and support!III
Zusammenfassung
Diese Doktorarbeit thematisiert das Problem der Objekt-Entdeckung und -
Klassifizierung für mobile Plattformen wie Autos oder Roboter mit Hilfe von
Ultraschall-Sensorgruppen. Hierbei wird ein räumlich breites Anregungssignal ausge-
sendet und von einer zwei-dimensionalen Sensorgruppe empfangen. Mit Hilfe von adap-
tiven Beamforming-Verfahren werden die zurück reflektierten Echos dann verarbeitet
und können in einem drei-dimensionalen Bild der Szene dargestellt werden. Zunächst
beschreiben wir einige Entwicklungsprinzipien, die sich aus dem Betrieb in von Men-
schenhand geschaffener Umgebung sowie physikalischen Bedingungen ergeben, so z.B.
durch die geringe Schallgeschwindigkeit in Luft. Darüber hinaus stellen wir ein Kali-
brierungsverfahren vor, welches insbesondere für Ultraschall-Sensorgruppen eine para-
metrische Korrektur von Positionsfehlern der Sensoren ermöglicht. Bisherige Verfahren
benötigen hierzu entweder viele Kalibrierungsquellen oder können Positionsfehler nur
nicht-parametrischunddamitmanchmalunzureichendkorrigieren.Aufgrunddeshohen
bzw.steigendenKostendrucksinderAutomobil-undRobotikbrancheisthierbeibeson-
ders wichtig, ein solches System mit hoher Leistungsfähigkeit, aber nur einer geringen
Anzahl von Sensoren betreiben zu können. Daher werden in dieser Arbeit Verfahren
dargestellt, die es erlauben, schwach besetze Sensorgruppen zu entwerfen, die eine hohe
räumliche Auflösung ermöglichen, dabei jedoch auch gute Rauschunterdrückung auf-
weisen. Dadurch können Objekte verlässlich und ausreichend genau dargestellt werden
und heben sich gut vom Hintergrund ab. Die entwickelten Methoden basieren auf der
Theorie minimaler Redundanz, die in dieser Arbeit für den zwei-dimensionalen Fall
angewandt und erweitert wird. In einem weiteren Teil der Arbeit beschäftigen wir
uns mit der Detektion von Personen mit Hilfe dieser Ultraschall-Sensorgruppen. Wir
zeigen, dass sich aus den verarbeiteten Echos einfache geometrische Merkmalen extra-
hieren lassen, anhand derer Personen mit einer Genauigkeit von knapp 97 Prozent von
anderen Objekten unterschieden werden können. Die dazu notwendigen Klassifikatoren
basieren auf linearer und quadratischer Diskriminantenanalyse und besitzen daher ge-
ringe Komplexität. Darüber hinaus ist es auch anhand eines einzelnen Bildes möglich,
die Haltung einer Person genauer zu klassifizieren. So entwickeln wir Klassifikatoren,
die anhand einer Kombination von geometrischen und statistischen Merkmalen erken-
nen, ob eine Person läuft oder steht. Die hierbei erreichte Genauigkeit beträgt mehr
als 87 Prozent. Die entwickelten Methode werden nicht nur in Simulationen angewen-
det und bewertet, sondern auch auf reale Messdaten angewandt. Die Daten wurden
mit Hilfe mehrerer Prototypen von akustischen Sensorgruppen aufgenommen. Dabei
wurden sowohl innerhalb als auch außerhalb von Gebäuden verschiedene Szenarien
aufgenommen.V
Abstract
This thesis addresses the problem of obstacle detection and classification for mobile
platforms such as robots using acoustic imaging. To obtain an acoustic image of a
scene, a spatially broad signal is transmitted and the object’s reflections are received
by a 2D array of acoustic receivers. The resulting data is processed using adaptive
beamforming and can be translated into a three-dimensional image. Since the targeted
platforms operate in man-made environments, we first develop design principles de-
rived from physical constraints such as the slow speed of sound in air. Furthermore, we
present a calibration method which is specifically well suited for acoustic arrays and
parametrically corrects for position errors of the sensors. Other methods are either
limited, e.g., by the need of a high number of calibration sources, or can correct such
errors non-parametrically and therefore sometimes insufficiently. The increasing cost
pressure for domestic robots demands to operate using cheap hardware, which favors
the use of acoustic imaging. Such cost constraints require to use highly sparse 2D array
designs which still allow to resolve objects clearly and result in acoustic images with
a distinct discrimination between object echoes and background. Thus, we develop
methods to design non-uniform, sparse arrays which possess reasonable spatial resolu-
tion together with good noise suppression. The presented methods apply minimum-
redundancy theory in the two-dimensional case and extend it in order to control the. We also address the problem of human detection and develop feature sets
for a corresponding binary classifier. As a result, humans can be discriminated from
other objects using only a three-dimensional feature space and simple classifiers such
as Linear Discriminant Analysis or Quadratic Discriminant Analysis with an accuracy
of almost 97 percent. We also present geometrical and statistical features which allow
the classification of humans with respect to their pose, meaning that we can distinguish
whether a person is walking or standing with a classification accuracy of more than
87 percent. All developed methods are applied not only to simulation data, but also
to real data measurements. The data was obtained using several prototypes of real
acoustic array systems in indoor and outdoor environments.VII
Contents
Zusammenfassung III
Abstract V
List of Acronyms XI
List of Symbols XIII
1 Introduction 1
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Fundamentals 5
2.1 Fundamentals of Array Signal Processing . . . . . . . . . . . . . . . . . 5
2.1.1 Signal Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.2 Beamforming . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.3 Subspace Methods . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.4 Coherent Sources . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.5 Robust Beamforming . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Fundamentals of Classification . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Discriminant Functions . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1.1 Fisher’s Linear Discriminant . . . . . . . . . . . . . . . 16
2.2.1.2 Generalized Linear Discriminants . . . . . . . . . . . . 17
2.2.2 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2.1 Maximum Margin Classifier . . . . . . . . . . . . . . . 18
2.2.2.2 Soft Margin Classifier . . . . . . . . . . . . . . . . . . 19
2.2.2.3 Choice of the Kernel Function . . . . . . . . . . . . . . 21
3 Design of Acoustic Imaging Systems 22
3.1 Design Principles for Acoustic Imaging Systems . . . . . . . . . . . . . 22
3.1.1 Data Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.2 Assumptions and Basic Characteristics . . . . . . . . . . . . . . 24
3.1.3 System Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.4 Real Data Examples . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Calibration Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Fundamentals . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.2 Global Calibration Techniques . . . . . . . . . . . . . . . . . . . 34
3.2.3 Local Tec . . . . . . . . . . . . . . . . . . . 35VIII Contents
3.2.4 Parametric Maximum-Likelihood Estimation of Position Errors 36
3.2.5 Proposed Low-complexity Estimation Procedure . . . . . . . . . 37
3.2.6 Res