Call number:
S 99.0139(340)
In:
Wissenschaftliche Arbeiten der Fachrichtung Vermessungswesen der Universität Hannover, Nr. 340
Type of Medium:
Series available for loan
Pages:
170 Seiten
,
Illustrationen, Diagramme
ISSN:
0174-1454
Series Statement:
Wissenschaftliche Arbeiten der Fachrichtung Vermessungswesen der Universität Hannover Nr. 340
URL:
https://d-nb.info/1165014033/04
Language:
German
Note:
Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2018
,
1 Einleitung
1.1 Hintergrund und Problemstellung
1.2 Ziel der Arbeit
1.2.1 Problemstellung: Erfassung von Trajektorien
1.2.2 Problemstellung: Erkennung von Bewegungsmustern in Trajektorien
1.3 Gliederung
2 Grundlagen
2.1 Modellierung von Objektbewegungen
2.2 Erfassung von Trajektorien
2.2.1 GNSS-Tracking
2.2.2 Videobasiertes Tracking
2.2.3 Vergleich des GNSS- und videobasierten Trackings
2.2.4 Weitere Tracking-Verfahren
2.2.5 Probabilistische Modellierung
2.2.6 Viterbi-Algorithmus
2.3 Erkennung von Bewegungsmustern
2.3.1 Data Mining
2.3.2 Filterung und Glättung
2.3.3 Segmentierung
2.3.4 Distanzmaße zur Bestimmung der Ähnlichkeit von Trajektorien
2.3.5 Maschinelles Lernen im Kontext raum-zeitlicher Daten
2.3.6 Sequenzmustererkennung
2.4 Dynamische Programmierung
2.5 Unterschiedliche Varianten der Datenverarbeitung
2.5.1 Zentrale und dezentrale Verarbeitung
2.5.2 Informationsaustausch
3 Stand der Forschung und verwandte Arbeiten
3.1 Erfassung von Trajektorien
3.1.1 Objektdetektion
3.1.2 Objekt-Tracking
3.1.3 Fusion heterogener Detektionen
3.1.4 Kommerzielle Systeme
3.1.5 Diskussion und Fazit
3.2 Mustererkennung in Trajektorien
3.2.1 Erkennung von wiederkehrenden unbekannten Mustern
3.2.2 Diskussion und Fazit
4 Erfassung von Trajektorien - GPS-unterstütztes Kamera-Tracking
4.1 Überblick über den Lösungsansatz
4.2 Sensoren und Eingangsdaten
4.2.1 GPS-Daten
4.2.2 Kameradaten
4.3 Vorverarbeitung
4.4 Fusion der heterogenen Daten
4.4.1 Detektionsbasierte Modellierung
4.4.2 Rasterbasierte Modellierung
4.4.3 Generierung der Trajektorien
4.5 Laufzeit des Algorithmus
4.6 System design
5 Mustererkennung in Trajektorien
5.1 Definition von Bewegungsmustern
5.2 Überblick über das entwickelte Mustererkennungsverfahren
5.3 Trajektorien als Datengrundlage
5.4 Vorverarbeitung
5.4.1 Datenbereinigung
5.4.2 Datenselektion
5.4.3 Datenintegration und Transformation
5.5 Mustererkennung: Clustering-basierter Ansatz
5.5.1 Segmentierung der Trajektorien
5.5.2 Clustering der Trajektorien
5.6 Mustererkennung: Sequenzbasierter Ansatz
5.6.1 Eingangsdaten
5.6.2 Generierung der Sequenzen aus Bewegungen
5.6.3 Bestimmung des Alphabets
5.6.4 Identifikation wiederkehrender Teilsequenzen
5.6.5 Rücktransformation zu Trajektorien
5.7 Laufzeit des Algorithmus
6 Experimente und Evaluation der Erfassung der Trajektorien
6.1 Verwendete Software
6.2 Verwendete Sensoren
6.3 Korrektheit der Zuordnungen
6.3.1 Experiment: 2 Personen
6.3.2 Experiment: Fußballanalyse
6.4 Geometrische Genauigkeit der Trajektorien
6.5 Laufzeit
6.6 Fazit
7 Experimente und Evaluation der Mustererkennung
7.1 Verwendete Software
7.2 Ergebnisverifikation
7.3 Interessantheitsmaß für Bewegungsmuster
7.4 Parameterstudien
7.4.1 Eingabeparameter
7.4.2 Datendichte
7.4.3 Invarianzen
7.5 Experimente auf realen Datensätzen
7.5.1 Beschreibung der Datensätze und Experimente
7.5.2 Experiment 1 - ACM DEBS 2013-Datensatz
7.5.3 Experiment 2 - GPS-Fußball-Datensatz
7.5.4 Experiment 3 - MapConstruction.org
7.5.5 Experiment 4 - Mantelpaviane
8 Zusammenfassung und Ausblick
8.1 Zusammenfassung
8.2 Ausblick
Abbildungsverzeichnis
Tabellenverzeichnis
Literaturverzeichnis
Lebenslauf
Danksagung
Location:
Lower compact magazine
Branch Library:
GFZ Library
Permalink
