Kamerabasierte Nebeldetektion und Sichtweitenschätzung im Fahrzeug

Dichter Nebel wird immer wieder als Grund für folgenschwere Unfälle im Straßenverkehr genannt. Auch wenn statistisch betrachtet andere Unfallursachen bedeutsamer erscheinen, so resultieren diese meist in Massenkarambolagen mit einer Vielzahl verletzter Verkehrsteilnehmer. Die Lokale Gefahrenwarnung vor eingeschränkten Sichtverhältnissen versucht diesen durch frühzeitige Hinweise vorzubeugen. Da jedoch hierzu die Vorausschau der in heutigen Fahrzeugen verfügbarer Sensoren nicht ausreichend ist und die die aus der Infrastruktur verfügbaren Daten eine zu geringe Abdeckung aufweisen, wird eine Car-to-Infrastructure Architektur verfolgt. Fahrzeuge dienen dabei als eine Art mobile Messstation und liefern Daten an ein zentrales Backend, in welchem diese mit lokalen Messdaten fusioniert werden. Dadurch soll eine zuverlässige, rechtzeitige und gezielte Warnung ermöglicht werden. Hierzu werden jedoch Fahrzeuge benötigt, welche in der Lage sind ein solches Ereignis zu erkennen. Da Kamerasysteme immer häufiger zur Ausstattung zählen und da sich Bilder mit dichtem Nebel von Bildern mit klaren Sichtverhältnissen deutlich unterscheiden, soll in dieser Arbeit ein Verfahren zur maschinellen Nebeldetektion entwickelt werden. Hierzu wird eine Klassifizierungsprozedur vorgestellt, welche anhand von spektralbasierten Merkmalen sowohl bei Tag als auch bei Nacht mit und ohne eingeschaltetem Fernlicht eine zuverlässige Unterscheidung ermöglicht. Hierzu wird das Leistungsspektrum einer zweistufigen Merkmalsreduktion unterzogen, welche aus einer Abtastung im Frequenzbereich mittels einer neu vorgestellten Gabor Bandpass Filterbank sowie einer anschließenden Hauptkomponentenanalyse besteht, wodurch bereits ein linearer Klassifikator ein hohes Trennvermögen erzielen kann. Die vorgestellte Klassifizierungsprozedur wird schließlich anhand einer ausgiebigen Evaluierung untersucht und mit bekannten Merkmalen aus der Bildverarbeitung verglichen.