Evaluierung verschiedener Klassifikatoren zur Detektion von Objekten in Punktwolken

Diese Bachelorarbeit behandelt die Klassifikation von Objekten in Punktwolken. Die zu klassifizierenden Objekte sind Verkehrsteilnehmer in Form von LiDAR- (Light Detection and Ranging) Punktwolken und stammen aus dem waymo-Datensatz. Die Objekte sind hierbei bereits aus den Punktwolken segmentiert. Die hier vorkommenden Klassen sind Kraftfahrzeuge, Fußgänger, Verkehrsschilder und Fahrradfahrer, wobei die Anzahl der Fahrradfahrer weit unter der Anzahl der anderen Klassen liegt. Ein wesentlicher Aspekt in dieser Arbeit stellt das Implementieren von geeigneten Merkmalen dar, mithilfe derer die verschiedenen Objekte möglichst genau klassifiziert werden können. Die Klassifikation wird letztendlich mit insgesamt 49 Merkmalen durchgeführt. Verwendet werden die beiden überwachten Klassifikatoren Random Forest und Support Vector Machine. Es werden mit beiden Klassifikatoren jeweils ungewichtete und gewichtete Klassifikationen durchgeführt, wobei die gewichteten Klassifikationen erwartungsgemäß bessere Genauigkeiten erzielen. Die Gesamtgenauigkeit liegt bei der gewichteten Klassifikation bei Random Forest bei 97.83% und bei der Support Vector Machine bei 96.73%. Die Klassen ‘Kraftfahrzeuge’, ‘Fußgänger’ und ‘Verkehrsschilder’ werden bei beiden Klassifikatoren zu einem hohen Anteil korrekt klassifiziert. Oft werden Objekte fehlklassifiziert, welche in geringer Auflösung vorliegen oder von anderen Objekten verdeckt werden. Bei beiden Klassifikatoren gab es die prozentual häufigsten Fehlklassfikationen bei den Fahrradfahrern. Für höhere Klassifikationsgenauigkeiten bei dieser Klasse könnten ein ausgeglichener Datensatz verwendet werden. Außerdem könnte die Implementierung von Merkmalen, welche Fahrradfahrer besser charakterisieren, ebenfalls für höhere Genauigkeiten sorgen