的高的配置精度，因为，当交通参与者的定向已经确定时，图像数据的评估相对于姿势的配置来说要简单得多。
[0027]根据本发明的另一个优选的实施例，特征矢量与参考矢量簇的比较借助一种随机森林方法进行。在这种分类方法中，特别是在学习过程中以规定类型的随机化使用生长的、包括参考矢量簇的决策树。在这种情况下，所述参考矢量簇可以分别配置给交通参与者相对于照相机的一个定向和/或交通参与者的一个姿势。
[0028]为了主动地识别交通参与者的动作还可以有利地检测和使用另外一些数据，特别是周围环境数据如对于红绿灯、对于交通标志或者对于斑马线的数据；地理数据例如使用全球定位系统(GPS)确定的位置数据、来自导航系统的地图数据和/或来自二维或者三维地图的道路图像。还可以使用对于交通参与者的测量数据例如激光雷达测量装置、超声测量装置或者红外测量装置的数据和/或机动车的数据例如其速度。
[0029]本发明可应用于许多种交通状况，例如在行人横过斑马线的情况或者还有在检测在汽车之间玩耍并且突然横过道路的儿童的情况。
[0030]有利的是，对于本发明可以使用包括两个照相机的立体照相机系统。由此能够从交通参与者拍摄三维图像并加以应用，并且进一步提高了识别可靠性。像点和它们各自的特征矢量于是也同样对应于这三个空间维度构成。
【附图说明】
[0031]下面根据附图详细说明本发明的其他实施例。附图中:
[0032]图1示出一个用于确定一个姿势的流程图，
[0033]图2示出一个流程图，具有对用于像点的特征性矢量的构成的图解说明，
[0034]图3示出一个流程图，具有对图像定向的分类的图解说明，
[0035]图4示出一个流程图，具有对基于特征性像点矢量确定一个姿势的图解说明，
[0036]图5示出在一条斑马线旁的交通状况。
【具体实施方式】
[0037]图1中用流程图表示用于确定在道路交通中交通参与者例如行人的姿势的粗略的上位步骤。在起动步骤SI，例如通过一个在机动车上所设的照相机系统提供相应的交通状况的图像数据。该图像或者说图像数据按像点结构化。为此，该照相机系统例如具有一个或者多个照相机，它们分别具有一个电荷耦合元件(CXD)芯片，该芯片具有例如1176X640像点的空间分辨率和每像点2字节的颜色和/或亮度分辨率。然而分别具有另外的、尤其更高的分辨率也是可以的。
[0038]如果使用立体照相机则能够提供相应的图像处理算法，以便从立体图像中获得对各成像描绘对象的距离信息和/或深度信息。
[0039]在步骤S2按像点确定特征性矢量，在步骤S3分类到图像的定向中并且在步骤S4确定行人的姿势。
[0040]图2中所示的流程图表示在图1中说明的上位步骤S2的详细的方法步骤。分别在对应的方法步骤的右边表示有图像，这些图像图示出对应的方法步骤的作用。这些方法步骤特别是能够全部或者部分地借助在车辆内部的计算机系统中加载和执行的计算机程序来实施。在步骤S2.1，例如由计算机程序读入图像18的按点结构化的图像数据到计算机存储器中。图像18包括一个行人的图像20和背景中其他的图像元素例如太阳19。
[0041]在步骤S2.2，以程序控制的方式通过对图像18内部的图像数据的处理来辨识一个其内存在着该行人的成像的前景20。作为前景，例如可以辨识行人的形式上为关联域的图像区域。在步骤S2.3，在一个图像区域21内产生一个包围前景20的具有nXm个单元的(其中n、m是自然数)格网22，其中，必要时可以事先在一个中间步骤中设定一个紧紧围绕所辨识的前景20的矩形。当矩形的整体尺寸-与其实际尺寸无关-被划分为预先规定的、每次相同数目的单元时，或者说当格网具有预先规定的、每次相同数目的单元时，这种分割编制可以有利地分度不变地构成。由此最后在辨识处理过程中所确定的姿势因而相对于各个被检测的交通参与者例如行人的实际尺寸是恒定不变的。
[0042]在图2的例子中，格网22包括5X7个单元。每一单元例如可以包括1X 15个像点。在步骤2.4，然后为格网22的每一单元计算出相应的图像重心并且存储各重心的分别计算出的坐标。在所示图像区域21内，对于单元24产生重心24a，对于单元25产生重心25a。这样确定的单元结构表示被检测交通参与者的外形的一种非常简单的编码。
[0043]在步骤S2.5，为前景20的每一像点，计算出到单元24、25等等的所有重心的相应距离。在所示图像区域21内，例如对于单元27的像点27a产生一个到单元28的重心28a的线段29a。与此对应，对于格网22的所有单元，为像点27产生许多个距离或者说对应的线段，它们在该图例中作为线段群29表示。由这许多个距离，在步骤S2.6按像点为前景20的每一像点27等等计算并且存储相应像点的一个特征性矢量。虽然在图2中是从二维的图像出发，但显然，所述这些方法步骤也可以相应地应用于三维的图像数据，特别是来自立体照相机系统的图像数据。如此按像素确定的特征性矢量可以特别有利地针对具有相对较高的噪声成分的立体图像被确定。
[0044]图3中所示流程图示出了在图1中说明的上位步骤S3的详细的方法步骤。方法步骤S3.2和S3.4右边表示了图示出对应数据的图像。这些方法步骤特别可以借助计算机程序全部或者部分地实施。在起动步骤S3.1，对于所有像点读入在步骤S2.6中所构成的特征性矢量。在步骤S3.2读入分类数据30，它们例如在经验尝试中获得并且它们对相应特征性矢量为图像定向而说明相应的定向模式。在用于构成分类数据30的经验尝试中，试验人员例如可以按某一确定的定向相对拍摄照相机摆出预先规定的不同姿势，由此确定相应的特征性簇数据。在此可以提供η个定向，其中η是大于I的自然数。例如可以为“从前面拍摄”和“从后面拍摄”设定两个定向。然后可以将在此所构成的分类数据分成簇，例如分成一个前面簇，其内包含了所有在“从前面拍摄”的定向的情况下所拍摄的姿势和它们对应的特征性矢量；以及一个后面簇，其内包含了所有在“从后面拍摄”的定向的情况下所拍摄的姿势和它们对应的特征性簇数据。为了构成相应的特征性簇数据，可以对姿势分别计算出在相邻的交叉点之间的角度。通过针对共同的角度应用k均值算法，能够自动实现簇的构成。k均值算法是一种公知的用于矢量量化的方法。其中，从大量类似的对象中构成事先已知数目的k个组，其中k是自然数。
[0045]有利的是，所述k均值算法并不针对2D或者3D空间中共同位置的欧几里得距离应用。因此，该算法并不根据不同身材尺寸的人员加以区分，而仅仅根据姿势。通过仅使用共同的角度并且以适宜方式忽略肢体的长度，可以鉴于一个人的整体定向针对不同姿势产生一致的簇，与人的身材尺寸无关。
[0046]为了产生用于分类的随机树，可以有利地规定:将每一像点分类到一个正确的簇中。在按像点对像点的相应特征性矢量应用随机树的情况下，便能够以高的可靠性实现成像描绘的对象或者说交通参与者相对于照相机的定向的配置。在图3中，例如对簇数据中的各簇示出了多个图像，其中簇31在步骤S3.4中得以配置。
[0047]图4中所示流程图示出了在图1中说明的上位步骤S4的详细的方法步骤。在此，在起动步骤S4.1中读入像点的所有特征性矢量。在步骤S4.2中读入对不同定向簇的姿势预先规定的、事先对应训练的分类数据。
[0048]在步骤S4.3中读入先前在步骤S3.4中确定的图像定向或者说属于该图像定向的定向簇。在步骤S4.4中，基于读入的姿势分类数据在预先给定的或