Voetgangersdetectie op basis van heterogene sensorgegevens

Voetgangersdetectie met meerdere sensoren kan op verschillende manieren worden aangepakt. In bestaande literatuur wordt steeds één specifieke combinatie in detail onderzocht. In deze masterproef werd een configureerbaar evaluatie framework gebouwd die automatisch de detectie performantie van verschillende feature sets kan nagaan. Voor elke feature set wordt een bijhorende classifier op een intelligente manier getraind en daarna geëvalueerd op verschillende data sets. Door de configuratie parameters te tweaken kon een ruwe schatting bekomen worden van de best presterende combinaties in een paar weken, een proces dat met gefinetunede parameters gemakkelijk maanden kan duren. Via misclassificatie analyse kon worden geverifieerd dat de gekozen parameters fijn genoeg waren om een goede classifier op te bouwen. Uit de resultaten kon ook het belang van de individuele features worden bepaald om zo meer inzicht te krijgen welke lichaamsdelen belangrijk zijn voor een juiste classificatie.