detectPeopleACF

Обнаружьте людей, использующих совокупные функции канала (ACF)

detectPeopleACF будет удален в будущем релизе. Используйте peopleDetectorACF вместо этого.

Синтаксис

bboxes = detectPeopleACF(I)
[bboxes,scores] = detectPeopleACF(I)
[___] = detectPeopleACF(I,roi)
[___] = detectPeopleACF(Name,Value)

Описание

пример

bboxes = detectPeopleACF(I) возвращает матрицу, bboxes, который содержит местоположения обнаруженных вертикальных людей во входном изображении, I. Местоположения представлены как ограничительные рамки. Функция использует алгоритм совокупных функций канала (ACF).

[bboxes,scores] = detectPeopleACF(I) также возвращает музыку обнаружения к каждой ограничительной рамке.

[___] = detectPeopleACF(I,roi) обнаруживает людей в прямоугольной поисковой области, заданной roi, с помощью любого из предыдущих синтаксисов.

[___] = detectPeopleACF(Name,Value) дополнительные опции использования заданы одним или несколькими аргументами пары Name,Value. Незаданные свойства имеют значения по умолчанию.

Поддержка генерации кода:
Генерация кода поддержек: нет
Блок MATLAB function поддержек: Нет
Поддержка генерации кода, указания по применению и ограничения

Примеры

свернуть все

Считайте изображение.

I = imread('visionteam1.jpg');

Обнаружьте людей в изображении и сохраните результаты как ограничительные рамки и счет.

[bboxes,scores] = detectPeopleACF(I);

Аннотируйте обнаруженных вертикальных людей в изображении.

I = insertObjectAnnotation(I,'rectangle',bboxes,scores);

Отобразите результаты с аннотацией.

figure
imshow(I)
title('Detected people and detection scores')

Входные параметры

свернуть все

Введите изображение, заданное как изображение истинного цвета. Изображение должно быть действительным и неразреженным.

Типы данных: uint8 | uint16 | int16 | double | single

Прямоугольная поисковая область, заданная как четырехэлементный вектор, [x, y, width, height]. roi должен полностью содержаться в I.

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'Threshold', -1

Модель классификации ACF, заданная как пара, разделенная запятой, состоящая из 'Model' и вектора символов 'inria-100x41' или 'caltech-50x21'. Модель 'inria-100x41' была обучена с помощью набора данных INRIA Person. Модель 'caltech-50x21' была обучена с помощью набора данных Caltech Pedestrian.

Количество уровней шкалы на октаву, заданную как пара, разделенная запятой, состоящая из 'NumScaleLevels' и целого числа. Каждая октава является уменьшением масштаба степени двойки изображения. Увеличьте это число, чтобы обнаружить людей в более прекрасном шаге шкалы. Рекомендуемые значения находятся в области значений [4,8].

Шаг окна для раздвижного окна, заданного как пара, разделенная запятой, состоящая из 'WindowStride' и целого числа. Установите это значение к сумме, вы хотите переместить окно в направлениях y и x. Раздвижное окно сканирует изображения для обнаружения объектов. Функция использует тот же шаг для направлений y и x.

Выберите самую сильную ограничительную рамку, заданную как пара, разделенная запятой, состоящая из 'SelectStrongest' и или true или false. Процесс, часто называемый немаксимальным подавлением, устраняет перекрывающиеся ограничительные рамки на основе их очков. Установите это свойство на true использовать функцию selectStrongestBbox, чтобы выбрать самую сильную ограничительную рамку. Установите это свойство на false, чтобы выполнить пользовательскую операцию выбора. Установка этого свойства к false возвращает обнаруженные ограничительные рамки.

Минимальный размер области в пикселях, заданных как пара, разделенная запятой, состоящая из 'MinSize' и двухэлементного вектора [height width]. Можно установить это свойство на [50 21] для модели 'caltech-50x21' или [100 41] для модели 'inria-100x41'. Можно уменьшать время вычисления путем устанавливания этого значения к известному минимальному размеру области для обнаружения человека. По умолчанию MinSize установлен в самый маленький размер области, возможный обнаружить вертикального человека для выбранной модели классификации.

Максимальный размер области в пикселях, заданных как пара, разделенная запятой, состоящая из 'MaxSize', и двухэлементного вектора, [height width]. Можно уменьшать время вычисления путем устанавливания этого значения к известному размеру области для обнаружения человека. Если вы не устанавливаете это значение, по умолчанию функция определяет высоту и ширину изображения с помощью размера I.

Порог точности классификации, заданный как пара, разделенная запятой, состоящая из 'Threshold' и численного значения. Типичные значения находятся в области значений [–1,1]. Во время многошкального обнаружения объектов пороговое значение управляет точностью классификации людей или бывших важных персон и скоростью. Увеличьте этот порог, чтобы ускорить производительность рискуя тем, чтобы пропустить истинные обнаружения.

Выходные аргументы

свернуть все

Местоположения людей обнаружили использование алгоритма совокупных функций канала (ACF), возвращенного как M-by-4 матрица. Местоположения представлены как ограничительные рамки. Каждая строка в bboxes содержит четырехэлементный вектор, [x, y, width, height]. Этот вектор задает верхний левый угол и размер ограничительной рамки, в пикселях, для обнаруженного человека.

Значение уверенности для обнаружений, возвращенных как M-by-1 вектор. Вектор содержит значение для каждой ограничительной рамки в bboxes. Счетом к каждому обнаружению является вывод мягко-каскадного классификатора. Областью значений значений счета является [-inf inf]. Большие очки указывают на более высокую уверенность в обнаружении.

Ссылки

[1] Доллар, P., Р. Аппел, С. Белонги и П. Перона. "Быстро покажите пирамиды для обнаружения объектов". Анализ шаблона и Искусственный интеллект, Транзакции IEEE. Издание 36, Выпуск 8, 2014, стр 1532–1545.

[2] Доллар, К. Уоджек, Б. Шил и П. Перона. "Пешеходное обнаружение: оценка состояния". Анализ шаблона и Искусственный интеллект, Транзакции IEEE. Издание 34, Выпуск 4, 2012, стр 743–761.

[3] Доллар, C., Wojeck, Б. Шил и П. Перона. "Пешеходное обнаружение: сравнительный тест". Конференция по IEEE по Компьютерному зрению и Распознаванию образов. 2009.

Введенный в R2016a