Ground Truth Labeler

Пометьте достоверные данные для автоматизированных ведущих приложений

Описание

Приложение Ground Truth Labeler позволяет вам пометить достоверные данные в видео в последовательности изображений, или от пользовательского читателя источника данных. Используя приложение, вы можете:

Задайте прямоугольные метки видимых областей (ROI), метки ROI ломаной линии, пиксельные метки ROI и метки сцены. Используйте эти метки, чтобы интерактивно помечать ваши достоверные данные.
Используйте встроенные алгоритмы обнаружения или отслеживания, чтобы пометить ваши достоверные данные.
Запишите, импортируйте и используйте свой собственный алгоритм автоматизации, чтобы автоматически пометить основную истину.
Оцените производительность своих алгоритмов автоматизации метки с помощью визуальных сводных данных.
Экспортируйте помеченную основную истину как groundTruth объект. Можно использовать этот объект в системной верификации или в обучении сеть семантической сегментации или детектор объектов.
Отобразите синхронизируемые со временем сигналы, такие как лидар или данные о шине CAN, с помощью driving.connector.Connector API.

Чтобы узнать больше об этом приложении, см. Запуск с Ground Truth Labeler.

Откройте приложение Ground Truth Labeler

MATLAB^® Toolstrip: На вкладке Apps, под Automotive, кликают по значку приложения.
Командная строка MATLAB: Введите groundTruthLabeler.

Примеры

Связанные примеры

Программируемое использование

развернуть все

`groundTruthLabeler`

groundTruthLabeler открывает новый сеанс приложения, позволяя вам пометить достоверные данные.

`groundTruthLabeler(videoFileName)`

groundTruthLabeler(videoFileName) открывает приложение и загружает входное видео. Видеофайлу должен был поддержать расширение VideoReader.

Пример: groundTruthLabeler('caltech_cordova1.avi')

`groundTruthLabeler(imageSeqFolder)`

groundTruthLabeler(imageSeqFolder) открывает приложение и загружает последовательность изображений от входной папки. image sequence является упорядоченным множеством изображений, которые напоминают видео. Изображения должны быть одного размера. imageSeqFolder должен быть скаляр строки или вектор символов, который задает папку, содержащую файлы изображений. Файлам изображений должен был поддержать расширения imformats и загружаются в порядке, возвращенном dir функция.

Чтобы пометить набор неупорядоченных изображений, которые могут отличаться по размеру, используйте приложение Image Labeler вместо этого.

`groundTruthLabeler(imageSeqFolder,timestamps)`

groundTruthLabeler(imageSeqFolder,timestamps) открывает приложение и загружает последовательность изображений с их соответствующими метками времени. timestamps должен быть duration вектор той же длины как количество изображений в последовательности.

Например, загрузите последовательность дорожных изображений и их соответствующих меток времени в приложение.

imageDir = fullfile(toolboxdir('driving'),'drivingdata','roadSequence');
load(fullfile(imageDir,'timeStamps.mat'))
groundTruthLabeler(imageDir,timeStamps)

`groundTruthLabeler(gtSource)`

groundTruthLabeler(gtSource) открывает приложение и загружает groundTruthDataSource объект, gtSource. Объект содержит пользовательский источник данных и соответствующие метки времени.

`groundTruthLabeler(sessionFile)`

groundTruthLabeler(sessionFile) открывает приложение и загружает сохраненный сеанс приложения, sessionFile. sessionFile введите содержит путь и имя файла. MAT-файл, что sessionFile точки к содержат сохраненный сеанс.

`groundTruthLabeler(___,'ConnectorTargetHandle','connector')`

groundTruthLabeler(___,'ConnectorTargetHandle','connector') открывает приложение со специальным коннектором. 'connector' указатель на driving.connector.Connector класс. Указатель реализует пользовательский инструмент анализа или визуализации, который синхронизируется со временем с приложением Ground Truth Labeler. Например, сопоставить цель коннектора задало в классе MyConnectorClass, задайте @MyConnectorClass.

Например, откройте приложение, загрузите 10-секундное видео в него и откройте инструмент визуализации лидара, который синхронизируется со временем с видео.

groundTruthLabeler('01_city_c2s_fcw_10s.mp4','ConnectorTargetHandle',@LidarDisplay);

Ограничения

Встроенные алгоритмы автоматизации поддерживают автоматизацию прямоугольных меток ROI только. Когда вы выбираете встроенный алгоритм и нажимаете Automate, метки сцены, пиксельные метки, полилинейные метки, подметки, и атрибуты не импортируются в сеанс автоматизации. Чтобы автоматизировать маркировку этих функций, создайте пользовательский алгоритм автоматизации.
Пиксельные метки ROI не поддерживают подметки или атрибуты.
Окно Label Summary не поддерживает подметки или атрибуты

Советы

Чтобы избежать необходимости повторно помечать основную истину новыми метками, организуйте схему маркировки, которую вы хотите использовать прежде, чем отметить вашу основную истину.

Алгоритмы

развернуть все

Можно использовать алгоритмы автоматизации метки, чтобы ускорить маркировку в рамках приложения. Чтобы создать ваш собственный алгоритм автоматизации метки, чтобы использовать в рамках приложения, смотрите, Создают Алгоритм Автоматизации для Маркировки (Computer Vision Toolbox). Можно также использовать один из предоставленных встроенных алгоритмов. Выполните эти шаги:

Загрузите данные, которые вы хотите пометить, и создать по крайней мере одно определение метки.
На панели инструментов приложения нажмите Select Algorithm и выберите один из встроенных алгоритмов автоматизации.
Нажмите Automate, и затем следуйте инструкциям по автоматизации на правой панели окна автоматизации.

Детектор транспортного средства ACF

Обнаружьте и пометьте транспортные средства с помощью совокупных функций канала (ACF). Этот алгоритм основан на vehicleDetectorACF функция. Чтобы использовать этот алгоритм, необходимо задать по крайней мере одну прямоугольную метку ROI. Вам не нужно рисовать какие-либо метки ROI.

Чтобы помочь улучшить результаты алгоритма, сначала нажмите Settings. Можно изменить любую из этих настроек.

Предварительно обученная модель детектора транспортного средства, которую алгоритм использует — 'full-view' модель была обучена с помощью незакрытых изображений передней стороны, задней части, покинутой, и правые стороны транспортных средств. 'front-rear-view' модель была обучена с помощью изображений только передних сторон и тыльных сторон транспортного средства.
Порог коэффициента перекрытия, от 0 до 1, для обнаружения транспортных средств - когда прямоугольник ROI перекрывается больше, чем этот порог, алгоритм отбрасывает один из ROI.
Порог счета классификации для обнаружения транспортных средств — Увеличение счет, чтобы увеличить уверенность прогноза алгоритма. Прямоугольники с баллами ниже этого порога отбрасываются.

Можно также сконфигурировать детектор с калиброванной монокулярной камерой путем импорта monoCamera объект в рабочее пространство MATLAB. Укажите диапазоны длины и ширины транспортного средства в мировых единицах измерения, таких как метры.

Детектор людей ACF

Обнаружьте и пометьте людей, использующих совокупные функции канала (ACF). Этот алгоритм основан на peopleDetectorACF функция. Чтобы использовать этот алгоритм, необходимо задать по крайней мере одну прямоугольную метку ROI. Вам не нужно рисовать какие-либо метки ROI.

Чтобы помочь улучшить результаты алгоритма, сначала нажмите Settings. Можно изменить любую из этих настроек.

Предварительно обученная модель детектора людей, которую алгоритм использует — 'inria-100x41' модель была обучена с помощью набора данных Inria person. 'caltech-50x21' модель была обучена с помощью набора пешеходных данных Калифорнийского технологического института.
Порог коэффициента перекрытия, от 0 до 1, для обнаружения людей - когда прямоугольник ROI перекрывается больше, чем этот порог, алгоритм отбрасывает один из ROI.
Классификационный порог оценки для обнаружения людей-увеличение балла для повышения достоверности прогноза алгоритма. Прямоугольники с баллами ниже этого порога отбрасываются.

Укажите средство отслеживания

Отследите и пометьте одну или несколько прямоугольных меток ROI на коротких интервалах при помощи алгоритма Kanade-Lucas-Tomasi (KLT). Этот алгоритм основан на vision.PointTracker Система object™. Чтобы использовать этот алгоритм, необходимо задать по крайней мере одну прямоугольную метку ROI, но вы не должны чертить метки ROI.

Чтобы изменить анализатор, используемый, чтобы получить начальные точки для отслеживания, нажмите Settings. Эта таблица показывает варианты анализатора.

Анализатор	Описание	Эквивалентная функция
`Minimum Eigen Value`	Обнаружьте углы при помощи минимального алгоритма собственного значения.	`detectMinEigenFeatures`
`Harris`	Обнаружьте углы при помощи алгоритма Харриса-Стивенса.	`detectHarrisFeatures`
`FAST`	Обнаружьте углы при помощи алгоритма от ускоренного теста сегмента (FAST) функций.	`detectFASTFeatures`
`BRISK`	Обнаружьте функции при помощи алгоритма бинарного устойчивого инвариантного масштабируемого keypoints (BRISK).	`detectBRISKFeatures`
`KAZE`	Обнаружьте функции при помощи нелинейной диффузии, чтобы создать пробел шкалы изображения и затем обнаружение многошкальных угловых функций (функции KAZE) от того пробела шкалы.	`detectKAZEFeatures`
`SURF`	Обнаружьте функции блоба при помощи алгоритма ускоренных устойчивых функций (SURF).	`detectSURFFeatures`
`MSER`	Обнаружьте области при помощи алгоритма максимально устойчивых экстремальных областей (MSER).	`detectMSERFeatures`

Временный интерполятор

Оцените прямоугольные ROI между системами координат путем интерполяции местоположений ROI через временной интервал. Чтобы использовать этот алгоритм, необходимо чертить прямоугольный ROI на минимуме двух систем координат: один в начале интервала и один в конце интервала. Алгоритм интерполяции оценивает и чертит ROI в промежуточных системах координат.

Рассмотрите видео с 10 системами координат. Первой системе координат сосредоточили прямоугольный ROI в [5, 5]. 10-й системе координат сосредоточили прямоугольный ROI в [25, 25]. В каждой системе координат алгоритм перемещает ROI 2 пикселя в x - направление и 2 пикселя в y - направление. Поэтому алгоритм сосредотачивает ROI в [7, 7] во второй системе координат, [9, 9] в третьей системе координат, и так далее, до [23, 23] в предпоследней системе координат.

Детектор контура маршрута

Обнаружьте и пометьте контуры маршрута с помощью проецируемого изображения предполагаемого вида с высоты птичьего полета. Чтобы использовать этот алгоритм, необходимо задать по крайней мере одну метку ROI линии. Вам не нужно рисовать какие-либо метки ROI. Чтобы обнаружить контуры маршрута, алгоритм выполняет эти шаги:

Это высказывает исходное предположение при размещении контуров маршрута в изображении.
Это преобразовывает ROI вокруг маршрутов в изображение вида с высоты птичьего полета, чтобы заставить маршруты быть параллельными и удалить искажение.
Это использует это изображение, чтобы сегментировать контуры маршрута.

Чтобы помочь улучшить результаты алгоритма, сначала нажмите Settings. Можно изменить любую из этих настроек.

Размещение линий маршрута для генерации изображения вида с высоты птичьего полета
ROI вокруг маршрутов, которые можно расширить, чтобы включать больше, чем только контуры маршрута эго в изображении
Пиксельная ширина обнаруженных контуров маршрута в изображении

Можно также изменить количество контуров маршрута, которые вы хотите обнаружить. Количеством по умолчанию контуров маршрута является 2.

Документация

Ground Truth Labeler

Описание

Откройте приложение Ground Truth Labeler

Примеры

Связанные примеры

Программируемое использование

`groundTruthLabeler`

`groundTruthLabeler(videoFileName)`

`groundTruthLabeler(imageSeqFolder)`

`groundTruthLabeler(imageSeqFolder,timestamps)`

`groundTruthLabeler(gtSource)`

`groundTruthLabeler(sessionFile)`

`groundTruthLabeler(___,'ConnectorTargetHandle','connector')`

Ограничения

Советы

Алгоритмы

Детектор транспортного средства ACF

Детектор людей ACF

Укажите средство отслеживания

Временный интерполятор

Детектор контура маршрута

Смотрите также

Приложения

Функции

Объекты

Темы

Введенный в R2017a

Документация Automated Driving Toolbox

Поддержка