trainCascadeObjectDetector
Обучите каскадную модель детектора объектов
Синтаксис
Описание
trainCascadeObjectDetector( пишет обученный каскадный названный XML-файл детектора, outputXMLFilename,positiveInstances,negativeImages)outputXMLFilename. Имя файла должно включать расширение XML. Для более подробного объяснения о том, как эта функция работает, относитесь, чтобы Обучить Каскадный Детектор объектов.
trainCascadeObjectDetector( возобновляет прерванный сеанс обучения. outputXMLFilename,'resume')outputXMLFilename введите должен совпадать с именем выходного файла от прерванного сеанса. Все аргументы, сохраненные от более раннего сеанса, снова используются автоматически.
trainCascadeObjectDetector(___, дополнительные опции использования заданы одним или несколькими Name,Value)Name,Value парные аргументы.
Примеры
Обучите детектор знака Стоп
Загрузите положительные демонстрационные данные из файла MAT. Файл содержит таблицу, задающую ограничительные рамки для нескольких категорий объектов. Таблица была экспортирована от Training Image Labeler приложение.
Загрузите положительные выборки.
load('stopSignsAndCars.mat');Выберите ограничительные рамки для знаков Стоп из таблицы.
positiveInstances = stopSignsAndCars(:,1:2);
Добавьте папку изображений в путь MATLAB.
imDir = fullfile(matlabroot,'toolbox','vision','visiondata',... 'stopSignImages'); addpath(imDir);
Задайте папку для негативов.
negativeFolder = fullfile(matlabroot,'toolbox','vision','visiondata',... 'nonStopSigns');
Создайте imageDatastore объект, содержащий негативы.
negativeImages = imageDatastore(negativeFolder);
Обучите каскадный детектор объектов под названием 'stopSignDetector.xml', использующий функции ПОЖИРАТЕЛЯ РЕСУРСОВ. ПРИМЕЧАНИЕ: команда может занять несколько минут, чтобы запуститься.
trainCascadeObjectDetector('stopSignDetector.xml',positiveInstances, ... negativeFolder,'FalseAlarmRate',0.1,'NumCascadeStages',5);
Automatically setting ObjectTrainingSize to [35, 32] Using at most 42 of 42 positive samples per stage Using at most 84 negative samples per stage --cascadeParams-- Training stage 1 of 5 [........................................................................] Used 42 positive and 84 negative samples Time to train stage 1: 0 seconds Training stage 2 of 5 [........................................................................] Used 42 positive and 84 negative samples Time to train stage 2: 0 seconds Training stage 3 of 5 [........................................................................] Used 42 positive and 84 negative samples Time to train stage 3: 2 seconds Training stage 4 of 5 [........................................................................] Used 42 positive and 84 negative samples Time to train stage 4: 5 seconds Training stage 5 of 5 [........................................................................] Used 42 positive and 17 negative samples Time to train stage 5: 8 seconds Training complete
Используйте недавно обученный классификатор, чтобы обнаружить знак Стоп в изображении.
detector = vision.CascadeObjectDetector('stopSignDetector.xml');Считайте тестовое изображение.
img = imread('stopSignTest.jpg');Обнаружьте знак Стоп.
bbox = step(detector,img);
Вставьте прямоугольники ограничительной рамки и возвратите отмеченное изображение.
detectedImg = insertObjectAnnotation(img,'rectangle',bbox,'stop sign');
Отобразите обнаруженный знак Стоп.
figure; imshow(detectedImg);
Удалите каталог изображений из пути.
rmpath(imDir);
Входные параметры
Советы
Обучение хороший детектор требует тысяч обучающих выборок. Время вычислений для большого объема данных варьируется, но, вероятно, потребуются часы или даже дни. Во время обучения функция отображает время, которое потребовалось, чтобы обучить каждый этап в командном окне MATLAB®.
Параметры ПОЖИРАТЕЛЯ РЕСУРСОВ OpenCV, используемые в этой функции:
NumBins :
9CellSize =
[8 8]BlockSize =
[4 4]BlockOverlap =
[2 2]UseSignedOrientation =
false
Ссылки
[1] Виола, P. и М. Дж. Джонс. "Быстрое Обнаружение объектов с помощью Повышенного Каскада Простых Функций". Продолжения 2 001 Конференции Общества эпохи компьютеризации IEEE. Объем 1, 15 апреля 2001, стр. Я 511 Я 518.
[2] Ojala, T., М. Питикэйнен и Т. Мэенпэа. “Шкала полутонов мультиразрешения и Классификация Структуры Инварианта Вращения С Локальными Бинарными Шаблонами”. Транзакции IEEE согласно Анализу Шаблона и Искусственному интеллекту. Объем 24, июль 2002 № 7, стр 971–987.
[3] Dalal, N. и Б. Триггс. “Гистограммы Ориентированных Градиентов для Человеческого Обнаружения”. Конференция Общества эпохи компьютеризации IEEE по Компьютерному зрению и Распознаванию образов. Объем 1, 2005, стр 886–893.