Обнаружение и маркировка транспортных средств с использованием агрегированных характеристик каналов (ACF). Этот алгоритм основан на vehicleDetectorACF функция. Чтобы использовать этот алгоритм, необходимо определить хотя бы одну метку ROI прямоугольника. Не требуется рисовать метки окупаемости инвестиций.

Чтобы улучшить результаты алгоритма, сначала щелкните Настройки (Settings). Можно изменить любую из этих настроек.

Можно также настроить детектор с помощью калиброванной монокулярной камеры, импортировав monoCamera в рабочую область MATLAB. Укажите диапазон длины и ширины транспортного средства в мировых единицах измерения, таких как метры.

Обнаружение и маркировка людей с использованием агрегированных функций канала (ACF). Этот алгоритм основан на peopleDetectorACF функция. Чтобы использовать этот алгоритм, необходимо определить хотя бы одну метку ROI прямоугольника. Не требуется рисовать метки окупаемости инвестиций.

Чтобы улучшить результаты алгоритма, сначала щелкните Настройки (Settings). Можно изменить любую из этих настроек.

С помощью алгоритма Канаде-Лукаса-Томази (KLT) можно отслеживать и маркировать одну или несколько меток окупаемости инвестиций в прямоугольник на коротких интервалах. Этот алгоритм основан на vision.PointTracker object™ системы. Чтобы использовать этот алгоритм, необходимо определить хотя бы одну метку ROI прямоугольника, но не нужно рисовать метки ROI.

Чтобы изменить детектор функций, используемый для получения начальных точек для отслеживания, щелкните Настройки. В этой таблице представлены опции детектора функций.

Оценка ROI прямоугольника между кадрами путем интерполяции местоположений ROI через интервал времени. Для использования этого алгоритма необходимо нарисовать ROI прямоугольника минимум на двух кадрах: один в начале интервала и один в конце интервала. Алгоритм интерполяции оценивает и рисует ROI в промежуточных кадрах.

Рассмотрим видео с 10 кадрами. Первый кадр имеет прямоугольник ROI с центром в [5, 5]. 10-й кадр имеет прямоугольник ROI с центром [25, 25]. В каждом кадре алгоритм перемещает 2 пикселя ROI в направлении x и 2 пикселя в направлении y. Поэтому алгоритм центрирует ROI на [7, 7] во втором кадре, [9, 9] в третьем кадре и так далее до [23, 23] во втором-последнем кадре.

Оценка cuboid ROI между кадрами облака точек путем интерполяции местоположений ROI через интервал времени. Для использования этого алгоритма необходимо нарисовать кубоидную окупаемость инвестиций минимум на двух кадрах: один в начале интервала и один в конце интервала. Алгоритм интерполяции оценивает и рисует ROI в промежуточных кадрах.

Рассмотрим последовательность облаков точек с 10 кадрами. Первый кадр имеет кубовидную ROI, центрированную в [5, 5, 0]. 10-й кадр имеет кубовидную ROI с центром [25, 25, 0]. В каждом кадре алгоритм перемещает ROI 2 точки в направлении x, 2 точки в направлении y и 0 точек в направлении z. Поэтому алгоритм центрирует ROI на [7, 7, 0] во втором кадре, [9, 9, 0] в третьем кадре и так далее, вплоть до [23, 23, 0] во втором-последнем кадре.

Обнаружение и маркировка границ полосы движения с помощью расчетного проецируемого изображения с видом на птицу. Для использования этого алгоритма необходимо определить хотя бы одну метку ROI строки. Не требуется рисовать метки окупаемости инвестиций. Чтобы определить границы полосы, алгоритм выполняет следующие действия:

Чтобы улучшить результаты алгоритма, сначала щелкните Настройки (Settings). Можно изменить любую из этих настроек.

Можно также изменить количество границ полос движения, которые требуется обнаружить. Количество границ полос движения по умолчанию: 2.

Если вы импортируете метки или открываете сеанс приложения, созданный перед R2020a, маркер Ground Truth Labeler экспортирует помеченные данные как groundTruthMultisignal объект вместо как groundTruth объект.

Если вам не нужно маркировать несколько сигналов одновременно и не требуется маркировка лидаром, импортируйте метки или сеанс в приложение Video Labeler. Приложение Video Labeler продолжает экспорт groundTruth объекты.