Exponenta Banner
exponenta event banner

Зрительное восприятие

Обнаружение границ полос движения, пешеходов, транспортных средств и других объектов с использованием машинного обучения и глубокого обучения

Объекты можно обнаружить с помощью машинного обучения и методов глубокого обучения. Можно также сегментировать, обнаруживать и моделировать параболические или кубические границы полосы движения с помощью алгоритма RANSAC. После обнаружения объектов используйте функции автоматизированного управления Toolbox™ для оценки и визуализации обнаруженных объектов.

Функции

развернуть все

peopleDetectorACFОбнаружение людей с помощью агрегированных функций каналов
vehicleDetectorACFЗагрузить детектор транспортного средства, используя агрегатные канальные характеристики
acfObjectDetectorОбнаружение объектов с помощью агрегированных функций канала
configureDetectorMonoCameraНастройка детектора объекта для использования калиброванной монокулярной камеры
acfObjectDetectorMonoCameraОбнаружение объектов в монокулярной камере с помощью функций агрегированного канала
trainACFObjectDetectorДетектор объекта ACF канала
objectDetectorTrainingDataСоздание учебных данных для детектора объектов
vision.PeopleDetectorОбнаружение людей в вертикальном положении с помощью функций HOG
vision.CascadeObjectDetectorОбнаружение объектов с помощью алгоритма Виолы-Джонса
trainCascadeObjectDetectorМодель каскадного детектора объектов поезда
vehicleDetectorFasterRCNNОбнаружение транспортных средств с помощью более быстрого R-CNN
fastRCNNObjectDetectorОбнаружение объектов с помощью детектора глубокого обучения Fast R-CNN
fasterRCNNObjectDetectorОбнаружение объектов с помощью более быстрого детектора глубокого обучения R-CNN
configureDetectorMonoCameraНастройка детектора объекта для использования калиброванной монокулярной камеры
fastRCNNObjectDetectorMonoCamera Обнаружение объектов в монокулярной камере с помощью детектора глубокого обучения Fast R-CNN
fasterRCNNObjectDetectorMonoCameraОбнаружение объектов в монокулярной камере с помощью более быстрого детектора глубокого обучения R-CNN
ssdObjectDetectorMonoCameraОбнаружение объектов в монокулярной камере с помощью детектора глубокого обучения SSD
yolov2ObjectDetectorMonoCameraОбнаружение объектов в монокулярной камере с помощью детектора глубокого обучения YOLO v2
trainFasterRCNNObjectDetectorОбучение более быстрому детектору объекта глубокого обучения R-CNN
trainFastRCNNObjectDetectorОбучение детектору объекта глубокого обучения Fast R-CNN
vehicleDetectorYOLOv2Обнаружение транспортных средств с помощью сети YOLO v2
trainYOLOv2ObjectDetectorДетектор объекта канала YOLO v2
objectDetectorTrainingDataСоздание учебных данных для детектора объектов
segmentLaneMarkerRidgeОбнаружение полос на изображении интенсивности в градациях серого
findParabolicLaneBoundariesПоиск границ с помощью параболической модели
parabolicLaneBoundaryМодель границы параболической полосы движения
findCubicLaneBoundariesПоиск границ с помощью кубической модели
cubicLaneBoundaryМодель границы кубической полосы движения
computeBoundaryModelПолучение координат y границ полосы движения, заданных координатами x
insertLaneBoundaryВставка границы полосы движения в изображение
fitPolynomialRANSACПодгонка полинома по точкам с помощью команды RANSAC
ransacПодгонка модели под шумные данные
evaluateDetectionPrecisionВычислить метрику точности для обнаружения объектов
evaluateDetectionMissRateОценка метрики частоты промахов для обнаружения объектов
evaluateLaneBoundariesОценка моделей границ полосы движения с учетом истинности грунта
insertTextВставка текста в изображение или видео
insertShapeВставка фигур в изображение или видео
insertMarkerВставка маркеров в изображение или видео
insertLaneBoundaryВставка границы полосы движения в изображение
insertObjectAnnotationАннотирование цветного или серого изображения или видеопотока
vision.DeployableVideoPlayerОтображать видео
vision.VideoPlayerВоспроизведение видео или изображения

Характерные примеры

Visual Perception Using Monocular Camera

Визуальное восприятие с помощью монокулярной камеры

Создание монокулярного сенсора камеры с возможностью обнаружения границ полосы движения и транспортного средства.

Открыть сценарий в реальном времени
Generate Code for Lane Marker Detector

Создать код для детектора маркера полосы движения

Протестируйте детектор маркера полосы движения на основе монокулярной камеры и создайте код C++ для приложений в реальном времени на заранее созданной сцене 3D из среды моделирования вождения Unreal Engine ®. В этом примере проверяется алгоритм детектора маркера полосы движения с помощью метрик и генерируемый код C++ с помощью программного моделирования в контуре.

Открыть сценарий
Automate Testing for Lane Marker Detector

Автоматизация тестирования детектора маркера полосы движения

Автоматизация тестирования алгоритма детектора маркера полосы движения и генерируемого кода с помощью Simulink Test™. В этом примере вы оцените поведение алгоритма детектора маркера полосы движения в различных тестовых сценариях с различными тестовыми требованиями.

Открыть сценарий
Train a Deep Learning Vehicle Detector

Обучение детектору автомобиля для глубокого обучения

Обучение детектора транспортного средства на основе зрения с использованием глубокого обучения.

Открыть сценарий в реальном времени
Generate Code for Vision Vehicle Detector

Создание кода для детектора транспортного средства системы технического зрения

Протестируйте детектор автомобиля на основе монокулярной камеры и создайте развертываемый код для приложений реального времени на заранее созданной сцене 3D из среды моделирования вождения Unreal Engine ®.

Открыть пример
Track Multiple Vehicles Using a Camera

Отслеживание нескольких транспортных средств с помощью камеры

Обнаружение и отслеживание нескольких транспортных средств с помощью монокулярной камеры, установленной в транспортном средстве.

Открыть сценарий в реальном времени

Документация по автоматизированному инструментарию вождения

Поддержка