Обнаружение объектов с помощью агрегированных функций канала
acfObjectDetector объект обнаруживает объекты из изображения с помощью детектора объектов агрегированных канальных признаков (ACF). Чтобы обнаружить объекты на изображении, передайте обученный детектор в detect функция.
Детектор объектов ACF распознает определенные объекты на изображениях, основываясь на обучающих изображениях и местоположениях истинности объекта, используемых с trainACFObjectDetector функция.
Создание acfObjectDetector путем вызова trainACFObjectDetector функция с данными обучения.
detector = trainACFObjectDetector(trainingData,...)
detector = acfObjectDetector( создает detectorStruct.Classifier,detectorStruct.TrainingOptions)acfObjectDetector объект, идентичный существующему acfObjectDetector с использованием свойств объекта Classifier и TraningOptions, которые хранятся в detectorStruct поля структуры. Этот синтаксис используется для воссоздания детектора объектов ACF для создания кода.
Используйте trainACFObjectDetector с обучающими изображениями для создания детектора объекта ACF, который может обнаруживать знаки остановки. Протестируйте детектор с помощью отдельного изображения.
Загрузите данные обучения.
load('stopSignsAndCars.mat')Выберите истинность основания для стоп-сигналов. Эта наземная истина - набор известных мест стоп-знаков на изображениях.
stopSigns = stopSignsAndCars(:,1:2);
Добавьте полный путь к файлам изображений.
stopSigns.imageFilename = fullfile(toolboxdir('vision'),... 'visiondata',stopSigns.imageFilename);
Обучите извещатель ACF. Можно отключить выходные данные о ходе обучения, указав 'Verbose',false в качестве Name,Value пара.
acfDetector = trainACFObjectDetector(stopSigns,'NegativeSamplesFactor',2);ACF Object Detector Training The training will take 4 stages. The model size is 34x31. Sample positive examples(~100% Completed) Compute approximation coefficients...Completed. Compute aggregated channel features...Completed. -------------------------------------------- Stage 1: Sample negative examples(~100% Completed) Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 19 weak learners. -------------------------------------------- Stage 2: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 20 weak learners. -------------------------------------------- Stage 3: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 54 weak learners. -------------------------------------------- Stage 4: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 61 weak learners. -------------------------------------------- ACF object detector training is completed. Elapsed time is 18.9314 seconds.
Протестируйте детектор ACF на тестовом изображении.
img = imread('stopSignTest.jpg');
[bboxes,scores] = detect(acfDetector,img);Отображение результатов обнаружения и вставка ограничивающих прямоугольников для объектов в изображение.
for i = 1:length(scores) annotation = sprintf('Confidence = %.1f',scores(i)); img = insertObjectAnnotation(img,'rectangle',bboxes(i,:),annotation); end figure imshow(img)
Загрузите сигнализатор сигнала остановки АЧС из stopSignDetector.mat , который присутствует в текущей рабочей папке в качестве вспомогательного файла.
stopSignDetector = load('stopSignDetectorACF.mat');
detector = stopSignDetector.detector
detector =
acfObjectDetector with properties:
ModelName: 'stopSign'
ObjectTrainingSize: [34 31]
NumWeakLearners: 61
Преобразование детектора в структуру с помощью toStruct функция.
detectorStruct = toStruct(detector);
Чтобы создать код, передайте структуру функции MATLAB. Затем в функции MATLAB создайте идентичный детектор знака остановки ACF, используя существующие свойства детектора.
detector1 = acfObjectDetector(detectorStruct.Classifier,detectorStruct.TrainingOptions)
detector1 =
acfObjectDetector with properties:
ModelName: 'stopSign'
ObjectTrainingSize: [34 31]
NumWeakLearners: 61
Вы можете пройти detector1 в detect используется в качестве входных данных для обнаружения стоп-сигналов из изображений.
[1] Доллар, П., Р. Аппель, С. Иджи и П. Перона. «Быстрые пирамиды элементов для обнаружения объектов». Анализ шаблонов и машинный интеллект, транзакции IEEE. Том 36, выпуск 8, 2014, стр. 1532-1545.