Exponenta Banner
exponenta event banner

detectPeopleACF

Обнаружение людей с помощью функций агрегированного канала (ACF)

свернуть все на странице

detectPeopleACF будет удален в следующем выпуске. Использовать peopleDetectorACF вместо этого.

Синтаксис

bboxes = detectPeopleACF (I)
[bboxes, scores] = PeopleACF (I)
[___] = detectPeopleACF (I, roi)
[___] = detectPeopleACF (имя, значение)

Описание

пример

bboxes = detectPeopleACF(I) возвращает матрицу, bboxes, который содержит местоположения обнаруженных вертикальных людей во входном изображении, I. Расположения представлены ограничивающими прямоугольниками. Функция использует алгоритм агрегированных характеристик канала (ACF).

[bboxes,scores] = detectPeopleACF(I) также возвращает оценки обнаружения для каждой ограничивающей рамки.

[___] = detectPeopleACF(I,roi) обнаруживает людей в прямоугольной области поиска, указанной roi, используя любой из предыдущих синтаксисов.

[___] = detectPeopleACF(Name,Value) использует дополнительные параметры, указанные одним или несколькими Name,Value аргументы пары. Неопределенные свойства имеют значения по умолчанию.

Поддержка создания кода:
Поддержка генерации кода: Нет
Поддерживает функциональный блок MATLAB: Нет
Поддержка создания кода, примечания по использованию и ограничения

Примеры

свернуть все

Открыть сценарий в реальном времени

Прочтите изображение.

I = imread('visionteam1.jpg');

Обнаруживайте людей на изображении и храните результаты как ограничивающие рамки и оценку.

[bboxes,scores] = detectPeopleACF(I);

Аннотирование обнаруженных вертикальных элементов изображения. 

I = insertObjectAnnotation(I,'rectangle',bboxes,scores);

Отображение результатов с аннотацией.

figure
imshow(I)
title('Detected people and detection scores')

Figure contains an axes. The axes with title Detected people and detection scores contains an object of type image.

Входные аргументы

свернуть все

Входное изображение, указанное как трюкоколорное изображение. Изображение должно быть реальным и непроверенным.

Типы данных: uint8 | uint16 | int16 | double | single

Прямоугольная область поиска, заданная как четырехэлементный вектор, [x, y, width, height]. roi должны полностью содержаться в I.

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Пример: 'Threshold',-1

Модель классификации ACF, указанная как разделенная запятыми пара, состоящая из 'Model«и либо» 'inria-100x41' или 'caltech-50x21'. 'inria-100x41' модель была обучена с использованием набора данных INRIA Person. 'caltech-50x21' модель была обучена с использованием набора данных Caltech Peduan.

Количество уровней шкалы на октаву, указанное как разделенная запятыми пара, состоящая из 'NumScaleLevels', и целое число. Каждая октава - это понижение масштаба изображения. Увеличьте это число, чтобы обнаруживать людей с более мелким увеличением масштаба. Рекомендуемые значения находятся в диапазоне [4,8].

Шаг окна для скользящего окна, указанный как разделенная запятыми пара, состоящая из 'WindowStride', и целое число. Установите это значение на величину, которую вы хотите переместить окно, в направлениях x и y. Скользящее окно сканирует изображения на предмет обнаружения объектов. Функция использует одинаковый шаг для направлений x и y.

Выберите наиболее прочную ограничительную рамку, указанную как разделенная запятыми пара, состоящая из 'SelectStrongest«и либо» true или false. Этот процесс, часто называемый ненаксимальным подавлением, устраняет перекрывающиеся ограничивающие рамки на основе их оценок. Установить для этого свойства значение true для использования selectStrongestBbox для выбора самой сильной ограничивающей рамки. Установить для этого свойства значение false, для выполнения пользовательской операции выбора. Установка для этого свойства значения false возвращает обнаруженные ограничивающие рамки.

Минимальный размер области в пикселях, указанный как разделенная запятыми пара, состоящая из 'MinSize', и двухэлементный вектор [ширина высоты ]. Можно задать для этого свойства значение [50 21] для 'caltech-50x21' модель или [100 41] для 'inria-100x41' модель. Можно сократить время вычислений, установив для этого значения известный минимальный размер области для обнаружения человека. По умолчанию MinSize задается наименьший размер области для обнаружения вертикального пользователя для выбранной классификационной модели.

Максимальный размер области в пикселях, указанный как разделенная запятыми пара, состоящая из 'MaxSize', и двухэлементный вектор, [ширина высоты ]. Можно сократить время вычислений, установив для этого значения известный размер области для обнаружения человека. Если это значение не задано, по умолчанию функция определяет высоту и ширину изображения, используя размер I.

Порог точности классификации, указанный как пара, разделенная запятыми, состоящая из 'Threshold"и числовое значение. Типичные значения находятся в диапазоне [-1,1]. При многомасштабном обнаружении объектов пороговое значение управляет точностью и скоростью классификации человека или неличностей. Увеличьте этот порог, чтобы ускорить работу с риском отсутствия истинных обнаружений.

Выходные аргументы

свернуть все

Местоположение людей, обнаруженных с помощью алгоритма агрегированных характеристик канала (ACF), возвращаемого в виде матрицы M-by-4. Расположения представлены ограничивающими прямоугольниками. Каждая строка в bboxes содержит четырехэлементный вектор [x, y, width, height]. Этот вектор определяет левый верхний угол и размер ограничивающей рамки в пикселях для обнаруженного человека.

Значение достоверности для обнаружений, возвращаемое как вектор M-by-1. Вектор содержит значение для каждой ограничивающей рамки в bboxes. Оценка для каждого обнаружения является выводом мягкого каскадного классификатора. Диапазон значений баллов составляет [-inf inf]. Более высокие оценки указывают на более высокую уверенность в обнаружении.

Ссылки

[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.

[2] Доллар, К. Войек, Б. Шиле и П. Перона. «Обнаружение пешеходов: Оценка состояния техники». Анализ образцов и машинный интеллект, IEEE Transactions.Vol. 34, выпуск 4, 2012, стр. 743-761.

[3] Доллар, К., Войек, Б. Шиле и П. Перона. «Обнаружение пешеходов: эталонный тест». Конференция IEEE по компьютерному зрению и распознаванию образов. 2009.

См. также

Объекты

Функции

Темы

Представлен в R2016a

Документация по инструментарию компьютерного зрения

Поддержка