Детектор объекта ACF канала
detector = trainACFObjectDetector(trainingData)trainingData и автоматически собирает отрицательные экземпляры из изображений во время обучения. Чтобы создать основную таблицу истинности, используйте приложение Image Labeler или Video Labeler.
detector = trainACFObjectDetector(trainingData,Name,Value)detector объект с дополнительными опциями, заданными одним или несколькими Name,Value аргументы пары.
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)
trainingData - Маркированные изображения истинности землиПомеченные изображения истинности грунта, заданные как таблица с двумя столбцами. Первый столбец должен содержать пути и имена файлов для изображений в градациях серого или в цветном цвете (RGB). Хотя детекторы на основе ACF лучше всего работают с цветными изображениями. Второй столбец содержит матрицы M-by-4, которые содержат местоположения ограничивающих прямоугольников, связанных с соответствующим изображением. Местоположения имеют формат [x, y, width, height]. Второй столбец представляет положительный экземпляр одного класса объектов, например, автомобиль, собаку, цветок или знак остановки. Отрицательные экземпляры автоматически собираются из изображений в процессе обучения .
Каждая ограничительная рамка должна иметь формат [x, y, width, height]. Формат определяет расположение верхнего левого угла и размер объекта на соответствующем изображении. Имя класса объектов определяется именем переменной (столбца) таблицы. Для создания базовой таблицы истинности используйте приложение Image Labeler.
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.
'ObjectTrainingSize', [100 100]