Модель каскадного детектора объектов поезда
trainCascadeObjectDetector( записывает XML-файл обученного каскадного детектора с именем, outputXMLFilename,positiveInstances,negativeImages)outputXMLFilename. Имя файла должно содержать расширение XML. Более подробное описание работы этой функции см. в разделе Начало работы с каскадным детектором объектов.
trainCascadeObjectDetector( возобновляет прерванную тренировку. outputXMLFilename,'resume')outputXMLFilename входные данные должны совпадать с именем выходного файла прерванного сеанса. Все аргументы, сохраненные в предыдущем сеансе, используются автоматически.
trainCascadeObjectDetector(___, использует дополнительные параметры, указанные одним или несколькими Name,Value)Name,Value аргументы пары.
Загрузите данные положительных выборок из файла MAT. Файл содержит таблицу, определяющую ограничивающие рамки для нескольких категорий объектов. Таблица была экспортирована из Image Labeler приложение.
Загрузить положительные пробы.
load('stopSignsAndCars.mat');Выберите ограничивающие рамки для стоп-знаков из таблицы.
positiveInstances = stopSignsAndCars(:,1:2);
Добавьте папку изображения к пути MATLAB.
imDir = fullfile(matlabroot,'toolbox','vision','visiondata',... 'stopSignImages'); addpath(imDir);
Укажите папку для отрицательных изображений.
negativeFolder = fullfile(matlabroot,'toolbox','vision','visiondata',... 'nonStopSigns');
Создание imageDatastore объект, содержащий отрицательные изображения.
negativeImages = imageDatastore(negativeFolder);
Обучите каскадный детектор объектов stopSignDetector.xml, используя функции HOG. ПРИМЕЧАНИЕ: Выполнение команды может занять несколько минут.
trainCascadeObjectDetector('stopSignDetector.xml',positiveInstances, ... negativeFolder,'FalseAlarmRate',0.1,'NumCascadeStages',5);
Automatically setting ObjectTrainingSize to [35, 32] Using at most 42 of 42 positive samples per stage Using at most 84 negative samples per stage --cascadeParams-- Training stage 1 of 5 [........................................................................] Used 42 positive and 84 negative samples Time to train stage 1: 0 seconds Training stage 2 of 5 [........................................................................] Used 42 positive and 84 negative samples Time to train stage 2: 0 seconds Training stage 3 of 5 [........................................................................] Used 42 positive and 84 negative samples Time to train stage 3: 2 seconds Training stage 4 of 5 [........................................................................] Used 42 positive and 84 negative samples Time to train stage 4: 6 seconds Training stage 5 of 5 [........................................................................] Used 42 positive and 17 negative samples Time to train stage 5: 9 seconds Training complete
Используйте только что обученный классификатор для обнаружения знака остановки в изображении.
detector = vision.CascadeObjectDetector('stopSignDetector.xml');Прочтите тестовый образ.
img = imread('stopSignTest.jpg');Обнаружить знак остановки.
bbox = step(detector,img);
Вставьте прямоугольники ограничительной рамки и верните помеченное изображение.
detectedImg = insertObjectAnnotation(img,'rectangle',bbox,'stop sign');
Отображение обнаруженного знака остановки.
figure; imshow(detectedImg);
Удалите каталог изображений из пути.
rmpath(imDir);
Подготовка хорошего детектора требует тысяч тренировочных образцов. Время обработки большого объема данных варьируется, но это, скорее всего, займет часы или даже дни. Во время обучения функция отображает время, затраченное на обучение каждого этапа, в окне команд MATLAB ®.
В этой функции используются следующие параметры HOG OpenCV:
Номера: 9
CellSize = [8 8]
BlockSize = [4 4]
БлокПерекрытие = [2 2]
UseSignedOrientation = false
[1] Виола, П. и М. Дж. Джонс. «Быстрое обнаружение объектов с помощью увеличенного каскада простых функций». Материалы конференции IEEE Computer Society 2001 года. Том 1, 15 апреля 2001 г., стр. I-511-I-518.
[2] Оджала, Т., М. Пиетикайнен и Т. Маенпаа. «Многовариантная классификация текстур с серым масштабом и вращением с локальными двоичными шаблонами». Транзакции IEEE по анализу шаблонов и машинному интеллекту. Том 24, № 7 июля 2002 года, стр. 971-987.
[3] Далал, N. и B. Триггеры. «Гистограммы ориентированных градиентов для обнаружения человека». Конференция компьютерного общества IEEE по компьютерному зрению и распознаванию образов. Том 1, 2005, стр. 886-893.