Обнаружение объектов с помощью совокупных функций канала
The acfObjectDetector объект обнаруживает объекты из изображения, используя детектор объектов совокупных функций канала (ACF). Чтобы обнаружить объекты в изображении, передайте обученный детектор в detect функция.
Детектор объектов ACF распознает конкретные объекты в изображениях, основываясь на обучающих изображениях и местоположениях основной истины, используемых с trainACFObjectDetector функция.
Создайте acfObjectDetector объект вызовом trainACFObjectDetector функция с обучающими данными.
detector = trainACFObjectDetector(trainingData,...)
detector = acfObjectDetector( создает detectorStruct.Classifier,detectorStruct.TrainingOptions)acfObjectDetector объект, идентичный существующему acfObjectDetector объект, использующий свойства объекта Classifier и TraningOptions, которые хранятся в detectorStruct структурные поля. Используйте этот синтаксис для воссоздания детектора объектов ACF для генерации кода.
Используйте trainACFObjectDetector с обучающими изображениями для создания детектора объектов ACF, который может обнаруживать знаки остановки. Протестируйте детектор с отдельным изображением.
Загрузите обучающие данные.
load('stopSignsAndCars.mat')Выберите основную истину для знаков упора. Эта основная истина является набором известных местоположений стоповых знаков на изображениях.
stopSigns = stopSignsAndCars(:,1:2);
Добавьте полный путь к файлам изображений.
stopSigns.imageFilename = fullfile(toolboxdir('vision'),... 'visiondata',stopSigns.imageFilename);
Обучите детектор ACF. Можно выключить вывод процесса обучения путем определения 'Verbose',false как 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);Отобразите результаты обнаружения и вставьте ограничительные рамки 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 датчик знака упора ACF со stopSignDetector.mat файл, 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
Преобразуйте детектор в структуру при помощи toStruct функция.
detectorStruct = toStruct(detector);
Чтобы сгенерировать код, передайте структуру в функцию MATLAB. Затем внутри функции MATLAB создайте идентичный детектор стоповых знаков ACF с использованием существующих свойств детектора.
detector1 = acfObjectDetector(detectorStruct.Classifier,detectorStruct.TrainingOptions)
detector1 =
acfObjectDetector with properties:
ModelName: 'stopSign'
ObjectTrainingSize: [34 31]
NumWeakLearners: 61
Можно пройти detector1 на detect Функция как вход для обнаружения стоповых знаков с изображений.
[1] Dollar, P., R. Appel, S. Belatie, and P. Perona. «Быстрые пирамиды функций для обнаружения объектов». Pattern Analysis and Machine Intelligence, Транзакции IEEE. Том 36, Выпуск 8, 2014, стр. 1532-1545.