detectPeopleACF

Обнаружение людей, использующих совокупные функции канала (ACF)

detectPeopleACF будет удалено в следующем релизе. Использовать peopleDetectorACF вместо этого.

Описание

пример

bboxes = detectPeopleACF(I) возвращает матрицу, bboxes, который содержит местоположения обнаруженных вертикальных людей в входе изображении, I. Местоположения представлены как ограничительные рамки. Функция использует алгоритм совокупных функций канала (ACF).

[bboxes,scores] = detectPeopleACF(I) также возвращает счета обнаружения для каждого ограничивающего прямоугольника.

[___] = detectPeopleACF(I,roi) обнаруживает людей в прямоугольной области поиска, заданной roi, с использованием любого из предыдущих синтаксисов.

[___] = detectPeopleACF(Name,Value) использует дополнительные опции, заданные одним или несколькими Name,Value аргументы в виде пар. Неопределенные свойства имеют значения по умолчанию.

Поддержка генерации кода:
Поддерживает генерацию кода: Нет
Поддержки Блока MATLAB function: Нет
Поддержка генерации кодауказаний по применению и ограничения

Примеры

свернуть все

Чтение изображения.

I = imread('visionteam1.jpg');

Обнаружение людей в изображении и хранение результатов как ограничивающих полей и счет.

[bboxes,scores] = detectPeopleACF(I);

Аннотировать обнаруженных вертикальных людей в изображении.

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 параметры

свернуть все

Входное изображение, заданное как truecolor изображение. Изображение должно быть реальным и неразборчивым.

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

Прямоугольная область поиска, определенная как вектор с четырьмя элементами, [x, y, width, height]. The roi должна полностью содержаться в I.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Пример: 'Threshold', -1

Модель классификации ACF, заданная как разделенная разделенными запятой парами, состоящая из 'Model'и любой из них 'inria-100x41' или 'caltech-50x21'. The 'inria-100x41' модель была обучена с использованием набора данных Inria Person. The 'caltech-50x21' модель была обучена с использованием набора данных Caltech Pedestrian.

Количество уровней шкалы на октаву, заданное как разделенная разделенными запятой парами, состоящая из 'NumScaleLevels', и целое число. Каждая октава является степенью двойки понижений изображения. Увеличьте это количество, чтобы обнаружить людей с более мелкими шагами шкалы. Рекомендуемые значения находятся в области значений [4,8].

Шаг окна для скользящего окна, заданный как разделенная разделенными запятой парами, состоящая из 'WindowStride', и целое число. Установите это значение на величину, которую вы хотите переместить окно, в x и y направлениях. Скользящее окно сканирует изображения для обнаружения объектов. Функция использует тот же шаг для x и y направлений.

Выберите самый сильный ограничивающий прямоугольник, заданный как разделенная разделенными запятой парами, состоящая из 'SelectStrongest'и любой из них true или false. Процесс, часто называемый немаксимальным подавлением, устраняет перекрывающиеся ограничительные рамки на основе их счетов. Установите это свойство на true использовать selectStrongestBbox функция для выбора самого сильного ограничивающего прямоугольника. Установите это свойство на false, для выполнения пользовательской операции выбора. Установка значения свойства false возвращает обнаруженные ограничительные рамки.

Минимальный размер области в пикселях, заданный как разделенная разделенными запятой парами, состоящая из 'MinSize', и двухэлементный вектор [height width]. Вы можете задать это свойство как [50 21] для 'caltech-50x21' модель или [100 41] для 'inria-100x41' модель. Можно уменьшить время расчета, установив это значение на известный минимальный размер области для обнаружения человека. По умолчанию MinSize установлен на наименьший размер области, возможный для обнаружения вертикального человека для выбранной классификационной модели.

Максимальный размер области в пикселях, заданный как разделенная разделенными запятой парами, состоящая из 'MaxSize', и двухэлементный вектор, [height width]. Можно уменьшить время расчета, установив это значение на известный размер области для обнаружения человека. Если вы не задаете это значение, по умолчанию функция определяет высоту и ширину изображения, используя размер I.

Порог классификационной точности, заданный как разделенная разделенными запятой парами, состоящая из 'Threshold'и числовое значение. Типичные значения находятся в области значений [-1,1]. Во время многомасштабного обнаружения объектов пороговое значение управляет точностью и скоростью классификации людей или неграждан. Увеличьте этот порог, чтобы ускорить эффективность при риске пропуска истинных обнаружений.

Выходные аргументы

свернуть все

Местоположения людей, обнаруженных с помощью алгоритма совокупных функций каналов (ACF), возвращаются как матрица M-на-4. Местоположения представлены как ограничительные рамки. Каждая строка в bboxes содержит вектор с четырьмя элементами, [x, y, width, height]. Этот вектор задает верхний левый угол и размер ограничивающего прямоугольника в пикселях для обнаруженного человека.

Доверительное значение для обнаружений, возвращенное как вектор M -by-1. Вектор содержит значение для каждого ограничивающего прямоугольника в bboxes. Для каждого обнаружения счета является выходом мягкого каскадного классификатора. Значение области значений: [-inf inf]. Большие счета указывают на более высокое доверие в обнаружении.

Ссылки

[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.

[2] Доллар, С. Войек, Б. Шиле и П. Перона. «Обнаружение пешеходов: оценка состояния техники». Pattern Analysis and Machine Intelligence, IEEE Transactions.Vol. 34, Выпуск 4, 2012, стр. 743-761.

[3] Доллар, С., Войек, Б. Шиле и П. Перона. «Обнаружение пешеходов: контрольный показатель». Конференция IEEE по компьютерному зрению и распознаванию шаблонов. 2009.

Введенный в R2016a
Для просмотра документации необходимо авторизоваться на сайте