trainCascadeObjectDetector
Train каскад детектора объектов модель
Синтаксис
Описание
trainCascadeObjectDetector( записывает обученный каскадный детектор XML- файл с именем, outputXMLFilename,positiveInstances,negativeImages)outputXMLFilename. Имя файла должно содержать расширение XML. Для получения более подробного объяснения того, как эта функция работает, смотрите Запуск с Cascade Детектора объектов.
trainCascadeObjectDetector( возобновляет прерванный сеанс обучения. The outputXMLFilename,'resume')outputXMLFilename вход должен совпадать с именем выходного файла из прерванного сеанса. Все аргументы, сохраненные из предыдущего сеанса, используются автоматически.
trainCascadeObjectDetector(___, использует дополнительные опции, заданные одним или несколькими Name,Value)Name,Value аргументы в виде пар.
Примеры
Обучите Датчик Знака Стопа
Загрузите данные положительных выборок из файла MAT. Файл содержит таблицу, задающую ограничительные рамки для нескольких категорий объектов. Таблица экспортирована из Image Labeler приложение.
Загрузите положительные выборки.
load('stopSignsAndCars.mat');Выберите ограничительные рамки для знаков упора из таблицы.
positiveInstances = stopSignsAndCars(:,1:2);
Добавьте папку изображений в путь MATLAB.
imDir = fullfile(matlabroot,'toolbox','vision','visiondata',... 'stopSignImages'); addpath(imDir);
Укажите папку для отрицательных изображений.
negativeFolder = fullfile(matlabroot,'toolbox','vision','visiondata',... 'nonStopSigns');
Создайте imageDatastore объект, содержащий отрицательные изображения.
negativeImages = imageDatastore(negativeFolder);
Обучите каскадный детектор объектов под названием 'stopSignDetector.xml' с помощью функций 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 недавно обученный классификатор, чтобы обнаружить стоповый знак в изображении.
detector = vision.CascadeObjectDetector('stopSignDetector.xml');Прочтите тестовое изображение.
img = imread('stopSignTest.jpg');Обнаружение знака остановки.
bbox = step(detector,img);
Вставьте прямоугольники ограничивающего прямоугольника и верните отмеченное изображение.
detectedImg = insertObjectAnnotation(img,'rectangle',bbox,'stop sign');
Отображение обнаруженного знака остановки.
figure; imshow(detectedImg);
Удалите директорию изображений из пути.
rmpath(imDir);
Входные параметры
Совет
Для обучения хорошего детектора требуются тысячи обучающих выборок. Время вычислений большого объема данных варьируется, но, вероятно, потребуется часов или даже дней. Во время обучения функция отображает время, необходимое для обучения каждого этапа в MATLAB® командное окно.
В этой функции используются следующие параметры HOG OpenCV:
Нумбины:
9CellSize =
[8 8]BlockSize =
[4 4]BlockOverlap =
[2 2]UseSignedOrientation =
false
Ссылки
[1] Виола, П. и М. Дж. Джонс. «Быстрое обнаружение объектов с использованием усиленного каскада простых функций». Материалы конференции IEEE Computer Society 2001. Том 1, 15 апреля 2001, стр. I-511-I-518.
[2] Ojala, T., M. Pietikainen, and T. Maenpaa. «Мультиразрешение, серая шкала и классификация инвариантной текстуры вращения с локальными двоичными шаблонами». Транзакции IEEE по шаблонному анализу и машинному анализу. Том 24, № 7 июля 2002, стр. 971-987.
[3] Даляль, Н. и Б. Триггс. Гистограммы ориентированных градиентов для обнаружения человека. IEEE Computer Society Conference on Компьютерное Зрение and Pattern Recognition. Том 1, 2005, с. 886-893.