Обнаружение и отслеживание

Обнаружение объектов, подбор кривой формы и отслеживание в данных об облаке точек лидара

Обнаружение объектов является одним из главных приложений лидара. Объекты, обнаруженные в данных об облаке точек лидара, крайне важны для нисходящих рабочих процессов как отслеживание и маркировка. Lidar Toolbox™ обеспечивает обнаружение объектов CNN PointPillars для разработки моделей обнаружения пользовательского объекта.

Lidar Toolbox обеспечивает рабочие процессы обнаружения и отслеживания для транспортных средств и дорожных маршрутов. Большинство рабочих процессов отслеживания использует средство отслеживания объединенной вероятностной ассоциации данных (JPDA).

Функции

развернуть все

pcfitcuboidПодходящий кубоид по облаку точек
pcfitplaneСоответствуйте плоскости к 3-D облаку точек
pcnormalsОцените нормали для облака точек
planeModelОбъект для хранения параметрической плоской модели
cuboidModelПараметрическая модель кубоида

Загрузите обучающие данные

groundTruthДанные о метке основной истины
combineОбъедините данные от нескольких datastores
fileDatastoreDatastore с пользовательским средством чтения файлов
boxLabelDatastoreDatastore для ограничительной рамки помечает данные

Увеличьте и предварительно обработайте обучающие данные

randomAffine3dСоздайте рандомизированное 3-D аффинное преобразование
bboxwarpПримените геометрическое преобразование к ограничительным рамкам
pctransformПреобразуйте 3-D облако точек

Обнаружение объектов

pointPillarsObjectDetectorДетектор объектов PointPillars
trainPointPillarsObjectDetectorОбучите детектор объектов PointPillars
detectОбнаружьте использование объектов детектор объектов PointPillars

Визуализация результатов

showShapeОтобразите формы на изображении, видео или облаке точек
pcshowПостройте 3-D облако точек

Оцените результаты

evaluateDetectionAOSОцените среднюю метрику подобия ориентации для обнаружения объектов
bboxOverlapRatioВычислите отношение перекрытия ограничительной рамки

Темы

Начало работы с облаками точек Используя глубокое обучение

Изучите, как использовать облака точек для глубокого обучения.

Начало работы с PointPillars

Задайте сеть PointPillars и изучите, как выполнить обнаружение объектов с помощью того же самого.

Хранилища данных для глубокого обучения (Deep Learning Toolbox)

Узнать, как использовать хранилища данных в применении глубокого обучения.

Список слоев глубокого обучения (Deep Learning Toolbox)

Узнайте все слои глубокого обучения в MATLAB®.

Выберите Function to Visualize Detected Objects

Сравните функции визуализации.

Рекомендуемые примеры

Track Vehicles Using Lidar: From Point Cloud to Track List

Транспортные средства дорожки Используя лидар: от облака точек до списка дорожек

Отследите транспортные средства с помощью измерений от датчика лидара, смонтированного сверху автомобиля, оборудованного датчиком. Лоцируйте датчики, сообщают измерения как облако точек. Пример иллюстрирует рабочий процесс в MATLAB® для обработки облака точек и отслеживания объектов. Для версии Simulink® примера относитесь, чтобы Отследить Транспортные средства Используя Данные о Лидаре в Simulink (Sensor Fusion and Tracking Toolbox).The, данные о лидаре, используемые в этом примере, зарегистрированы от магистрали ведущий сценарий. В этом примере вы используете записанные данные, чтобы отследить транспортные средства со средством отслеживания объединенной вероятностной ассоциации данных (JPDA) и подходом взаимодействующей многоуровневой модели (IMM).

Для просмотра документации необходимо авторизоваться на сайте