Обнаружьте объекты, использующие совокупные функции канала
acfObjectDetector объект обнаруживает объекты от изображения, с помощью детектора объектов совокупных функций канала (ACF). Чтобы обнаружить объекты в изображении, передайте обученный детектор detect функция.
Детектор объектов ACF распознает конкретные объекты в изображениях, на основе учебных изображений и объектных местоположений основной истины, используемых с trainACFObjectDetector функция.
Создайте acfObjectDetector объект путем вызова trainACFObjectDetector функция с обучающими данными.
detector = trainACFObjectDetector(trainingData,...)
detector = acfObjectDetector( создает detectorStruct.Classifier,detectorStruct.TrainingOptions)acfObjectDetector объект, который идентичен существующему acfObjectDetector объект с помощью свойств объектов Classifier и TraningOptions, которые хранятся в detectorStruct поля структуры. Используйте этот синтаксис, чтобы воссоздать детектор объектов ACF для генерации кода.
Используйте trainACFObjectDetector с учебными изображениями, чтобы создать детектор объектов ACF, который может обнаружить знаки Стоп. Протестируйте детектор с отдельным изображением.
Загрузите обучающие данные.
load('stopSignsAndCars.mat')Выберите основную истину для знаков Стоп. Они основная истина являются набором известных местоположений знаков Стоп в изображениях.
stopSigns = stopSignsAndCars(:,1:2);
Добавьте полный путь в файлы изображений.
stopSigns.imageFilename = fullfile(toolboxdir('vision'),... 'visiondata',stopSigns.imageFilename);
Обучите детектор ACF. Можно выключить процесс обучения, выведенный 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 20.3163 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 детектор знака Стоп ACF от stopSignDetector.mat файл, который присутствует в текущей рабочей папке как вспомогательный файл.
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 функции MATLAB. Затем в функции MATLAB, создайте идентичный детектор знака Стоп ACF с помощью существующих свойств детектора.
detector1 = acfObjectDetector(detectorStruct.Classifier,detectorStruct.TrainingOptions)
detector1 =
acfObjectDetector with properties:
ModelName: 'stopSign'
ObjectTrainingSize: [34 31]
NumWeakLearners: 61
Можно передать detector1 к detect функционируйте как вход, чтобы обнаружить знаки Стоп от изображений.
[1] Доллар, P., Р. Аппел, С. Белонги и П. Перона. "Быстро Покажите Пирамиды для Обнаружения объектов". Анализ шаблона и Искусственный интеллект, Транзакции IEEE. Издание 36, Выпуск 8, 2014, стр 1532–1545.