尼克•崔MathWorks
物体检测是视频监控和高级驾驶辅助系统(ADAS)应用背后的关键技术。目标检测算法通常使用机器学习、深度学习或计算机视觉技术来定位和分类图像或视频中的目标。
用MATLAB®和仿真软金宝app件®,您可以:
目标检测是一种计算机视觉技术,用于定位图像或视频中的目标实例。目标检测技术训练预测模型或使用模板匹配来定位和分类目标。
目标检测是视频监控、图像检索系统和高级驾驶辅助系统(ADAS)应用背后的关键技术。
有各种各样的技术可以用来执行目标检测。这些技术通常分为三大类:使用深度学习的目标检测,使用机器学习的目标检测,以及使用经典计算机视觉技术的目标检测。
流行的基于深度学习的方法,如R-CNN或YOLO v2,使用卷积神经网络(cnn)来学习检测目标所需的特征。
基于机器学习的方法在训练分类器之前使用特征提取来识别目标。流行的方法包括聚合信道特征(ACF)和Viola-Jones算法。
最后,更多传统的计算机视觉方法可能是足够的,这取决于应用。一些例子包括模板匹配、图像分割和斑点分析、特征提取和匹配等技术。
在MATLAB中,您可以用几行代码尝试各种方法,以了解哪种方法最适合您的数据。您可以利用MATLAB提供的许多预先训练过的检测器之一,或者您可以为您的应用程序创建一个定制的检测器。
我们还有其他关于物体检测与机器学习和经典计算机视觉的视频,所以在这个视频中,我将更多地关注深度学习。
使用深度学习进行目标检测的第一步是标记你想要识别的对象类型的样本。训练目标检测的预测模型通常需要数千甚至数百万的标记样本。
交互式应用程序可以帮助你自动标记图像或视频中的对象。这有助于您将更多的精力放在开发目标检测算法上,而不是准备训练数据。
使用MATLAB,您还可以在其他机器学习和深度学习框架之间进行互操作,以开发目标探测器。
如果您已经在MATLAB之外实现了一个网络,您可以使用ONNX导入功能导入它。相反,如果你在MATLAB中创建一个网络,但想在其他地方使用它,你可以使用ONNX导入导出它。
一旦你在MATLAB中有了一个网络,你就可以用GPU加速训练过程或通过更改单个名称-值对来计算集群。如果您正在使用预先训练过的网络,则可以使用迁移学习来为您的应用程序微调模型。这有助于进一步减少训练时间,提高网络性能。
首先,您可以使用文档中许多参考示例中的一个。要了解更多关于MATLAB对象检测的信息,请浏览在线文档页面。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。