地面真理贴标机

用于自动驾驶应用的标签地面真实数据

展开所有页面

描述

这地面真理贴标机应用程序允许您在多个视频，图像序列或激光雷达点云标记地面真实数据。

使用应用程序，您可以：

同时标记表示相同场景的多个时间重叠信号。
定义矩形的兴趣区域（ROI）标签，折线ROI标签，像素ROI标签，LIDAR标签的长方体投资回报标签，以及场景标签定义。使用这些标签以交互方式标记您的地面真理数据。
使用内置检测或跟踪算法来标记地面真实数据。
编写，导入和使用自定义自动化算法自动标记地面真实数据。
使用视觉摘要评估标签自动化算法的性能。
将地面真理标签导出为aTroundtruthmultiSignal.目的。您可以使用此对象进行系统验证或培训对象检测器或语义分段网络。
通过使用该显示时间同步信号，例如CAN总线数据驾驶.Connector.Connector.Connector.API。

要了解有关此应用程序的更多信息，请参阅从地面真相贴标程序开始．

打开地面真相贴标程序应用程序

马铃薯^®Toolstrip：在应用标签，下面汽车，单击“应用”图标。
matlab命令提示符：输入地下标签．

例子

程序使用

展开全部

`地下标签`

地下标签打开应用程序的新会话，使您能够标记地面真实数据。

`地面标签（Videofilename）`

地面标签（Videofilename）打开应用程序并加载输入视频。视频文件必须具有支持的扩展名金宝appVideoReader．

例子:ToundTruthlabeler（'Caltech_Cordova1.avi'）

`地面标签（ImageSeqfolder）`

地面标签（ImageSeqfolder）打开应用程序，并从输入文件夹加载图像序列。一个图像序列是类似视频的有序图像。

ImageSeqfolder.必须是字符串标量或字符向量，用于指定包含图像文件的文件夹。图像文件必须具有支持的扩展金宝appimformats.并按返回的顺序加载谜语功能。

`地下标记（ImageSeqfolder，Timestamps）`

地下标记（ImageSeqfolder，Timestamps）打开应用程序并加载具有相应时间戳的一系列图像。时间戳必须是A.期间与序列中图像个数相同长度的向量。

例如，将一系列道路图像及其相应的时间戳加载到应用程序中。

imagedir = fullfile（toolboxdir（'驾驶'），'divertdata'那'逃跑'）;负载(fullfile (imageDir“timeStamps.mat”））地下标记（ImageageIr，时间戳）

`groundTruthLabeler (___那“ConnectorTargetHandle”连接器)`

groundTruthLabeler (___那“ConnectorTargetHandle”连接器)打开应用程序并加载这两个组件：

视频或图像序列信号，具体取决于您指定的输入参数组合
外部分析或可视化工具与指定信号时断

这连接器控件的句柄驾驶.Connector.Connector.Connector.实现外部工具的类。

例如，这个语法打开应用程序与视频信号和同步激光雷达可视化工具。

groundTruthLabeler ('01_city_c2s_fcw_10s.mp4'那“ConnectorTargetHandle”，@ lidardisplay）;

当您有一个连接到应用程序中的信号时，请考虑这些提示。

如果删除连接到该工具的信号，则该应用程序断开工具并关闭它。
连接到工具的信号必须是主信号也就是说，其时间戳用于应用程序底部的播放控制中的信号。如果更改主信号，则应用程序断开该工具并关闭它。
如果您开始新的应用程序会话，则该应用程序会断开该工具并关闭它。

`地面标签（SessionFile）`

地面标签（SessionFile）打开应用程序并加载已保存的应用程序会话，sessionFile．这sessionFile输入包含路径和文件名。垫子文件sessionFile要点包含保存的会话。

限制

LIDAR信号不支持线路或像素ROI标签。金宝app
像素ROI标签不支持子标签或属性。金宝app
长方体ROI标签不支持子标签。金宝app
标签摘要窗口不支持子标签或属性金宝app

ROI标签	描述	场景
`矩形/长方体`	根据信号类型绘制对象周围的矩形或立方体ROI标签。在图像信号中，绘制矩形ROI标签（2-D边界框）。在LIDAR信号中，绘制立方体ROI标签（3-D边界盒）。有关LIDAR标签的更多信息，请参阅标记激光雷达点云用于目标检测．	车辆，行人，道路标志 `长方形`： `长方体`：
`预计长方体`	绘制立方体投资回报标签（3-D边界盒）。
`线`	绘制线性ROI标签以表示线条。绘制折线投资回报率，使用两点或多个点。	车道边界，护栏，道路遏制
`像素标签`	将标签分配给像素以获取语义分割。您可以使用多边形，刷子或洪水填充手动标记像素。有关像素标签的更多信息，请参阅语义分割标签像素．	车辆，路面，树木，路面
`多边形`	绘制多边形ROI标签。您可以标记同一类的独特实例。有关绘制多边形ROI标签的详细信息和语义分段网络，请参阅使用多边形的标签对象	车辆，路面，树木，路面

提示

为避免使用新标签重新标记原始真理，请在标记您的地面真理之前组织您要使用的标签方案。
您可以在信号之间的信号之间复制和粘贴标签。

算法

展开全部

您可以使用标签自动化算法来加快应用程序中的标签。要创建自己的标签自动化算法要在应用程序中使用，请参阅创建标签自动化算法．您还可以按照以下步骤使用其中一个内置算法：

导入要标记的数据，并创建至少一个标签定义。
在App ToolStrip上，单击选择算法然后选择一个内置的自动化算法。
如果导入多个信号，请单击选择信号在“选择信号”窗口中，选择一个或多个要自动化的信号。点击好的．
点击自动化，然后按照自动化窗口的右窗格中的自动化说明进行操作。

ACF车辆探测器

使用聚合通道功能（ACF）检测和标记车辆。该算法基于vehicleDetectorACF功能。要使用此算法，必须定义至少一个矩形ROI标签。您不需要绘制任何ROI标签。

为了帮助改进算法结果，请首先单击设置．您可以更改任何这些设置。

算法使用的预制车辆探测器模型 - 该'全景'使用车辆的前部，后部，左侧，右侧和右侧的未密封图像进行培训。这'前后视图'模型使用车辆前部和后侧的图像训练。
重叠比阈值从0到1，用于检测车辆 - 当矩形ROI重叠超过此阈值时，该算法丢弃了一个ROI。
用于检测车辆的分类得分阈值 - 增加得分以增加算法的预测置信度。丢弃具有以下阈值以下分数的矩形。

您还可以通过导入校准单眼相机配置检测器单纸巾对象进入MATLAB工作区。在世界单位中指定车辆的长度和宽度范围，例如米。

ACF人探测器

使用聚合通道功能（ACF）检测和标记人员。该算法基于Peopledetectoracf.功能。要使用此算法，必须定义至少一个矩形ROI标签。您不需要绘制任何ROI标签。

为了帮助改进算法结果，请首先单击设置．您可以更改任何这些设置。

算法使用的预染人探测器模型 -'inria-100x41'使用INRIA人员数据集接受培训模型。这'Caltech-50x21'使用CALTECH行人数据集接受培训的模型。
重叠比率阈值，从0到1，用于检测人 - 当矩形ROI重叠超过此阈值时，算法丢弃了一个ROI。
检测人员的分类得分阈值 - 增加分数以增加算法的预测置信度。丢弃具有以下阈值以下分数的矩形。

点跟踪器

通过使用Kanade-Lucas-Tomasi（KLT）算法，在短时间内跟踪和标记一个或多个矩形ROI标签。该算法基于愿景。PointTrackerSystem Object™。要使用此算法，必须定义至少一个矩形ROI标签，但您无需绘制任何ROI标签。

若要更改用于获取跟踪初始点的特征检测器，请单击设置．此表显示了特征探测器选项。

特征探测器	描述	等效功能
`最小eIgen价值`	使用最小特征值算法检测角落。	`侦探训练`
`哈里斯`	使用Harris-Stephens算法检测角落。	`探测器法`
`快速地`	通过使用加速段测试（FAST）算法的特征来检测角落。	`检测到空间`
`轻快`	使用二进制鲁棒不变可伸缩关键点（快速）算法来检测特征。	`detectBRISKFeatures`
`Kaze.`	通过使用非线性扩散来构造图像的刻度空间，然后从该刻度空间中检测多尺度角特征（Kaze特征）来检测特征。	`检察官化`
`冲浪`	通过使用加速鲁棒功能（SURF）算法来检测BLOB功能。	`探测拍摄`
`MSER.`	通过使用最大稳定的极值区域（MSER）算法来检测区域。	`检测器饲料`

颞插管

通过在时间间隔内插入ROI位置，估计帧之间的矩形ROI。要使用此算法，必须在至少两个帧上绘制矩形ROI：在间隔开头和间隔末尾的一个。插值算法估计并在中间帧中绘制ROI。

考虑一个带10帧的视频。第一帧具有以[5,5]为中心的矩形ROI。第10帧具有以[25,25]为中心的矩形ROI。在每个帧，该算法在算法中移动ROI 2像素X- 和2个像素y-方向。因此，该算法在第二帧中的[7,7]中的ROI在第三帧中[9,9]，等等，在第二帧中最多高达[23,23]。

点云时间插值器

通过在时间间隔内插值ROI位置来估计点云帧之间的长方体ROI。要使用这个算法，你必须在至少两帧上画一个长方体ROI:一帧在间隔的开始，一帧在间隔的结束。插值算法估计并在中间帧中绘制ROI。

考虑具有10帧的点云序列。第一帧具有在[5,5,0]的长方体ROI中心。第10帧的长方体ROI以[25,25,0]为中心。在每个帧，该算法在算法中移动ROI 2点X-方向，2个点在y- 和0分Z.-方向。因此，该算法在第二帧中的[7,7,0]中的ROI中心在第三帧中[9,9,0]，等等，在第二帧中最多高达[23,23,0]。- 框架。

车道边界探测器

使用估计的鸟瞰投影图像检测和标记车道边界。要使用这个算法，您必须定义至少一个线ROI标签。您不需要绘制任何ROI标签。为了检测车道边界，算法遵循以下步骤:

它对图像中车道边界的位置进行初步猜测。
它将吊索转变为鸟瞰图，以使车道平行并去除失真。
它使用此图像分段通道边界。

为了帮助改进算法结果，请首先单击设置．您可以更改任何这些设置。

泳道线的放置用于产生鸟瞰图图像
车道周围的ROI，您可以扩展到仅包含图像中的自我车道边界
图像中检测到的车道边界的像素宽度

您还可以更改要检测的通道边界数。默认的车道边界数是2．

兼容性考虑因素

展开全部