视频贴图

标签视频计算机视觉应用

展开页面中的所有内容

描述

这视频贴图应用程序使您能够在视频中标记地面真相数据，在图像序列中，或从自定义数据源阅读器。使用该应用程序，你可以:

定义矩形区域（ROI）标签，折线ROI标签，像素ROI标签和场景标签。使用这些标签以交互方式标记您的地面真理数据。
使用内置的检测或跟踪算法来标记您的地面真相数据。
编写、导入和使用您自己的自定义自动化算法来自动标记ground truth。看到创建自动化算法的标签．
使用可视化摘要评估标签自动化算法的性能。看到查看地面真实标签摘要．
输出标记ground truth为agroundTruth对象。您可以使用此对象进行系统验证或用于训练对象检测器或语义分割网络。看到对象检测和语义分割的培训数据．

要了解有关此应用程序的更多信息，请参阅开始与视频标签器．

打开视频标签应用程序

MATLAB^®将来发布:应用程序标签，下面图像处理和计算机视觉，点击应用程序图标。
MATLAB命令提示符:输入videoLabeler．

例子

程序使用

全部展开

`videoLabeler`

videoLabeler打开应用程序的新会话，使您可以在视频或图像序列中标记地面真相数据。

`Videolabeler（Videofilename）`

Videolabeler（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app录像机．

例子:Videolabeler（'vipmen.avi'）

`Videolabeler（ImageSeqfolder）`

Videolabeler（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于视频的有序图像集。

ImageSeqfolder.必须是指定包含图像文件的文件夹的字符串标量或字符向量。映像文件必须具有。支持的扩展名金宝appimformats控件返回的顺序加载谜语功能。

`videoLabeler (imageSeqFolder、时间戳)`

videoLabeler (imageSeqFolder、时间戳)打开应用程序，并加载一系列具有相应时间戳的图像。时间戳必须是一个期间与序列中图像个数相同长度的向量。

例如，将一系列图像和它们的相应时间戳加载到应用程序中。

imageDir = fullfile (toolboxdir ('想象')，“visiondata”那'newtsukuba'）;时间戳=秒(1:15);videoLabeler (imageDir、时间戳)

`videoLabeler (gtSource)`

videoLabeler (gtSource)打开应用程序并加载数据源和相应的时间戳groundTruthDataSource对象,gtsource.．要为自定义数据源生成此对象，可以指定自定义读取器功能。有关详细信息，请参阅使用自定义图像源阅读器进行标签．

`videoLabeler (sessionFile)`

videoLabeler (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

内置自动化算法仅支持矩形ROI标签的自动化。金宝app当您选择内置算法并单击自动化，场景标签，像素ROI标签，折线ROI标签，子标签和属性不会导入自动化会话。要自动化这些功能的标签，请创建自定义自动化算法。看到创建自动化算法的标签．
像素ROI标签不支持子标签或属性。金宝app
标签摘要窗口不支持子标签或属性金宝app

更多关于

全部展开

ROI标签，子标签和属性

在应用程序的左侧，ROI标签窗格包含您可以在框架上标记的兴趣区域（ROI）标签定义。您可以直接从此窗格创建标签定义。或者，您可以通过使用a以编程方式创建标签定义labelDefinitionCreator对象，然后将这些标签定义导入到应用程序会话中。

该应用程序支持R金宝appOI标签，Sublabels和属性的定义。

为您的应用选择ROI标签和绘图工具

您可以使用标记的数据来验证或训练算法，例如图像分类器，对象检测器和语义和实例分段网络。选择标签绘图工具创建ROI标签时，请考虑您的应用程序。下图显示了四种不同应用程序的标记技术。

应用程序	标签类型	例子
图像分类	N/A	船,飞机
对象检测	线矩形预计矩形
语义分割	像素标签多边形
实例分割	多边形

ROI标签

一个ROI标签是与信号帧中的感兴趣区域(ROI)相对应的标签。支持的标签类型如下表所示。金宝app

ROI标签	描述	场景
`矩形`	在对象周围绘制矩形ROI标签（边界框）。	车辆，行人，路标
`预计长方体`	绘制长方体ROI标签(3-D边界框)。
`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`	为像素分配标签以进行语义分割。您可以使用多边形、笔刷或洪水填充手动标记像素。有关像素标记的更多信息，请参阅标签像素的语义分割．	车辆，路面，树木，人行道
`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，人行道

ROI Sublabels

一个ROI sublabel是属于父标签的ROI标签。使用ROI子标签在你标记的地面真实数据中提供关于ROI的更大层次的细节。例如,一个车辆标签可能包含前灯那授权授权牌,轮sublabels。您只能为矩形和折线标签创建子标签。有关子标签的详细信息，请参见使用子标签和属性标签地面真实数据．

ROI属性

一个ROI属性指定有关ROI标签或Sublabel的其他信息。例如，在驾驶场景中，属性可以包括车辆的类型或颜色。该表描述了支持的属性类型。金宝app

属性类型	样本属性定义	样本的默认值
`数值`
`细绳`
`逻辑`
`列表`

有关属性的详细信息，请参见使用子标签和属性标签地面真实数据．

提示

为了避免用新的标签重新标记ground truth，在标记ground truth之前组织好你想要使用的标签方案。

算法

全部展开

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，请参阅创建自动化算法的标签．你也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，并创建至少一个标记定义。
在应用工具条上，单击选择算法然后选择一个内置的自动化算法。
点击自动化，然后按照自动化窗口右侧窗格中的自动化说明操作。

ACF人探测器

使用聚合信道特性(ACF)检测和标记人员。该算法是基于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．您可以更改这些设置中的任何一个。

算法使用的预训练人员检测器模型inria - 100 x41的模型使用INRIA人员数据集进行训练。这“caltech-50x21”模型使用Caltech行人数据集进行训练。
检测人的重叠比阈值，从0到1，当矩形roi重叠超过这个阈值时，算法丢弃其中一个roi。
检测人的分类评分阈值-增加评分以增加算法的预测置信度。得分低于此阈值的矩形将被丢弃。

点跟踪器

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。该算法是基于愿景。PointTracker系统对象™。要使用此算法，必须定义至少一个矩形ROI标签，但不需要绘制任何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．该表显示了特性检测器选项。

特征检测器	描述	等效功能
`最小特征值`	采用最小特征值算法进行角点检测。	`detectMinEigenFeatures`
`哈里斯`	采用Harris-Stephens算法检测角点。	`detectHarrisFeatures`
`快速地`	利用快速分段测试(FAST)算法的特征进行角点检测。	`detectFASTFeatures`
`轻快的`	采用二进制鲁棒不变可伸缩关键点(BRISK)算法检测特征。	`检察机构`
`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。	`detectKAZEFeatures`
`冲浪`	采用加速鲁棒特征(SURF)算法检测斑点特征。	`detectSURFFeatures`
`女士`	采用最大稳定极值区域(MSER)算法检测区域。	`detectMSERFeatures`

时间内插程序

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-direction和2个像素在y方向。因此，该算法在第二帧将感兴趣区域以[7,7]为中心，在第三帧以[9,9]为中心，以此类推，直到倒数第二帧以[23,23]为中心。

ACF车辆检测器（需要自动化驾驶工具箱）

使用聚合信道特征(ACF)检测和标记车辆。该算法是基于vehicleDetectorACF（自动驾驶工具箱）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．您可以更改这些设置中的任何一个。

该算法使用的预训练车辆检测器模型“众目睽睽”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“front-rear-view”Model只使用车辆前侧面和后侧面的图像进行训练。
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。
车辆检测的分类评分阈值-增加评分以增加算法的预测置信度。得分低于此阈值的矩形将被丢弃。

您还可以通过导入校准单眼相机配置检测器单纸巾（自动驾驶工具箱）对象到MATLAB工作空间。以世界单位(如米)指定车辆的长度和宽度范围。

车道边界探测器（需要自动化驾驶工具箱）

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。
它使用该图像分割车道边界。

为了帮助改进算法结果，请首先单击设置．您可以更改这些设置中的任何一个。

用于生成鸟瞰图的车道线的位置
车道周围的ROI，可以扩展到图像中不仅仅包括自我车道边界
图像中检测到的车道边界的像素宽度

还可以更改要检测的车道边界数量。默认的车道边界数为2．

也可以看看

话题

在R2018B中介绍

视频贴图

描述

打开视频标签应用程序

例子

相关例子

程序使用

`videoLabeler`

`Videolabeler（Videofilename）`

`Videolabeler（ImageSeqfolder）`

`videoLabeler (imageSeqFolder、时间戳)`

`videoLabeler (gtSource)`

`videoLabeler (sessionFile)`

限制

更多关于

ROI标签，子标签和属性

提示

算法

ACF人探测器

点跟踪器

时间内插程序

ACF车辆检测器（需要自动化驾驶工具箱）

车道边界探测器（需要自动化驾驶工具箱）

也可以看看

应用程序

职能

对象

话题

计算机视觉工具箱文档

金宝app

介绍MATLAB深度学习