地面真相贴标机

对于自动驾驶应用标签地面实况数据

扩大所有页面

描述

的地面真相贴标机应用程序可让您在多个视频交互标签地面实测数据，图像序列，或激光雷达点云。使用的应用程序，您可以：

同时标记代表同一场景的多个时间重叠的信号。
定义感兴趣（ROI）的标签，折线ROI标签，像素ROI标签，激光雷达标记长方体ROI标签和场景标签定义的矩形区域。使用这些标签交互标记您的地面实况数据。
使用内置的检测或跟踪算法，标签地面实况数据。
写，进口和使用自定义的自动化算法来自动标签地面实况数据。
通过使用可视摘要评估您的标签自动化算法的性能。
导出地面实况标签作为groundTruthMultisignal宾语。你可以使用这个对象系统验证或训练物体探测器或语义分割网络。
显示时间同步的信号，如CAN总线的数据，通过使用driving.connector.ConnectorAPI。

要了解这个应用程序的更多信息，请参见入门与地面真相贴标机。

打开地面实况贴标应用

MATLAB^®工具条：在应用选项卡,在汽车，点击应用程序图标。
MATLAB命令提示符：输入groundTruthLabeler。

例子

编程使用

展开全部

`groundTruthLabeler`

groundTruthLabeler打开应用的一个新的会话，使您能够标注地面实况数据。

`groundTruthLabeler (videoFileName)`

groundTruthLabeler (videoFileName)打开应用程序并加载输入视频。视频文件必须有一个支持的扩展名金宝appVideoReader。

例：groundTruthLabeler（ 'caltech_cordova1.avi'）

`groundTruthLabeler (imageSeqFolder)`

groundTruthLabeler (imageSeqFolder)打开应用和负载从输入文件夹中的图像序列。一个图像序列是类似于视频图像的有序集合。

imageSeqFolder必须是包含图像文件指定的文件夹的字符串标量或特征向量。图像文件必须通过扩展支持金宝appimformats并装填在由返回的顺序dir函数。

在图像imageSeqFolder必须是相同的大小。如果图像大小不同，应用程序只导入与序列中第一个图像大小相同的图像。若要标记大小不同的无序图像集合，请使用图片标志应用程序。

`groundTruthLabeler（imageSeqFolder，时间戳）`

groundTruthLabeler（imageSeqFolder，时间戳）打开应用程序并加载图像与其相应的时间戳的序列。时间戳必须是持续时间相同的长度的序列中的图像的数量的矢量。

例如，加载道路图象和它们的相应的时间戳的序列到应用程序。

IMAGEDIR =完整文件（toolboxdir（“开车”）'drivingdata','roadSequence'）;负载（完整文件（IMAGEDIR，'timeStamps.mat'））groundTruthLabeler（IMAGEDIR，时间戳）

`groundTruthLabeler（___,'ConnectorTargetHandle'，连接器）`

groundTruthLabeler（___,'ConnectorTargetHandle'，连接器）打开应用程序并加载这两个部分组成：

视频或图像序列信号，根据输入的参数组合，您指定
外部分析或可视化工具，是时间同步指定的信号

的连接器输入是一个句柄driving.connector.Connector类，它实现的外部工具。

例如，该语法打开与视频信号和同步的激光雷达的可视化工具的应用程序。

groundTruthLabeler（'01_city_c2s_fcw_10s.mp4','ConnectorTargetHandle'，@ LidarDisplay）;

当你在应用程序连接到信号的外部工具，考虑这些提示。

如果删除连接到该工具的信号，应用程序断开工具，并将其关闭。
连接到所述工具中的信号必须是主信号，即，其时间戳在应用底部中的播放控制是所使用的信号。如果更改了主信号，应用程序断开工具，并将其关闭。
如果你开始一个新的应用程序会话，应用程序断开工具，并将其关闭。

`groundTruthLabeler（sessionFile）`

groundTruthLabeler（sessionFile）打开应用程序并加载保存的应用程序会话，sessionFile。的sessionFile输入包含路径和文件名。的MAT-filesessionFile指向包含保存的会话的点。

限制

激光雷达信号不支持线或像素的投资回报率标签金宝app。
像素和长方体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

ROI标签	描述	例如：驾驶场景
`矩形或长方体`	根据信号类型，在对象周围绘制矩形或长方体ROI标签。在图像信号，画出矩形ROI标签（2-d边界框）。在激光雷达信号，绘制立方形ROI标签（3-d边界框）。欲了解更多关于激光雷达标签，见标签激光雷达点云物体检测。	车辆，行人，路标 `长方形`: `长方体`:
`行`	画线性ROI标签表示直线。要绘制折线ROI，请使用两个或多个点。	车道边界，护栏，路边石
`像素标签`	将标签分配给了语义分割像素。您可以使用多边形，刷子，或洪水填充手动标记象素。欲了解更多关于像素标签，见标签像素语义分割(计算机视觉工具箱)。	车辆，路面，树木，人行道

提示

为了避免与新标签重新标记地面真相，组织要使用标签计划弄脏地面真理面前。
您可以复制并粘贴属于同一类型的信号之间的标签。

算法

展开全部

你可以使用标签自动算法来加速应用程序内的标签。要创建自己的标签自动算法来在应用程序内使用，请参阅贴标创建自动化算法(计算机视觉工具箱)。您还可以使用提供的内置算法之一。遵循以下步骤:

你想要的数据加载到标签，并至少创建一个标签定义。
在应用工具条，点击选择算法，然后选择一个内置的自动化算法。
请点击自动化，然后按照自动化窗口的右侧窗格中的自动化操作。

ACF车辆检测器

使用聚合通道特征(ACF)检测和标记车辆。该算法是基于vehicleDetectorACF函数。要使用此算法，您必须定义至少一个矩形ROI标签。您不需要画任何ROI标签。

要帮助改进算法结果，请首先单击设置。您可以更改这些设置。

预训练的车辆检测器的模型，该算法使用 - 的“全视角”使用车辆的前、后、左、右侧面的无遮挡图像对模型进行训练。的“前后视”模型是使用仅在车辆的前侧和后侧的图像训练。
检测车辆的重叠率阈值，从0到1 -当矩形roi重叠超过该阈值时，算法丢弃其中一个roi。
检测车辆的分类分值阈值-增加分值，增加算法的预测置信度。得分低于此阈值的矩形将被丢弃。

你也可以通过导入一个校准过的单眼相机来配置探测器monoCamera对象插入到MATLAB工作区。指定长度和世界单位车辆的宽度范围，如米。

ACF人们探测器

检测并使用聚合频道标签功能的人（ACF）。该算法是基于peopleDetectorACF函数。要使用此算法，您必须定义至少一个矩形ROI标签。您不需要画任何ROI标签。

要帮助改进算法结果，请首先单击设置。您可以更改这些设置。

预训练的人检测模型，该算法使用 - 的'INRIA-100x41'模型采用INRIA人数据集训练。的'加州理工学院-50x21'模型用的是加州理工学院的行人数据集训练。
该交叠比率阈值，从0到1，一种用于检测人 - 当矩形的ROI超过该阈值的重叠，则算法丢弃的ROI中的一个。
用于检测人的分类得分阈值 - 增加得分增加了算法的预测信心。得分低于此阈值的矩形将被丢弃。

点跟踪器

轨道和标签的一个或多个矩形ROI标签在短的时间间隔通过使用奏卢卡斯-Tomasi的（KLT）算法。该算法是基于vision.PointTracker系统对象™。要使用此算法，必须定义为至少一个矩形的投资回报率的标签，但你并不需要作出任何投资回报率标签。

要更改用于获得初始点追踪特征检测器，点击设置。下表显示了特征检测器选项。

特征检测器	描述	等效函数
`最小特征值`	通过使用最小特征值算法检测角落。	`detectMinEigenFeatures`
`哈里斯`	通过使用哈里斯 - 斯蒂芬斯算法检测角落。	`detectHarrisFeatures`
`快`	通过使用从加速段测试（FAST）算法的特征检测的角落。	`detectFASTFeatures`
`轻快`	通过使用二进制强大的可扩展性不变的关键点（快走）算法检测功能。	`detectBRISKFeatures`
`KAZE`	利用非线性扩散构造图像的尺度空间来检测特征，然后利用该尺度空间检测多尺度角特征(KAZE特征)。	`detectKAZEFeatures`
`冲浪`	通过使用加速强健特征（SURF）算法检测斑点特征。	`detectSURFFeatures`
`MSER`	通过使用最大稳定极值区域（MSER）算法检测区域。	`detectMSERFeatures`

时间插补

通过在时间间隔内插值ROI位置来估计帧与帧之间的矩形ROI。要使用此算法，您必须在至少两帧上绘制矩形ROI:一帧在间隔开始时，另一帧在间隔结束时。插值算法在中间帧中估计和绘制roi。

考虑一个有10帧的视频。第一帧是以[5,5]为中心的矩形ROI。第10帧是以[25,25]为中心的矩形ROI。在每一帧中，算法移动ROI 2像素x- 方向和2个像素的y方向。因此，该算法在中心[7,7]在第二帧的ROI，[9,9]在第三帧，依此类推，直至[23,23]在第二到最后一帧。

点云时空插补

通过内插跨越时间间隔的ROI的位置估计的点云的帧之间的ROI长方体。在间隔结束时的时间间隔的开始，一个一个：要使用这种算法，你必须利用最少两帧的长方体的投资回报率。插值算法在中间帧中估计和绘制roi。

考虑一个有10帧的点云序列。第一帧的中心是长方体ROI[5,5,0]。第10帧有一个以[25,25,0]为中心的长方体ROI。在每一帧中，算法将ROI移动2个点x- 方向，2个所述y- 方向，和0分的z方向。因此，算法将ROI集中在第二帧的[7,7,0]处，第三帧的[9,9,0]处，以此类推，直到倒数第二帧的[23,23,0]处。

车道边界探测器

检测并使用估计的鸟瞰视图标签车道边界投影图像。要使用此算法，必须定义至少一行ROI标签。您不需要画任何ROI标签。为了检测车道边界，该算法步骤如下：

这使得一个初始估计在图像中的车道边界的位置。
将车道周围的感兴趣区域转化为鸟瞰图，使车道平行，消除失真。
它使用这个图像分割车道边界。

要帮助改进算法结果，请首先单击设置。您可以更改这些设置。

的车道线的用于生成鸟瞰图图像的位置
周围的小巷，你可以扩展到包含的不仅仅是图像中的自我车道边界更多的投资回报率
检测到的车道边界的图像中的像素宽度

您还可以更改您要检测车道边界数。车道边界的默认数量为2。

兼容性注意事项

展开全部