视频贴标机

标签视频的计算机视觉应用

扩大所有页面

描述

该视频贴标机app允许你在视频、图像序列或自定义数据源阅读器中标记地面真相数据。使用该应用程序，你可以:

定义感兴趣（ROI）的标签，折线ROI标签，像素ROI标签，标签现场矩形区域。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来标记您的地面真实数据。
编写、导入和使用您自己的自定义自动算法来自动标记ground truth。看到创建自动标记算法。
使用可视化摘要评估标签自动算法的性能。看到查看地面真相标签摘要。
将标记的ground truth输出为agroundTruth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。看到训练数据进行目标检测和语义分割。

要了解更多关于这个程序，看从视频标签开始。

打开视频贴标应用

MATLAB^®工具条：在应用选项卡，在图像处理和计算机视觉，点击应用程序图标。
MATLAB命令提示符:回车videoLabeler。

例子

程序中使用

全部展开

`videoLabeler`

videoLabeler打开应用程序的一个新会话，使您能够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。视频文件必须有一个扩展的支持金宝appVideoReader。

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。映像文件必须具有所支持的扩展名金宝appimformats方法返回的顺序加载DIR功能。

的图片imageSeqFolder必须是相同的大小。如果图像的大小各不相同，该应用仅导入是相同大小的序列中的第一图像的图像。要标记，在大小不等无序图像的采集，使用图片标注应用程式。

`videoLabeler (imageSeqFolder、时间戳)`

videoLabeler (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。时间戳必须是一个持续时间长度与序列中图像数目相同的向量。

例如，加载图像，其对应的时戳的一个序列到应用程序。

imageDir = fullfile (toolboxdir ('视力'),'visiondata'，'NewTsukuba');时间戳=秒(1:15);videoLabeler (imageDir、时间戳)

`videoLabeler（gtSource）`

videoLabeler（gtSource）打开应用程序，从a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函数。有关详细信息,请参见使用自定义图像源阅读器进行标记。

`videoLabeler（sessionFile）`

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

限制

内置的自动化算法只支持矩形ROI标签的自动化。金宝app当您选择一个内置的算法和点击自动化、场景标签、像素ROI标签、折线ROI标签、子标签、属性不导入自动化会话。要自动化这些特性的标记，请创建自定义自动化算法。看到创建自动标记算法。
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

提示

为了避免使用新的标签重新标记地面真相，请在标记地面真相之前组织您想要使用的标记方案。

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内标签。要创建自己的标签自动化算法到应用程序中使用，请参阅创建自动标记算法。您还可以使用所提供的内置的算法之一。按着这些次序：

加载要标记的数据，并创建至少一个标签定义。
在app工具条上单击选择算法，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右侧窗格中的自动化说明操作。

ACF人探测器

使用聚合通道特性(ACF)检测和标记人员。该算法是基于peopleDetectorACF功能。要使用此算法，必须定义为至少一个矩形的投资回报率标签。您不需要画任何ROI标签。

帮助改善算法结果，第一次点击设置。您可以更改这些设置。

该算法使用的预训练人员检测器模型为'INRIA-100x41'模型采用INRIA人数据集训练。该“caltech-50x21”模型使用Caltech行人数据集进行训练。
重叠率阈值，从0到1，用于检测人员-当矩形roi重叠超过该阈值时，算法丢弃其中一个roi。
检测人的分类分数阈值-增加分数，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

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，您必须至少定义一个矩形ROI标签，但是您不需要绘制任何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。下表显示了特征检测器选项。

特征检测器	描述	等效功能
`最小特征值`	利用最小特征值算法检测角点。	`detectMinEigenFeatures`
`哈里斯`	使用Harris-Stephens算法检测拐角。	`detectHarrisFeatures`
`快速`	利用加速段检测(FAST)算法中的特征进行角点检测。	`detectFASTFeatures`
`轻快的`	使用二进制鲁棒不变可伸缩关键点(活泼)算法检测特征。	`detectBRISKFeatures`
`KAZE`	通过使用非线性扩散构建图像的尺度空间，然后检测多尺度角特征（KAZE特征）从尺度空间检测功能。	`detectKAZEFeatures`
`冲浪`	使用加速鲁棒特征(SURF)算法检测blob特征。	`detectSURFFeatures`
`女士`	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10帧的视频。第一框架具有一个矩形的ROI为中心在[5,5]。第10帧具有矩形ROI中心在[25,25]。在每个帧中，算法移动ROI在2个像素X-方向和2像素在ÿ-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。

ACF车辆检测器（需要自动驾驶的工具箱）

使用聚合通道特征(ACF)检测和标记车辆。该算法是基于vehicleDetectorACF功能。要使用此算法，必须定义为至少一个矩形的投资回报率标签。您不需要画任何ROI标签。

帮助改善算法结果，第一次点击设置。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”模型使用前，后，左的未被遮挡的图像和车辆的右侧培训。该“front-rear-view”模型的训练只使用图像的前面和后面的车辆。
该交叠比率阈值，从0到1，一种用于检测车辆 - 当矩形的ROI超过该阈值的重叠，则算法丢弃的ROI中的一个。
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。

您也可以通过导入配置与校准单眼相机探测器monoCamera对象进入MATLAB工作空间。以世界单位(例如米)指定车辆的长度和宽度范围。

车道边界探测器（需要自动驾驶的工具箱）

使用鸟瞰投影图像检测和标记车道边界。要使用此算法，您必须定义至少一行ROI标签。您不需要画任何ROI标签。为了检测车道边界，算法遵循以下步骤:

它对图像中车道边界的位置进行了初步的猜测。
它把周围的车道ROI成鸟瞰图图像，使通道平行并且除去失真。
它使用这个图像分割车道边界。

帮助改善算法结果，第一次点击设置。您可以更改这些设置。

用于生成鸟瞰图像的车道线的位置
车道周围的ROI，您可以将其扩展到图像中不仅仅包含ego车道边界
检测到的图像中车道边界的像素宽度

您还可以更改要检测的车道边界的数量。车道边界的默认数量为2。

视频贴标机

描述

打开视频贴标应用

例子

相关的例子

程序中使用

`videoLabeler`

`videoLabeler (videoFileName)`

`videoLabeler（imageSeqFolder）`

`videoLabeler (imageSeqFolder、时间戳)`

`videoLabeler（gtSource）`

`videoLabeler（sessionFile）`

限制

提示

算法

ACF人探测器

点跟踪器

时间插补

ACF车辆检测器（需要自动驾驶的工具箱）

车道边界探测器（需要自动驾驶的工具箱）

也可以看看

应用

职能

对象

主题

介绍了在R2018b

计算机视觉工具箱文件

金宝app

MATLABで始めるディープラーニング