贴标签机视频

用于计算机视觉应用的标签视频

全部展开页面

描述

的贴标签机视频应用程序使您能够标签地面真相数据在一个视频，在一个图像序列，或从一个自定义数据源阅读器。使用该应用程序，你可以:

定义矩形感兴趣区域标签、折线感兴趣区域标签、像素感兴趣区域标签和场景标签。使用这些标签交互式地标签你的地面真相数据。
使用内置检测或跟踪算法来标记您的地面真理数据。
写，导入，并使用您自己的自定义自动化算法自动标签地面真理。看到创建标签的自动化算法．
使用可视化摘要评估标签自动化算法的性能。看到查看地面真理标签摘要．
将标签的地面真理导出为一个地面对象。您可以使用此对象进行系统验证或训练对象检测器或语义分割网络。看到目标检测和语义分割的训练数据．

要了解更多关于这个应用程序，请看开始使用视频标签．

打开视频标签应用程序

马铃薯草^®将来发布:应用程序选项卡,在图像处理与计算机视觉，单击应用程序图标。
MATLAB命令提示符:输入Videolabeler.．

例子

编程使用

展开全部

`Videolabeler.`

Videolabeler.打开应用程序的新会话，使您能够在视频或图像序列中标记地面真实数据。

`Videolabeler（Videofilename）`

Videolabeler（Videofilename）打开应用程序并加载输入的视频。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。一个图像序列是一种类似于视频的有序图像。

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。所支持的扩展名金宝appimformats.并按返回的顺序加载dir函数。

`Videolabeler（ImageSeqfolder，Timestamps）`

Videolabeler（ImageSeqfolder，Timestamps）打开应用程序并使用其相应的时间戳加载一系列图像。时间戳必须是一个持续时间与序列中的图像数量相同的矢量。

例如，将一系列图像及其相应的时间戳加载到应用程序中。

imageDir = fullfile (toolboxdir (“愿景”），'VisionData'，“NewTsukuba”）;时间戳=秒（1：150）;Videolabeler（Imagedir，Timestamps）

`videoLabeler (gtSource)`

videoLabeler (gtSource)打开应用程序并加载数据源和相应的时间戳地下田地源对象,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读写标记．

`videolabeler（会议帧）`

videolabeler（会议帧）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.指向包含已保存会话的点。

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当您选择内置算法时，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。自动化这些功能的标签，创建自定义自动化算法。看到创建标签的自动化算法．
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

更多关于

展开全部

ROI标签，子标签和属性

在应用程序的左侧，是ROI标签窗格包含可以在框架上标记的感兴趣区域(ROI)标签定义。您可以直接从该窗格创建标签定义。或者，您可以使用LANENDEFINITIONCREATOR对象，然后将这些标签定义导入应用程序会话。

支持ROI标签、金宝app子标签和属性的定义。

为应用程序选择ROI标签和绘图工具

您可以使用标记数据来验证或训练算法，如图像分类器、目标探测器以及语义和实例分割网络。在选择标签绘制工具创建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	行长方形预计的矩形
语义分割	像素标签多边形
实例分割	多边形

ROI标签

一个ROI标签是对应于信号帧中的感兴趣区域（ROI）的标签。该表描述了支持的标签类型。金宝app

ROI标签	描述	场景
`长方形`	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`	绘制立方体ROI标签(三维包围盒)。
`行`	画线性ROI标签来表示直线。要绘制折线ROI，请使用两个或多个点。	车道边界，护栏，路缘
`像素标签`	为像素分配标签进行语义分割。您可以使用多边形、笔刷或泛填充手工标记像素。有关像素标记的更多信息，请参见标记像素用于语义分割．	车辆、路面、树木、路面
`多边形`	绘制多边形ROI标签。你可以给同一个类的不同实例标上标签。有关绘制多边形ROI标签和语义分割网络的更多信息，请参见使用多边形标记对象	车辆、路面、树木、路面

ROI Sublabels

一个ROI Sublabel.是属于父标签的ROI标签。使用ROI Sublabels在标记的地面真实数据中提供有关ROI的更大程度的细节。例如，一个车辆标签可能包含头灯，licensePlate,轮sublabels。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sublabels和属性来标记地面真理数据．

ROI属性

一个ROI属性指定有关ROI标签或子标签的附加信息。例如，在驾驶场景中，属性可能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	示例默认值
`数值`
`字符串`
`逻辑`
`列表`

有关属性的详细信息，请参见使用sublabels和属性来标记地面真理数据．

提示

为避免使用新标签重新标记地面真相，请在标记您的原始事实之前组织您要使用的标签方案。

算法

展开全部

你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在应用程序中使用，请参见创建标签的自动化算法．你也可以通过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。
在应用程序工具条上，单击选择算法并选择一个内置自动化算法。
点击自动化，然后按照自动化窗口右窗格中的自动化说明操作。

ACF人员探测器

使用聚合通道功能（ACF）检测和标记人员。这个算法是基于peopleDetectorACF函数。要使用此算法，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。

算法使用的普雷雷定的人探测器模型 -inria - 100 x41的使用INRIA人员数据集接受培训模型。的“caltech-50x21”模型是使用Caltech Seistrian数据集进行培训。
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。
检测人的分类评分阈值——增加评分，提高算法的预测置信度。分数低于此阈值的矩形将被丢弃。

点跟踪器

使用kade - 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。这个算法是基于Vision.PointCracker.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。

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

特征检测器	描述	等效函数
`最小eIgen价值`	采用最小特征值算法进行角点检测。	`侦探训练`
`哈里斯`	使用Harris-Stephens算法检测角点。	`detectHarrisFeatures`
`快`	利用快速分段测试(FAST)算法的特征进行角点检测。	`detectFASTFeatures`
`轻快的`	通过使用二进制鲁棒不变可伸缩键点（快速）算法来检测特征。	`检察机构`
`Kaze.`	利用非线性扩散构造图像的尺度空间来检测特征，然后从该尺度空间检测出多尺度角点特征(KAZE特征)。	`检察机关系`
`冲浪`	使用加速鲁棒特征(SURF)算法检测斑点特征。	`detectSURFFeatures`
`女士`	通过使用最大稳定的极值区域（MSER）算法来检测区域。	`detectMSERFeatures`

颞插管

通过在时间间隔内插值ROI位置来估计帧间的矩形ROI。要使用此算法，必须在至少两帧上绘制矩形ROI:一帧在间隔的开始，一帧在间隔的结束。插值算法在中间帧中估计和绘制roi。

考虑一个10帧的视频。第一帧有一个以[5,5]为中心的矩形ROI。第10帧有一个以[25,25]为中心的矩形ROI。算法在每一帧中移动ROI的2个像素x- 和2个像素y-方向。因此，该算法在第三帧中的第二帧中的[7,7]中的ROI在第三帧中，等等地，在第二帧中，最多高达[23,33]。

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。这个算法是基于车辆(自动驾驶工具箱)函数。要使用此算法，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。

算法使用的预先训练的车辆检测器模型“众目睽睽”模型训练使用未遮挡的图像的前，后，左，和右侧的车辆。的'前后视图'模型仅使用车辆前后侧面的图像进行训练。
车辆检测的重叠率阈值，从0到1—当矩形roi重叠率超过该阈值时，算法将丢弃其中一个roi。
检测车辆的分类评分阈值——增加评分以增加算法的预测置信度。分数低于此阈值的矩形将被丢弃。

您也可以配置检测器与校准的单目摄像机通过导入monoCamera(自动驾驶工具箱)对象进入MATLAB工作空间。指定车辆的长度和宽度范围，以世界单位为单位，例如米。

车道边界探测器(需要自动驾驶的工具箱）

使用估计的鸟瞰预定的图像来检测和标记车道边界。要使用此算法，必须定义至少一个行ROI标签。您不需要画任何ROI标签。要检测车道边界，算法遵循以下步骤：

它在图像中放置在图像中的泳道边界的位置进行了初步猜测。
它将车道周围的感兴趣区域转换为鸟瞰图，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
围绕着车道的ROI，你可以扩展到包括图像中不仅仅是自我车道的边界
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．

另请参阅

主题

介绍了R2018b

贴标签机视频

描述

打开视频标签应用程序

例子

相关的例子

编程使用

`Videolabeler.`

`Videolabeler（Videofilename）`

`videoLabeler (imageSeqFolder)`

`Videolabeler（ImageSeqfolder，Timestamps）`

`videoLabeler (gtSource)`

`videolabeler（会议帧）`

限制

更多关于

ROI标签，子标签和属性

提示

算法

ACF人员探测器

点跟踪器

颞插管

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）

另请参阅

应用程序

功能

对象

主题

计算机视觉工具箱文档

金宝app

MATLABで始めるディープラーニング