地面实况贴标签机

为自动驾驶应用标注地面真相数据

全部展开页面

描述

的地面实况贴标签机应用程序使您能够在多个视频，图像序列，或激光雷达点云标签地面真相数据。

使用该应用程序，你可以:

同时标记表示相同场景的多个时间重叠信号。
定义矩形感兴趣区域(ROI)标签、折线感兴趣区域标签、像素感兴趣区域标签、激光雷达标贴长方体感兴趣区域标签和场景标贴定义。使用这些标签交互式地标签你的地面真相数据。
使用内置的检测或跟踪算法来标记地面真实数据。
写，导入，并使用自定义自动化算法自动标记地面真值数据。
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agroundTruthMultisignal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。

要了解更多关于这个应用程序，请看开始使用Ground Truth标签．

打开地面真相标签应用程序

MATLAB^®将来发布:应用程序选项卡,在汽车，单击“应用”图标。
matlab命令提示符：输入地下标签．

例子

编程使用

全部展开

`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。

`groundTruthLabeler (videoFileName)`

groundTruthLabeler (videoFileName)打开应用程序并加载输入的视频。支持的扩展名金宝appVideoReader．

例子:ToundTruthlabeler（'Caltech_Cordova1.avi'）

`groundTruthLabeler (imageSeqFolder)`

groundTruthLabeler (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的返回顺序加载dir函数。

图像in.imageSeqFolder必须是相同的尺寸。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。要对大小不同的无序图像集合进行标记，请使用图片标志(计算机视觉工具箱)应用程序。

`地下标记（ImageSeqfolder，Timestamps）`

地下标记（ImageSeqfolder，Timestamps）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A.持续时间与序列中图像数量相同长度的向量。

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（“开车”），'divertdata'，'逃跑'）;负载(fullfile (imageDir“timeStamps.mat”））地下标记（ImageageIr，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组件：

一种视频或图像序列信号，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

的连接器Input是。的句柄驾驶.Connector.Connector.Connector.实现外部工具的类。

例如，这个语法会打开带有视频信号和同步激光雷达可视化工具的应用程序。

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

当你有一个外部工具连接到应用程序中的信号时，考虑以下提示。

如果您删除连接到工具的信号，应用程序将断开工具的连接并关闭它。
连接到工具的信号必须是掌握信号也就是说，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。
如果您启动一个新的应用程序会话，应用程序将断开该工具并关闭它。

`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指向包含已保存会话的点。

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	示例：驾驶场景
`预计长方体`	绘制立方体投资回报标签（3-D边界盒）。
`矩形或长方体`	根据信号类型，在物体周围绘制矩形或长方体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的目标检测．	车辆，行人，道路标志 `矩形`： `长方体`：
`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`	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(计算机视觉工具箱)．	车辆，路面，树木，路面

提示

为了避免用新的标签重新标记基础真理，在标记基础真理之前，组织你想要使用的标签方案。
您可以在信号之间的信号之间复制和粘贴标签。

算法

全部展开

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。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 ToolStrip上，单击选择算法，并选择其中一个内置的自动化算法。
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

使用聚合通道特征(ACF)检测和标记车辆。这个算法是基于vehicleDetectorACF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．您可以更改任何这些设置。

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“front-rear-view”模型使用车辆前部和后侧的图像训练。
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

使用聚合通道特性(ACF)检测和标记人员。这个算法是基于peopleDetectorACF(计算机视觉工具箱)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．您可以更改任何这些设置。

算法使用的预先训练过的人检测模型inria - 100 x41的模型使用INRIA个人数据集进行训练。的'Caltech-50x21'模型使用Caltech行人数据集进行训练。
用于检测人的重叠率阈值(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。
检测人员的分类得分阈值 - 增加分数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。

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。这个算法是基于愿景。PointTracker(计算机视觉工具箱)System 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，单击设置．该表显示了特性检测器选项。

特征检测器	描述	等效函数
`最小特征值`	使用最小特征值算法检测角落。	`detectMinEigenFeatures`(计算机视觉工具箱)
`哈里斯`	使用Harris-Stephens算法检测角落。	`探测器法`(计算机视觉工具箱)
`快`	利用快速分段测试(FAST)算法的特征进行角点检测。	`检测到空间`(计算机视觉工具箱)
`轻快`	利用二进制鲁棒不变可扩展关键点算法检测特征。	`detectBRISKFeatures`(计算机视觉工具箱)
`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)。	`detectKAZEFeatures`(计算机视觉工具箱)
`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`(计算机视觉工具箱)
`女士`	使用最大稳定极值区域(MSER)算法检测区域。	`detectMSERFeatures`(计算机视觉工具箱)

时间内插程序

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-方向和2个像素y方向。因此，算法将感兴趣区域集中在第二帧[7,7]，第三帧[9,9]，以此类推，直到倒数第二帧[23,23]。

点云时间插值

通过在时间间隔内插值ROI位置来估计点云框架之间的长方体ROI。要使用这种算法，您必须在至少两帧上绘制一个长方体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。第一帧有一个以[5,5,0]为中心的长方体感兴趣区域。第10帧的ROI为长方体，中心为[25,25,0]。在每一帧，算法移动ROI中的2点x-方向，2个点y- 和0分z方向。因此，算法将感兴趣区域集中在第二帧的[7,7,0]，第三帧的[9,9,0]，以此类推，直到倒数第二帧的[23,23,0]。

车道边界探测器

使用估计的鸟瞰图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车道边界的数量。默认的车道边界数为2．

兼容性考虑因素

全部展开