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:

同时对表示同一场景的多个时间重叠信号进行标记。
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。
使用投影视图选项，以查看标签在顶部，正面和侧面视图同时。
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。
使用可视化摘要评估标签自动化算法的性能。
导出地面真值标签为groundTruthMultisignal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。
显示时间同步信号，如CAN总线数据，通过使用driving.connector.ConnectorAPI。

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，单击应用程序图标。
MATLAB命令提示符:输入groundTruthLabeler．

例子

编程使用

全部展开

`groundTruthLabeler`

groundTruthLabeler打开一个新的会话的应用程序，使您能够标签地面真相数据。

`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:groundTruthLabeler(“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。一个图像序列是一组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的返回顺序加载dir函数。

`groundTruthLabeler (imageSeqFolder、时间戳)`

groundTruthLabeler (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”)，“drivingdata”，“roadSequence”）;负载(fullfile (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
与指定信号时间同步的外部分析或可视化工具

的连接器Input是。的句柄driving.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主要的信号，即在应用程序底部的回放控件中使用其时间戳的信号。如果你改变了主信号，应用程序将断开工具并关闭它。
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。

`groundTruthLabeler (gTruth)`

groundTruthLabeler (gTruth)打开应用程序并加载groundTruth对象。地面真值对象数据源必须是图像序列、视频或自定义数据源。

限制

激光雷达信号不支持直线或像素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

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，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labelDefinitionCreatorMultisignal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。

ROI标签

一个ROI标签是信号帧中对应感兴趣区域(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
`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，绘制矩形感兴趣区域标签(二维包围盒)。在激光雷达信号中，绘制立方体ROI标签(3-D包围盒)。有关激光雷达标签的更多信息，请参见标记激光雷达点云的目标检测．	车辆、行人、路标 `矩形`： `长方体`：
`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子标签来提供关于已标记的基础真实数据中的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，请参见使用子标签和属性标签地面真实数据．

显示或隐藏标签和子标签

属性可以显示或隐藏已标记基础真值数据中的标签或子标签图标ROI标签窗格。的仅在定义标签或子标签后出现。默认情况下，应用程序显示所有标签和子标签。

要隐藏标签或子标签，请单击在标签或子标签名称旁边的图标。应用程序隐藏相应的标签或子标签，并显示图标。

显示或隐藏选项仅对矩形，行，多边形，预计长方体,长方体ROI标签。

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	样本的默认值
`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。
您可以在相同类型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的自动化算法。
如果需要导入多个信号，请单击选择信号并在“选择信号”窗口中，选择一个或多个要自动化的信号。点击好吧．
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车辆检测器

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“front-rear-view”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。

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，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`	采用最小特征值算法进行角点检测。	`detectMinEigenFeatures`
`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`	利用二进制鲁棒不变可扩展关键点算法检测特征。	`detectBRISKFeatures`
`KAZE`	利用非线性扩散构造图像的尺度空间来检测特征，然后从该尺度空间检测出多尺度角点特征(KAZE特征)。	`detectKAZEFeatures`
`冲浪`	使用加速鲁棒特征(SURF)算法检测斑点特征。	`detectSURFFeatures`
`女士`	使用最大稳定极值区域(MSER)算法检测区域。	`detectMSERFeatures`

时间内插程序

通过插值时间范围内的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

通过在时间范围内插值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-方向上的0点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车道边界的数量。默认的车道边界数为2．

兼容性的考虑

全部展开