Computer Vision Toolbox

Computer Vision Toolbox

컴퓨터 비전, 3D 비전 및 비디오 처리 시스템을 설계하고 테스트할 수 있습니다.

시작하기:

딥러닝과 머신러닝

딥러닝과 머신러닝을 사용하여 객체를 검출하고 인식하며 분할할 수 있습니다.

객체 검출 및 인식

YOLO v2, Faster R-CNN, ACF, Viola-Jones와 같은 객체 검출기를 훈련, 평가, 배포할 수 있습니다. OCR과 BoVW(시각적 단어 가방)로 객체 인식을 수행할 수 있습니다. 사전 훈련된 모델을 사용하여 얼굴, 보행자, 기타 일반적인 객체를 검출할 수 있습니다.

두 대의 다른 차량이 검출된 것을 보여주는 차량 카메라의 사진.

Faster R-CNN을 이용한 객체 검출.

의미론적 분할

SegNet, FCN, U-Net, DeepLab v3+ 등의 신경망으로 개별 픽셀과 복셀을 분류하여 영상과 3D 볼륨을 분할할 수 있습니다. 인스턴스 분할을 사용하여 분할 지도를 작성하고 고유한 객체의 인스턴스를 검출할 수 있습니다.

인스턴스 분할을 사용하여 만든 윤곽선으로 거리 장면에서 검출한 객체의 인스턴스.

Mask R-CNN을 사용한 인스턴스 분할.

실측 데이터 레이블 지정

Video Labeler 앱과 Image Labeler 앱을 사용하여 객체 검출, 의미론적 분할, 인스턴스 분할, 장면 분류의 레이블 지정을 자동화할 수 있습니다.

객체 검출, 의미론적 분할, 객체 인식을 위해 실측 데이터에 레이블을 지정하는 그래픽 인터페이스.

Video Labeler 앱을 사용한 실측 데이터 레이블 지정.

카메라 보정

카메라의 내부, 외부 및 렌즈 왜곡 파라미터를 추정할 수 있습니다.

단일 카메라 보정

Camera Calibrator 앱을 사용하여 체커보드 검출을 자동화하고 핀홀 카메라와 어안 카메라를 보정할 수 있습니다.

스테레오 카메라 보정

스테레오 쌍을 보정하여 깊이를 계산하고 3D 장면을 재구성할 수 있습니다.

시각적 SLAM 및 3D 비전

한 장면에 대한 여러 2D 보기에서 3D 구조를 추출할 수 있습니다. 시각적 주행거리 측정을 사용하여 카메라의 움직임과 자세를 추정하고, 시각적 SLAM을 사용하여 자세 추정값을 개선할 수 있습니다.

움직이는 카메라에서 얻은 여러 영상을 사용하여 재구성한 3D 장면.

다시점 움직임 기반 구조.

일치하는 특징을 각각 원과 십자로 표시한 주차된 차량의 영상 두 개가 나란히 나와 있습니다.

시각적 SLAM을 위한 특징 검출과 매칭.

스테레오 비전

스테레오 카메라 쌍을 사용하여 깊이를 추정하고 3D 장면을 재구성할 수 있습니다.

로비에 있는 사람들의 장면과 그 장면에 있는 점의 상대적 심도를 나타내는 영상.

스테레오 비전을 사용하여 장면에 있는 점의 상대적 심도 추정.

라이다 및 3D 포인트 클라우드 처리

라이다 데이터 또는 3D 포인트 클라우드 데이터로 기하학적 형상에 대해 분할, 군집, 다운샘플, 잡음 제거, 정합, 피팅을 수행할 수 있습니다.Lidar Toolbox™는 라이다 처리 시스템을 설계, 분석, 테스트하기 위한 추가 기능을 제공합니다.

라이다 및 포인트 클라우드 I/O

파일, 라이다 시스템 및 RGB-D 센서에서 포인트 클라우드를 읽고 쓰고 표시할 수 있습니다.

라이다 센서에서 스트리밍 포인트 클라우드 시각화.

포인트 클라우드 뷰어를 사용하여 스트리밍 포인트 클라우드 데이터를 시각화합니다.

포인트 클라우드 정합

NDT(Normal-Distributions Transform), ICP(Iterative Closest Point), CPD(Coherent Point Drift) 알고리즘을 사용하여 3D 포인트 클라우드를 정합할 수 있습니다.

일련의 포인트 클라우드의 정합 및 스티칭.

분할 및 형상 맞춤

포인트 클라우드를 클러스터로 분할하고 기하학적 형상을 포인트 클라우드에 피팅할 수 있습니다. 자율주행 및 로봇공학 응용 분야를 위해 라이다 데이터의 지상 평면을 분할할 수 있습니다.

분할을 사용하여 클러스터를 식별한 3D 포인트 클라우드.

포인트 클라우드 분할을 사용하여 포인트 클라우드에서 클러스터를 식별합니다.

특징 검출, 추출, 매칭

객체 검출, 영상 정합, 객체 인식을 위해 특징 기반 워크플로를 사용할 수 있습니다.

왼쪽: 스테이플 제거기, 오른쪽: 특징 포인트를 매칭하여 오른쪽의 어수선한 책상 위에서 찾은 동일한 스테이플 제거기.

혼잡한 장면에서 점 특징 검출, 추출, 매칭을 이용한 객체 검출.

특징 기반 영상 정합

여러 영상에 걸쳐 특징들을 매칭시켜 영상 간의 기하학적 변환을 추정하고 영상 시퀀스를 정합할 수 있습니다.

특징 기반 정합을 사용하여 여러 영상으로 만든 파노라마입니다.

특징 기반 정합으로 만든 파노라마.

객체 추적 및 모션 추정

비디오와 영상 시퀀스에서 움직임을 추정하고 객체를 추적할 수 있습니다.

사람들이 걸어 다니는 로비. 점선으로 표시된 추적 중인 각 개인의 궤적.

추적 중인 객체의 궤적을 점선으로 표시합니다.

모션 추정

광학 흐름, 블록 매칭, 형판 매칭을 사용하여 비디오 프레임 간의 움직임을 추정할 수 있습니다.

광학 흐름을 사용하여 검출된 모션 필드가 있는 움직이는 두 객체의 영상.

고정 카메라를 사용한 움직이는 객체의 검출.