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

这地面实况贴标签机应用程序使您可以在多个视频，图像序列或LIDAR点云中标记地面真实数据。

使用应用程序，您可以：

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。
导出地面真值标签为groundTruthMultisignal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。

要了解有关此应用程序的更多信息，请参阅开始使用Ground Truth标签．

打开地面真相标签应用程序

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

例子

程序使用

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。

`地面标签（Videofilename）`

地面标签（Videofilename）打开应用程序并加载输入视频。视频文件必须具有支持的扩展名万博1manbetx录像机．

例子:ToundTruthlabeler（'Caltech_Cordova1.avi'）

`地面标签（ImageSeqfolder）`

地面标签（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万博1manbetximformats的返回顺序加载谜语功能。

图像in.ImageSeqfolder.必须是相同的大小。如果图像大小不同，则应用程序仅导入与序列中的第一映像相同大小的图像。要标记大小不同的无序图像集合，请使用图像贴标器（电脑视觉工具箱）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.期间与序列中的图像数量相同的矢量。

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（'驾驶'），'divertdata'那'逃跑'）;负载(fullfile (imageDir'timestamps.mat'））地下标记（ImageageIr，时间戳）

`地面标签（___那'connectortargethandle'，连接器）`

地面标签（___那'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

这连接器输入是一个句柄驾驶.Connector.Connector.Connector.实现外部工具的类。

例如，此语法使用视频信号和同步的LIDAR可视化工具打开应用程序。

地面标签（“01 _city_c2s_fcw_10s.mp4”那'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，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已保存的应用程序会话，sessionfile.．这sessionfile.输入包含路径和文件名。垫子文件sessionfile.要点包含保存的会话。

限制

LIDAR信号不支持线路或像素ROI标签。万博1manbetx
像素ROI标签不支持子标签或属性。万博1manbetx
长方体投资回报标签不支持子标签。万博1manbetx
标签摘要窗口不支持子标签或属性万博1manbetx

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/长方体`	根据信号类型绘制对象周围的矩形或立方体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，请参阅标签LIDAR点云进行对象检测．	车辆，行人，道路标志 `矩形`： `长方体`：
`线`	绘制线性ROI标签以表示线条。绘制折线投资回报率，使用两点或多个点。	车道边界，护栏，道路遏制
`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（电脑视觉工具箱）．	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。
您可以在相同类型的信号之间复制和粘贴标签。

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中的标签。要创建自己的标签自动化算法要在应用程序中使用，请参阅创建标签自动化算法（电脑视觉工具箱）．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，并选择一个内置自动化算法。
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

使用聚合通道功能（ACF）检测和标记车辆。该算法基于车辆功能。要使用此算法，必须定义至少一个矩形ROI标签。您无需绘制任何ROI标签。

为了帮助改进算法结果，请首先单击设置．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”使用车辆的前部，后部，左侧，右侧和右侧的未密封图像进行培训。这“front-rear-view”模型使用车辆前部和后侧的图像训练。
重叠比阈值从0到1，用于检测车辆 - 当矩形ROI重叠超过此阈值时，该算法丢弃了一个ROI。
用于检测车辆的分类得分阈值 - 增加得分以增加算法的预测置信度。丢弃具有以下阈值以下分数的矩形。

您还可以通过导入校准单眼相机配置检测器单纸巾对象进入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。该算法基于peopleDetectorACF（电脑视觉工具箱）功能。要使用此算法，必须定义至少一个矩形ROI标签。您无需绘制任何ROI标签。

为了帮助改进算法结果，请首先单击设置．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。这'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。丢弃具有以下阈值以下分数的矩形。

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。该算法基于Vision.PointCracker.（电脑视觉工具箱）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。

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

特征检测器	描述	等效功能
`最小特征值`	使用最小特征值算法检测角落。	`detectMinEigenFeatures`（电脑视觉工具箱）
`哈里斯`	使用Harris-Stephens算法检测角落。	`探测器法`（电脑视觉工具箱）
`快速地`	通过使用加速段测试（FAST）算法的特征来检测角落。	`检测到空间`（电脑视觉工具箱）
`轻快`	利用二进制鲁棒不变可扩展关键点算法检测特征。	`检察机构`（电脑视觉工具箱）
`KAZE`	通过使用非线性扩散来构造图像的刻度空间，然后从该刻度空间中检测多尺度角特征（Kaze特征）来检测特征。	`detectKAZEFeatures`（电脑视觉工具箱）
`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`（电脑视觉工具箱）
`MSER.`	使用最大稳定极值区域(MSER)算法检测区域。	`检测器饲料`（电脑视觉工具箱）

时间内插程序

通过在时间间隔内插入ROI位置，估计帧之间的矩形ROI。要使用此算法，必须在至少两个帧上绘制矩形ROI：在间隔开头和间隔末尾的一个。插值算法估计并在中间帧中绘制ROI。

考虑一个带10帧的视频。第一帧具有以[5,5]为中心的矩形ROI。第10帧具有以[25,25]为中心的矩形ROI。在每个帧，该算法在算法中移动ROI 2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

通过在时间间隔横跨时间间隔内插入ROI位置来估算点云帧之间的长方体rois。要使用此算法，必须在至少两个帧上绘制长方体ROI：在间隔开头和间隔末尾的一个。插值算法估计并在中间帧中绘制ROI。

考虑具有10帧的点云序列。第一帧具有在[5,5,0]的长方体ROI中心。第10帧的长方体ROI以[25,25,0]为中心。在每个帧，该算法在算法中移动ROI 2点X- 重定向，2分y- 和0分Z.方向。因此，该算法在第二帧中的[7,7,0]中的ROI中心在第三帧中[9,9,0]，等等，在第二帧中最多高达[23,23,0]。- 框架。

车道边界探测器

使用估计的鸟瞰投影图像来检测和标记车道边界。要使用此算法，必须定义至少一行ROI标签。您无需绘制任何ROI标签。要检测车道边界，算法遵循以下步骤：

它在图像中的车道边界的位置进行了初步猜测。
它将吊索转变为鸟瞰图，以使车道平行并去除失真。
它使用这个图像分割车道边界。

为了帮助改进算法结果，请首先单击设置．您可以更改这些设置中的任何一个。

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