视频贴标机

为计算机视觉应用的标签视频

全部展开页面

描述

这个视频贴标机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（ROI）标签、多段线ROI标签、像素ROI标签和场景标签。使用这些标签以交互方式标记地面实况数据。
使用内置的检测或跟踪算法标签你的地面真相数据。
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Ground Truth标签摘要．
输出标记的地面真理作为groundTruth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。看到用于目标检测和语义分割的训练数据．

要了解有关此应用的更多信息，请参阅开始使用视频标签．

打开视频标签应用程序

MATLAB^®将来发布:应用程序选项卡，在下面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

程序化使用

全部展开

`videoLabeler`

videoLabeler打开应用程序的新会话，使您能够在视频或图像序列标签地面真相数据。

`视频标签机（视频文件名）`

视频标签机（视频文件名）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:视频标签机（“vipmen.avi”）

`视频标签机（imageSeqFolder）`

视频标签机（imageSeqFolder）打开应用程序并从输入文件夹加载图像序列。一图像序列是类似于视频的有序图像集。

ImageSeq文件夹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。所支持的扩展名万博1manbetximformats的返回顺序加载迪尔作用

`videoLabeler (imageSeqFolder、时间戳)`

videoLabeler (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。时间戳必须是一个期间与序列中图像数量相同长度的向量。

例如，将一系列图像及其对应的时间戳加载到应用程序中。

imageDir = fullfile (toolboxdir (“愿景”），“visiondata”,“新苏库巴”）;时间戳=秒(1:15);videoLabeler (imageDir、时间戳)

`videoLabeler (gtSource)`

videoLabeler (gtSource)打开应用程序并加载数据源和相应的时间戳groundTruthDataSource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函数。有关详细信息，请参阅使用自定义图像源阅读器进行标记．

`videoLabeler (sessionFile)`

videoLabeler (sessionFile)打开应用程序并加载已保存的应用程序会话，sessionFile．这个sessionFile输入包含路径和文件名sessionFile指向包含已保存会话的。

`录像机（gTruth）`

录像机（gTruth）打开应用程序并加载groundTruth对象。在加载对象之前，不需要添加视频。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

内置的自动化算法仅支持矩形ROI标签的自动化。选择内置算法并单击万博1manbetx自动化、场景标签、像素ROI标签、多段线ROI标签、子标签和属性不会导入到自动化会话中。要自动标记这些功能，请创建自定义自动算法。看见创建标签的自动化算法．
像素ROI标签不支持子标签或属性。万博1manbetx
“标签摘要”窗口不支持子标签或属性万博1manbetx

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。可以直接从此窗格创建标签定义。或者，可以使用labelDefinitionCreator对象，然后将这些标签定义导入应用程序会话。

该应用程序支持R万博1manbetxOI标签、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、对象检测器以及语义和实例分割网络。选择标签绘图工具来创建ROI标签时，请考虑应用程序。下图显示了四种不同应用的标签技术。

应用程序	标签类型	例子
图像分类	N/A	船,飞机
对象检测	线矩形预计矩形
语义分割	像素标签多边形
实例分割	多边形

ROI标签

一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。万博1manbetx

ROI标签	描述	场景
`矩形`	围绕对象绘制矩形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)。
`线`	绘制线性ROI标签以表示线。要绘制多段线ROI，请使用两个或多个点。	车道边界、护栏、路缘石
`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。您可以标记同一类的不同实例。有关为实例和语义分割网络绘制多边形ROI标签的更多信息，请参阅使用多边形标记对象	车辆、路面、树木、路面

ROI Sublabels

一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,牌照,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．

ROI属性

一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。万博1manbetx

属性类型	样本属性定义	样本的默认值
`数值`
`一串`
`必然的`
`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。

算法

全部展开

您可以使用标签自动算法加快应用程序中的标签速度。要创建自己的标签自动化算法以在应用程序中使用，请参阅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。
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作用要使用此算法，必须至少定义一个矩形ROI标签。您不需要绘制任何ROI标签。

要帮助改进算法结果，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。这个“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`
`快速的`	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。	`检测风险特征`
`KAZE`	通过使用非线性扩散构造图像的尺度空间来检测特征，然后从该尺度空间中检测多尺度角点特征（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。	`检测特征`

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。在每一帧，该算法将ROI在图像中移动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]。

ACF车辆检测器（需要自动驾驶工具箱)

使用聚合通道特征（ACF）检测和标记车辆。该算法基于vehicleDetectorACF（自动驾驶工具箱）作用要使用此算法，必须至少定义一个矩形ROI标签。您不需要绘制任何ROI标签。

要帮助改进算法结果，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”模型使用车辆前部、后部、左侧和右侧的未包含图像进行训练。这个“front-rear-view”模型仅使用车辆前后侧面的图像进行训练。
重叠率阈值，从0到1，用于检测车辆-当矩形ROI重叠超过该阈值时，算法丢弃其中一个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。

您还可以通过导入单眼（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。

车道边界检测器（需要自动驾驶工具箱)

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ROI转换为鸟瞰图像，以使车道平行并消除失真。
它使用这个图像分割车道边界。

要帮助改进算法结果，请首先单击设置．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.．

另见

话题

在R2018b中引入

视频贴标机

描述

打开视频标签应用程序

例子

相关实例

程序化使用

`videoLabeler`

`视频标签机（视频文件名）`

`视频标签机（imageSeqFolder）`

`videoLabeler (imageSeqFolder、时间戳)`

`videoLabeler (gtSource)`

`videoLabeler (sessionFile)`

`录像机（gTruth）`

限制

更多关于

ROI标签、子标签和属性

提示

算法

ACF人探测器

点跟踪器

时间内插程序

ACF车辆检测器（需要自动驾驶工具箱)

车道边界检测器（需要自动驾驶工具箱)

另见

应用程序

功能

物体

话题

计算机视觉工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习