地面实况贴标签机

为自动驾驶应用标注地面真实数据

在页面中展开所有内容

描述

该地面实况贴标签机应用程序可让您在多个视频交互标签地面实测数据，图像序列，或激光雷达点云。使用的应用程序，您可以：

同时标记表示同一场景的多个时间重叠信号。
定义感兴趣矩形区域(ROI)标签、折线ROI标签、像素ROI标签、长方体ROI标签，用于激光雷达标签和场景标签定义。使用这些标签来交互式地标记您的地面真相数据。
使用内置的检测或跟踪算法来标记地面真实数据。
编写、导入和使用自定义自动化算法来自动标记地面真实数据。
使用可视化摘要评估标签自动化算法的性能。
导出ground truth标签为agroundTruthMultisignal对象。您可以将此对象用于系统验证或培训对象检测器或语义分割网络。
方法显示时间同步信号，如CAN总线数据driving.connector.ConnectorAPI。

要了解更多关于这个程序，看从地面真相标签开始。

打开地面真相标签的应用程序

MATLAB^®将来发布:应用程序选项卡，在汽车，点击app图标。
MATLAB命令提示符:回车groundTruthLabeler。

例子

程序中使用

全部展开

`groundTruthLabeler`

groundTruthLabeler打开应用程序的一个新会话，使您能够标记地面真相数据。

`groundTruthLabeler（videoFileName）`

groundTruthLabeler（videoFileName）打开应用程序并加载输入视频。视频文件必须有一个扩展的支持万博1manbetxVideoReader。

例子:groundTruthLabeler (“caltech_cordova1.avi”)

`groundTruthLabeler（imageSeqFolder）`

groundTruthLabeler（imageSeqFolder）打开应用和负载从输入文件夹中的图像序列。一个图像序列是类似于视频的有序图像集。

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。映像文件必须具有所支持的扩展名万博1manbetximformats方法返回的顺序加载DIR功能。

的图片imageSeqFolder必须是相同的大小。如果图像的大小各不相同，该应用仅导入是相同大小的序列中的第一图像的图像。要标记，在大小不等无序图像的采集，使用图片标注应用程序。

`groundTruthLabeler (imageSeqFolder、时间戳)`

groundTruthLabeler (imageSeqFolder、时间戳)打开应用程序并加载一系列带有相应时间戳的图像。时间戳必须是一个持续时间相同的长度的序列中的图像的数量的矢量。

例如，将一系列道路图像及其对应的时间戳加载到应用程序中。

imageDir = fullfile (toolboxdir (“驾驶”),“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:

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显示工具

该连接器输入是一个句柄driving.connector.Connector实现外部工具的类。

例如，该语法使用视频信号和同步激光雷达可视化工具打开应用程序。

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的信号，考虑这些提示。

如果你移除连接到该工具的信号，应用程序会断开该工具并关闭它。
连接到工具的信号必须是掌握信号，也就是说，信号的时间戳用于应用程序底部的回放控件。如果你改变了主信号，应用程序会断开并关闭该工具。
如果你启动一个新的应用程序会话，应用程序会断开并关闭该工具。

`groundTruthLabeler (sessionFile)`

groundTruthLabeler (sessionFile)打开应用程序并加载保存应用程序会话，sessionFile。该sessionFile输入包含路径和文件名。在MAT-文件sessionFile指向包含保存的会话。

限制

激光雷达信号不支持线或像素ROI标签。万博1manbetx
像素和长方体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

ROI标签	描述	例如:驾驶场景
`矩形/长方体`	绘制矩形或立方形ROI标签周围的对象，这取决于信号类型。在图像信号中，绘制矩形ROI标签(二维包围框)。在激光雷达信号中，绘制立方体感兴趣区域标签(3-D包围盒)。有关激光雷达标记的更多信息，请参见标签激光雷达点云物体检测。	车辆、行人、路标 `矩形`： `长方体`：
`线`	绘制线ROI标签来表示线。要绘制折线的投资回报率，使用两个或更多点。	车道标线，护栏，道路路缘
`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、画笔或洪水填充手动标记像素。有关像素标记的更多信息，请参见标签像素的语义分割（计算机视觉工具箱）。	车辆、路面、树木、路面

提示

为了避免使用新的标签重新标记地面真相，在标记地面真相之前，组织您想要使用的标记方案。
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内标签。要创建自己的标签自动化算法到应用程序中使用，请参阅创建自动标记算法（计算机视觉工具箱）。您还可以使用所提供的内置的算法之一。按着这些次序：

你想要的数据加载到标签，并至少创建一个标签定义。
在app工具条上，点击选择算法以及内置的自动化算法选择之一。
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

使用聚合频道功能（ACF）检测和标签的车辆。该算法是基于vehicleDetectorACF功能。要使用此算法，必须定义为至少一个矩形的投资回报率标签。你不需要作出任何投资回报率标签。

帮助改善算法结果，第一次点击设置。您可以更改任何这些设置。

该算法使用的是预先训练好的车辆检测器模型“众目睽睽”模型使用前，后，左的未被遮挡的图像和车辆的右侧培训。该“front-rear-view”模型的训练只使用图像的车辆的前部和后部。
该交叠比率阈值，从0到1，一种用于检测车辆 - 当矩形的ROI超过该阈值的重叠，则算法丢弃的ROI中的一个。
检测车辆的分类分值阈值-增加分值，增加算法的预测置信度。得分低于此阈值的矩形将被丢弃。

您也可以通过导入配置与校准单眼相机探测器monoCamera对象放入MATLAB工作区。以世界单位(例如米)指定车辆的长度和宽度范围。

ACF人探测器

使用聚合通道特性(ACF)检测和标记人员。该算法是基于peopleDetectorACF功能。要使用此算法，必须定义为至少一个矩形的投资回报率标签。你不需要作出任何投资回报率标签。

帮助改善算法结果，第一次点击设置。您可以更改任何这些设置。

该算法使用的预先训练的人员检测器模型inria - 100 x41的使用INRIA人员数据集对模型进行训练“caltech-50x21”使用Caltech行人数据集对模型进行训练。
重叠比阈值，从0到1，用于检测人-当矩形roi重叠超过这个阈值，算法丢弃其中一个roi。
检测人的分类分值阈值-增加分值，增加算法的预测置信度。得分低于此阈值的矩形将被丢弃。

点跟踪器

使用kanad - lucas - tomasi (KLT)算法在短时间间隔内跟踪并标记一个或多个矩形ROI标签。该算法是基于vision.PointTracker系统对象™。要使用此算法，您必须至少定义一个矩形ROI标签，但您不需要绘制任何ROI标签。

要更改用于获得初始点追踪特征检测器，点击设置。此表显示了特征检测器选项。

特征检测器	描述	等效功能
`最小特征值`	利用最小特征值算法检测角点。	`detectMinEigenFeatures`
`哈里斯`	使用Harris-Stephens算法检测拐角。	`detectHarrisFeatures`
`快速`	利用加速段测试(FAST)算法的特征进行角点检测。	`detectFASTFeatures`
`轻快的`	使用二进制鲁棒不变可伸缩关键点(active)算法检测特征。	`detectBRISKFeatures`
`KAZE`	通过使用非线性扩散构建图像的尺度空间，然后检测多尺度角特征（KAZE特征）从尺度空间检测功能。	`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

通过内插跨越时间间隔的ROI位置估计帧之间的矩形的ROI。在间隔结束时的时间间隔的开始，一个一个：要使用这种算法，你必须利用最少两帧的矩形的投资回报率。该插补算法估计并绘制在中间帧的ROI。

考虑10帧的视频。第一框架具有一个矩形的ROI为中心在[5,5]。第10帧具有矩形ROI中心在[25,25]。在每个帧中，算法移动ROI在2个像素X-方向和2像素在ÿ方向。因此，算法将ROI集中在第二帧的[7,7]，第三帧的[9,9]，以此类推，直到倒数第二帧的[23,23]。

点云时间插值

通过内插跨越时间间隔的ROI的位置估计的点云的帧之间的ROI长方体。在间隔结束时的时间间隔的开始，一个一个：要使用这种算法，你必须利用最少两帧的长方体的投资回报率。该插补算法估计并绘制在中间帧的ROI。

考虑具有10个帧的点云序列。第一框架具有[5,5，0]为中心的长方体ROI。第10帧具有[25，25，0]为中心的长方体ROI。在每个帧中，算法移动ROI在2分X- 方向，2个所述ÿ-方向，0个点ž方向。因此，算法中心ROI在[7,7，0]在第二帧中，[9,9，0]在第三帧，依此类推，直至[23，23，0]在第二至-last帧。

车道边界探测器

检测并使用估计的鸟瞰视图标签车道边界投影图像。要使用此算法，必须定义至少一行ROI标签。你不需要作出任何投资回报率标签。为了检测车道边界，该算法步骤如下：

这使得一个初始估计在图像中的车道边界的位置。
它把周围的车道ROI成鸟瞰图图像，使通道平行并且除去失真。
它使用这个图像来分割车道边界。

帮助改善算法结果，第一次点击设置。您可以更改任何这些设置。

用于生成鸟瞰视图图像的车道线的位置
车道周围的ROI，您可以将其扩展到图像中不仅仅包含自我车道边界
检测到的图像中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。车道边界的默认数量为2。

兼容性的考虑

全部展开