贴标签机视频

为计算机视觉应用的标签视频

在第页中展开全部

描述

的贴标签机视频该应用程序允许您在视频、图像序列或自定义数据源读取器中标记地面真相数据。使用该应用程序，您可以：

定义矩形感兴趣区域标签、折线感兴趣区域标签、像素感兴趣区域标签和场景标签。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标签你的地面真相数据。
编写、导入并使用您自己的自定义自动化算法自动标记地面真相。看见创建自动标记算法．
使用可视化摘要评估标签自动化算法的性能。请参阅查看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培训对象检测器或语义分段网络。请参阅目标检测和语义分割的训练数据．

要了解更多关于这个应用程序，请看开始使用视频标签．

打开视频标签应用程序

MATLAB^®工具条：在应用程序选项卡,在图像处理与计算机视觉，单击应用程序图标。
MATLAB命令提示：输入videoLabeler．

例子

编程使用

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。

`videoLabeler (videoFileName)`

videoLabeler (videoFileName)打开应用程序并加载输入的视频。支持的扩展名万博1manbetxVideoReader．

例子:videoLabeler(“vipmen.avi”)

`videoLabeler (imageSeqFolder)`

videoLabeler (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。图像文件的扩展名必须由支持万博1manbetximformats的返回顺序加载dir函数。

`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。时间戳一定是个持续时间与序列中图像数量相同长度的向量。

例如，将一系列图像及其相应的时间戳加载到应用程序中。

imageDir=完整文件（toolboxdir(“愿景”),“visiondata”，“NewTsukuba”）;时间戳=秒(1:15);videoLabeler (imageDir、时间戳)

`视频标签机（gtSource）`

视频标签机（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,请参见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。

`videoLabeler (gTruth)`

videoLabeler (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。

局限性

内置的自动化算法只支持矩形ROI标签的自动化。万博1manbetx当您选择内置算法时，单击自动化、场景标签、像素ROI标签、折线ROI标签、子标签和属性不会导入自动化会话。要自动标记这些特性，请创建一个自定义的自动化算法。看到创建自动标记算法．
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，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labelDefinitionCreator对象，然后将这些标签定义导入到应用程序会话中。

支持ROI标签、万博1manbetx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、目标探测器以及语义和实例分割网络。在选择标签绘制工具创建ROI标签时，请考虑您的应用程序。下图显示了四种不同应用程序的标记技术。

应用	标签类型	实例
图像分类	N/A	船、飞机
目标检测	行矩形预计矩形
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。万博1manbetx

ROI标签	描述	场景
`矩形`	在对象周围绘制矩形ROI标签(包围框)。	车辆、行人、路标
`投影长方体`	绘制长方体ROI标签（三维边界框）。
`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`	为像素指定标签以进行语义分割。您可以使用多边形、笔刷或整体填充手动标记像素。有关像素标签的详细信息，请参阅用于语义分割的标记像素．	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子标签

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和轮子标签。只能为矩形和多段线标签创建子标签。有关子标签的详细信息，请参阅使用子标签和属性标签地面真实数据．

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。万博1manbetx

属性类型	示例属性定义	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。

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，请参见创建自动标记算法。您还可以通过以下步骤使用其中一种内置算法：

导入要添加标签的数据，并至少创建一个标签定义。
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进行操作。

ACF人探测器

使用聚合通道特性(ACF)检测和标记人员。这个算法是基于人侦测器函数。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。您可以更改其中任何设置。

算法使用的预先训练过的人检测模型“inria-100x41”模型使用INRIA个人数据集进行训练。的“加州理工学院-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。
检测人员的分类分数阈值-增加分数以增加算法的预测可信度。分数低于此阈值的矩形将被丢弃。

点跟踪器

使用Kanade Lucas-Tomasi（KLT）算法在短时间间隔内跟踪和标记一个或多个矩形ROI标签愿景。PointTracker系统对象™. 要使用此算法，必须至少定义一个矩形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`	使用最小特征值算法检测角点。	`detectMinEigenFeatures`
`哈里斯`	使用Harris–Stephens算法检测角点。	`检测错误特征`
`快`	利用加速分段测试（FAST）算法的特征检测角点。	`检测广播功能`
`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。	`检测特征`
`MSER`	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]。

ACF车辆检测器(需要自动驾驶的工具箱）

使用聚合通道特征(ACF)检测和标记车辆。这个算法是基于vehicleDetectorACF(自动驾驶工具箱)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。您可以更改其中任何设置。

该算法使用的预训练车辆检测器模型“全景”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”模型仅使用车辆前部和后部的图像进行训练。
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。
检测车辆的分类分数阈值-增加分数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(自动驾驶工具箱)对象导入MATLAB工作区。以世界单位（如米）指定车辆的长度和宽度范围。

车道边界探测器(需要自动驾驶的工具箱）

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。
它将车道周围的感兴趣区域转换为鸟瞰图，使车道平行，消除失真。
它使用此图像分割车道边界。

要帮助改进算法结果，请先单击设置。您可以更改其中任何设置。

用于生成鸟瞰视图图像的车道线的放置
车道周围的ROI，您可以将其扩展到图像中包含的不仅仅是自我车道边界
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．

另请参阅

主题

介绍了R2018b

贴标签机视频

描述

打开视频标签应用程序

例子

相关的例子

编程使用

`videoLabeler`

`videoLabeler (videoFileName)`

`videoLabeler (imageSeqFolder)`

`videoLabeler (imageSeqFolder、时间戳)`

`视频标签机（gtSource）`

`videoLabeler (sessionFile)`

`videoLabeler (gTruth)`

局限性

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(需要自动驾驶的工具箱）

车道边界探测器(需要自动驾驶的工具箱）

另请参阅

应用程序

功能

对象

主题

计算机视觉工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习