地面真相贴标机

对于自动驾驶应用标签地面实况数据

扩大所有页面

描述

这个地面真相贴标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（ROI）的标签，折线ROI标签，像素ROI标签，激光雷达标记长方体ROI标签和场景标签定义的矩形区域。使用这些标签交互标记您的地面实况数据。
使用内置的检测或跟踪算法，标签地面实况数据。
写，进口和使用自定义的自动化算法来自动标签地面实况数据。
使用可视化摘要评估标签自动算法的性能。
导出地面实况标签作为groundTruthMultisignal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割网络。
显示时间同步信号，如CAN总线数据，通过使用driving.connector.ConnectorAPI。

要了解有关此应用程序的详细信息，请参阅入门与地面真相贴标机.

打开地面实况贴标应用

MATLAB^®工具条：在应用选项卡，在汽车，点击应用程序图标。
MATLAB命令提示符:回车groundTruthLabeler.

例子

程序化使用

展开全部

`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（视频文件名）`

groundTruthLabeler（视频文件名）打开应用程序并加载输入视频。视频文件的扩展名必须由万博1manbetxVideoReader.

例：groundTruthLabeler (“caltech_cordova1.avi”)

`groundTruthLabeler（图像序列文件夹）`

groundTruthLabeler（图像序列文件夹）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。映像文件必须具有所支持的扩展名万博1manbetximformats并装填在由返回的顺序董事功能。

的图片imageSeqFolder文件夹必须是相同的尺寸。如果图像大小不同，应用程序只导入与序列中第一个图像大小相同的图像。若要标记大小不同的无序图像集合，请使用图片标识取而代之的是应用程序。

`groundTruthLabeler (imageSeqFolder、时间戳)`

groundTruthLabeler (imageSeqFolder、时间戳)打开应用程序并加载图像与其相应的时间戳的序列。时间戳必须是一个期间相同的长度的序列中的图像的数量的矢量。

例如，加载道路图象和它们的相应的时间戳的序列到应用程序。

imageDir = fullfile (toolboxdir ('驾驶'),“drivingdata”,“roadSequence”）;负载（完整文件（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，根据输入的参数组合，您指定
与指定信号时间同步的外部分析或可视化工具

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

例如，该语法打开与视频信号和同步的激光雷达的可视化工具的应用程序。

groundTruthLabeler（'01_city_c2s_fcw_10s.mp4','ConnectorTargetHandle'，@ LidarDisplay）;

当你在应用程序连接到信号的外部工具，考虑这些提示。

如果删除连接到该工具的信号，应用程序断开工具，并将其关闭。
连接到工具的信号必须是主信号，即，其时间戳在应用底部中的播放控制是所使用的信号。如果更改了主信号，应用程序断开工具，并将其关闭。
如果你开始一个新的应用程序会话，应用程序断开工具，并将其关闭。

`groundTruthLabeler（sessionFile）`

groundTruthLabeler（sessionFile）打开应用程序并加载保存的应用程序会话，sessionFile.这个sessionFile输入包含路径和文件名。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`	根据信号类型，在对象周围绘制矩形或长方形ROI标签。在图像信号中，绘制矩形ROI标签(二维边界框)。在激光雷达信号中，绘制长方体ROI标签(3-D边界框)。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 `长方形`: `长方体`:
`生产线`	绘制线性ROI标签来表示线条。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、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

为了避免与新标签重新标记地面真相，组织要使用标签计划弄脏地面真理面前。
您可以复制并粘贴属于同一类型的信号之间的标签。

算法

展开全部

你可以使用标签自动化算法来加速应用程序内的标签。要创建自己的标签自动化算法以在应用程序中使用，请参见创建自动标记算法（计算机视觉工具箱）。您还可以使用提供的内置算法之一。遵循以下步骤：

你想要的数据加载到标签，并至少创建一个标签定义。
在app工具条上单击选择算法，并选择一个内置的自动化算法。
请点击自动化，然后按照自动化窗口右侧窗格中的自动化说明操作。

ACF车辆检测器

使用聚合通道特征（ACF）检测和标记车辆。该算法基于vehicleDetectorACF功能。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。

预训练的车辆检测器的模型，该算法使用 - 的“全视角”模型使用车辆前、后、左、右侧面的未包含图像进行训练。这个“前后视”模型的训练只使用图像的前面和后面的车辆。
重叠率阈值，从0到1，用于检测车辆-当矩形roi重叠超过此阈值时，该算法丢弃其中一个roi。
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。

您还可以通过导入单眼对象进入MATLAB工作空间。以世界单位(例如米)指定车辆的长度和宽度范围。

ACF人们探测器

检测并使用聚合频道标签功能的人（ACF）。该算法是基于peopleDetectorACF功能。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。

预训练的人检测模型，该算法使用 - 的'INRIA-100x41'模型采用INRIA人数据集训练。这个“caltech-50x21”模型用的是加州理工学院的行人数据集训练。
该交叠比率阈值，从0到1，一种用于检测人 - 当矩形的ROI超过该阈值的重叠，则算法丢弃的ROI中的一个。
检测人的分类分数阈值-增加分数，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kanadi - 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。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，但是您不需要绘制任何ROI标签。

要更改用于获得初始点追踪特征检测器，点击设置.下表显示了特征检测器选项。

特征检测器	描述	等价函数
`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`	利用加速段检测(FAST)算法中的特征进行角点检测。	`detectFASTFeatures`
`轻快的`	通过使用二进制强大的可扩展性不变的关键点（快走）算法检测功能。	`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blob特征。	`detectSURFFeatures`
`女士`	通过使用最大稳定极值区域（MSER）算法检测区域。	`探测器特性`

时间插补

通过在时间间隔内插值ROI位置来估计帧之间的矩形ROI。要使用此算法，必须在至少两帧上绘制矩形ROI：一帧在间隔开始处，一帧在间隔结束处。插值算法在中间帧中估计并绘制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，该算法在十- 方向和2个像素的是的-方向。因此，该算法在中心[7,7]在第二帧的ROI，[9,9]在第三帧，依此类推，直至[23,23]在第二到最后一帧。

点云时空插补

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。

考虑一个10帧的点云序列。第一帧有一个以[5，5，0]为中心的长方体ROI。第10帧有一个以[25，25，0]为中心的长方体ROI。在每一帧中，该算法在十- 方向，2个所述是的-方向，0个点z轴-方向。因此，该算法将第二帧的ROI集中在[7,7,0]处，第三帧的ROI集中在[9,9,0]处，以此类推，直到第二帧到最后一帧的ROI集中在[23,23,0]处。

车道边界检测器

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。
它将车道周围的感兴趣区域转化为鸟瞰图像，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。

用于生成鸟瞰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ego车道边界
检测到的图像中车道边界的像素宽度

您还可以更改您要检测车道边界数。车道边界的默认数量为2个.

兼容性的考虑

展开全部