地面真相标签

标记自动驾驶应用的地面真实数据

展开全部页面

描述

的地面真相标签应用程序使您能够在多个视频、图像序列或激光雷达点云中标记地面真相数据。

使用该应用程序，您可以:

同时标记表示同一场景的多个时间重叠信号。
定义矩形感兴趣区域(ROI)标签、折线ROI标签、像素ROI标签、激光雷达标记的长方体ROI标签和场景标签定义。使用这些标签交互地标记你的真实数据。
使用投影视图选项，以查看标签在顶部，正面和侧面视图同时。
使用内置的检测或跟踪算法标记地面真相数据。
编写、导入和使用自定义自动化算法自动标记地面真相数据。
使用可视化摘要评估标签自动化算法的性能。
将ground truth标签导出为groundTruthMultisignal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。
显示时间同步信号，例如CAN总线数据driving.connector.ConnectorAPI。

要了解有关此应用程序的更多信息，请参见从Ground Truth标签器开始．

打开Ground Truth Labeler App

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

例子

编程使用

全部展开

`groundTruthLabeler`

groundTruthLabeler打开应用程序的新会话，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。视频文件必须具有支持的扩展名万博1manbetxVideoReader．

例子:groundTruthLabeler(“caltech_cordova1.avi”)

`groundTruthLabeler (imageSeqFolder)`

groundTruthLabeler (imageSeqFolder)打开应用程序并从输入文件夹中加载图像序列。一个图像序列是类似于视频的有序图像集。

imageSeqFolder必须为字符串标量或字符向量，指定包含图像文件的文件夹。映像文件必须具有支持的扩展名万博1manbetximformats类返回的顺序加载dir函数。

`groundTruthLabeler (imageSeqFolder、时间戳)`

groundTruthLabeler (imageSeqFolder、时间戳)打开应用程序并加载带有相应时间戳的图像序列。时间戳一定是持续时间与序列中图像数量相同长度的向量。

例如，将一系列道路图像及其对应的时间戳加载到应用程序中。

imageDir = fullfile(toolboxdir(“开车”)，“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，取决于指定的输入参数组合
一种与指定信号时间同步的外部分析或可视化工具

的连接器的句柄driving.connector.Connector实现外部工具的类。

例如，这个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中的信号时，考虑一下这些技巧。

如果你移除连接到工具的信号，应用程序将断开工具并关闭它。
连接到工具上的信号必须是主要的信号即应用程序底部的回放控制中使用的时间戳的信号。如果您更改了主信号，应用程序将断开该工具并关闭它。
如果你开始一个新的应用程序会话，应用程序断开连接工具并关闭它。

`groundTruthLabeler (sessionFile)`

groundTruthLabeler (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。mat文件sessionFile指向包含已保存会话的。

`groundTruthLabeler (gTruth)`

groundTruthLabeler (gTruth)打开应用程序并加载一个groundTruth对象。地面真相对象数据源必须是图像序列、视频或自定义数据源。

限制

激光雷达信号不支持线或像素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ROI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

更多关于

全部展开

ROI标签、子标签和属性

在应用程序的左边，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。您可以直接从这个窗格创建标签定义。或者，也可以通过使用labelDefinitionCreatorMultisignal对象，然后将这些标签定义导入到应用程序会话中。

应用程序支持RO万博1manbetxI标签、子标签和属性的定义。

ROI标签

一个ROI标签是一个标签，对应于信号帧中的感兴趣区域(ROI)。支持的标签类型如下表所示。万博1manbetx

ROI标签	描述	场景
`矩形或长方体`	根据信号类型，在对象周围绘制矩形或立方体ROI标签。在图像信号中，绘制矩形ROI标签(2-D包围框)。在激光雷达信号中，绘制立方体ROI标签(三维包围框)。有关激光雷达标签的更多信息，请参见标记激光雷达点云用于目标检测．	车辆、行人、路标 `矩形`： `长方体`：
`预计长方体`	绘制立方体ROI标签(三维包围框)。
`行`	绘制线性ROI标签来表示线条。若要绘制折线ROI，请使用两个或多个点。	车道边界，护栏，路沿
`像素标签`	为像素点分配标签进行语义分割。您可以使用多边形、笔刷或洪水填充手动标记像素。有关像素标记的更多信息，请参见标记像素进行语义分割．	车辆，路面，树木，人行道
`多边形`	绘制多边形ROI标签。您可以标记同一个类的不同实例。有关绘制多边形ROI标签(例如和语义分割网络)的更多信息，请参见使用多边形标记对象	车辆，路面，树木，人行道

ROI Sublabels

一个ROI sublabel是属于父标签的ROI标签。使用ROI子标签可在标记的地面真相数据中提供关于ROI的更详细级别。例如，车辆标签可能包含头灯，licensePlate,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记地面真实数据．

显示或隐藏标签和子标签

属性可以显示或隐藏已标记的真实值数据中的标签或子标签图标。ROI标签窗格。的仅在定义标签或子标签后显示。默认情况下，应用程序显示所有标签和子标签。

要隐藏标签或子标签，单击图标放在标签或子标签名称旁边。应用程序隐藏相应的标签或子标签，并显示图标。

显示或隐藏选项仅适用于矩形，行，多边形，预计长方体,长方体ROI标签。

ROI属性

一个ROI属性指定关于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	属性定义	默认值示例
`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记地面真实数据．

提示

为了避免用新的标签重新标记基本真理，在标记你的基本真理之前，组织好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速度。要创建要在应用程序中使用的自己的标签自动化算法，请参见创建自动标记算法．你也可以通过以下步骤使用内置算法之一:

导入要标记的数据，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。
如果同时导入多个信号，请单击选择信号并且，在“选择信号”窗口中，选择一个或多个要自动化的信号。点击好吧．
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

使用聚合通道特征(ACF)检测和标记车辆。该算法是基于vehicleDetectorACF函数。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，请先单击设置．您可以更改这些设置中的任何一个。

该算法使用的预训练车辆检测器模型“众目睽睽”使用车辆的前、后、左、右两侧的未排除图像训练模型。的“front-rear-view”模型只使用车辆前后两侧的图像进行训练。
用于检测车辆的重叠率阈值(0 ~ 1)—当矩形roi重叠超过该阈值时，算法将丢弃其中一个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。

您也可以配置探测器与校准的单目相机通过导入monoCamera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。

ACF人检测器

使用聚合通道特征(ACF)检测和标记人员。该算法是基于peopleDetectorACF函数。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，请先单击设置．您可以更改这些设置中的任何一个。

该算法使用的预训练的人检测器模型inria - 100 x41的模型使用INRIA人员数据集进行训练。的“caltech-50x21”模型使用加州理工学院行人数据集进行训练。
检测人员的重叠率阈值(0 ~ 1)—当矩形roi重叠超过该阈值时，算法将丢弃其中一个roi。
检测人的分类评分阈值-增加评分，增加算法的预测置信度。分数低于此阈值的矩形将被丢弃。

点跟踪器

通过使用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。该算法是基于愿景。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，请单击设置．下表显示了特征检测器选项。

特征检测器	描述	等效函数
`最小特征值`	利用最小特征值算法进行角点检测。	`detectMinEigenFeatures`
`哈里斯`	使用哈里斯-斯蒂芬斯算法检测角落。	`detectHarrisFeatures`
`快`	利用加速段测试(FAST)算法的特征进行角点检测。	`detectFASTFeatures`
`轻快的`	采用二进制鲁棒不变可扩展关键点(BRISK)算法进行特征检测。	`detectBRISKFeatures`
`KAZE`	利用非线性扩散方法对图像进行特征检测，构建图像的尺度空间，然后从该尺度空间中检测多尺度角点特征(KAZE特征)。	`detectKAZEFeatures`
`冲浪`	利用加速鲁棒特征(SURF)算法检测斑点特征。	`detectSURFFeatures`
`女士`	利用最大稳定极值区域(MSER)算法进行区域检测。	`detectMSERFeatures`

时间内插程序

通过在时间范围内插值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:一帧在间隔的开始，一帧在间隔的结束。插值算法估计和绘制中间帧的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，算法移动ROI 2像素x方向和2个像素y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]。

点云时间插值器

通过在时间范围内插值ROI位置来估计点云帧之间的长方体ROI。要使用此算法，必须在至少两帧上绘制长方体ROI:一帧在间隔的开始，一帧在间隔的结束。插值算法估计和绘制中间帧的roi。

考虑一个有10帧的点云序列。第一帧具有以[5,5,0]为中心的长方体ROI。第10帧具有以[25,25,0]为中心的长方体ROI。在每一帧中，算法将ROI移动2个点x-方向，2点在y-方向，0指向z方向。因此，算法将ROI集中在第二帧的[7,7,0]，第三帧的[9,9,0]，以此类推，直到倒数第二帧的[23,23,0]。

车道边界检测器

使用估计的鸟瞰投影图像检测和标记车道边界。要使用此算法，必须至少定义一个行ROI标签。您不需要绘制任何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，使车道平行并消除失真。
它使用该图像分割车道边界。

要帮助改进算法结果，请先单击设置．您可以更改这些设置中的任何一个。

用于生成鸟瞰图像的车道线的位置
车道周围的投资回报率，你可以扩展到包括更多的自我车道边界在图像中
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．

兼容性的考虑

全部展开