贴标签机视频

为计算机视觉应用的标签视频

展开所有页面

描述

的贴标签机视频应用程序使您可以在视频中以图像序列或自定义数据源阅读器标记地面真实数据。使用应用程序，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，导入和使用自己的自定义自动化算法自动标记地面真相。看创建标签自动化算法．
使用视觉摘要评估标签自动化算法的性能。看查看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．

打开视频贴标程序应用程序

MATLAB^®Toolstrip：在应用程序选项卡,在图像处理与计算机视觉，单击“应用”图标。
matlab命令提示符：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必须是字符串标量或字符向量，用于指定包含图像文件的文件夹。图像文件必须具有支持的扩展万博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。时间戳必须是A.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 = fullfile（toolboxdir（“愿景”），“visiondata”，“NewTsukuba”）;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目的，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。

限制

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。看创建标签自动化算法．
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，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应用程序会话。

支持ROI标签、万博1manbetx子标签和属性的定义。

为您的应用选择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	例子
图像分类	N/A	船，飞机
对象检测	行矩形预计矩形
语义细分	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，道路标志
`预计长方体`	绘制立方体投资回报标签（3-D边界盒）。
`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`	将标签分配给像素以获取语义分割。您可以使用多边形，刷子或洪水填充手动标记像素。有关像素标签的更多信息，请参阅语义分割标签像素．	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 Sublabels

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，和车轮子标签。您只能为矩形和折线标签创建Sublabels。有关Sublabels的更多详细信息，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`

有关属性的更多详细信息，请参阅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，请参见创建标签自动化算法．您还可以按照以下步骤使用其中一个内置算法：

导入要标记的数据，并创建至少一个标签定义。
在App ToolStrip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的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Peopledetectoracf.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．您可以更改任何这些设置。

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'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。
检测人员的分类得分阈值 - 增加分数以增加算法的预测置信度。丢弃具有以下阈值以下分数的矩形。

点跟踪器

通过使用Kanade-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。PointTrackerSystem Object™。要使用此算法，必须定义至少一个矩形ROI标签，但您无需绘制任何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。

特征探测器	描述	等效函数
`最小特征值`	使用最小特征值算法检测角落。	`detectMinEigenFeatures`
`哈里斯`	使用Harris-Stephens算法检测角落。	`探测器法`
`快`	通过使用加速段测试（FAST）算法的特征来检测角落。	`检测到空间`
`轻快`	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`	通过使用加速鲁棒功能（SURF）算法来检测BLOB功能。	`探测拍摄`
`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车辆探测器(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．您可以更改任何这些设置。

算法使用的预制车辆探测器模型 - 该'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”模型使用车辆前部和后侧的图像训练。
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。
用于检测车辆的分类得分阈值 - 增加得分以增加算法的预测置信度。丢弃具有以下阈值以下分数的矩形。

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)对象进入MATLAB工作区。在世界单位中指定车辆的长度和宽度范围，例如米。

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。
它使用这个图像分割车道边界。

要帮助改进算法结果，请先单击设置．您可以更改任何这些设置。

泳道线的放置用于产生鸟瞰图图像
车道周围的ROI，您可以扩展到仅包含图像中的自我车道边界
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

打开视频贴标程序应用程序

例子

相关的例子

编程使用

`videoLabeler`

`videoLabeler (videoFileName)`

`videoLabeler (imageSeqFolder)`

`videoLabeler (imageSeqFolder、时间戳)`

`Videolabeler（GTSource）`

`videoLabeler (sessionFile)`

`videoLabeler (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车辆探测器(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