Computer Vision Toolbox
Concevoir et tester des systèmes de computer vision, de vision 3D et de traitement vidéo
Computer Vision Toolbox™ contient des algorithmes, des fonctions et des applications pour la conception et le test de systèmes de computer vision, de vision 3D et de traitement vidéo. Cet outil peut être utilisé pour la détection et le suivi d'objets ainsi que pour la détection, l'extraction et la correspondance de caractéristiques. Pour la vision 3D, la toolbox supporte le calibrage de caméras unique, stéréo et fisheye, la vision stéréo, la reconstruction 3D et le traitement de nuages de points lidar et 3D. Des applications interactives
de computer vision automatisent les principaux processus d'étiquetage de données devérité-terrain et de calibrage de caméra.
Il est possible d'entraîner des détecteurs d'objets personnalisés grâce à des algorithmes de Deep Learning et de Machine Learning tels que YOLO v2, Faster R-CNN et ACF. Pour la segmentation sémantique, vous pouvez utiliser des algorithmes de Deep Learning tels que SegNet, U-Net et DeepLab. Des modèles préentraînés vous permettent de détecter les visages, les piétons et d'autres objets courants.
Vous pouvez accélérer vos algorithmes en les exécutant sur des GPU et des processeurs multicœurs. La plupart des algorithmes de cette toolbox supporte la génération de code C/C++ pour l'intégration à du code existant, le prototypage sur PC et le déploiement de systèmes de vision embarqués.
En savoir plus:
Détection et reconnaissance d'objets
La toolbox propose des infrastructures d'apprentissage, d'évaluation et de déploiement de détecteurs d'objets, tels que YOLO v2, Faster R-CNN, ACFR et Viola-Jones. La capacité de reconnaissance d'objets inclut un sac de mots visuels et la reconnaissance optique de caractères (OCR). Les modèles préentraînés détectent les visages, les piétons et d'autres objets courants.
Détection d'objets à l'aide de Faster R-CNN.
Segmentation sémantique
Segmentez les images et les volumes 3D par classification des pixels et des voxels à l'aide de réseaux tels que SegNet, FCN, U-Net et DeepLab v3+.
Étiquetage de données de vérité-terrain
Automatisez l'étiquetage pour la détection d'objets, la segmentation sémantique et la classification des scènes à l'aide des applications Video Labeler et Image Labeler.
Étiquetage de données de vérité-terrain avec l'application Video Labeler.
E/S lidar et nuage de points
Accédez en lecture et en écriture aux nuages de points à partir de fichiers, de capteurs lidar ou de capteurs RGB-D.
Recalage de nuages de points
Recalez les nuages de points 3D à l'aide d'algorithmes NDT (Normal-Distributions Transform), ICP (Iterative Closest Point) et CPD (Coherent Point Drift).
Recalage et montage d'une série de nuages de points.
Segmentation et ajustement de formes
Segmentez les nuages de points en groupes et ajustez les formes géométriques aux nuages de points. Segmentez le plan de sol dans les données lidar pour des applications de conduite autonome et de robotique.
Nuage de points lidar segmenté.
Calibrage de caméra unique
Automatisez la détection du damier et calibrez les caméras à sténopé et fisheye à l'aide de l'application Camera Calibrator.
Calibrage de caméra stéréo
Calibrez un couple stéréoscopique pour calculer la profondeur et reconstruisez des scènes 3D.
Application Stereo Camera Calibrator.
Vision 3D
Structure acquise à partir du mouvement et de l'odométrie visuelle.
Structure multi-vues acquise à partir d'un mouvement.
Vision stéréo
Estimez la profondeur et reconstruisez une scène 3D à l'aide d'un couple de caméras stéréoscopiques.
Carte de disparité stéréo représentant les profondeurs relatives.
Détection, extraction et mise en correspondance de caractéristiques
Détectez, extrayez et faites correspondre des caractéristiques d'intérêt telles que les blobs, les bords et les coins de plusieurs images.
Détection d'un objet dans une scène encombrée en utilisant la détection, l'extraction et la mise en correspondance de points d'intérêt.
Recalage d'images basé sur les caractéristiques
Faites correspondre les caractéristiques de plusieurs images afin d'estimer les transformations géométriques entre les images et recaler les séquences d'images.
Panorama créé par recalage basé sur les caractéristiques.
Suivi d'objets
Suivez la trajectoire des objets d'une image à une autre sur des séquences vidéo.
Les traces indiquent les trajectoires des objets suivis.
Estimation du mouvement
Estimez un mouvement entre deux images d'une vidéo en utilisant un flux optique, un appariement de blocs et un appariement de modèle.
Détection d'objets en mouvement à l'aide d'une caméra stationnaire.
Génération de code
Générez du code C/C++ et CUDA, ainsi que des fonctions MEX pour les fonctions, les classes, les System objects et les blocs de la toolbox.
Video Labeler et Image Labeler
copiez-collez les étiquettes des pixels, utilisez les améliorations de zoom, de panoramique et de navigation entre images, ainsi que les régions d’intérêt (ROI) de lignes, les attributs d’étiquettes et les sous-étiquettes ajoutées à Image Labeler.
Augmentation des données pour les détecteurs d’objets
transformez l’image et les boites englobantes.
Segmentation sémantique
classez des pixels individuels d’images et de volumes 3D à l’aide de réseaux DeepLab v3+ et U-Net 3D.
Détection d’objets à l’aide du Deep Learning
effectuez plus rapidement l’apprentissage de bout en bout de R-CNN et l’estimation de boîtes d’ancrage, et utilisez des données d’images multicanal.
Accélération du Deep Learning
optimisez YOLO v2 et la segmentation sémantique à l’aide de l’accélération MEX.
Reportez-vous aux notes de version pour en savoir plus sur ces fonctionnalités et les fonctions correspondantes.
