객체 및 차선 검출

머신러닝과 딥러닝을 사용한 차선 경계 검출, 보행자 검출, 차량 검출, 기타 객체 검출

머신러닝 기법과 딥러닝 기법을 사용하여 비전 데이터에서 객체를 검출할 수 있습니다. RANSAC(random sample consensus) 알고리즘을 사용하여 포물선 차선 경계나 3차 차선 경계를 분할, 검출, 모델링할 수도 있습니다. 객체를 검출한 후에는 Automated Driving Toolbox™ 함수를 사용하여 검출을 평가하고 시각화합니다.

딥러닝 접근법을 사용하여 라이다 포인트 클라우드에서 도로 차선을 검출할 수도 있습니다. Automated Driving Toolbox는 K-Lane 데이터 세트에 대해 훈련된 라이다 차선 검출 신경망을 제공합니다. 사전 훈련된 신경망을 사용하면 최대 6개의 차선을 검출할 수 있습니다. 분류 정확도, 정밀도, 재현율, F1 점수 등 다양한 메트릭을 사용하여 검출기의 성능을 평가할 수도 있습니다.

라이다 포인트 클라우드의 차선을 검출하려면 애드온 탐색기에서 Automated Driving Toolbox Model for Lidar Lane Detection 지원 패키지를 다운로드합니다. 애드온 다운로드에 대한 자세한 내용은 애드온을 받고 관리하기 항목을 참조하십시오.

라이다 포인트 클라우드 데이터를 처리하고 Velodyne 패킷 캡처(PCAP) 파일에서 포인트 클라우드를 가져오는 방법에 대한 자세한 내용은 포인트 클라우드 처리 항목을 참조하십시오.

함수

모두 확장

머신러닝을 활용한 비전 데이터 기반 객체 검출

`peopleDetectorACF`	ACF(Aggregate Channel Features)를 사용하여 사람 검출
`vehicleDetectorACF`	Load vehicle detector using aggregate channel features
`acfObjectDetector`	Detect objects using aggregate channel features
`configureDetectorMonoCamera`	Configure object detector for using calibrated monocular camera
`acfObjectDetectorMonoCamera`	Detect objects in monocular camera using aggregate channel features
`trainACFObjectDetector`	Train ACF object detector
`objectDetectorTrainingData`	Create training data for an object detector
`vision.PeopleDetector`	(Removed) Detect upright people using HOG features
`vision.CascadeObjectDetector`	Detect objects using the Viola-Jones algorithm
`trainCascadeObjectDetector`	Train cascade object detector model

딥러닝을 활용한 비전 데이터 기반 객체 검출

`vehicleDetectorFasterRCNN`	Detect vehicles using Faster R-CNN
`configureDetectorMonoCamera`	Configure object detector for using calibrated monocular camera
`fastRCNNObjectDetectorMonoCamera`	Detect objects in monocular camera using Fast R-CNN deep learning detector
`fasterRCNNObjectDetectorMonoCamera`	Detect objects in monocular camera using Faster R-CNN deep learning detector
`ssdObjectDetectorMonoCamera`	Detect objects in monocular camera using SSD deep learning detector
`yolov2ObjectDetectorMonoCamera`	Detect objects in monocular camera using YOLO v2 deep learning detector
`yolov3ObjectDetectorMonoCamera`	Detect objects in monocular camera using YOLO v3 deep learning detector (R2023a 이후)
`yolov4ObjectDetectorMonoCamera`	Detect objects in monocular camera using YOLO v4 deep learning detector (R2022a 이후)
`vehicleDetectorYOLOv2`	Detect vehicles using YOLO v2 Network
`trainYOLOv2ObjectDetector`	Train YOLO v2 object detector
`objectDetectorTrainingData`	Create training data for an object detector

차선 경계 검출 및 모델링

`segmentLaneMarkerRidge`	Detect lanes in a grayscale intensity image
`findParabolicLaneBoundaries`	Find boundaries using parabolic model
`parabolicLaneBoundary`	Parabolic lane boundary model
`findCubicLaneBoundaries`	Find boundaries using cubic model
`cubicLaneBoundary`	Cubic lane boundary model
`computeBoundaryModel`	Obtain y-coordinates of lane boundaries given x-coordinates
`insertLaneBoundary`	Insert lane boundary into image
`fitPolynomialRANSAC`	Fit polynomial to points using RANSAC
`ransac`	잡음 있는 데이터에 모델 피팅

딥러닝을 활용한 라이다 데이터 기반 차선 검출

`lidarLaneDetector`	Create lane detector for lidar data (R2023b 이후)
`trainLidarLaneDetector`	Train lane detector for lidar data (R2023b 이후)

검출 평가하기

`evaluateObjectDetection`	Evaluate object detection data set against ground truth (R2023b 이후)
`evaluateLaneBoundaries`	Evaluate lane boundary models against ground truth

검출 시각화하기

`insertText`	영상 또는 비디오에 텍스트 삽입
`insertShape`	영상 또는 비디오에 형태 삽입
`insertMarker`	영상 또는 비디오에 마커 삽입
`insertLaneBoundary`	Insert lane boundary into image
`insertObjectAnnotation`	트루컬러 또는 회색조 영상 또는 비디오에 주석 추가
`vision.DeployableVideoPlayer`	Display video
`vision.VideoPlayer`	Play video or display image

도움말 항목

Get Started with Lidar Lane Detection Using Deep Learning
Use lidar lane detection network to detect road lanes.
Detect, Classify, and Track Vehicles Using Lidar (Lidar Toolbox)
Detect, classify, and track vehicles by using lidar point cloud data captured by a lidar sensor mounted on an ego vehicle.