Computer Vision Toolbox 시작하기
Computer Vision Toolbox™는 컴퓨터 비전 시스템을 설계하고 테스트하기 위한 알고리즘 및 앱을 제공합니다. 특징 검출, 특징 추출 및 특징 매칭과 더불어 외관 검사, 객체 검출 및 객체 추적을 수행할 수 있습니다. 단일 카메라, 스테레오 카메라, 어안 카메라의 보정 워크플로를 자동화할 수 있습니다. 3차원 비전을 위해 스테레오 비전, 포인트 클라우드 처리, 움직임 기반 구조, 실시간 시각 기반 SLAM과 포인트 클라우드 SLAM을 지원합니다. 컴퓨터 비전 앱을 통해, 카메라 보정뿐만 아니라 자동화를 통해 팀 기반의 ground truth 레이블 지정이 가능합니다.
사전 훈련된 객체 검출기를 사용하거나, YOLO, SSD, ACF 등의 딥러닝 및 머신러닝 알고리즘을 사용하여 사용자 지정 검출기를 훈련시킬 수 있습니다. 의미론적 분할과 인스턴스 분할의 경우, U-Net, SOLO 및 Mask R-CNN 같은 딥러닝 알고리즘을 사용할 수 있습니다. ViT와 같은 Vision Transformer를 사용하여 영상 분류를 수행할 수 있습니다. 사전 훈련된 모델을 사용하면 얼굴과 보행자를 검출하고 광학 문자 인식(OCR)을 수행하며 기타 일반 객체를 인식할 수 있습니다.
멀티코어 프로세서와 GPU에서 알고리즘을 실행하면 실행 속도를 높일 수 있습니다. 툴박스 알고리즘은 기존 코드와의 통합, 데스크탑 프로토타이핑, 임베디드 비전 시스템 배포를 위한 C/C++ 코드 생성을 지원합니다.
튜토리얼
- 카메라 보정이란?
영상 또는 비디오 카메라의 렌즈 및 영상 센서에 대한 파라미터를 추정합니다.
- 움직임 기반 구조란?
2차원 영상 시퀀스에서 3차원 구조를 추정합니다.
- Ground Truth 데이터에 레이블을 지정할 앱 선택
ground truth 데이터에 레이블을 지정하기 위해 사용할 앱을 영상 레이블 지정기, 비디오 레이블 지정기, Ground Truth 레이블 지정기, 라이다 레이블 지정기, 신호 레이블 지정기 또는 의료 영상 레이블 지정기 중에서 선택합니다.
- Choose an Object Detector
Compare object detection deep learning models, such as YOLOX, YOLO v4, RTMDet, and SSD.
- Choose SLAM Workflow Based on Sensor Data
Choose the right simultaneous localization and mapping (SLAM) workflow and find topics, examples, and supported features.
- Choose a Point Cloud Viewer
Compare visualization functions.
- Get Started with Object Detection Using Deep Learning
Perform object detection using deep learning neural networks such as YOLOX, YOLO v4, and SSD.
- 딥러닝을 사용한 의미론적 분할 시작하기
딥러닝을 사용하여 클래스를 기준으로 객체를 분할합니다.
- Getting Started with Point Clouds Using Deep Learning
Understand how to use point clouds for deep learning.
- Local Feature Detection and Extraction
Learn the benefits and applications of local feature detection and extraction.
추천 예제
딥러닝을 사용한 의미론적 분할
이 예제에서는 의미론적 분할 신경망을 사용하여 영상을 분할하는 방법을 보여줍니다.
Monocular Visual Simultaneous Localization and Mapping
Visual simultaneous localization and mapping (vSLAM).
Multiclass Object Detection Using YOLO v2 Deep Learning
Train a YOLO v2 multiclass object detector and evaluate object detector performance across selected classes and overlap thresholds.
두 시점에서의 움직임 기반 구조
2차원 영상 세트로부터 장면의 3차원 구조를 추정합니다.
3차원 포인트 클라우드 정합 및 이어 붙이기
이 예제에서는 ICP(Iterative Closest Point) 알고리즘을 사용해 여러 포인트 클라우드를 결합하여 3차원 장면을 복원하는 방법을 보여줍니다. 그런 다음 포인트 클라우드의 색 정보를 활용하여 장면의 정확도를 높이는 방법을 보여줍니다.
영상 특징점을 사용하여 복잡한 장면에서 객체 찾기
이 예제에서는 객체의 참조 영상이 주어졌을 때 복잡한 장면에서 특정 객체를 검출하는 방법을 보여줍니다.
Measuring Planar Objects with a Calibrated Camera
Measure the diameter of coins in world units using a single calibrated camera.
자동으로 영상 회전과 스케일 구하기
이 예제에서는 두 영상 간의 기하 변환을 자동으로 확인하는 방법을 보여줍니다. 특히 한 영상이 회전과 스케일링 때문에 다른 영상에 비해 왜곡된 경우 함수 detectSURFFeatures와 estimateGeometricTransform2D를 사용하여 회전 각도와 스케일링 인자를 식별할 수 있습니다. 그런 다음 이러한 파라미터를 사용하여 왜곡된 영상을 원래 모습으로 다시 변환할 수 있습니다.
Motion-Based Multiple Object Tracking
Perform automatic detection and motion-based tracking of moving objects in a video from a stationary camera.
파노라마 만들기
이 예제에서는 여러 영상을 자동으로 이어 붙여서 파노라마로 만드는 방법을 보여줍니다. 영상을 이어 붙이는 절차는 특징 기반 영상 정합의 확장입니다. 단일 영상 쌍을 정합하는 대신 여러 영상 쌍이 서로를 기준으로 연속적으로 정합되어 파노라마를 형성합니다.
대화형 학습
Computer Vision Onramp
Computer Vision Toolbox를 사용해서 객체 검출 및 추적을 수행하는 방법을 알아봅니다.
비디오
Computer Vision Toolbox 응용 사례
컴퓨터 비전, 3차원 비전 및 비디오 처리 시스템의 설계 및 테스트
MATLAB을 사용한 카메라 보정
카메라 보정기 앱을 사용하여 체커보드 검출을 자동화하고 핀홀 카메라와 어안 카메라를 보정
