Computer Vision Toolbox

컴퓨터 비전, 3D 비전 및 비디오 처리 시스템을 설계하고 테스트할 수 있습니다.

 

Computer Vision Toolbox™는 컴퓨터 비전, 3D 비전, 비디오 처리 시스템을 설계하고 테스트하기 위한 알고리즘, 함수, 앱을 제공합니다. 특징 검출, 특징 추출 및 특징 매칭과 더불어 객체 검출 및 객체 추적을 수행할 수 있습니다. 3D 비전을 위해 이 툴박스는 단일, 스테레오, 어안 카메라 보정, 스테레오 비전, 3D 재구성, 라이다 및 3D 포인트 클라우드 처리를 지원합니다. 컴퓨터 비전 앱을 통해 지상 실측 데이터 레이블 지정과 카메라 보정 워크플로를 자동화할 수 있습니다.

YOLO v2, Faster R-CNN, ACF 등의 딥러닝 및 머신러닝 알고리즘을 이용하여 사용자 지정 객체 검출기를 학습할 수 있습니다. 의미론적 분할에는 SegNet, U-Net, DeepLab 등의 딥러닝 알고리즘을 사용할 수 있습니다. 사전 훈련된 모델로 얼굴, 보행자, 기타 일반 객체를 검출할 수 있습니다.

멀티코어 프로세서와 GPU에서 실행하여 알고리즘의 속도를 높일 수 있습니다. 대부분의 툴박스 알고리즘은 기존 코드와의 통합, 데스크탑 프로토타이핑, 임베디드 비전 시스템 배포를 위해 C/C++ 코드 생성을 지원합니다.

시작하기:

딥러닝과 머신러닝

딥러닝과 머신러닝을 활용하여 객체들을 검출하고 인식하며 분할할 수 있습니다.

객체 검출 및 인식

YOLO v2, Faster R-CNN, ACF, Viola-Jones 등 객체 검출기를 학습, 평가, 배포하기 위한 프레임워크입니다. 객체 인식 기능에는 BoVW(시각적 단어 가방)와 OCR이 포함됩니다. 사전 훈련된 모델로 얼굴, 보행자, 기타 일반 객체를 검출할 수 있습니다.

Faster R-CNN을 이용한 객체 검출 

의미론적 분할

SegNet, FCN, U-Net, DeepLab v3+ 등의 신경망을 이용하여 개별 픽셀과 복셀을 분류하여 영상과 3D 볼륨을 분할할 수 있습니다.

지상 실측 데이터 레이블 지정

Video Labeler와 Image Labeler 앱을 사용하여 객체 검출, 의미론적 분할, 장면 분류에서 레이블 지정을 자동화할 수 있습니다.

Video Labeler 앱을 사용한 지상 실측 데이터 레이블 지정.

라이다 및 3D 포인트 클라우드 처리

라이다 또는 3D 포인트 클라우드 데이터로 기하학적 형상에 대해 분할, 군집, 다운샘플, 노이즈 제거, 정합, 피팅을 수행할 수 있습니다. Lidar Toolbox™ 은  라이다 처리 시스템을 설계, 분석, 테스트하기 위한 추가 기능을 제공합니다.

라이다 및 포인트 클라우드 I/O

파일, 라이다, RGB-D 센서에서의 포인트 클라우드를 읽고 쓰고 표시할 수 있습니다.

포인트 클라우드 정합

NDT(Normal-Distributions Transform), ICP(Iterative Closest Point), CPD(Coherent Point Drift) 알고리즘을 이용하여 3D 포인트 클라우드를 정합할 수 있습니다.

일련의 포인트 클라우드 정합 및 스티칭.

분할과 형상 피팅

포인트 클라우드를 클러스터로 분할하고 기하학적 형상을 포인트 클라우드에 피팅할 수 있습니다. 자율 주행과 로봇공학 응용 분야를 위해 라이다 데이터의 지상 평면을 분할할 수 있습니다.

분할된 라이다 포인트 클라우드.

카메라 보정

카메라의 내부, 외부 및 렌즈 왜곡 파라미터를 추정할 수 있습니다.

단일 카메라 보정

Camera Calibrator 앱을 사용하여 체커보드 검출을 자동화하고 핀홀 카메라와 어안 카메라를 보정할 수 있습니다.

스테레오 카메라 보정

스테레오 쌍을 보정하여 깊이를 계산하고 3D 장면을 재구성할 수 있습니다.

Stereo Camera Calibrator 앱.

3D 비전 및 스테레오 비전

다수의 2차원 뷰에서 장면의 3D 구조를 추출할 수 있습니다. 시각적 주행거리 측정을 이용하여 카메라 움직임과 자세를 추정할 수 있습니다.

스테레오 비전

스테레오 카메라 쌍을 이용하여 깊이를 추정하고 3D 장면을 재구성할 수 있습니다.

상대적 깊이를 나타내는 스테레오 시차 지도.

특징 검출, 추출, 매칭

객체 검출, 영상 정합, 객체 인식을 위한 특징 기반 워크플로.

점 특징 검출, 추출, 매칭을 이용하여 혼잡한 장면에서 객체 검출하기.

특징 기반 영상 정합

다수의 영상에 걸쳐 특징들을 매칭시켜서 영상 간에 기하학적 변환을 추정하고 영상 시퀀스를 정합할 수 있습니다.

특징 기반 정합으로 만든 파노라마.

객체 추적 및 움직임 추정

비디오와 영상 시퀀스에서 움직임을 추정하고 객체를 추적할 수 있습니다.

점선으로 추적하는 객체의 궤적을 나타냅니다.

움직임 추정

광학 흐름, 블록 매칭, 템플릿 매칭을 사용하여 비디오 프레임 간의 움직임을 추정할 수 있습니다.

고정 카메라로 움직이는 객체 검출.

OpenCV 인터페이스

MATLAB 및 Simulink에서 OpenCV 기반 프로젝트와 함수를 사용할 수 있습니다.

코드 생성

알고리즘 개발을 신속 프로토타이핑, 구현, 검증 워크플로와 통합할 수 있습니다.

최신 기능

Mask-RCNN

인스턴스 분할을 위해 딥러닝을 이용한 Mask-RCNN 신경망 훈련

시각적 SLAM

3차원 환경의 점 및 2차원 영상 투영 대응점 관리

AprilTag 자세 추정

로봇공학 및 증강 현실 응용 분야의 카메라 보정용 영상에서 AprilTags의 자세를 검색하고 추정

포인트 클라우드 정합

SLAM 응용 분야의 위상 상관을 사용한 포인트 클라우드 정합

포인트 클라우드 루프 폐쇄 검색

SLAM 루프 폐쇄 검출의 포인트 클라우드 특징 설명자

위 기능과 관련 함수에 대한 자세한 내용은 릴리스 정보를 참조하십시오.