Utilização de técnicas de processamento de imagem e Máquina de Vetor de Suporte para detecção do nível de desatenção em motoristas de automóveis

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Utilização de técnicas de processamento de imagem e Máquina de Vetor de Suporte para detecção do nível de desatenção em motoristas de automóveis"

Transcrição

1 Utilização de técnicas de processamento de imagem e Máquina de Vetor de Suporte para detecção do nível de desatenção em motoristas de automóveis Leonardo Dorneles Figueiredo Silva, Aristófanes C. Silva e Anselmo C. Paiva Núcleo de Computação Aplicada (NCA) Universidade Federal do Maranhão (UFMA), São Luís, Brasil Resumo O cansaço e a fadiga contribuem para que motoristas de veículos automotores se envolvam em um grande número de acidentes. Esse número poderia ser reduzido caso fosse possível detectar o momento de desatenção e avisar ao motorista das suas condição. Um sistema que seja capaz de fazer essa detecção de forma automática deve ser capaz de processar as informações da situação atual do motorista e fornecer a resposta em tempo real de acordo com o seu comportamento e também não atrapalhe o motorista na sua forma natural de dirigir. Nesse trabalho foi desenvolvido um sistema que utiliza técnicas de processamento de imagens, Máquina de Vetor de Suporte e características físicas dos olhos para a detecção da região dos olhos e análise de seu comportamento com o objetivo de verificar o nível de desatenção de motoristas de automotores. Keywords-Máquina de Vetor de Suporte; detecção de cansaço visual; transformada de Wavelets; I. INTRODUÇÃO Motoristas que dormem na direção causam entre 27% e 32% dos acidentes de trânsito e por 17% a 19% das mortes nas vias [1]. A maior parte dos acidentes que acontecem em retas é resultado de alguns segundos de sono. Muitas vezes, o motorista não percebe o adormecimento e, por essa razão, não é possível definir o real motivo da colisão ou da capotagem. Uma forma de ajudar na prevenção de acidentes causados por motoristas sonolentos é a utilização de sistemas capazes de identificar irregularidades no comportamento do motorista que indicam comprometimento da atenção e avisálos da sua situação. Existem vários sistemas para a detecção de sono do motorista. Alguns deles se baseiam em métodos bastante eficientes como medidas fisiológicas de pulso ou saturação de oxigênio no sangue, instalação de sensores e radar anticolisão, mas pouco práticos, pois requerem algum tipo de configuração do motorista, ou a instalação de aparelhos que possuem custo elevado ou dificultam a forma natural de dirigir. Uma metodologia de detecção visual exigiria, como aparato externo, apenas uma câmera instalada no painel do veículo de forma que não atrapalhasse a visão e o conforto do motorista. Mas tal facilidade para o usuário apresenta um grande desafio para o desenvolvimento. Pois por ser baseado apenas nos sinais visuais, é preciso resolver problemas resultantes de diferentes níveis de iluminação, posições variáveis do motorista e diferentes tipos de rostos, cabelos e olhos. Nesse artigo será descrita uma metodologia que utilizará técnicas de processamento de imagem e aprendizado de máquina para tentar contornar algumas dessas dificuldades. II. TRABALHOS RELACIONADOS Muitos trabalhos na literatura propõem metódos em tempo real para monitorar o comportamento do motorista através da região dos olhos: Técnicas que se aproveitam das características circulares da íris e redes neurais [2], que possuem um bom desempenho em tempo real porque o círculo é uma curva de fácil manipulação e olhos são capazes de fornecer características que os diferenciam do resto do rosto ou ambiente para treinamento da rede, técnicas que aproveitam o comportamento da íris sob luz infravermelha [3] ( bright pupil) que apresentam bons resultados em ambientes escuros mas possuem pontos negativos como ofuscamento pela luz do sol e reflexo caso o motorista utilize óculos, utilizando template matching e AdaBoost [4], que também dependem muito do ambiente e são sensíveis a transformações de rotação e escala. Também a segmentação do rosto para detecção das possíveis regiões dos olhos utilizando o Algoritmo CAMSHIFT e análise de componentes principais [5] que apresentou resultados robustos, mas que comprometeram a exigência de tempo real. Por apresentar bons resultados e por ser promissor em uma aplicação em tempo real o trabalho apresentado em [2] foi utilizado como base para este trabalho, principalmente o algoritmo de transformada de Hough proposto e a representação através de transformadas de Wavelets das áreas de interesse para treino e verificação do classificador. Algumas mudanças foram feitas, como a substituição de Redes Neurais por Máquina de Vetor de Suporte no algoritmo de classificação, visando tornar o metôdo mais rápido e independente dos parâmetros de configuração da Rede Neural. Tambêm foi feita uma adição, que é a utilização do movimento simétrico dos olhos para ajudar no problemas de rotação e translação para evitar uma busca global da região dos olhos nos quadros analisados.

2 III. FUNDAMENTAÇÃO TEÓRICA A. Suavização Gaussiana Os efeitos de ruído em uma imagem podem ser reduzidos por suavização, isto é, substituir cada pixel por uma media ponderada dos seus vizinhos. O filtro mais usual para esta operação é baseado na função Gaussiana. A função gaussiana satisfaz um grande número de propriedades matemáticas e descreve uma vasta variedade de fenômenos físicos e probabilísticos. Dentre essas propriedades algumas são imediatamente relevantes para visão computacional: A primeira delas é quantitativa: a função gaussiana é simétrica, ela também enfatiza os pixels mais próximos em relação aos mais distantes. Essa propriedade reduz o borramento enquanto ainda mantem propriedades médias de ruido. A segunda é que ela nunca cruza o zero, uma vez que é sempre positiva. Essa propriedade é muito importante quando se utiliza suavização junto com algoritmos detectores de borda que utilizam os cruzamentos de zero para identificar uma borda, porque que ela não introduz seus próprios zeros na imagem. B. Operador de Sobel O operador Sobel calcula o gradiente da intensidade da imagem em cada ponto, dado a direção do maior aumento possível de claro para o escuro e o grau de mudança nessa direção. O resultado do operador mostra o quanto abruptamente ou suavemente a imagem muda naquele ponto, e também o quanto que aquela posição representa uma borda e como essa borda esta orientada. Matematicamente, o gradiente de uma função de duas variáveis (no caso a função de intensidade da imagem) é em cada ponto da imagem um vetor com duas dimensões, com os componentes dados pelas derivadas nas direções verticais e horizontais. A cada ponto da imagem, o vetor gradiente aponta para a direção do maior aumento de intensidade possível, e o tamanho do vetor gradiente corresponde ao grau de mudança nessa direção. O operador utiliza dois núcleos 3x3, (Figura 1) que são convolucionados na imagem original (Figura 2) para calcular a aproximação das derivadas, uma para as mudanças horizontais(figura 4) e uma para as verticais(figura 3). C. Transformada de Hough O princípio básico da Transformada de Hough consiste em obter, através das transformações do gradiente e da limiarização, pontos de uma imagem. A idéia é aplicar na imagem uma transformação tal que todos os pontos pertencentes a uma mesma curva sejam mapeados em um único ponto de um novo espaço de parametrização da curva procurada. A Transformada de Hough tem como vantagem o fato de que pode ser aplicada ao tratamento de qualquer tipo de curva e, além disso, apresenta muita eficiência em imagens fortemente ruidosas. Figura 1. Figura 2. Núcleos de Sobel. Imagem Original. A transformada de Hough na circunferência pode ser formulada como uma convolução[6] na qual os coeficientes da máscara binária são atribuídos um nas bordas do círculo e zero nos outros lugares. Esse convolução é aplicada em uma imagem de borda ou então nas derivadas parciais da imagem. onde : (x, y) = O Domínio D(x, y) é definido por: g é o vetor gradiente D(x,y) g(α, β). O(α x, β y) 2π(R min R max ) D(x, y) = (α, β) R 2 R 2 min (α x) 2 + (β y) 2 R 2 max g(x, y) = [ O é o vetor núcleo I(x, y), x (1) (2) I(x, y) ] T (3) y O(x, y) = [ cos(arctan(y/x)), sin(arctan(y/x)) ] T (4) x2 + y 2 x2 + y 2 No domínio discreto o núcleo da Transformada de Hough discreta é implementado como dois filtros, um para cada componente do vetor [2]. (Figura 5) e (Figura 6) D. Erro Médio Absoluto(EMA) O EMA é uma medida simples de similaridade que é calculada através da comparação individual de pixels correspondentes entre duas regiões. No cálculo do EMA será levado em consideração que as regiões são espelhadas.

3 valores de w e b tais que a seguinte relação seja satisfeita: y i ((wx i ) + b) 1 (6) Figura 3. Derivada da Figura 2 utilizando núcleo Gx. Figura 5. Componente X do núcleo O no domínio D(x,y). Cálculo do EMA: N M j=1 Figura 4. Derivada da Figura 2 utilizando núcleo Gy. Figura 6. Componente Y do núcleo O no domínio D(x,y). a ij b i(m j+1) N.M onde M e N representam o número de colunas e de linhas das duas regiões comparadas. a ij e b ij são os pixels das regiões que estão sendo comparadas. E. Máquina de Vetor de Suporte A Máquina de Vetor de Suporte é um método de aprendizagem supervisionada usado para estimar uma função com o objetivo de classificar dados em duas classes através da construção de um hiperplano que atua como superfície de decisão de forma que as distâncias entre as classes e o hiperplano sejam máximas. Esse hiperplano é obtido na fase de treinamento da Máquina de Vetor de Suporte através de um conjunto de amostras composto por duas classes separáveis. Um classificador MVS é capaz de encontrar um hiperplano baseado em um conjunto de pontos denominados vetores de suporte, o qual maximiza a margem de separação entre as classes. Por hiperplano entende-se uma superfície de separação de duas regiões num espaço multidimensional, onde o número de dimensões possíveis pode ser, até, infinito. Mesmo quando as duas classes não são separáveis, a MVS é capaz de encontrar um hiperplano através do uso de conceitos pertencentes à teoria da otimização. Seja o conjunto de amostras de treinamento (x i, y i ), sendo x i no vetor de entrada y i a classificação correta das amostras e i = 1,...n o índice de cada ponto amostral. O objetivo da classificação é estimar a função f : R n {±1}, que separe corretamente os exemplos de teste em classes distintas. A etapa de treinamento estima a função, procurando por (5) Os valores ótimos de w e b serão encontrados ao minimizar a seguinte equação, de acordo com a restrição dada pela Equação 6 [7]. φ (w) = w2 (7) 2 MVS ainda possibilita encontrar um hiperplano que minimize a ocorrência de erros de classificação nos casos em que uma perfeita separação entre as duas classes não for possível. Isso graças a inclusão de variáveis de folga, que permitem que as restrições presentes na Equação 6 sejam quebradas. O problema de otimização passa a ser então a minimização da Equação 7, de acordo com a restrição imposta pela Equação 6. C é um parâmetro de treinamento que estabelece um equilíbrio entre a complexidade do modelo e o erro de treinamento e deve ser selecionado pelo usuário. Φ (w, ξ) = (w2 ) 2 + C ξ i (8) y i ((wx i ) + b) + ξ 1 (9) Através da teoria dos multiplicadores de Lagrange, chegase à Equação 10. O objetivo então passa a ser encontrar os multiplicadores de Lagrange α i ótimos que satisfaçam a Equação 11 [7]. w(α) = α i 1 2 α i α j γ i γ j (x i x j ) (10) j=1 α i γ i = 0, 0 α i C (11) Apenas os pontos onde a restrição 6 seja exatamente igual à unidade têm correspondentes α i 0. Esses pontos são chamados de vetores de suporte, pois se localizam geometricamente sobre as margens. Tais pontos têm fundamental importância na definição do hiperplano ótimo, pois os mesmos delimitam a margem do conjunto de treinamento. A Figura 7 destaca os pontos que representam os vetores de suporte. Os pontos além da margem não influenciam decisivamente na determinação do hiperplano, enquanto que os vetores de suporte, por terem pesos não nulos, são decisivos. Para que a MVS possa classificar amostras que não são linearmente separáveis, é necessária uma transformação nãolinear que transforme o espaço entrada (dados) para um novo espaço (espaço de características). Esse espaço deve apresentar dimensão suficientemente grande, e através dele, a amostra pode ser linearmente separável. Dessa maneira, o

4 informações de textura e forma do objeto da imagem. Dessa maneira é possível distinguir o objeto procurado de outros que possam ter em comum um ou dois desses aspectos. Figura 7. Vetores de Suporte ( sobre a linha pontilhada ). hiperplano de separação é definido como uma função linear de vetores retirados do espaço de características ao invés do espaço de entrada original. Essa construção depende do cálculo de uma função K de núcleo de um produto interno [8]. A função K pode realizar o mapeamento das amostras para um espaço de dimensão muito elevada sem aumentar a complexidade dos cálculos. A Equação 12 mostra o resultado da Equação 10 com a utilização de um núcleo. w(α) = α i 1 2 α i α j γ i γ j K (x i x j ) (12) j=1 Uma importante família de funções de núcleo é a função de base radial, muito utilizada em problemas de reconhecimento de padrões e também utilizada neste trabalho. A função de base radial é definida por: K (x i, y i ) = exp ( γ x i x j ) (13) F. Transformadas de Wavelet A transformada de Wavelet permite caracterizar as frequências de uma imagem e localiza-las. Nesse artigo foi utilizada a transformada de wavelet discreta, que fornece uma representação hierárquica na imagem implementada com a aplicação iterativa de dois filtros: Filtro de Passa Baixa(PB, aproximador) e os seu complementar na frequência : Filtro de Passa Alta(PA, filtro de detalhe). Em cada passo a transformada de Wavelet quebra a imagem em quatro sub-amostras (sub-imagens), aplicando primeiro nas linhas e depois nas colunas o esquema de filtro PB- PA. A Figura 10 mostra o esquema de distribuição das sub-imagens do terceiro nível da transformada de Haar. As letras maiúsculas em cada sub-imagem representam o tipo de filtro que foi aplicado no nível anterior. A primeira letra é o filtro que foi aplicado na direção horizontal, enquanto a segunda letra representa o filtro que foi aplicado na direção vertical. A banda BB é uma aproximação coarsa da imagem original. As bandas BA e AB mostram as mudanças na imagem nas direções horizontais e verticais. A banda AA mostra os componentes de alta frequência da imagem. As decomposições são feitas na banda BB. Os coeficientes da transformadas de wavelets mantém Figura 8. Imagem original Figura 9. Imagem original após aplicação da transformada de Haar até o nível 3 G. Estatísticas Baseadas no Comportamento das Pálpebras dos Olhos O nível de desatenção do motorista é baseado na medida PERCLOS (Percentual Eyelid Closure) pois ela pode ser considerada confiável e válida para determinar o nível de desatenção do motorista [9]. O cálculo aproximado do PERCLOS é feito utilizando duas métricas que são fatores para sua determinação: duração de fechamento dos olhos e a frequência de fechamento dos olhos. IV. METODOLOGIA A primeira etapa é a captura do vídeo. A fonte do vídeo é uma webcam capaz de gravar vídeos coloridos com resolução de 640x480 a uma taxa de 30 quadros por segundo, os vídeos utilizados foram capturados em horários com boas condições de iluminação natural ou utilizando iluminação artificial adequada. A manipulação do vídeo e dos seu quadros é feita utilizando a Biblioteca OpenCV. O vídeo é então capturado quadro a quadro e convertido em tons de cinza de 8 bits. Após a captura do vídeo é utilizado uma suavização gaussiana para amenizar o efeito do ruido que é comum em imagens naturais. então para cada quadro é capturado é calculada a derivada parcial com orientação em X e em Y. O núcleo da Transformada de Hough na circunferência é então convoluido: sua componente em X na derivada parcial em X da imagem e sua componente em Y na derivada parcial em Y da imagem. O resultado das duas Figura 10. Transformada de Haar até o nível 3.

5 convoluções é somado e a imagem resultante representa o acumulador da transformada de Hough, quanto maior valor em uma posição, maior a chance dessa posição representar o centro do círculo. Mas algumas regiões mesmo sendo menos circulares apresentam uma grande concentração de valores altos. Para evitar que apenas uma região participe dos próximos passos do algoritmo é utilizada a seguinte estratégia: para cada pico local no acumulador a sua posição é usado, mas os seus vizinhos, utilizando uma janela arbitraria são marcados, de forma que eles não participem da busca por regiões contendo olhos. Após essa etapa então é utilizada a medida de Erro Médio Absoluto para verificar se existem regiões simétricas em relação a cada posição que foi escolhida. Com isso são eliminados muitas regiões circulares, mas que não apresentam olhos, entretanto ainda sobram muitas regiões candidatas a região dos olhos. Para verificar as regiões que realmente representam olhos é utilizado um classificador baseado em Máquina de Vetor de Suporte. o primeiro passo é treiná-lo. Para isso são feitas extrações de forma manual da região dos olhos que serão treinadas como regiões positivas e de outras regiões da face ou do ambiente que serão treinadas como regiões negativas. A representação dessas regiões na Máquina de Vetor de suporte é através dos coeficientes da Transformada de Haar de terceiro nível de cada uma dessas regiões extraídas. A transformada de Haar foi escolhida por ser de fácil implementação, computacionalmente pouco custosa e apresentar características de forma e textura. O treinamento é feito offline. O classificador, utilizando as informações adquiridas na fase de treinamento é então utilizado. Cada uma das posições que ainda sobraram como candidatas após as fases anteriores são verificadas. Com isso a região dos olhos é encontrada, e para diminuir o espaço de busca nos quadros de vídeo seguintes e garantir o desempenho em tempo real é delimitado uma região de interesse de 400 pixels de largura e 125 de altura com centro na metade da distância entre os dois olhos. A largura da região de interesse é maior que a altura porque os movimentos do motorista podem ser mais amplos na horizontal que na vertical. A movimentação simétrica dos olhos é utilizada para diminuir ainda mais o custo computacional da busca dos olhos. A idéia é posicionar no vídeo duas janelas nas posições que inicialmente correspondem a localização dos olhos encontrados nos passos anteriores e aplicando a transformada de Hough nessas regiões, é possível reposicionar essas janelas de acordo com movimento dos picos dos se acumuladores. A movimentação dos dois em um mesmo sentido significam uma translação, se um deles se movimenta para cima e outro para baixo isso indica uma inclinação para o lado direito ou esquerdo. A posição das janelas é recalculada de acordo com o movimento. Após encontrada a posição dos olhos o nível de desatenção é calculado com as medidas baseadas na estatística PERCLOS. A duração do tempo dos olhos fechados (TOF) é feita conferindo quantos segundos passaram desde a última vez que os olhos foram encontrados. A frequência de fechamento dos olhos (FFO) é calculada contando quantas vezes em um intervalo de um minuto os olhos não são encontrados. Para as duas medidas são definidos dois limiares.o primeiro é para alertar sobre pequenas anomalias e o segundo para quando o comportamento visual chega em um nível perigoso. V. RESULTADOS O sistema foi implementado utilizando a linguagem C++, utilizando o Eclipse CDT em uma máquina com processador AMD Athlon 5600 de 2.8GHZ com 1GB de memória. Na Tabela I está descrito o tempo necessário para as principais etapas do sistema utilizando essa configuração. Os resultados (Figura 11) foram obtidos utilizando a escolha da região dos olhos com dimensões de 64x64 pixels. Essa dimensão foi escolhida de forma empírica e depende da resolução da fonte de captura. A distância entre os olhos para o cálculo da medida de similaridade Erro Médio Absoluto fica no intervalo [86 94] pixels e foi obtida através dos testes feitos em pessoas de diferentes idades e pequenas variações de distância em relação a câmera. O classificador foi treinado utilizando 300 amostras de imagens representando olhos e 400 imagens representando não-olhos. Os vídeos utilizados na Tabela II já com os resultados do rastreamento e da identificação do nível de desatenção do motorista podem ser encontrados em: dorneles/downloads/ Tabela I TEMPO DE PROCESSAMENTO DAS PRINCIPAIS ETAPAS DO SISTEMA Etapa Tempo(s) Validação MVS Transformada de Hough em todo o quadro Transformada de Hough apenas na região de interesse Transformada de Hough na região do olho Tabela II RESULTADO DO RASTREAMENTO DE OLHOS Vídeo 1 Vídeo 2 Vídeo 3 Total de Quadros Olhos encontrados Taxa de acerto(%) VI. CONCLUSÃO Nesse trabalho foi implementado um sistema capaz de identificar a região dos olhos partindo das suas propriedades físicas singulares de formato e textura. Foi verificado que enquanto a iluminação do ambiente ainda permita uma sensível diferenciação da região da íris em relação a esclera o algoritmo de detecção de círculos é capaz de detector um pico nas regiões que apresentam o centro dos olhos(íris). E que nessas condições as características escolhidas baseadas

6 na terceira decomposição da Transformada de Wavelet, implementada utilizando filtros de Haar, são capazes de diferenciar as regiões que contêm olhos das que não contêm olhos, mesmo contendo um número reduzido de coeficientes em relação aos pixels da região de análise. Com isso a sua utilização como entrada para o classificador, baseado em Máquina de Vetor de Suporte forneceu bons resultados para a validação dos olhos. Verificamos que essa abordagem possui dificuldades. A primeira delas é a iluminação, que dificulta e até mesmo impossibilita a utilização do detector de circunferências por ele ser baseado em detector de bordas que utilizam informações do gradiente da imagem e este é fortemente influenciado pela iluminação. A segunda é sobre o próprio funcionamento do algoritmo: como estamos procurando regiões circulares o algoritmo não é capaz de verificar se os olhos estão fechados, mas apenas se ele não encontrou os olhos na cena. Essa dificuldade implica que se vamos utilizar a informação de um olho não encontrada como sinônimo de olho fechado o algoritmo precisa ainda ser mais refinado. REFERÊNCIAS [1] DETRAN-RS, De olhos bem abertos, in [2] T. D Orazio, C. Guaragnella, M. Leo, and A. Distante, A visual approach for driver inattention detection, in Pattern Recognition 40. Elsevier Ltd, 2007, pp [3] F. Jiao and G. He, Real-time eye detection and tracking under various light conditions, in Data Science Journal, Volume 6, Supplement, 29 September 2007, [4] T. K. Luhandjula, Submitted in fulfilment of the requirements for the degree of magister technologiae: Digital technology in the graduate school of electrical and electronic engineering and the french south african technical institute in electronics, in Closed eye detection for fatigue monitoring, [5] Z. Savas, Real-time detection and tracking of human eyes in video sequences, in A Thesis Submitted To The Graduate School Of Natural And Applied Sciences Of Middle East Technical University, [6] T. Atherton and D. Kerbyson, Size invariant circle detection, in Image Vision Comput. 17. Elsevier Ltd, 1999, pp [7] A. C. F. Chaves, Extração de regras fuzzy para máquinas de vetor de suporte (svm) para classicação em múltiplas classes, in PhD thesis.pontificia Universidade Catolica do Rio de Janeiro., [8] S. Haykin and P. Engel, Redes neurais: Principios e pratica.bookman, [9] D. Dinges and R. Grace, Perclos: A valid psychophysiological measure of alertness as assessed by psychomotor vigilance, in US Department of Transportation, Federal Highway Administration, TechBrief, FHWA-MCRT Elsevier Ltd, Figura 11. Resultado do algoritmo de detecção de olhos proposto.os quadrados representam as regiões que foram validadas pelo classificador e representam os olhos. A taxa de quadros por segundo foi reduzido para 10 para melhor visualização.

Encontrando a Linha Divisória: Detecção de Bordas

Encontrando a Linha Divisória: Detecção de Bordas CAPÍTULO 1 Encontrando a Linha Divisória: Detecção de Bordas Contribuíram: Daniela Marta Seara, Geovani Cássia da Silva Espezim Elizandro Encontrar Bordas também é Segmentar A visão computacional envolve

Leia mais

Ferramenta para detecção de fadiga em motoristas baseada no monitoramento dos olhos

Ferramenta para detecção de fadiga em motoristas baseada no monitoramento dos olhos Ferramenta para detecção de fadiga em motoristas baseada no monitoramento dos olhos Rafael Dattinger Acadêmico Dalton Solano dos Reis - Orientador Roteiro Introdução/Objetivos Fundamentação teórica Desenvolvimento

Leia mais

Respostas do Estudo Dirigido do Capítulo 14 Classical pattern recognition and image matching"

Respostas do Estudo Dirigido do Capítulo 14 Classical pattern recognition and image matching Respostas do Estudo Dirigido do Capítulo 14 Classical pattern recognition and image matching" 1 Com suas palavras explique o que é Reconhecimento de Padrões- RP. Quais são os fases clássicas que compõem

Leia mais

Universidade Federal do Rio de Janeiro - IM/DCC & NCE

Universidade Federal do Rio de Janeiro - IM/DCC & NCE Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros

Leia mais

Rastreamento de Múltiplos. Objetos em Tempo Real

Rastreamento de Múltiplos. Objetos em Tempo Real Rastreamento de Múltiplos Objetos em Tempo Real THIAGO DA ROSA DE BUSTAMANTE 1 UFMG - Universidade Federal de Minas Gerais, Av. Antônio Carlos, 667 Pampulha - Belo Horizonte, MG, Brasil trb@dcc.ufmg.br

Leia mais

IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS

IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli¹, Manassés Ribeiro² Instituto Federal de Educação, Ciência e Tecnologia Catarinense - Campus Videira Rodovia SC, Km 5

Leia mais

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001 47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações

Leia mais

SEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno

SEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno SEGEMENTAÇÃO DE IMAGENS Nielsen Castelo Damasceno Segmentação Segmentação Representação e descrição Préprocessamento Problema Aquisição de imagem Base do conhecimento Reconhecimento e interpretação Resultado

Leia mais

ESTEREOSCOPIA INTRODUÇÃO. Conversão de um par de imagens (a)-(b) em um mapa de profundidade (c)

ESTEREOSCOPIA INTRODUÇÃO. Conversão de um par de imagens (a)-(b) em um mapa de profundidade (c) ESTEREOSCOPIA INTRODUÇÃO Visão estereoscópica se refere à habilidade de inferir informações da estrutura 3-D e de distâncias da cena de duas ou mais imagens tomadas de posições diferentes. Conversão de

Leia mais

Segmentação de Imagens

Segmentação de Imagens Segmentação de Imagens (Processamento Digital de Imagens) 1 / 36 Fundamentos A segmentação subdivide uma imagem em regiões ou objetos que a compõem; nível de detalhe depende do problema segmentação para

Leia mais

2.1.2 Definição Matemática de Imagem

2.1.2 Definição Matemática de Imagem Capítulo 2 Fundamentação Teórica Este capítulo descreve os fundamentos e as etapas do processamento digital de imagens. 2.1 Fundamentos para Processamento Digital de Imagens Esta seção apresenta as propriedades

Leia mais

Filtragem Espacial. (Processamento Digital de Imagens) 1 / 41

Filtragem Espacial. (Processamento Digital de Imagens) 1 / 41 Filtragem Espacial (Processamento Digital de Imagens) 1 / 41 Filtragem Espacial Filtragem espacial é uma das principais ferramentas usadas em uma grande variedade de aplicações; A palavra filtro foi emprestada

Leia mais

Transformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis

Transformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis Transformada de Hough Cleber Pivetta Gustavo Mantovani Felipe Zottis A Transformada de Hough foi desenvolvida por Paul Hough em 1962 e patenteada pela IBM. Originalmente, foi elaborada para detectar características

Leia mais

Aula 5 - Classificação

Aula 5 - Classificação AULA 5 - Aula 5-1. por Pixel é o processo de extração de informação em imagens para reconhecer padrões e objetos homogêneos. Os Classificadores "pixel a pixel" utilizam apenas a informação espectral isoladamente

Leia mais

Introdução. Capítulo. 1.1 Considerações Iniciais

Introdução. Capítulo. 1.1 Considerações Iniciais Capítulo 1 Introdução 1.1 Considerações Iniciais A face humana é uma imagem fascinante, serve de infinita inspiração a artistas há milhares de anos. Uma das primeiras e mais importantes habilidades humanas

Leia mais

Processamento digital de imagens. introdução

Processamento digital de imagens. introdução Processamento digital de imagens introdução Imagem digital Imagem digital pode ser descrita como uma matriz bidimensional de números inteiros que corresponde a medidas discretas da energia eletromagnética

Leia mais

Modelos Pioneiros de Aprendizado

Modelos Pioneiros de Aprendizado Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron

Leia mais

Processamento Digital de Imagens

Processamento Digital de Imagens Processamento Digital de Imagens Israel Andrade Esquef a Márcio Portes de Albuquerque b Marcelo Portes de Albuquerque b a Universidade Estadual do Norte Fluminense - UENF b Centro Brasileiro de Pesquisas

Leia mais

Processamento de Imagens COS756 / COC603

Processamento de Imagens COS756 / COC603 Processamento de Imagens COS756 / COC603 aula 03 - operações no domínio espacial Antonio Oliveira Ricardo Marroquim 1 / 38 aula de hoje operações no domínio espacial overview imagem digital operações no

Leia mais

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc...

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc... RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS RUÍDOS EM IMAGENS Em Visão Computacional, ruído se refere a qualquer entidade em imagens, dados ou resultados intermediários, que não são interessantes para os propósitos

Leia mais

4 Avaliação Experimental

4 Avaliação Experimental 4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre

Leia mais

Fabio Nascimento Brandão. Segmentação de Íris utilizando Bag of Keypoints

Fabio Nascimento Brandão. Segmentação de Íris utilizando Bag of Keypoints Fabio Nascimento Brandão Segmentação de Íris utilizando Bag of Keypoints São Paulo 2011 Fabio Nascimento Brandão Segmentação de Íris utilizando Bag of Keypoints Este trabalho tem como objetivo principal

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos

Leia mais

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) II Métodos numéricos para encontrar raízes (zeros) de funções reais. Objetivos:

Leia mais

Detecção em tempo real de movimentos de olhos e boca em um vídeo em cores

Detecção em tempo real de movimentos de olhos e boca em um vídeo em cores Detecção em tempo real de movimentos de olhos e boca em um vídeo em cores Daniel Ponciano dos Santos Barboza, Programa de Engenharia de Sistemas e Computação - PESC/COPPE Universidade Federal do Rio de

Leia mais

Análise de Arredondamento em Ponto Flutuante

Análise de Arredondamento em Ponto Flutuante Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto

Leia mais

2 Texturas com Relevo e Equações de Pré Warping

2 Texturas com Relevo e Equações de Pré Warping 2 Texturas com Relevo e Equações de Pré Warping A noção de warping de imagens é fundamental para o entendimento da técnica abordada nesta dissertação. Este capítulo apresenta definições formais para vários

Leia mais

[Fingerprint Recognition]

[Fingerprint Recognition] Mestrado em Engenharia de Segurança Informática Tecnologias Biométricas Pedro Santos santos.pmcm@gmail.com 12065 Filipe Vieira fil.vieira@gmail.com 12049 Rui Pereira ruipereira.eng@gmail.com 12061 Docente

Leia mais

Interpolação de Curvas de Nível por Difusão de Calor

Interpolação de Curvas de Nível por Difusão de Calor Interpolação de Curvas de Nível por Difusão de Calor ROBERTO DE BEAUCLAIR SEIXAS LUIZ HENRIQUE DE FIGUEIREDO CLAUDIO ANTONIO DA SILVA IMPA Instituto de Matemática Pura e Aplicada VISGRAF Laboratório de

Leia mais

2 Estudo dos Acoplamentos

2 Estudo dos Acoplamentos 24 2 Estudo dos Acoplamentos Um problema acoplado é aquele em que dois ou mais sistemas físicos interagem entre si e cujo acoplamento pode ocorrer através de diferentes graus de interação (Zienkiewicz

Leia mais

FILTRAGEM ESPACIAL. Filtros Digitais no domínio do espaço

FILTRAGEM ESPACIAL. Filtros Digitais no domínio do espaço FILTRAGEM ESPACIAL Filtros Digitais no domínio do espaço Definição Também conhecidos como operadores locais ou filtros locais Combinam a intensidade de um certo número de piels, para gerar a intensidade

Leia mais

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP Caio Augusto de Queiroz Souza caioaugusto@msn.com Éric Fleming Bonilha eric@digifort.com.br Gilson Torres Dias gilson@maempec.com.br Luciano

Leia mais

Comparativo entre métodos de controle de demanda: qual o mais eficiente para o usuário nacional?

Comparativo entre métodos de controle de demanda: qual o mais eficiente para o usuário nacional? Comparativo entre métodos de controle de demanda: qual o mais eficiente para o usuário nacional? Mauricio R.Suppa (GESTAL Ltda) Marcos Iuquinori Terada (GESTAL Ltda) Afim de se obter o máximo aproveitamento

Leia mais

O ENSINO DE CÁLCULO NUMÉRICO: UMA EXPERIÊNCIA COM ALUNOS DO CURSO DE CIÊNCIA DA COMPUTAÇÃO

O ENSINO DE CÁLCULO NUMÉRICO: UMA EXPERIÊNCIA COM ALUNOS DO CURSO DE CIÊNCIA DA COMPUTAÇÃO O ENSINO DE CÁLCULO NUMÉRICO: UMA EXPERIÊNCIA COM ALUNOS DO CURSO DE CIÊNCIA DA COMPUTAÇÃO Prof. Leugim Corteze Romio Universidade Regional Integrada URI Campus Santiago-RS leugimcr@urisantiago.br Prof.

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA INF2608 FUNDAMENTOS DE COMPUTAÇÃO GRÁFICA RELATÓRIO: IMAGENS SÍSMICAS VISUALIZAÇÃO E DETECÇÃO

Leia mais

Curvas de nível homotópicas a um ponto

Curvas de nível homotópicas a um ponto Curvas de nível homotópicas a um ponto Praciano-Pereira, T Sobral Matemática 6 de agosto de 2011 tarcisio@member.ams.org pré-prints da Sobral Matemática no. 2011.03 Editor Tarcisio Praciano-Pereira, tarcisio@member.ams.org

Leia mais

A limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação.

A limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação. Limiarização A limiarização é uma das abordagens mais importantes de segmentação de imagens. A limiarização é um caso específico de segmentação. O princípio da limiarização consiste em separar as regiões

Leia mais

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS André Zuconelli 1 ; Manassés Ribeiro 2 1. Aluno do Curso Técnico em Informática, turma 2010, Instituto Federal Catarinense, Câmpus Videira, andre_zuconelli@hotmail.com

Leia mais

4 Experimentos Computacionais

4 Experimentos Computacionais 33 4 Experimentos Computacionais O programa desenvolvido neste trabalho foi todo implementado na linguagem de programação C/C++. Dentre as bibliotecas utilizadas, destacamos: o OpenCV [23], para processamento

Leia mais

Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009

Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 SISTEMA NEURAL DE DETECÇÃO DE PLACAS DE VEÍCULOS AUTOMOTORES EM IMAGENS DIGITALIZADAS Luís Victor Cascão, José M. de Seixas Laboratório de Proces de Sinais COPPE/Poli - Universidade Federal do Rio de Janeiro

Leia mais

Redes Neurais. A IA clássica segue o paradigma da computação simbólica

Redes Neurais. A IA clássica segue o paradigma da computação simbólica Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência

Leia mais

Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais

Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais Wesley B. Dourado, Renata N. Imada, Programa de Pós-Graduação em Matemática Aplicada e Computacional, FCT, UNESP,

Leia mais

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS Alisson S. C. Alencar, Ajalmar R. da Rocha Neto Departamento de Computação, Instituto Federal do Ceará (IFCE). Programa

Leia mais

Modelagem Digital do Terreno

Modelagem Digital do Terreno Geoprocessamento: Geração de dados 3D Modelagem Digital do Terreno Conceito Um Modelo Digital de Terreno (MDT) representa o comportamento de um fenômeno que ocorre em uma região da superfície terrestre

Leia mais

PROCESSO DE DETECÇÃO FACIAL, UTILIZANDO VIOLA;JONES

PROCESSO DE DETECÇÃO FACIAL, UTILIZANDO VIOLA;JONES EXATAS E TECNOLÓGICAS ISSN IMPRESSO - 2359-4934 ISSN ELETRÔNICO - 2359-4942 PROCESSO DE DETECÇÃO FACIAL, UTILIZANDO VIOLA;JONES Luciana Maiara Queiroz de Santanas 1 Fábio Rocha Gomes 2 Thiago S. Reis Santos

Leia mais

Segmentação de Imagens de Placas Automotivas

Segmentação de Imagens de Placas Automotivas Segmentação de Imagens de Placas Automotivas André Zuconelli, Manassés Ribeiro Instituto Federal Catarinense - Campus Videira. Técnico em Informática, turma 2010 Rodovia SC, Km 5 Bairro Campo Experimental

Leia mais

Projetivo para Cálculo de Dimensões de Caixas em Tempo Real

Projetivo para Cálculo de Dimensões de Caixas em Tempo Real Um Método M Projetivo para Cálculo de Dimensões de Caixas em Tempo Real Leandro A. F. Fernandes laffernandes@inf.ufrgs.br Manuel M. Oliveira oliveira@inf.ufrgs.br (orientador) Grupo de Computação Gráfica

Leia mais

CONTROLAR O PONTEIRO DO MOUSE UTILIZANDO O MOVIMENTO DE UM OLHO CAPTURADO ATRAVÉS DE UMA CÂMERA INFRAVERMELHA FIXA

CONTROLAR O PONTEIRO DO MOUSE UTILIZANDO O MOVIMENTO DE UM OLHO CAPTURADO ATRAVÉS DE UMA CÂMERA INFRAVERMELHA FIXA CONTROLAR O PONTEIRO DO MOUSE UTILIZANDO O MOVIMENTO DE UM OLHO CAPTURADO ATRAVÉS DE UMA CÂMERA INFRAVERMELHA FIXA Eduardo Henrique Sasse Acadêmico Paulo César Rodacki Gomes - Orientador Introdução Roteiro

Leia mais

Fundamentos de Imagens Digitais. Aquisição e Digitalização de Imagens. Aquisição e Digitalização de Imagens. Aquisição e Digitalização de Imagens

Fundamentos de Imagens Digitais. Aquisição e Digitalização de Imagens. Aquisição e Digitalização de Imagens. Aquisição e Digitalização de Imagens Fundamentos de Imagens Digitais Aquisição e Serão apresentadas as principais características de uma imagem digital: imagem do ponto de vista matemático processo de aquisição e digitalização de uma imagem

Leia mais

Karine Nayara F. Valle. Métodos Numéricos de Euler e Runge-Kutta

Karine Nayara F. Valle. Métodos Numéricos de Euler e Runge-Kutta Karine Nayara F. Valle Métodos Numéricos de Euler e Runge-Kutta Professor Orientador: Alberto Berly Sarmiento Vera Belo Horizonte 2012 Karine Nayara F. Valle Métodos Numéricos de Euler e Runge-Kutta Monografia

Leia mais

Classificação de Imagens

Classificação de Imagens Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,

Leia mais

VCA Treinamento em Algoritmo

VCA Treinamento em Algoritmo Conteúdo VCA Treinamento em Algoritmo VCA Treinamento em Algoritmo Conteúdo Algoritmos Rastreador (tracker) Monitoramento Objeto Abandonado/Removido Pessoas Calibração Classificação Linha de contagem Auto

Leia mais

Filtragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha

Filtragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha Filtragem As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que dependem do nível de cinza de um determinado "pixel" e do valor dos níveis de cinza dos "pixels" vizinhos, na imagem

Leia mais

Técnicas de Suavização de Imagens e Eliminação de Ruídos

Técnicas de Suavização de Imagens e Eliminação de Ruídos 21 Técnicas de Suavização de Imagens e Eliminação de Ruídos Carlos H. Sanches 1, Paulo J. Fontoura 1, Phillypi F. Viera 1, Marcos A. Batista 1 1 Instituto de Biotecnologia Universidade Federal do Goiás

Leia mais

Controle Inteligente de Robôs Móveis Autônomos utilizando Sistemas Inteligentes

Controle Inteligente de Robôs Móveis Autônomos utilizando Sistemas Inteligentes Controle Inteligente de Robôs Móveis Autônomos utilizando Sistemas Inteligentes Aluno: Gabriel Lins Tenório Orientadoras: Roxana Jiménez e Marley Rebuzzi Vellasco Introdução A aplicação de robôs móveis

Leia mais

Controle NeuroFuzzy 1) Introdução 3) Plataforma de testes 2) Objetivo

Controle NeuroFuzzy 1) Introdução 3) Plataforma de testes 2) Objetivo Controle NeuroFuzzy Guilherme Rutzen Leonardo Adams Roni Rigoni {guirutzen,leonardoadams,ronirigoni}@gmail.com 1) Introdução Em robótica móvel, robótica industrial, máquinas-ferramenta, elevadores e muitos

Leia mais

Simulador Virtual para Treinamento em Visão de Máquina com LabVIEW

Simulador Virtual para Treinamento em Visão de Máquina com LabVIEW Simulador Virtual para Treinamento em Visão de Máquina com LabVIEW "Esse ambiente pode ser usado para simular e explorar as possibilidades e alcances de uma solução empregando visão de máquina, testar

Leia mais

Forma de Captura de Imagens Digitais:

Forma de Captura de Imagens Digitais: Forma de Captura de Imagens Digitais: - Câmaras Digitais. -Videografia. - Scanner Normal. - Scanner plano B/P (tons de cinza). - Scanner plano Colorido. - Scanner plano profissional. - Scanner de tambor.

Leia mais

3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais.

3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais. 80,7(0$'(9, 23$5$5(&21+(&,0(172'(3(d$(080 7$%8/(,52'(;$'5(= Sérgio Faustino Ribeiro Juracy Emanuel M. da França Marcelo Alves de Barros José Homero Feitosa Cavalcanti Universidade Federal da Paraíba CCT/COPIN/NEUROLAB-CT/DTM

Leia mais

Estudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:

Estudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser: 1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia

Leia mais

VISÃO COMPUTACIONAL COM A OPENCV MATERIAL APOSTILADO E VEÍCULO SEGUIDOR AUTÔNOMO. Professora da Escola de Engenharia Mauá (EEM/CEUN-IMT).

VISÃO COMPUTACIONAL COM A OPENCV MATERIAL APOSTILADO E VEÍCULO SEGUIDOR AUTÔNOMO. Professora da Escola de Engenharia Mauá (EEM/CEUN-IMT). VISÃO COMPUTACIONAL COM A OPENCV MATERIAL APOSTILADO E VEÍCULO SEGUIDOR AUTÔNOMO Riccardo Luigi Delai 1 ; Alessandra Dutra Coelho 2 1 Aluno de Iniciação Científica da Escola de Engenharia Mauá (EEM/CEUN-IMT);

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local

Leia mais

Medição tridimensional

Medição tridimensional A U A UL LA Medição tridimensional Um problema O controle de qualidade dimensional é tão antigo quanto a própria indústria, mas somente nas últimas décadas vem ocupando a importante posição que lhe cabe.

Leia mais

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem) Considerações Iniciais É impossível saber, antes de amostrar, de que maneira os valores das variáveis irão se comportar: se dependente ou independente uma da outra. Devido as limitações da estatística

Leia mais

RNAs, Classificação de Padrões e Motivação Geométrica. Conteúdo

RNAs, Classificação de Padrões e Motivação Geométrica. Conteúdo RNAs, Classificação de Padrões e Motiação Geométrica Conteúdo. O problema do OU-eclusio.... Um problema mais geral de mapeamento não-linear... 0 3. Mapeamentos não-lineares genéricos... 4 4. Redes neurais

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração

Leia mais

Do neurônio biológico ao neurônio das redes neurais artificiais

Do neurônio biológico ao neurônio das redes neurais artificiais Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais

Leia mais

Potenciação no Conjunto dos Números Inteiros - Z

Potenciação no Conjunto dos Números Inteiros - Z Rua Oto de Alencar nº 5-9, Maracanã/RJ - tel. 04-98/4-98 Potenciação no Conjunto dos Números Inteiros - Z Podemos epressar o produto de quatro fatores iguais a.... por meio de uma potência de base e epoente

Leia mais

Experimento 2 Gerador de funções e osciloscópio

Experimento 2 Gerador de funções e osciloscópio Experimento 2 Gerador de funções e osciloscópio 1. OBJETIVO O objetivo desta aula é introduzir e preparar o estudante para o uso de dois instrumentos muito importantes no curso: o gerador de funções e

Leia mais

UNIVERSIDADE ESTADUAL DA PARAÍBA CAMPUS I CAMPINA GRANDE CENTRO CIÊNCIA E TECNOLOGIA CURSO DE LICENCIATURA EM COMPUTAÇÃO

UNIVERSIDADE ESTADUAL DA PARAÍBA CAMPUS I CAMPINA GRANDE CENTRO CIÊNCIA E TECNOLOGIA CURSO DE LICENCIATURA EM COMPUTAÇÃO UNIVERSIDADE ESTADUAL DA PARAÍBA CAMPUS I CAMPINA GRANDE CENTRO CIÊNCIA E TECNOLOGIA CURSO DE LICENCIATURA EM COMPUTAÇÃO DIELLY DE OLIVEIRA VIANA Análise da Influência da Iluminação e da Oclusão na Classificação

Leia mais

Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral

Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Hedenir M. Pinheiro Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal 131 74001-970 Goiânia

Leia mais

)LJXUD8PGRVSDUHV'SDUDFRQYROXomRTXHWHPRPHVPRHIHLWRGR NHUQHOGD)LJXUD

)LJXUD8PGRVSDUHV'SDUDFRQYROXomRTXHWHPRPHVPRHIHLWRGR NHUQHOGD)LJXUD )LOWURJDXVVLDQR O filtro Gaussiano pode ser usado como um filtro SDVVDEDL[D. Usando a função Gaussiana para obter valores de uma máscara a ser definida digitalmente. O Filtro de Gaussiano em 1-D tem a

Leia mais

de Bordas em Imagens Digitais

de Bordas em Imagens Digitais Anais do CNMAC v.2 ISSN 1984-820X Avaliação Quantitativa de um Método Automático de Extração de Bordas em Imagens Digitais Inês A. Gasparotto Boaventura Departamento de Ciências de Computação e Estatística,

Leia mais

2 Classificação de Imagens de Sensoriamento Remoto

2 Classificação de Imagens de Sensoriamento Remoto 2 Classificação de Imagens de Sensoriamento Remoto 2.1. Processamento Digital de Imagens Processamento Digital de Imagens entende-se como a manipulação de uma imagem por computador de modo que a entrada

Leia mais

PP 301 Engenharia de Reservatórios I 11/05/2011

PP 301 Engenharia de Reservatórios I 11/05/2011 PP 301 Engenharia de Reservatórios I 11/05/2011 As informações abaixo têm como objetivo auxiliar o aluno quanto à organização dos tópicos principais abordados em sala e não excluem a necessidade de estudo

Leia mais

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Unidade 2 Distribuições de Frequências e Representação Gráfica UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Ao finalizar esta Unidade, você deverá ser capaz de: Calcular

Leia mais

Testedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado

Testedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado Parte X Testedegeradoresde números aleatórios Os usuários de uma simulação devem se certificar de que os números fornecidos pelo gerador de números aleatórios são suficientemente aleatórios. O primeiro

Leia mais

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão. ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

Leia mais

NO ESTUDO DE FUNÇÕES

NO ESTUDO DE FUNÇÕES 1 UNIVERSIDADE FEDERAL DO PARANÁ PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO À DOCÊNCIA SEMANA DA MATEMÁTICA 2014 UTILIZAÇÃO DE SOFTWARES GRÁFICOS NO ESTUDO DE FUNÇÕES PIBID MATEMÁTICA 2009 CURITIBA

Leia mais

Representação de números em máquinas

Representação de números em máquinas Capítulo 1 Representação de números em máquinas 1.1. Sistema de numeração Um sistema de numeração é formado por uma coleção de símbolos e regras para representar conjuntos de números de maneira consistente.

Leia mais

Frederico Damasceno Bortoloti. Adaptado de: Claudio Esperança Paulo Roma Cavalcanti

Frederico Damasceno Bortoloti. Adaptado de: Claudio Esperança Paulo Roma Cavalcanti Fundamentos de Representação Gráfica Frederico Damasceno Bortoloti Adaptado de: Claudio Esperança Paulo Roma Cavalcanti Estrutura do Curso Avaliação através de Prova Estudo / Seminário Nota parcial NP

Leia mais

UNIVERSIDADE ESTADUAL DE CAMPINAS. Instituto de Matemática, Estatística e Computação Científica

UNIVERSIDADE ESTADUAL DE CAMPINAS. Instituto de Matemática, Estatística e Computação Científica UNIVERSIDADE ESTADUAL DE CAMPINAS Instituto de Matemática, Estatística e Computação Científica Relatório Final - MS777 Modelagem matemático/probabilística dos módulos acústicos e de linguagem de sistemas

Leia mais

2 Pesquisa Bibliográfica

2 Pesquisa Bibliográfica 2 Pesquisa Bibliográfica As estratégias para detecção de conteúdo relevante podem ser divididas em duas abordagens: orientada a site e orientada a página. A primeira técnica utiliza várias páginas de um

Leia mais

Processamento de Imagem Morfológica (Morfologia Matemática) Tsang Ing Ren UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática

Processamento de Imagem Morfológica (Morfologia Matemática) Tsang Ing Ren UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática Processamento de Imagem Morfológica (Morfologia Matemática) Tsang Ing Ren UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Tópicos Introdução Conceitos básicos da teoria dos conjuntos

Leia mais

Capítulo 5: Aplicações da Derivada

Capítulo 5: Aplicações da Derivada Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f

Leia mais

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico

Leia mais

INSTITUTO TECNOLÓGICO

INSTITUTO TECNOLÓGICO PAC - PROGRAMA DE APRIMORAMENTO DE CONTEÚDOS. ATIVIDADES DE NIVELAMENTO BÁSICO. DISCIPLINAS: MATEMÁTICA & ESTATÍSTICA. PROFº.: PROF. DR. AUSTER RUZANTE 1ª SEMANA DE ATIVIDADES DOS CURSOS DE TECNOLOGIA

Leia mais

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa

Leia mais

Um Método Simples e Eficiente para Detecção de Atividade de Voz Usando a Transformada Wavelet

Um Método Simples e Eficiente para Detecção de Atividade de Voz Usando a Transformada Wavelet Anais do CNMAC v.2 ISSN 984-82X Um Método Simples e Eficiente para de Atividade de Voz Usando a Transformada Wavelet Marco A. Q. Duarte Curso de Matemática, UUC, UEMS 7954-, Cassilândia, MS E-mail: marco@uems.br

Leia mais

Sensoriamento Remoto

Sensoriamento Remoto Sensoriamento Remoto É a utilização conjunta de modernos sensores, equipamentos para processamento de dados, equipamentos de transmissão de dados, aeronaves, espaçonaves etc, com o objetivo de estudar

Leia mais

Linear Solver Program - Manual do Usuário

Linear Solver Program - Manual do Usuário Linear Solver Program - Manual do Usuário Versão 1.11.0 Traduzido por: Angelo de Oliveira (angelo@unir.br/mrxyztplk@gmail.com) 1 Introdução Linear Program Solver (LiPS) é um pacote de otimização projetado

Leia mais

Capítulo 5 Filtragem de Imagens

Capítulo 5 Filtragem de Imagens Capítulo 5 Filtragem de Imagens Capítulo 5 5.1. Filtragem no Domínio da Frequência 5.2. Filtragem no Domínio Espacial 2 Objetivo Melhorar a qualidade das imagens através da: ampliação do seu contraste;

Leia mais

4Distribuição de. freqüência

4Distribuição de. freqüência 4Distribuição de freqüência O objetivo desta Unidade é partir dos dados brutos, isto é, desorganizados, para uma apresentação formal. Nesse percurso, seção 1, destacaremos a diferença entre tabela primitiva

Leia mais

Profa. Dra. Soraia Raupp Musse Thanks to Prof. Dr. Cláudio Rosito Jung

Profa. Dra. Soraia Raupp Musse Thanks to Prof. Dr. Cláudio Rosito Jung Introdução ao Processamento de Imagens Profa. Dra. Soraia Raupp Musse Thanks to Prof. Dr. Cláudio Rosito Jung Introdução Processamento de Imagens: processamento de sinais bidimensionais (ou n-dimensionais).

Leia mais

Desenvolvimento de Estratégia para Programação do Futebol de Robôs da Mauá

Desenvolvimento de Estratégia para Programação do Futebol de Robôs da Mauá Desenvolvimento de Estratégia para Programação do Futebol de Robôs da Mauá Wânderson O. Assis, Alessandra D. Coelho, Marcelo M. Gomes, Cláudio G. Labate, Daniel F. Calasso, João Carlos G. C. Filho Escola

Leia mais

Controle II. Estudo e sintonia de controladores industriais

Controle II. Estudo e sintonia de controladores industriais Controle II Estudo e sintonia de controladores industriais Introdução A introdução de controladores visa modificar o comportamento de um dado sistema, o objetivo é, normalmente, fazer com que a resposta

Leia mais

RECONHECIMENTO DE PADRÕES. OCR - Reconhecimento óptico de caracteres

RECONHECIMENTO DE PADRÕES. OCR - Reconhecimento óptico de caracteres RECONHECIMENTO DE PADRÕES OCR - Reconhecimento óptico de caracteres INTRODUÇÃO Reconhecimento de padrões é uma área da ciência cujo objetivo é a classificação de objetos dentro de um número de categorias

Leia mais

MODELAGEM DIGITAL DE SUPERFÍCIES

MODELAGEM DIGITAL DE SUPERFÍCIES MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais

Leia mais

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) III Resolução de sistemas lineares por métodos numéricos. Objetivos: Veremos

Leia mais

CADERNOS DE INFORMÁTICA Nº 1. Fundamentos de Informática I - Word 2010. Sumário

CADERNOS DE INFORMÁTICA Nº 1. Fundamentos de Informática I - Word 2010. Sumário CADERNO DE INFORMÁTICA FACITA Faculdade de Itápolis Aplicativos Editores de Texto WORD 2007/2010 Sumário Editor de texto... 3 Iniciando Microsoft Word... 4 Fichários:... 4 Atalhos... 5 Área de Trabalho:

Leia mais