Detecção de transformadores em imagens de Subestações Elétricas com SURF e KNN
|
|
- Stella Pedroso
- 5 Há anos
- Visualizações:
Transcrição
1 Detecção de transformadores em imagens de Subestações Elétricas com SURF e KNN Daniel L. Gomes Jr., Paulo R. J. dos Reis, Anselmo C. de Paiva, Aristófanes C. Silva Núcleo de Computação Aplicada (NCA) Universidade Federal do Maranhão (UFMA) São Luís, MA, Brasil {daniellima, pjansen, anselmo, ari}@nca.ufma.br Antonio Sérgio de Araújo Companhia Hidro Elétrica do São Francisco (CHESF) Centro Regional de Operação de Sistema Leste São Luís, MA, Brasil asergio@chesf.gov.br Resumo Este trabalho apresenta a utilização de técnicas de visão computacional aplicada ao cenário dos Sistemas Elétricos de Potência (SEP) para detecção de transformadores em imagens do ambiente de operação. A metodologia consiste na utilização da técnica SURF (Speed Up Robust Features) para extração de características e descritores das imagens treinamento do KNN (K-Nearest Neighbors) usado para seleção das melhores correspondências (matches) obtidas na etapa de identificação de keypoints do SURF. O formato dos transformadores muda de acordo com a companhia, fabricante, dentre outros fatores e por isso a fase de treinamento torna-se importante para a correta detecção dos equipamentos da subestação de acordo com os equipamentos presentes. Esta abordagem pode ainda ser utilizada para detecção de outros elementos dentro da subestação. Os resultados com 8 imagens obtiveram taxa de acerto na detecção de 75,69%. Termos de Índice Sistemas Elétricos de Potência, SURF, KNN Transformadores, Visão Computacional. I. INTRODUÇÃO Ambientes de Realidade Aumentada (RA) vêm se tornando uma realidade nos sistemas de computação. Esta afirmação é comprovada por diversos produtos de software disponíveis no mercado com esta tecnologia. Ainda não existe uma ferramenta futurista de uso geral como previsto em certos filmes de ficção, mas podemos perceber que não é uma realidade distante em alguns aspectos ou ambientes específicos, como a possibilidade de inclusão de informações sobre equipamentos em um sistema de potência. De acordo com a definição, nos ambientes de Realidade Aumentada são inseridos objetos virtuais no ambiente físico, mostrando o ambiente real acrescido de informações ao usuário em tempo real com apoio de dispositivo tecnológico, além de utilizar a interface do ambiente real adaptada para visualizar e manipular objetos reais e virtuais [1]. A criação de ambientes de RA depende diretamente do estudo e elaboração de técnicas de visão computacional que exige bons resultados de detecção e rastreamento para que informações possam ser sobrepostas na visualização real. Este trabalho trata da etapa inicial que precede a criação de uma aplicação de realidade aumentada, na qual a interação com o ambiente se dá de várias maneiras geralmente relacionadas com interfaces de usuário (UI) tridimensionais. Desta forma, para exibir informações de um Sistema Elétrico de Potência (SEP) em ambiente de RA se faz necessário além do estudo de técnicas de visão computacional, também a definição adequada do formato de exibição das informações (UI) relacionadas aos equipamentos existentes no sistema elétrico, dentre outras características. Através desta abordagem, o objetivo da etapa inicial consiste em identificar em uma coleção de imagens de instalações elétricas onde estão os transformadores para possibilitar a exibição de informações associadas ao elemento detectado. O presente trabalho busca desta forma a inovação na forma de visualização dos equipamentos dentro de uma subestação, por exemplo, para ser possível posteriormente adicionar informações virtuais aos equipamentos detectados dentro do ambiente real. O presente trabalho, elaborado como parte da pesquisa do projeto de P&D AGITO - Ambiente Gráfico Interativo para Treinamento de Operadores da CHESF, busca nesta etapa inicial solucionar a identificação dos transformadores presentes em uma cena de subestação através da estratégia de identificação de pontos ão característicos onde está sendo como construída isolantes esta nova elétricos ou interligação dielétricos entre Brasil e outras e Uruguai, partes e as principais utilizadas Linhas como de Transmissão treino para e a identificação dos elementos da cena. O restante deste trabalho está organizado em mais cinco seções. A Seção II apresenta um levantamento de trabalhos relacionados. A Seção III apresenta o referencial teórico para entendimento da metodologia proposta. A Seção IV apresenta a metodologia utilizada enquanto a seção V mostra os resultados obtidos através das técnicas utilizadas. Por fim, a seção VI apresenta a conclusão, além de enumerar possíveis trabalhos futuros. Este trabalho faz parte do projeto de P&D AGITO - Ambiente Gráfico Interativo para Treinamento de Operadores financiado pela CHESF. Além do apoio do CNPQ, FAPEMA e CAPES através do financiamento de bolsas aos autores deste trabalho.
2 II. TRABALHOS RELACIONADOS A detecção da fachada de prédios, proposta em [2]-[3] considerando diferentes perspectivas no prédio e sendo realizado de maneiras diferentes é um exemplo de uma tarefa complexa tratada pelo campo da Visão Computacional, pois as fachadas não seguem um padrão nítido, semelhante ao problema tratado na metodologia proposta por este trabalho. Segundo [4], a detecção automática de equipamentos de manutenção e apresentação de informações de contexto sobre os equipamentos, proporciona ao operador em treinamento um sistema capaz de mostrar informações auxiliares na execução da tarefa. Outro ponto interessante do trabalho é que as mãos estão livres para a realização da manutenção e a interação com o sistema é realizada através de comandos de voz. Técnicas de visão computacional são usadas em [5] para visualização em Sistemas Elétricos de Potência e para medir como esta abordagem pode ampliar a efetividade do treinamento de funcionários no campo da indústria de energia. A pesquisa foi desenvolvida a partir de um projeto elaborado por especialistas do setor elétrico modelando tarefas como manutenção, reparos e testes de diagnósticos de máquinas complexas como transformadores e geradores. Afirma-se ainda que as visualizações tridimensionais produzam novas formas de transmissão de conhecimento e educação. Na área de detecção aplicada a objetos da área industrial [6], temos um trabalho que mostra uma abordagem relacionada à calibração de câmeras e inclusão de elementos virtuais através de contornos em linha detectados. Os modelos 3D de contornos são usados em outra etapa como entrada para a detecção de objetos. Como pode ser visto a detecção de objetos é utilizada tanto em ambientes de sistemas elétricos como para outras finalidades em áreas diversas. Esta tarefa, que faz parte da área de Visão Computacional, possui desafios a serem solucionados, pois a mesma técnica pode ser usada para fins diferentes. III. FUNDAMENTAÇÃO TEÓRICA A. Sistemas Elétricos de Potência Os modernos sistemas elétricos de potência são sistemas de energia que envolvem três entidades primárias: o sistema de geração que é responsável pela produção de energia; o sistema de transmissão que transfere a eletricidade através de linhas de transmissão de alta tensão elétrica para subestações regionais; e o sistema de distribuição que é responsável por distribuir a energia elétrica para os clientes locais [7]. O sistema de transmissão consiste em linhas de transmissão, subestações e transformadores que são dispositivos utilizados para converter a eletricidade de um nível de tensão elétrica a outro, por exemplo, a conversão de altas voltagens alternadas para baixas voltagens e vice-versa. Já as subestações são um conjunto de aparatos na rede dos sistemas de potência para modificar características como freqüência ou tensão elétrica dos suprimentos de energia. As subestações também possuem uma variedade de equipamentos para proteção contra raios, curtos circuitos e outras falhas que podem ocorrer na distribuição da eletricidade aos clientes. Os clientes de um sistema de potência elétrico variam desde a categoria de consumo doméstica e pequenas empresas até clientes comerciais e grandes clientes industriais. A complexidade destes sistemas é causada devido às regras da composição de toda a rede e em como esta eletricidade é armazenada, gerenciada e transmitida ao longo da rede de transmissão. Dessa forma faz-se necessário a busca incessante por melhorias tanto na área de visualização das informações quanto no próprio entendimento e utilização destes dados para o gerenciamento dos sistemas de potência. B. Visão Computacional Segundo [8], o primeiro estágio de qualquer aplicação na área de Visão Computacional é nomeado de processamento de imagens para pré-processar a imagem e convertê-la em um formato conveniente para realização de diversas análises adicionais. Exemplos de operações incluem balanceamento de cor, redução de distorção na imagem e aumento de precisão na imagem. Uma imagem qualquer pode ser apresentada como uma representação visual de um objeto [9]. Do ponto de vista matemático, a imagem é uma função bidimensional ƒ(x,y) em que x e y são coordenadas planas, e a amplitude de ƒ em qualquer par de coordenadas (x,y) é a intensidade ou nível de cinza da imagem no ponto determinado. Quando esta amplitude de ƒ faz parte de um conjunto de valores finitos, ou discretos, a imagem é chamada de imagem digital [10]. Os descritores de imagens podem ser definidos como um par composto por um vetor de características extraídas e uma função de distância. O vetor de características representa um conjunto de propriedades de uma determinada imagem (cor, textura, forma, dentre outras), enquanto a função de distância representa diz respeito á diferenças ou dissimilaridades entre duas imagens de acordo com as características dessas imagens. De outra forma um descritor pode ser entendido como uma tupla (E, F) em que E é uma função que extrai um vetor de características V, que é utilizado para calcular a distância entre as imagens. interligação entre Brasil e Uruguai, e as principais Linhas de Transmissão e Alguns autores consideraram o processamento de imagens uma área fora da visão purista do conceito de Visão Computacional, porém a maioria das aplicações de CV como reconhecimento ou fotografia computacional termo que se refere à captura, processamento e técnicas de manipulação de imagens que melhoram as capacidades da imagem digital exige cuidado no processo de montagem dos estágios de processamento de imagens com a finalidade de conseguir bons resultados no objetivo traçado de Visão. C. SURF (Speed Up Robust Features) Segundo [11], é uma técnica de correspondência baseada em características locais, assim como o SIFT[12]. Pode ser definido como um algoritmo de extração de keypoints e descritores que provê uma alternativa ao SIFT e requer um
3 menor tempo de processamento para detecção e correspondência de keypoints da imagem de treino com a imagem de busca, como exemplificado na Figura 1. A técnica de extração de características SURF também é conhecida como SIFT aproximado e emprega a utilização de escala utilizada na detecção do keypoint. Quanto maior a semelhança entre as imagens, maior o numero de correlações detectadas. Assim os descritores SURF são computados construindo uma janela quadrada centrada em torno do keypoint e com a orientação obtida. Esta janela é subdividida em uma área regular de dimensões 4x4 e a transformada da Haar de tamanho 2σ é calculada novamente para cada sub-região. Cada sub-região gera 4 valores resultando em um vetor de descritores que é, então, normalizado. Os descritores resultantes tornam a técnica, por fim, invariante à rotação, escala e contraste. Em testes comparativos [15] sobre as implementações de descritores em que os thresholds são adaptados para uma mesma quantidade de pontos de interesse é afirmado ainda que enquanto o SIFT possui um tempo para este processamento de 1036 ms, o SURF possui o melhor tempo de processamento nas mesmas condições de 255 ms. Figura 1: Processo de Matching do SURF com keypoints na imagem de treino e na cena real. Imagens Integrais e Espaço de Escala gerando keypoints e descritores de forma eficiente. O SURF utiliza dois estágios nomeados de keypoint detection e keypoint description, que são estágios de detecção dos pontos-chave e seus respectivos descritores com orientação, distância, dentre outras características utilizadas na detecção. Na fase de detecção, o SURF melhora consideravelmente o tempo de processamento devido ao uso de imagens integrais [13] para computar uma aproximação do operador HoG em diferentes escalas, que permite um desempenho 3 a 7 vezes melhor que o apresentado pelo SIFT. A aplicação desse filtro é independente do tamanho da área do filtro devido à representação da imagem integral. As posições detectadas são refinadas com aproximação que é realizada com respeito ao determinante da Matriz Hessiana 1 que é processada de maneira extremamente rápida com imagens integrais. O operador HoG apresenta menor quantidade de keypoints comparado quando são usados operadores LoG ou DoG, mas segundo [11], o método reporta keypoints tão estáveis quanto os decorrentes do SIFT. Dessa forma a técnica SURF constrói seu espaço de escala mantendo o tamanho da imagem o mesmo e variando apenas o tamanho do filtro. O primeiro estágio tem resultado invariante à escala e localização, ainda não sendo neste momento invariante à rotação. No estágio final, cada keypoint detectado é associado a uma orientação, que é obtida através da técnica transformada de Haar [14] (que pode ser representada como uma multiplicação matricial) calculada nas direções x e y com um conjunto de pixels em um raio de 6σ, em que σ refere-se à 1 Matriz Hessiana de uma função f com várias variáveis é a matriz formada pelas derivadas parciais de primeira ordem de uma função vetorial. É uma matriz quadrada e seu determinante é denominado de função hessiana. É utilizada para aumento da precisão e funciona com rapidez com imagens integrais. D. KNN (K-Nearest Neighbors) O algoritmo K-Nearest Neighbor (ou K-ésimos vizinhos próximos) é um dos algoritmos mais simples para predição de classe ou classificação com base em uma amostra de teste[16]. A fase de treinamento é bastante simples, bastando armazenar todos os exemplos de treinamento com sua classificação. Para fazer a classificação é computada a distância a cada treino realizado. Então com base nestas distâncias, o algoritmo considera k elementos, em que k >= 1 e é um valor fixo inteiro. Este método básico é chamado de KNN e existem duas escolhas importantes a serem feitas: o valor de k e a função de distância a ser utilizada. Uma desvantagem do KNN é o tempo para fazer as predições visto que é necessário considerar todos os elementos da base de treino. O caso mais simples é com o valor de k=2, em que o classificar identifica ou não determinado objeto. Esta foi a abordagem utilizada neste trabalho, considerando como transformador ou não na cena analisada. KNN é considerado também um algoritmo de aprendizado não paramétrico. Uma ão técnica onde está não sendo paramétrica construída é esta aquela nova que não interligação faz suposições entre Brasil e Uruguai, sobre a e distribuição as principais Linhas de de dados Transmissão subjacente. e Isso Subestações contrasta da região com em outras técnicas como SVM [17] em que é possível descartar sem problemas vetores que não são de suporte. A KNN realiza as decisões com base em todo o conjunto de treinamento. Esta abordagem torna-se importante visto que os elementos do sistema elétrico se modificam em relação a fabricantes, modelos e desta forma é necessário incluir a adicionar um conjunto de treinamento específico para cada caso e verificar todos os casos para a detecção dos elementos de composição do cenário de uma subestação, por exemplo. IV. METODOLOGIA A metodologia proposta neste trabalho para realização do reconhecimento dos transformadores em uma cena qualquer
4 em um Sistema Elétrico é realizada em etapas, que pode ser visualizada de acordo com a Figura 2. A contribuição principal desta metodologia quando comparada, por exemplo, ao uso de marcadores tradicionais de realidade aumentada (tags de RA) é que as imagens dos transformadores são utilizadas como marcadores naturais e independem do uso das tags nos equipamentos, além de possibilitar a detecção sob diferentes ângulos de visualização do equipamento. Outro fator importante é que o uso das tags de RA se desgastam com o tempo e podem impossibilitar a detecção correta do equipamento. Na metodologia proposta, as imagens obtidas são préprocessadas e convertidas de imagens coloridas (modelo de A biblioteca OpenCV [18]. implementa a funcionalidade de match dos descritores obtidos no SURF com uso de KNN em que são passadas como parâmetros: a matriz com descritores da imagem analisada; uma matriz de descritores obtidos na fase de treinamento; o valor de k definido para o funcionamento do algoritmo. Ao fim da análise os matches que satisfazem as correspondências são armazenados em um vetor de elementos do tipo <DMatch> definido no OpenCV. Após a etapa de extração de características e avaliação com base no cálculo das distâncias entre os matches do treino e os matches obtidos na detecção com classificação KNN considerando a distância euclidiana entre os matches. Dessa forma são descartados alguns keypoints considerados ruins obtidos pelo SURF. Com base nos resultados que restaram (considerados boas correspondências) é feito o cálculo da homografia[19], ou seja, da transformação entre dois espaços em que cada ponto de um plano corresponda a outro em outro plano. É a transformação de coordenadas do ponto do plano da imagem às coordenadas no mundo real ou na nova imagem do mundo real.neste trabalho, como os espaços são duas imagens que se referem a dois planos distintos, sendo classificado como homografia 2D. Com base em um conjunto de pontos do plano da origem e pontos da cena analisada é calculada uma matriz de transformação de perspectiva. V. RESULTADOS OBTIDOS Com os resultados obtidos desta abordagem SURF com classificador KNN foi possível detectar vários transformadores em cenas reais obtidas do ambiente de produção da CHESF na SUAPE III. Das imagens obtidas deste ambiente, apenas 27 continham transformadores para realização dos testes e com base nesta base de imagens foi possível obter resultados de acerto de 75,69 % (média de todas as imagens analisadas), demonstrados na Tabela 1 que mostra a taxa de acerto e o tempo de processamento. TABELA I. DETECÇÃO DE TRANSFORMADORES Figura 2: Etapas para detecção de transformadores. cor RGB) para imagens em escala de cinza, devido à facilidade e eficiência do ponto de vista computacional. De acordo com os estados presentes no fluxograma, após a transformação inicial das imagens em escala de cinza, a etapa de efetivo início da detecção trata-se da identificação na imagem das imagens treinadas através do uso do SURF. Com essa abordagem os keypoints identificados nas imagens de treino são associados à imagem alvo ou à cena que contém o transformador através da análise dos matches e classificação KNN. Quantidade de interligação entre Brasil e Uruguai, e as principais Linhas de Transmissão e imagens de treino 4 Quantidade de cenas testadas: 27 Dimensões das cenas: 3456x4608 pixels Cenas testadas Taxa de acerto Tempo Total 1 (melhor caso) 100% 23 s ,05% 5 1 (melhor caso) 15,18 min 100% 32,9 s ,77% 20,3 min 8 1 (melhor caso) 100% 47 s ,69% 31,2 min
5 Figura 3: Detecção de transformador em panorama Com base nestes resultados é possível afirmar que o tempo para análise em tempo real, apesar da taxa razoável de acerto é um problema a ser resolvido. Podemos inferir ainda que quanto maior a base de imagens de treino, maior a taxa de acertos, porém maior o tempo de processamento. Alguns dos resultados obtidos deste trabalho podem ser vistos nas Figuras 3, 4, 5 e 6. Após a identificação de correspondências obtidas pelo SURF e KNN, o cálculo da matriz de homografia e transformação da projeção entre a imagem de treino e o transformador detectado na imagem é traçado um plano referente ao plano correspondente da imagem original com base nas correspondências encontradas entre treino e detecção. diversos tamanhos para a identificação dos keypoints. Este processo melhora à medida que existe maior detalhamento do objeto a ser detectado. Outro resultado importante é que os equipamentos são detectados mesmo sob diferentes pontos de vista do transformador na imagem (Figura 6), visto que na fase de treino diferentes perspectivas são utilizadas para o treinamento do equipamento. Figura 4: Transformadores detectados com foto tirada em distância mediana ao equipamento (nota-se que na imagem à esquerda que um dos transformadores não foi detectado). Figura 6: Transformadores em diferentes perspectivas detectados. Dessa forma os resultados alcançaram o objetivo principal desta pesquisa que é a detecção conseguindo uma taxa de acerto superior a 70% em várias imagens. Figura 5: Transformador com foto tirada próxima ao equipamento. As figuras 4 e 5 mostram que quanto maior a proximidade do equipamento, maior o grau de acerto na detecção. Isso é causado pelo próprio processo de funcionamento do SURF que utiliza imagens com filtros decorrentes de gaussianas em interligação entre Brasil e Uruguai, VI. e CONCLUSÃO as principais Linhas de Transmissão e Um grande desafio na área de Visão Computacional é a relação de abstração de informações do mundo real para serem inseridas em ambiente computacional. Cada elemento possui particularidades e deve ser mapeado ou detectado de maneira específica. Além disso, é necessário garantir sistemas capazes de realizar o reconhecimento das imagens em um custo baixo de processamento para possibilitar o seu uso em sistemas de tempo real. A combinação da detecção de equipamentos com ambiente de realidade aumentada proporciona ainda um ambiente inovador que exibe informações do sistema de maneira mais natural quando comparado aos sistemas tradicionais de visualização de estado dos equipamentos. Desta forma outra
6 contribuição que este trabalho busca é a melhoria da exibição de informações dentro dos sistemas elétricos. Com base nos resultados obtidos foi possível detectar transformadores de um ambiente real de produção da CHESF com taxa de acerto 75,69% na detecção dos transformadores e tempo médio de processamento de 5,75s para cada imagem de treino aplicada a uma imagem de teste. O tempo total de processamento com 8 imagens de treino para cada imagem foi de aproximadamente 47s. Dessa forma a utilização de SURF para extração de características e identificação de keypoints associado à classificador KNN para melhoria dos resultados possibilita uma detecção genérica baseada em treinamento de elementos do sistema elétrico. O tempo ainda é um fator a ser melhorado para possibilitar a efetiva utilização destas técnicas. Podemos enumerar trabalhos futuros que estão relacionados com testes utilizando as técnicas desenvolvidas neste trabalho, que são: a realização de testes com outros equipamentos da subestação; obter imagens que identifiquem melhor o transformador (gerando mais keypoints) para possibilitar melhor as taxas de acerto com menor quantidade de imagens de treino e o aumento da base de imagens, que se torna uma tarefa difícil por se tratar de um ambiente perigoso que possui diversas regras inclusive para visitação para aquisição das imagens, apesar de todo o esforço da equipe da CHESF. Além disso, podemos destacar como meta futura a inclusão de informações obtidas da base de dados sobre os transformadores detectados neste trabalho, que visa a construção de um ambiente de visualização com informações reais em espaço virtual, possibilitando uma nova forma de análise e monitoramento de informações. REFERÊNCIAS [1] KIRNER, C.; KIRNER, T. G. Virtual Reality and Augmented Reality Applied to Simulation Visualization, In: Virtual Technologies: Concepts, Methodologies, Tools and Applications, IGI Global, Ed. J. Kisielnicki, 2008, pp [2] MARTINS, J. F.; SILVA, J. A.; SOUSA, A. A. Reconhecimento de Fachadas de Edifícios em Imagens de Ambientes Urbanos. In: 17º Encontro Português de Computação Gráfica (EPCG), 2009, Covilhã. [3] ZHANG, W.; KOSECKÁ, J. Localization Based on Building Recognition. George Mason University. In: IEEE Workshop on Applications for Visually Impaired, 2005, p [4] AÑEZ, F. G. Two Innovative Steps for Training on Maintenance: VIRMAN Spanish Project based on Virtual Reality STARMATE European Project based on Augmented Reality. In: ICAPP'02: International congress on advances in nuclear power plants, Hollywood, FL (United States), 9-13, [5] ARENDARSKI, B.; TERMATH, W.; MECK-ING, P. Maintenance of Complex Machines in Electric Power Systems Using Virtual Reality Techniques. In: IEEE International Symposium on Eletrical Insulation (ISEI), pp , [6] WUEST, H.; STRICKER, D. Tracking of industrial objects by using CAD models. Journal of Virtual Reality and Broadcasting, Vol. 04, no. 1, [7] CROW, M.L.; SHETTY, N. Electric Power Measurements and Variables, Encyclopedia of Energy, Elsevier, Vol. 2., pp , [8] SZELISKI, R. Computer Vision Algorithms and Applications. Springer, Disponível em: < Acesso em 07 de maio de [9] OSHIRO, S. H.; GOLDSCHMIDT, R. R. Processamento de Imagens. Instituto Militar de Engenharia, Rio de Janeiro, [10] GONZALES, R.C.; WOODS, R.E. Digital Image Processing. Nova Jersey: Prentice Hall, p. [11] BAY, H.; ESS, A.; TUYTELAARS, T.; GOOL, L. V. Speeded-up robust features (SURF). Computer vision and image understanding, vol. 110, no. 3, pp , [12] LOWE, D. G. Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, Vol. 60, no. 02, pp , [13] MAIA, J. G. R. Detecção e Reconhecimento de Objetos usando Descritores Locais. Tese de Doutorado, Departamento de Computação UFCE, [14] HAAR, A. Theorie der orthogonalen funktionensysteme. Mathematische Annalen, v. 69, n. 1, p , [15] SERGIEH, H. M.; EGYED-ZSIGMOND, E.; DÖLLER, M.; COQUIL, D.; PINON, J. M.; KOSCH, H. Improving SURF Image Matching Using Supervised Learning. In: SITIS, pp IEEE, [16] ELKAN, C. Nearest Neighbor Classification. University of California. Disponível em: < Acesso em 20 de junho de [17] CORTES, C.; VAPNIK, V. Support-vector networks. In: Machine Learning, Boston: Kluwer Publishers, v. 20, pp , [18] Open Source Computer Vision Library (OpenCV). Disponível em: < Acesso em 16 de abril de [19] OpenCV Documentation. Camera Calibration and 3D Reconstruction findhomography. Disponível em: < 3d_reconstruction.html>. Acesso em 12 de setembro de interligação entre Brasil e Uruguai, e as principais Linhas de Transmissão e
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia maisCriação de mosaico usadando o SURF e o matcher FLANN
Criação de mosaico usadando o SURF e o matcher FLANN Felipe Jordão Pinheiro de Andrade Universidade Federal do Maranhão, São Luis, BRA Abstract. O trabalho propoe uma metodologia para a criação de um mosaico
Leia maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
Leia maisAnotador automático de placas de publicidade em vídeos esportivos
MAC0499 - Trabalho de Formatura Supervisionado Professor: Carlos Eduardo Ferreira Universidade de São Paulo Instituto de Matemática e Estatística Aluno: Ricardo Augusto Fernandes Orientador: Prof. Dr.
Leia maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia maisRECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
Leia maisReconhecimento de Instâncias (parte 2)
Reconhecimento de Instâncias (parte 2) Rafael Galvão de Mesquita rgm@cin.ufpe.br Carlos Alexandre Mello cabm@cin.ufpe.br SURF Speeded-Up Robust Features [3] Computer Vision and Image Understanding, 2004
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisSistema de Reconhecimento de Logotipos
Sistema de Reconhecimento de Logotipos Fellipe Duarte, Saulo T. Oliveira {duartefellipe,sto}@cos.ufrj.br Relatório Técnico, Introdução ao Processamento de Imagens Programa de Engenharia de Sistemas e Computação
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia maisExemplo de aplicação
Exemplo de aplicação Paralaxe O conceito de paralaxe está relacionado com o deslocamento relativo ou aparente dos objetos estacionários, quando um observador em movimento os olha de pontos diferentes.
Leia maisProcessamento e Análise de Imagens
Processamento e Análise de Imagens Prof. Moacir Ponti www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2017/1 Moacir Ponti Jr. (ICMCUSP) Processamento e Análise de Imagens
Leia mais11º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2017 Campinas, São Paulo ISBN
DETECÇÃO DE FRUTOS EM CAMPO POR APRENDIZADO DE MÁQUINA Andreza Aparecida dos Santos¹; Thiago Teixeira Santos 2 Nº 17603 RESUMO Métodos de reconhecimento de frutos utilizando diferentes descritores e classificadores
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisINFORMAÇÕES DO ACADÊMICO PLANO DE TRABALHO. 1. Justificativa
INFORMAÇÕES DO ACADÊMICO Nome: Kleber Padovani de Souza Curso: Engenharia de Computação Semestre: R.A.: Título do plano de trabalho: Extração de atributos da imagem através de momentos de imagem. Nome
Leia maisIDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar
Leia maisDetecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC
Detecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC André Caceres Carrilho Mauricio Galo Renato César dos Santos Curitiba,
Leia maisSIFT - Scale Invariant Feature Transform
SIFT - Scale Invariant Feature Transform Daniel Pinto Coutinho Prof. Ricardo Marroquim 1 Introdução A detecção de pontos de interesse em uma figura é uma tarefa muito comum no campo de processamento de
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisUm sistema para extração automática de keyframes a partir de fluxos de vídeo direcionado à reconstrução tridimensional de cenários virtuais
Um sistema para extração automática de keyframes a partir de fluxos de vídeo direcionado à reconstrução tridimensional de cenários virtuais Sérgio Carlos Portari Júnior Orientador: Prof. Dr. Antonio Carlos
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia mais10º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2016 Campinas, São Paulo ISBN
Um Estudo de Descritores e Classificadores para Reconhecimento de Bagas de Café Pedro Henrique Ferreira Stringhini 1 ; Thiago Teixeira Santos 2 Nº 16605 RESUMO Métodos de reconhecimento de frutos baseados
Leia maisColor Eyes Detector. Duarte Petiz. DCC/FCUP
Color Eyes Detector Duarte Petiz DCC/FCUP up201204625@fc.up.pt Resumo Este relatório descreve a implementação da aplicação desenvolvida Color Eyes Detector bem como mostra os resultados finais da execução
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisFundamentos da Computação Gráfica
Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno (1322198) Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 13 - Transformada de Hough e SIFT Antonio Oliveira Ricardo Marroquim 1 / 41 aula de hoje descritores Transformada de Hough SIFT 2 / 41 transformada de Hough
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisComputaçã. Visão Geral. Sistema Gráfico. Computação Gráfica. Pixels. Sistema Gráfico e o Frame Buffer. Introdução à Computação Gráfica
Visão Geral Computaçã ção o Gráfica Introduçã ção, conceitos básicosb sicos, áreas relacionadas Introdução à Computação Gráfica Como funciona um sistema gráfico Como imagens são representadas Áreas relacionadas,
Leia maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia mais3 Técnica Baseada em Treinamento e Cascata de Classificadores
3 Técnica Baseada em Treinamento e Cascata de Classificadores 3.1. Introdução A utilização de algoritmos para a extração de características de objetos e a geração de classificadores em cascata capazes
Leia mais4 SIFT (Scale Invariant Feature Transform)
4 SIFT (Scale Invariant Feature Transform) SIFT é um algoritmo de visão computacional publicado por David Lowe, em 1999 (Lowe, 1999) e patenteado nos EUA pela University of British Columbia. SIFT é composto
Leia maisCLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture 1 e Sandro Roberto Fernandes 2 Resumo: Nesta pesquisa foi desenvolvido
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisAQUISIÇÃO E REALCE EM IMAGENS UTILIZANDO JAVA COM AUXILIO DO OPENCV
AQUISIÇÃO E REALCE EM IMAGENS UTILIZANDO JAVA COM AUXILIO DO OPENCV Rafael Aquino 1 Fabio Gomes 2 Ciência da Computação ciências exatas e tecnológicas ISSN IMPRESSO 1980-1777 ISSN ELETRÔNICO 2316-3135
Leia maisProf. Fernando V. Paulovich 3 de agosto de SCC Computação Gráca
Dispositivos de Saída e SCC0250 - Computação Gráca Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisDETECÇÃO DE CORES DE SOLUÇÕES QUÍMICAS PARA PESSOAS COM NENHUMA OU BAIXA VISÃO UTILIZANDO OPENCV
DETECÇÃO DE CORES DE SOLUÇÕES QUÍMICAS PARA PESSOAS COM NENHUMA OU BAIXA VISÃO UTILIZANDO OPENCV Autor (1) Jéssica Fernandes Alves; Orientador (4) Suzete Élida Nóbrega Correia (1) Instituto Federal de
Leia maisExtração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
Leia maisFazendo máquinas enxergarem com OpenCV. TCHÊLINUX 2017 Felipe Aguiar Corrêa
Fazendo máquinas enxergarem com OpenCV TCHÊLINUX 2017 Felipe Aguiar Corrêa Quem é esse cara aí? UFPEL Ciência da Computação Visão Computacional Rastreamento de Pedestres Visão Computacional Sub-área da
Leia maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisFace Detection. Image Processing scc moacir ICMC/USP São Carlos, SP, Brazil
Face Detection Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Face Detection 2011 1 / 24 Agenda 1 Detectando faces 2
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisRegion Based CNNs. Francisco Calaça Xavier. Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado. Instituto de Informática UFG
Region Based CNNs Francisco Calaça Xavier Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado Instituto de Informática UFG Prof. Anderson Soares Agenda O problema Estado da arte R-CNN
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 09 - curvatura Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection overview curvatura espaço de escala block matching 2 / 1 curvatura o
Leia maisE\$QGUp/XL]%UD]LO. 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE
E\$QGUp/XL]%UD]LO 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE O reconhecimento de texturas em imagens é uma atividade importante, que faz parte de uma vasta gama de aplicações em diversas áreas. Dentre elas podemos
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisProcessamento de Imagem. A Imagem digital Professora Sheila Cáceres
Processamento de Imagem A Imagem digital Professora Sheila Cáceres Visão Humana Processamento de Imagens 2 Semelhança entre o sistema visual humano e uma câmera fotográfica Várias semelhanças podem ser
Leia maisPerson Re-Identification. Autor: Guilherme Zasyeki Machado
Person Re-Identification Autor: Guilherme Zasyeki Machado Sumário - Introdução ao problema - Visão geral ao processo de Re-Identificação - Evolução estado da arte - Datasets disponíveis - Análise estado
Leia maisIntrodução a Visão Computacional. Prof. Dr. Geraldo Braz Junior DEINF - UFMA
Introdução a Visão Computacional Prof. Dr. Geraldo Braz Junior DEINF - UFMA O que é Visão Computacional? Você já viu? 2 O que se espera? Visão é sobre entender imagens Coloridas ou em tons de cinza Pequenas
Leia mais2 Trabalhos Relacionados
2 Trabalhos Relacionados Este capítulo apresenta os algoritmos já existentes que são utilizados nesta dissertação para obter pontos homólogos entre duas imagens de um par estéreo. Pode-se classificar essas
Leia maisRealidade Aumentada aplicada ao ensino da simetria molecular
Realidade Aumentada aplicada ao ensino da simetria molecular Matheus Gaspar Reis 1, Alan Salvany Felinto 1 1 Departamento de Computação Universidade Estadual de Londrina (UEL) Caixa Postal 10.011 86057-680
Leia maisAPLICAÇÃO DA VISÃO COMPUTACIONAL PARA SEGMENTAÇÃO DE OBJETOS EM IMAGENS CAPTURADAS POR EQUIPAMENTOS MÓVEIS.
APLICAÇÃO DA VISÃO COMPUTACIONAL PARA SEGMENTAÇÃO DE OBJETOS EM IMAGENS CAPTURADAS POR EQUIPAMENTOS MÓVEIS. João Marcelo RIBEIRO 1 Heber Rocha MOREIRA 2 Fiama F. S. do AMARAL 3 RESUMO Através da visão
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisRECONHECIMENTO VISUAL DE NINFAS DE MOSCA BRANCA UTILIZANDO UM MÉTODO HÍBRIDO BASEADO EM CLASSIFICADOR EM CASCASTA E K-NEAREST-NEIGHBOR
RECONHECIMENTO VISUAL DE NINFAS DE MOSCA BRANCA UTILIZANDO UM MÉTODO HÍBRIDO BASEADO EM CLASSIFICADOR EM CASCASTA E K-NEAREST-NEIGHBOR Vinicius Araújo Santos viniciusdt191@hotmail.com Escola de Engenharia
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisMétodo para auxiliar o reconhecimento de cédulas monetárias pelos deficientes visuais
Método para auxiliar o reconhecimento de cédulas monetárias pelos deficientes visuais Victor Vequetine. Teixeira 1, Marcelo Zanchetta do Nascimento 2, Juliana Cristina Braga 1 1 Centro de Matemática, Computação
Leia maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisTE073 PDS II Programa de Graduação em Engenharia Elétrica
TE073 PDS II Programa de Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Segmentação Os algoritmos
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisProcessamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e de Imagens Sensoriamento Remoto 2 Introdução Espectro Eletromagnético
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
Leia mais5 Protótipo e Resultados Obtidos
5 Protótipo e Resultados Obtidos 5.1. Introdução Este capítulo apresenta de forma minuciosa o protótipo desenvolvido durante este trabalho, que é uma ferramenta capaz de realizar o treinamento e a detecção
Leia maisUniversidade Federal do Rio de Janeiro. Flávio Henrique Schuindt da Silva. Estimativa de Fluxo Ótico com o método de Lukas-Kanade
Universidade Federal do Rio de Janeiro Programa de Engenharia de Sistemas e Computação Introdução ao Processamento de Imagens Flávio Henrique Schuindt da Silva Estimativa de Fluxo Ótico com o método de
Leia maisUm sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV
Um sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV Rodrigo Mendes Garcês 1, Geraldo Braz Júnior 2 1 Laboratório de métodos de otimização e robótica Universidade Federal do
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisDetecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
Leia maisProcessamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Leia maisUm Sistema de Calibração de Câmera
Um impa Instituto Nacional de Matemática Pura e Aplicada Sistemas Gráficos 3D Um Sistema de Clarissa Codá dos Santos Cavalcanti Marques Rio de Janeiro, 05 de julho de 2007 Um EditCalib/ExecCalib Correspondência
Leia mais- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry
PCS - 5689 - lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno:
Leia maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisDESENVOLVIMENTO DE SISTEMA PARA GERAÇÃO DE MOSAICO DE IMAGENS VISANDO LOCALIZAÇÃO E NAVEGAÇÃO DE ROBÔS MÓVEIS
DESENVOLVIMENTO DE SISTEMA PARA GERAÇÃO DE MOSAICO DE IMAGENS VISANDO LOCALIZAÇÃO E NAVEGAÇÃO DE ROBÔS MÓVEIS Edson CAVALCANTI Neto (1), Guilherme Costa HOLANDA (1), Antonio Themoteo VARELA (1), André
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia maisPMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO
UNIVERSIDADE DE SÃO PAULO Escola Politécnica Departamento de Engenharia de Minas e de Petróleo PMI Graduação em Engenharia de Petróleo PMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO SISTEMAS DE INFORMAÇÕES
Leia maisGuia do CFTV Sistemas de CFTV, IP, Seguranà a Eletrà nica, Conectividade, Informaà ões, Fórum e Tecnologia.
VideoCAD - Software para Projeto de sistemas de CFTV Categoria : CFTV Publicado por Eng Marcelo Peres em 05-Aug-2009 01:30 Um projeto bem elaborado garantirá que as próximas etapas sejam feitas com uma
Leia maisEXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq ( )
USP UNIVERSIDADE DE SÃO PAULO EP ESCOLA POLITÉCNICA EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq (2000-2001) LEONARDO
Leia maisIntrodução Geral a Computação Gráfica. Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de Computação Gráfica
Introdução Geral a Computação Gráfica Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de 2 Introdução Geral a O que é CG? Áreas de Atuação Definição, Arte e Matemática Mercado
Leia maisRelatório sobre os Resultados obtidos através do uso dos algoritmos SIFT e RANSAC para Reconstrução de um Objeto a partir de uma Nuvem de Pontos
Relatório sobre os Resultados obtidos através do uso dos algoritmos SIFT e RANSAC para Reconstrução de um Objeto a partir de uma Nuvem de Pontos Gustavo Moreira PUC-Rio, Departamento de Informática Rua
Leia maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisFace Descrip+on with Local Binary Pa6erns: Applica+on to Face Recogni+on JULIANO RAMOS LUANN LUNA
Face Descrip+on with Local Binary Pa6erns: Applica+on to Face Recogni+on JULIANO RAMOS LUANN LUNA Introdução O ar%go visa criar uma abordagem para o problema de reconhecimento de face: i.e.: Dada uma face,
Leia maisRECONHECIMENTO FACIAL 2D
RECONHECIMENTO FACIAL 2D PARA SISTEMAS DE AUTENTICAÇÃO EM DISPOSITIVOS MÓVEIS Luciano Pamplona Sobrinho Orientador: Paulo César Rodacki Gomes ROTEIRO Introdução Objetivos Fundamentação Teórica Conceitos
Leia maisESTUDO SOBRE RASTREAMENTO BASEADO EM CARACTERÍSTICAS NATURAIS PARA APLICAÇÕES DE REALIDADE AUMENTADA EM DISPOSITIVOS MÓVEIS
UNIVERSIDADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA ESTUDO SOBRE RASTREAMENTO BASEADO EM CARACTERÍSTICAS NATURAIS PARA APLICAÇÕES DE REALIDADE AUMENTADA EM DISPOSITIVOS
Leia maisRastreamento de objeto e estimativa de movimento
Hiroito Watanabe Rastreamento de objeto e estimativa de movimento Brasil 2015 Hiroito Watanabe Rastreamento de objeto e estimativa de movimento Relatório do trabalho 2 da disciplina de Processamento Digital
Leia mais