RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
|
|
- Ana Júlia Lima Graça
- 7 Há anos
- Visualizações:
Transcrição
1 RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como componentes básicos dos modelos de objetos. Representa-se o objeto O com o conjunto de todas as suas aparências possíveis. As imagens são obtidas, idealmente, de todas as possíveis orientações e direções de iluminação.
2 Um banco de dados simples exemplificando a representação de objetos baseada em aparência. Apenas o ângulo de visão, não a iluminação, foi alterada para se obterem as vistas mostradas. A identificação do objeto passa a ser achar o conjunto contendo a imagem que seja mais parecida com aquela a ser reconhecida.
3 Um banco de dados simples exemplificando a representação de objetos baseada em aparência. Apenas o ângulo de visão, não a iluminação, foi alterada para se obterem as vistas mostradas. A identificação do objeto passa a ser achar o conjunto contendo a imagem que seja mais parecida com aquela a ser reconhecida.
4 Problema Dada uma imagem, I, contendo um objeto a ser identificado, e um banco de dados de modelos de objetos, cada um formado por um conjunto de imagens mostrando o objeto em um grande número de orientações de vistas e condições de iluminação, ache o conjunto contendo a imagem que seja mais parecida com I. Uma característica positiva da identificação baseada na aparência é que modelos de objetos podem ser comparados diretamente com os dados de entrada (ambos são imagens). Modelos baseados em características (invariante e árvore de interpretação), ao contrário, exigem que as características sejam detectadas e descritas antes que os dados e o modelo sejam comparados. Entretanto, bancos de dados de imagens consomem muita memória.
5 Exigem registro global de padrões Não são robustos a agrupamento, oclusão e transformações geométricas.
6 Autoespaços de Imagens (Eigenspace) Antes da introdução de um algoritmo, seguem-se 3 passos: 1- Define-se um método quantitativo para comparar imagens e introduzir algumas hipóteses necessárias. 2- Introduz-se uma representação de objetos baseada em aparências que seja eficiente, tornando viável a pesquisa em um banco de dados de imagens grande. 3- Adota-se um algoritmo que construa a representação e realize a identificação. Comparando Imagens Pode-se comparar duas imagens, I1 e I2 (N x N) através de sua correlação: 1 N N c I1 I2. I1(i, j).i2(i, j) 1 k i1 j1 onde k = constante de normalização. Quanto maior c, mais parecidas são I1 e I2.
7 Hipóteses 1- Cada imagem contém um único objeto. 2- Os objetos são visualizados por uma câmara fixa sob perspectiva fraca. 3- As imagens são normalizadas no tamanho, isto é, o quadro da imagem é o menor retângulo envolvendo os limites da imagem do objeto. 4- A energia dos valores de pixel de cada imagem é normalizada em 1; isto é, N i1 N I (i, i1 j) O objeto é completamente visível e não-ocluso em todas as imagens.
8 Comparação Eficiente de Imagens com Autoespaços (Pesquisa de modelos) A pesquisa de imagens em um banco de dados de imagens, com vários objetos em várias vistas, pode ser proibitiva. Imagens de um pequeno banco de dados baseado em aparência composto por 12 carros de brinquedo. Apenas uma imagem por objeto é mostrada.
9 A representação de objetos em autoespaços reduz a imagem 2-D para um vetor 1-D. A representação da imagem como um vetor é feita varrendo-se a imagem de cima para baixo, e 11,X12, X1N,X21,, XNN T x X 2 em que a imagem N x N, X, é representada como um vetor N 2 - dimensional, x. A correlação entre imagens passa a ser o produto escalar entre dois vetores. T 1 X2 x1. c X x 3 2
10 Teorema: Representação de Autoespaço Sejam x 1,..., x n vetores N 2 -dimensionais, e x pode-se escrever cada x j como x 1 n n. sua média. Dada a matriz N 2 x n x j1 j X ( x x) ( x ) 4 1 n x x m j g ji i1 onde e 1,..., e m são os autovetores da matriz de covariância, Q=X.X T, correspondendo a m (m N 2 ) autovalores (não-nulos entre N 2 ) de Q, e g j =[g 1, g 2,..., g m ] T é o vetor de componentes de x j no autoespaço. e i é um vetor (N 2 x 1).e i 5 Q é uma matriz muito grande N 2 x N 2. Entretanto, apenas as componentes associadas aos valores maiores dos autovalores de Q são significantes para representar as imagens.
11 Assumindo que os autovalores não nulos m de Q são tais que λ λ... e 0 p/ i > k, então 1 2 λm i k j g ji i i1 x x. e Se k<<m, cada imagem x j é representada por um ponto de coordenadas g j T no autoespaço k-dimensional, muito menor do que o autoespaço m- dimensional. (apenas as componentes nas imagens mais parecidas com x j são importantes) Uma vantagem é que os pontos do autoespaço têm só k coordenadas. Autoespaços permitem o cálculo da correlação da imagem com mais eficiência, usando o fato de que a distância Euclideana no autoespaço é equivalente à correlação da imagem.
12 2 2 Assumindo os valores de cinza normalizados, ( x 1 x2 1), a correlação pode ser escrita através da distância Euclideana, 2 2 T x1 x2 x1 2. x1.x2 x2 2.(1 x1.x2 2 T ) e maximizar a correlação significa minimizar a distância Euclideana.
13 A distância entre vetores de imagens ainda pode ser aproximada pela distância no autoespaço k-dimensional, 2 1 g g : ) ( ). (.... g g e e e e e x x k i i i k i i i i k i k i i i i i m i m i i i i i g g g g g g g g e a correlação pode ser calculada mais eficientemente, pois o espaço O(m) se transforma em um espaço O(k).
14 Resumo 1- Pontos do autoespaço representam imagens com menos números. 2- Imagens são correlacionadas eficientemente calculando distâncias no autoespaço. 3- Autoespaços sugerem uma forma de armazenar modelos de objetos automaticamente: a) adquire-se um conjunto completo de todas as possíveis vistas de cada objeto O, (p vistas e L iluminações) o o 12 o 1L o 21 x 11, x,..., x, x,..., x pl o b) a dimensão do conjunto acima é reduzida e calcula-se o o 12 o 1L o 21 g 11, g,..., g, g,..., g pl o
15 c) Para identificar um objeto de uma nova imagem y, projeta-se y no autoespaço (autovetores da matriz de covariância de todos as imagens no banco de dados OPL: objeto, vista, iluminação). d) Obtem-se g y. e) Procura-se g o (p,l) mais próximo de g y. o reconhecimento 3-D baseado em aparência é resolvido como um problema de distância mínima no autoespaço.
16 Algoritmo EIGENSPACE_LEARN As hipóteses assumidas inicialmente são válidas. Assume-se ainda câmara fixa, condições de iluminação fixas, e imagens de N x N pixeis. 1 Para cada objeto o representado, o = 1...O: a) posicione o objeto sobre uma mesa móvel. b) Adquira um conjunto de n imagens girando a mesa móvel de 360 o /n de cada vez. c) Faça com que o pano de fundo esteja bem destacado da imagem do objeto. d) Segmente o objeto do pano de fundo. e) Normalize as imagens em escala e energia como nas hipóteses. f) Represente os vetores das imagens normalizadas, x o p, onde p é o índice de rotação, p = 1,..., n.
17 2 Calcule o vetor de imagem médio, x, do banco de dados completo x O 1,..., x n, x1,..., x n,..., x n 3 Forme a matriz de covariância N 2 x N 2, Q = X.X T, como na eq. 4 X x 1 1 X x 1 2 Xx 1 n X x 2 1 Xx O n X 4 Calcule os autovalores de Q, mantenha os primeiros maiores autovalores e os autovetores associados, e1,...,ek. (Podem ser calculados de X T.X pela SVD matriz n x n).
18 5 Para cada objeto, o: a) calcule os pontos do autoespaço k-dimensional correspondendo às n imagens: g o p e e x x) ; 1 k.( o p o b) armazene a curva discreta do autoespaço g,..., g g representação do objeto o. o p 1,..., o n, como uma Saída: Conjunto de O curvas discretas no autoespaço k-dimensional, cada um representando um objeto 3-D.
19 Algoritmo EIGENSPACE_IDENTIF As hipóteses assumidas inicialmente são válidas de tal maneira que o objeto possa ser facilmente segmentado do pano de fundo. Assume-se ainda câmara fixa, condições de iluminação fixas. Entrada: Imagem I de N x N pixeis. 1- Segmente o objeto do pano de fundo. 2- Normalize I em escala e energia, e represente a imagem normalizada como um vetor, i. 3- Calcule o ponto do autoespaço k-dimensional correspondente a i: g e e.( i ) 1 k x onde xé o vetor de imagem médio de todo o banco de dados. 4- Ache o ponto do autoespaço, ĝ, criado por EIGENSPACE_LEARN, mais próximo de g.
20 Exemplo de aplicação Eigenfaces
21 Abordagem de Janelas Móveis Detecção Reconhecimento Meados nos anos 1990
22 Abordagem de Janelas Móveis Meados nos anos 1990
23 Reconhecimento a partir de Características Locais Final nos anos 1990
24 Busca em Larga Escala Combina características locais, indexação e restrições espaciais
25 Busca em Larga Escala Combina características locais, indexação e restrições espaciais
26 Busca em Larga Escala Combina características locais, indexação e restrições espaciais
27 Modelos de Partes e Formas Modelo: Objeto como um conjunto de partes Localização relativa entre partes Aparência da parte Início dos anos 2000
28
29 Modelos baseados em partes treinados localmente
30 Modelos de Cesta de Características (Bag-of-Features) Meados dos anos 2000
31 Modelos de Cesta de Características Objeto Cesta de palavras
32 Passos para Cesta de Características 1. Extrair características 2. Aprender vocabulário visual 3. Quantificar características usando vocabulário visual 4. Representar imagens por frequencias de palavras visuais
33 Descritores Globais de Cenas O essencial de uma cena
34 Métodos de Dados Dirigidos (data driven)
35 Métodos de Dados Dirigidos (data driven) J. Tighe and S. Lazebnik, ECCV 2010
36 Contexto Geométrico Inferência simultanea de identidade de objetos, orientação de superfície e ângulo de vista da câmera usando câmera única e desconhecida. Céu = azul Estrutura vertical = vermelho Solo = verde Tentativa de localizar provável local de pessoa D. Hoiem, A. Efros, and M. Herbert. Putting Objects in Perspective. CVPR 2006.
37 O que funciona Atualmente Leitura de placas, zip codes, cheques
38 O que funciona Atualmente Leitura de placas, zip codes, cheques Reconhecimento de impressões digitais
39 O que funciona Atualmente Leitura de placas, zip codes, cheques Reconhecimento de impressões digitais Detecção de faces
40 O que funciona Atualmente Leitura de placas, zip codes, cheques Reconhecimento de impressões digitais Detecção de faces Reconhecimento de objetos texturados planos (capas de CDs, capas de livros, etc.)
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 maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia maisPMR2560 Visão Computacional Visão estéreo. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Visão estéreo Prof. Eduardo L. L. Cabral Objetivos Introdução Equações básicas Processo de correspondência Geometria epipolar Retificação de imagens Reconstrução 3D Visão estéreo
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
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 maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
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 maisAula 5 - Produto Vetorial
Aula 5 - Produto Vetorial Antes de iniciar o conceito de produto vetorial, precisamos recordar como se calculam os determinantes. Mas o que é um Determinante? Determinante é uma função matricial que associa
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 maisMatrizes Semelhantes e Matrizes Diagonalizáveis
Diagonalização Matrizes Semelhantes e Matrizes Diagonalizáveis Nosso objetivo neste capítulo é estudar aquelas transformações lineares de R n para as quais existe pelo menos uma base em que elas são representadas
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 maisGAAL - Exame Especial - 12/julho/2013. Questão 1: Considere os pontos A = (1, 2, 3), B = (2, 3, 1), C = (3, 1, 2) e D = (2, 2, 1).
GAAL - Exame Especial - /julho/3 SOLUÇÕES Questão : Considere os pontos A = (,, 3), B = (, 3, ), C = (3,, ) e D = (,, ) (a) Chame de α o plano que passa pelos pontos A, B e C e de β o plano que passa pelos
Leia maisTELEVISÃO DIGITAL LEEC 2006/2007
TELEVISÃO DIGITAL LEEC 2006/2007 DETECÇÃO DE CONTORNOS GRUPO 6: Hugo Miguel Rodrigues Gonçalves Dinis Guedes Afonso ee01171 ee01148 Introdução Este trabalho tem como objectivo a implementação de métodos
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 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 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 maisPMR2560 Visão Computacional Detecção de cores e blobs. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Detecção de cores e blobs Prof. Eduardo L. L. Cabral Objetivos Detecção de cores; Detecção de blobs. Detecção de cores Cores são facilmente identificadas nas imagens. Cor a
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 11 de novembro de 2016 Fluxo óptico Usado para estimar
Leia maisFeature Detector. Prof. Dr. Geraldo Braz Junior
Feature Detector Prof. Dr. Geraldo Braz Junior Problema: Matching 2 Matching 3 Matching Processo de encontrar uma imagem em outra Normalmente usado para encontrar um objeto numa imagem, mas também: Reconhecimento
Leia maisÁlgebra Linear I - Aula Matrizes simultaneamente ortogonais e simétricas
Álgebra Linear I - Aula 22 1. Matrizes 2 2 ortogonais e simétricas. 2. Projeções ortogonais. 3. Matrizes ortogonais e simétricas 3 3. Roteiro 1 Matrizes simultaneamente ortogonais e simétricas 2 2 Propriedade
Leia mais4 Algoritmo de reconstrução de curvas
4 Algoritmo de reconstrução de curvas Como visto na introdução, o algoritmo proposto neste trabalho é constituído pelas seguintes etapas: 1. Agrupamento espacial dos pontos de amostragem 2. Processamento
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II Componentes principais Revisão de matemática Análise de componentes principais em SR UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Revisão matemática
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 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 maisAula 16. Máximos e Mínimos Locais
Aula 16 Máximos e Mínimos Locais Seja f, y) uma função de 2 variáveis diferenciável em R 2 (ou num domínio aberto). Para estudar a função f, y), começamos por identificar os pontos de Máximo local e Mínimo
Leia maisDerivada - Parte 3 - Aplicações
Derivada - Parte 3 - Aplicações Wellington D. Previero previero@utfpr.edu.br http://paginapessoal.utfpr.edu.br/previero Universidade Tecnológica Federal do Paraná - UTFPR Câmpus Londrina Wellington D.
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
Leia maisEstudo Dirigido - Desvendando a Geometria Analítica: Distância entre dois pontos
Estudo Dirigido - Desvendando a Geometria Analítica: Distância entre dois pontos Conteúdo: Plano Cartesiano Público-alvo: Alunos de Ensino Médio Competências; Modelar e resolver problemas que envolvem
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisCódigos de blocos lineares. Outubro de 2017
Códigos de blocos lineares Outubro de 2017 Vamos introduzir alguns conceitos sobre códigos de blocos lineares. Definições: Deve-se assumir que a informação saída da fonte de informação é da forma binária
Leia maisProcessamento Digital de Imagens. Cor
Processamento Digital de Imagens Cor Em uma descrição física a cor está associada ao seu comprimento de onda. Ao se analisar o espectro eletromagnético na região do visível, os menores comprimentos de
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 maisDiagonalização de Operadores. Teorema Autovetores associados a autovalores distintos de um operador linear T : V V são linearmente independentes.
Teorema Autovetores associados a autovalores distintos de um operador linear T : V V são linearmente independentes. Teorema Autovetores associados a autovalores distintos de um operador linear T : V V
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
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 maisMAT 138 Noções de Àlgebra Linear
MAT 8 Noções de Àlgebra Linear a LISTA DE EXERCÍCIOS.I. Dentre as transformações T : R R abaixo, verifique quais são lineares. a) Tx, y) = x y, x + 5y) b) Tx, y) = y, x) c) Tx, y) = x +, y) d) Tx, y) =
Leia mais3 Trabalhando com imagens digitais
3 Trabalhando com imagens digitais Neste capítulo, é apresentada a importância da utilização de imagens digitais em aplicações de computação gráfica. Se o objetivo destas aplicações for criar uma cena
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 maisInstituto de Física Universidade de São Paulo
Instituto de Física Universidade de São Paulo Trabalho Escrito de Prática de Tratamento de Dados em Física Experimental Medindo Objetos utilizando uma Câmera Digital. Carlos de Oliveira Sousa NUSP 6514672
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 maisParte 3 - Produto Interno e Diagonalização
Parte 3 - Produto Interno e Diagonalização Produto Escalar: Sejam u = (u 1,..., u n ) e v = (v 1,..., v n ) dois vetores no R n. O produto escalar, ou produto interno euclidiano, entre esses vetores é
Leia mais0 km 5 km 10 km 15 km 20 km 25 km 30 km 35 km 40 km Escala gráfica (a escala em baixo representa no total 40 km reduzidos no mapa) Lugar geométrico, pontos situados à mesma distancia da origem Esta
Leia maisComputação Gráfica - 09
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Computação Gráfica - 9 jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav Objetos
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 maisDetecção: quais os caminhos?
Detecção: quais os caminhos? Visão Computacional Programa de Pós- Graduação em Ciência da Computação UFMA Prof. Geraldo Braz Junior Baseado nas notas de aula do CS131, CS229 CS231B Porque? Aplicações necessitam
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 maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia mais3 TÉCNICAS ÓPTICAS NA MECÂNICA EXPERIMENTAL
3 TÉCNICAS ÓPTICAS NA MECÂNICA EXPERIMENTAL Neste capítulo, são apresentados alguns fundamentos de visão computacional, e as principais técnicas ópticas utilizadas na medição de deformações. 3.1. Técnicas
Leia maisIntrodução ao Processamento de Imagens
IFSul Eng. Elétrica Processamento de Imagens Digitais Introdução ao Processamento de Imagens Material de apoio organizado por: Glaucius Décio Duarte Atualizado em 18 jul. 2017 Conceitos Processamento digital
Leia maisTratamento da Imagem Transformações (cont.)
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/33 Transformações Geométricas 3 Transformações Geométricas
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 maisSensoriamento Remoto II
Sensoriamento Remoto II 2 Detecção de alterações UFPR Departamento de Geomática Prof. Jorge Centeno O problema de deteção de mudanças É possível detectar as alterações em uma série de imagens orbitais
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 maisRepresentação esquemática de estruturas de dados
UNIVERSIDADE DE SÃO PAULO - USP Instituto de Química de São Carlos - IQSC Grupo de Química Medicinal do IQSC/USP 1 Representação esquemática de estruturas de dados 2 1 Tipos de variáveis Contínua Concentração,
Leia mais5 Resultados e Discussões
5 Resultados e Discussões Este capítulo apresenta os resultados obtidos no presente trabalho assim como sua discussão. São apresentados os resultados do registro realizado nas imagens capturadas empregando
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisDerivadas Parciais Capítulo 14
Derivadas Parciais Capítulo 14 DERIVADAS PARCIAIS Como vimos no Capítulo 4, no Volume I, um dos principais usos da derivada ordinária é na determinação dos valores máximo e mínimo. DERIVADAS PARCIAIS 14.7
Leia maisPipeline de Visualização 3D
Pipeline de Visualização 3D André Tavares da Silva andre.silva@udesc.br Capítulo 5 de Foley Capítulo 2 de Azevedo e Conci Processo de Visualização https://www.youtube.com/watch?v=ogqam2mykng Processo de
Leia maisINSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO MAT-458 Álgebra Linear para Engenharia II Terceira Lista de Eercícios - Professor: Equipe da Disciplina EXERCÍCIOS 1. Seja V um espaço vetorial
Leia maisTerceira Lista - Potencial Elétrico
Terceira Lista - Potencial Elétrico FGE211 - Física III Sumário Uma força F é conservativa se a integral de linha da força através de um caminho fechado é nula: F d r = 0 A mudança em energia potencial
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 mais5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia maisProcessamento de Malhas Poligonais
Processamento de Malhas Poligonais Tópicos Avançados em Computação Visual e Interfaces I Prof.: Marcos Lage www.ic.uff.br/~mlage mlage@ic.uff.br Conteúdo: Notas de Aula Curvas 06/09/2015 Processamento
Leia maisA primeira coisa a fazer é saber quais são as equações das curvas quando elas já se encontram na melhor
Identificação de Cônicas Uma equação do segundo grau ax + bxy + cy + dx + ey + f = 0 define de maneira implícita uma curva no plano xy: o conjunto dos pontos (x, y) que satisfazem a equação. Por exemplo,
Leia maisAnálise de Componentes Principais Simbólicas
Análise de Componentes Principais Simbólicas Universidade Federal de Pernambuco CIn.ufpe.br Análise de Componentes Principais O objetivo da análise de componentes principais é explicar a estrutura de variânciacovariância
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 05 - sistemas lineares - parte 2 Antonio Oliveira Ricardo Marroquim 1 / 27 laboratório de processamento de imagens tópicos métodos lineares mínimos quadrados equações
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 maisPMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Extração de Características
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Extração de Características Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Entender os conceitos de
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS/PCA ou ACP
Procedimento para a determinação de novas variáveis (componentes) que expliquem a maior variabilidade possível existente em uma matriz de dados multidimensionais. ANÁLISE DE COMPONENTES PRINCIPAIS/PCA
Leia maisMODELO DIGITAL DE TERRENO II
Geoprocessamento Graduação em Geografia 4º ano / 1º Semestre Profa. Dra. Fernanda Sayuri Yoshino Watanabe Departamento de Cartografia fernanda.watanabe@unesp.br 2019 MODELO DIGITAL DE TERRENO II TRABALHANDO
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões PCA. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões PCA Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos de PCA e suas aplicações
Leia maisPrograma 25/02/2019. Objetivo Geral: Processamento Digital de Imagens I Turma A. Objetivos Específicos:
Curso de Engenharia Cartográfica e Agrimensura Processamento Digital de Imagens I Turma A 2019/1 semestre Objetivo Geral: Conhecer técnicas de processamento de digitais que permitem extrair e identificar
Leia maisTRATAMENTO EFICIENTE DE VISIBILIDADE ATRAVÉS DE ÁRVORES DE VOLUMES ENVOLVENTES. Mauricio Hofmam
TRATAMENTO EFICIENTE DE VISIBILIDADE ATRAVÉS DE ÁRVORES DE VOLUMES ENVOLVENTES Mauricio Hofmam Objetivo Apresentar um estudo do uso de volumes envolventes para determinar os conjuntos de polígonos potencialmente
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 08 - calibração de câmera Antonio Oliveira Ricardo Marroquim 1 / 40 laboratório de processamento de imagens tópicos homografia 3D 2D distorção propriedades do centro
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 maisExercício Área - SPRING
Exercício Área - SPRING Figura 01 - Visualização dos dados contidos no projeto ativo. Comentários - Nesta etapa foi aberto o banco de dados, neste caso denominado São Paulo e foi definido o projeto, também
Leia maisPeríodo: 5 Carga Horária: 45 horas. UFPR Departamento de Geomática Prof. Jorge Centeno 2013 centenet
Sensoriamento Remoto II Período: 5 Carga Horária: 45 horas UFPR Departamento de Geomática Prof. Jorge Centeno 2013 copyright@ centenet Sensoriamento Remoto II Descrição da Ementa: Transformações espectrais:
Leia maisTE073 PDS II Programa de Pós-Graduação em Engenharia Elétrica
TE073 PDS II Programa de Pós-Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Objetivos Melhoria
Leia maisMultiplicadores de Lagrange
Multiplicadores de Lagrange Para motivar o método, suponha que queremos maximizar uma função f (x, y) sujeito a uma restrição g(x, y) = 0. Geometricamente: queremos um ponto sobre o gráfico da curva de
Leia mais21 e 22. Superfícies Quádricas. Sumário
21 e 22 Superfícies uádricas Sumário 21.1 Introdução....................... 2 21.2 Elipsoide........................ 3 21.3 Hiperboloide de uma Folha.............. 4 21.4 Hiperboloide de duas folhas..............
Leia maisTranformada de Fourier. Guillermo Cámara-Chávez
Tranformada de Fourier Guillermo Cámara-Chávez O que é uma série de Fourier Todos conhecemos as funções trigonométricas: seno, cosseno, tangente, etc. O que é uma série de Fourier Essa função é periódica,
Leia maisUD VI. Retificação / Normalização de Imagens Digitais
- 56 - UD VI Retificação / Normalização de Imagens Digitais Extração Automática do Terreno Retificação de Imagens Geometria Epipolar Normalização de Estereograma Exemplo de Algoritmo de Reamostragem Epipolar
Leia maisK - número de valores diferentes de níveis de cinza Pixel
PDI Formação de uma imagem p pixels Fonte de iluminação z i (energia incidente) y Sistema de imageamento r (energia refletida pelos objetos) Elemento da cena 3D x l linhas Plano de imagem Imagem digital
Leia mais4 Implementação do Gerador de arquivos VRML - VRMLGer
29 4 Implementação do Gerador de arquivos VRML - VRMLGer Neste capítulo são apresentados o desenvolvimento do Gerador de arquivos VRML - VRMLGer, a linguagem de programa utilizada, a estrutura da entrada
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 maisÁlgebra Linear I - Aula Forma diagonal de uma matriz diagonalizável
Álgebra Linear I - Aula 18 1 Forma diagonal de uma matriz diagonalizável 2 Matrizes ortogonais Roteiro 1 Forma diagonal de uma matriz diagonalizável Sejam A uma transformação linear diagonalizável, β =
Leia maisGPDI Grupo de Profissionais de Dados e Inteligência
GPDI Grupo de Profissionais de Dados e Inteligência Estatística e sua relação de dados Uma aplicação na redução da dimensionalidade em matrizes de dados Grupo de Profissionais de Dados e Inteligência Quem
Leia maisDetecção Robusta de Movimento de Câmera em Vídeos por Análise de Fluxo Ótico Ponderado
Detecção Robusta de Movimento de Câmera em Vídeos por Análise de Fluxo Ótico Ponderado Rodrigo Minetto Prof. Dr. Neucimar Jerônimo Leite (Orientador) Prof. Dr. Jorge Stolfi (Co-orientador) Instituto de
Leia mais2 Técnicas e Trabalhos Relacionados
17 2 Técnicas e Trabalhos Relacionados Um bom renderizador de modelos massivos tem que ser capaz de resolver três pontos: reduzir a complexidade da geometria onde ela não for necessária, não renderizar
Leia maisComo resolver o QFEMUP usando otimização
Como resolver o QFEMUP usando otimização Marina Andretta ICMC-USP 2 de agosto de 2016 Baseado no artigo M. Andretta, E. G. Birgin and M. Raydan, An inner-outer nonlinear programming approach for constrained
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 15 - Fluxo Ótico - parte I Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje fluxo ótico estimando movimentos em imagens 2 / 1 motivação para que serve?
Leia maisSegunda prova de Álgebra Linear - 01/07/2011 Prof. - Juliana Coelho
Segunda prova de Álgebra Linear - 01/07/011 Prof - Juliana Coelho JUSTIFIQUE SUAS RESPOSTAS! Questões contendo só a resposta, sem desenvolvimento ou justificativa serão desconsideradas! QUESTÃO 1, pts
Leia mais2 a experiência Sustentação em um aerofólio
2 a experiência Sustentação em um aerofólio 1) Introdução A explicação relativa à forma como um aerofólio gera sustentação tem sido motivo de polêmica ao longo dos últimos anos. Devido à complexidade matemática
Leia maisProjeto de Mestrado desenvolvido pela aluna Eveline Batista Rodrigues, no Departamento de Engenharia Elétrica da Universidade de São Paulo São
Projeto de Mestrado desenvolvido pela aluna Eveline Batista Rodrigues, no Departamento de Engenharia Elétrica da Universidade de São Paulo São Carlos, sob orientação do Prof Dr Homero Schiabel. SUMÁRIO
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 mais