CONCEPÇÃO E DESENVOLVIMENTO DE UM SISTEMA DE RECONHECIMENTO AUTOMÁTI- CO DE PLACAS DE VEÍCULOS AUTOMOTORES
|
|
- Maria de Lourdes Espírito Santo Azeredo
- 7 Há anos
- Visualizações:
Transcrição
1 CONCEPÇÃO E DESENVOLVIMENTO DE UM SISTEMA DE RECONHECIMENTO AUTOMÁTI- CO DE PLACAS DE VEÍCULOS AUTOMOTORES BRUNO CLEMENTE GUINGO 1, GUILHERME MATOSINHO STIEBLER 2, ANTONIO CARLOS GAY THOMÉ 3 1 Fundação Educacional Serra dos Órgãos Curso de Tecnologia em Processamento de Dados Av Alberto Torres, 111 Alto, CEP: Teresópolis, RJ, Brasil 2 Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Cidade Universitária - Ilha do Fundão, Caixa Postal 2324, CEP: Rio de Janeiro, RJ, Brasil 3 Universidade Federal do Rio de Janeiro Área de Ensino e Pesquisa, NCE/IM Cidade Universitária - Ilha do Fundão, Caixa Postal 2324, CEP: Rio de Janeiro, RJ, Brasil s: bruno.guingo@ufrj.br, gstiebler@ufrj.br, thome@nce.ufrj.br Abstract This article presents the conception and development of a system that aims the automatic recognition of vehicles plates through the application of computational intelligence and image processing techniques. The strategy adopted for the computational model is modular, covering from the image capturing process to the recognition of each one of the characters on the plate. Relevant aspects involved in the research are presented, as are the results obtained from the comparison between performances of the proposed system and two other commercial applications. Keywords plates recognition, plate localization, characters segmentation, features extraction, neural networks. Resumo Neste artigo é abordado a concepção e o desenvolvimento de um sistema que visa o reconhecimento automático das placas dos automóveis através da aplicação das técnicas de processamento de imagens e de inteligência computacional. A estratégia adotada para o modelo computacional é modular, que cobre desde a tomada da imagem até o reconhecimento de cada um dos caracteres que compõem a placa. São apresentados os aspectos relevantes estudados no decorrer da pesquisa, e ainda, os resultados obtidos na avaliação de desempenho do sistema com outros dois sistemas comerciais. Palavras-chave reconhecimento de placas, localização da placa, segmentação dos caracteres de placa, extração de características, redes neurais. 1 Introdução O reconhecimento da placa dos veículos automotores é uma aplicação que está inserida no contexto do reconhecimento de padrões, um ramo da ciência que se interessa pela descrição, classificação e também reconhecimento de objetos ou partes de uma imagem digital. O reconhecimento de padrões lida com técnicas para associar os padrões às suas respectivas classes, de forma automática e com a menor intervenção humana possível (GONZALEZ e THOMASON, 1978). O trabalho de reconhecimento de placas está inserido no campo de caracteres impressos, o que pode parecer uma aplicação de fácil solução, pois o objeto do reconhecimento, a placa, é constituído de caracteres impressos com formas bem definidas. Este fato pode induzir o pensamento de que um sistema de reconhecimento ótico de caractere pode facilmente resolver o problema, porém a realidade mostra o contrário. O reconhecimento da placa apresenta características próprias advindas, por exemplo, de efeitos diversos introduzidos por fatores como a velocidade de deslocamento do veículo, o ângulo de tomada da imagem, a distância e a qualidade técnica do equipamento de captura, a luminosidade natural ou falta da mesma, sombra, reflexo, diferenças de padrão entre as placas, estado de conservação da placa e outros, que tornam o problema muito mais complexo e difícil de ser tratado. Estes fatores aliados a outros problemas, tais como: variações da posição relativa da placa, tamanho da placa, inclinação, cor, contraste, a forma e a qualidade dos caracteres, dificultam sobremaneira a concepção de uma solução única, genérica e invariante aos mesmos. No Brasil, o desafio deste reconhecimento é ainda maior devido aos seis padrões diferentes de placas estabelecido pelo Código de Trânsito Brasileiro - CONTRAN, que causam uma diversidade de tipos e cores que introduzem um grande número de variáveis ao processo de reconhecimento como um todo.
2 2 Metodologia de Reconhecimento Proposta A maioria dos sistemas atualmente empregados na identificação de veículos são compostos por: uma câmera para aquisição da imagem do veículo, uma placa de aquisição de vídeo, um computador e um software para análise da imagem e reconhecimento da placa do veículo. Em virtude das diferentes estratégias e técnicas geralmente empregadas no processo de reconhecimento da placa de um veículo automotor, a proposta utilizada neste trabalho, segue a metodologia abordada em (GUINGO, 2003), que trata o problema de forma modular, onde o sistema de reconhecimento é constituído por seis módulos, e cada um destes tem uma funcionalidade específica. 2.1 Obtenção dos dados Para a realização desta pesquisa, foi imprescindível a obtenção de uma grande quantidade de fotografias digitais, pois é através delas que o estudo e o desenvolvimento de um modelo computacional se torna possível. Neste trabalho foram realizados três estudos de casos com imagens completamente diferentes. Para o primeiro estudo de caso, o Departamento de Estrada e Rodagem do Estado do Rio de Janeiro (DER-RJ), forneceu um conjunto de (nove mil e setenta e nove) imagens digitais de veículos. As imagens fornecidas foram obtidas através das diversas câmeras espalhadas pelas rodovias do Estado do Rio de Janeiro, utilizadas na fiscalização e aplicação de multas. O segundo estudo consiste na utilização de (duas mil e novecentos e oitenta e seis) imagens fornecidas pela Companhia de Engenharia e Tráfego do Município do Rio de Janeiro - CETRIO. Todas as imagens são provenientes de câmeras instaladas em diversas vias do Município do Rio de Janeiro, cuja utilização específica é a aplicação de multas aos condutores infratores. Já para o terceiro estudo de caso, foram utilizadas (três mil e novecentas e cinqüenta) imagens capturadas pela equipe do Laboratório de Inteligência Computacional da Universidade Federal do Rio de Janeiro LABIC/UFRJ no Posto de Vistoria do DETRAN-RJ (Cocotá Ilha do Governador). O objetivo do DETRAN-RJ é o reconhecimento automático da placa do veículo para prover uma maior segurança no processo de vistoria. Neste trabalho, buscou-se levar em consideração somente fotos obtidas em condições reais, com o objetivo de fazer-se assim face aos problemas e dificuldades que caracterizam a realidade das diferentes aplicações e contextos. 2.2 Localização da região da placa O algoritmo de localização foi implemento através de uma sucessão de passos, cuja finalidade foi quebrar e conquistar o problema por partes. No primeiro passo aplica-se uma redução no espaço de busca, geralmente por volta de 40% do total da imagem, com base em levantamentos estatísticos das áreas menos prováveis de conter o objeto procurado. No passo seguinte procura-se tirar proveito do padrão de cores das placas brasileiras que, excluindose as placas de táxi, apresentam um fundo em tom tendendo ao cinza e sobre o qual são sobrepostos os caracteres em cor preta. Nesta etapa, a região previamente selecionada no passo anterior é convolucionada com um filtro laplaciano de forma a identificar os pontos (pixels) que apresentem um determinado contraste entre os seus componentes individuais de cor no padrão RGB (azul-verde e azul-vermelho). Este filtro realça as altas freqüências presentes na imagem e dentre elas estão as bordas dos caracteres e, dependendo da cor do pára-choque do veículo, as bordas da própria placa. A figura 1 abaixo apresenta o resultado destes dois primeiros passos aplicados à imagem da esquerda. Figura 1. Programa de localização da região da placa. Concluída a definição das bordas esquerda e direita dos diferentes objetos da imagem, passa-se a busca de regiões com maior probabilidade de compor as bordas de um caractere. Segundo as normas estabelecidas pelo CONTRAN, a menor largura refere-se a letra I com 10mm e a maior com 54mm para as letras A e M. A largura média das letras é de 44mm. Nesta etapa os pontos selecionados como possíveis bordas, são armazenados em uma matriz de pontos de borda. Na etapa seguinte, para determinar a existência de uma ou mais regiões de placa, o algoritmo procura por áreas onde ocorra maior densidade de pontos de borda. O tamanho da área procurada também é previsto pelo CONTRAN como retangular e da ordem de 520cm 2. O tamanho da região, área e perímetro, e a densidade de pontos de borda no seu interior são os critérios utilizados para selecionar uma dentre as
3 regiões candidatas. Uma vez selecionada a região, esta é recortada da imagem original e repassada ao algoritmo de segmentação. 2.3 Segmentação dos Caracteres O algoritmo de segmentação possui diversos filtros digitais que são aplicados em seqüência de forma a abordar o problema por etapas que se refinam na determinação das fronteiras de cada caractere que compõe uma placa. O primeiro passo do algoritmo é converter a imagem recebida para tons de cinza e aplicar um filtro adaptativo para melhoria de contraste. A etapa seguinte consiste em fazer uma busca pelas regiões com maior potencial de representar um caractere. Esta busca é feita sobre a imagem em tons de cinza e é realizada com base na detecção de regiões conexas. A imagem é percorrida pixel a pixel, do mais escuro para o mais claro (luminosidade crescente). Se o pixel corrente não possuir nenhum vizinho mais escuro que ele (vizinhança de oito), é criado um novo grupo conexo contendo apenas este pixel, caso contrário, se houver apenas um vizinho mais escuro, o pixel corrente é incorporado ao seu grupo conexo, desde que a largura da região final não ultrapasse um determinado limite previamente definido. Se o pixel corrente possuir dois ou mais vizinhos pertencentes a diferentes grupos conexos, estes grupos poderão ser unificados caso atendam uma restrição de largura. Caso contrário o pixel corrente não é incorporado a nenhum dos grupos. Após percorrer toda a imagem, diversos grupos conexos terão sido formados e dentre eles deverão estar contidas as regiões com os caracteres desejados. Na figura 2 podese ver o resultado deste processamento. Figura 2. Janela do programa de localização de grupos conexos. A etapa seguinte consiste em eliminar regiões conexas com base nas suas dimensões e posição relativa na imagem e em seguida determinar os limites superior e inferior de cada uma das regiões conexas que tiverem sido selecionadas na etapa anterior. No próximo passo, linhas verticais são traçadas tangenciando as bordas esquerda e direita de cada uma das regiões conexas respeitando os seus respectivos limites (inferior e superior). O conjunto formado pelas linhas verticais de mesma altura (aproximadamente) é utilizado para definir as linhas de corte da região dos caracteres. O ângulo da linha de corte superior é tomado como a mediana dos ângulos entre os topos de cada duas colunas adjacentes. A segunda imagem da figura 3, apontada pela seta, mostra o limite superior e as colunas marcadas. Figura 3. Janela de determinação do ângulo de inclinação. Estabelecidos os limites inferior e superior da região estimada para os caracteres, sete regiões conexas são selecionadas para compor o conjunto de caracteres a ser reconhecido. 2.4 Extração de Características Neste módulo são extraídas características de cada imagem segmentada, de forma a compor uma assinatura para cada caractere. Diferentes técnicas de extração foram avaliadas, algumas bastante conhecidas (mapa de bits, projeções vertical e horizontal) e outras desenvolvidas no âmbito do LABIC (RODRIGUES, 2003). O mapa de bits (figura 4), como o próprio nome já diz, é formado por uma matriz em que cada célula representa a luminosidade de um pixel da imagem. No caso deste trabalho foi adotada uma matriz de tamanho 16x16 em função de estudos anteriores a- pontarem que não existe ganho com a utilização de matrizes de maiores tamanhos. Esta matriz pode ser construída a partir da imagem binarizada, onde os bits brancos (fundo) são marcados com zeros e os bits pretos (região de interesse) com uns, ou a partir da imagem em níveis de cinza com cada pixel variando entre zero e um ou zero e duzentos e cinqüenta e cinco. Figura 4. Mapa de Bits (16 x 16 pixels). A projeção horizontal (figura 5), também faz uso de uma matriz de bits sendo que a composição do vetor de características é formada pelo somatório dos pixels em cada linha da matriz. Figura 5. Projeção Horizontal.
4 A projeção vertical é semelhante à projeção horizontal, porém composta pelo somatório das colunas da imagem (figura 6). Figura 6. Projeção Vertical. A técnica desenvolvida no LABIC é baseada na projeção do contorno da imagem sobre os lados de um polígono regular posicionado em torno de cada caractere. O polígono circundante pode ser de qualquer número de lados, a partir de quatro (quadrado) até muitos lados (círculo). O vetor de características é formado pelas distâncias perpendiculares tomadas de cada lado do polígono até o contorno da imagem. Na figura 7 estão representados alguns possíveis casos de extração de características. Quadrado Hexágono Octógono Quadrado Rotacionado Círculo Figura 7. Métodos de extração de características. Todos os métodos de extração de características utilizados são baseados na quantidade de pixels das imagens dos caracteres (binarização). 2.5 Reconhecimento dos Caracteres O modelo de rede neural adotado para o reconhecimento dos caracteres foi o Multi-Layer Perceptron - MLP (BISHOP, 1995 e HAYKIN, 1999), treinado com o algoritmo backpropagation. O software utilizado para a simulação foi o MatLab versão 5.2 (DEMUTH e BEALE, 1992) e versão 6.0 (GUIDE IS MATLAB6.0). A função de ativação faz uso de um somatório simples das entradas ajustadas pelos seus respectivos pesos. Como função de propagação, utilizou-se a função logística sigmoidal, tanto na camada escondida quanto na camada de saída. O treinamento da rede foi realizado usando a opção traingdx com momento e taxa de aprendizado adaptativa. A entrada da rede para cada placa é composta por uma matriz de tamanho λx7, onde o λ depende do número de características extraídas. A saída para cada caractere foi configurada como um vetor ortogonal de dimensão 10 para os dígitos e 26 para as letras (tabelas 1 e 2). Tabela 1. Codificação da saída dos dígitos. Dígitos Saída Tabela 2. Codificação da saída das letras. Letras Saída A B Z Para normalização dos dados de entrada foi adotada a técnica Z-score (JOHNSON e WICHERN, 1992). Esta técnica apresenta como resultado o número de desvios-padrão que cada elemento do conjunto de dados está distante da média do conjunto. A equação abaixo mostra como é feito este cálculo. p p p = (1) n σ p Onde, p = vetor de entrada normalizado n p = vetor de entrada p = média dos vetores de entrada σ p = desvio-padrão dos vetores de entrada Também é feito o uso da técnica de PCA com fator de corte de 0,001, com o objetivo de reduzir a dimensionalidade dos vetores de características. 4 Estratégias de Reconhecimento Diversas topologias e arquiteturas foram testadas para cada estudo de caso. Na tabela 3 são apresentados os métodos e melhores resultados obtidos. Tabela 3. Avaliação das Estratégias de Reconhecimento. Avaliação DER-RJ CETRIO DETRAN-RJ Localização ,67% Segmentação 76,61% 87,16% 91,82% Estração de Características Reconhecimeto Dígitos Reconhecmento Letras Melhor Rede de Dígitos Melhor Rede de Letras Quad128 Quad128e256 QuadRot128, Hex128e256, MB256 Quad128 MB256 PH16 PV16 79,75% 96,98% 97,60% 72,25% 91,00% 95,24% Entr: 99 Oculta:47 Saída:10 Entr: 109 Oculta:47 Saída:26 Entr: 83 Oculta:54 Saída:26 Entr: 110 Oculta: 60 Saída:10 Entr: 114 Oculta:70 Saída:26 Legenda da Tabela 3: Quad128 = Quadrado com 128 medidas, Quad256 = Quadrado com 256 medidas, QuadRot128 = Quadrado Rotacionado com 128 medidas, Hex128 = Hexágono com 128 medidas, Hex256 = Hexágono com 256 medidas, MB256 = Mapa de Bits com 256 medidas, PH16 = Projeção Horizontal com 16 medidas, PV16 = Projeção Vertical com 16 medidas, Entr: Entrada da rede, Oculta: Nº de neurônios da camada oculta da rede, Saída: Nº de neurônios da camada de saída da rede.
5 Para o reconhecimento dos dígitos da CETRIO e DETRAN-RJ, foram utilizadas duas redes, uma para realizar o reconhecimento dos dígitos 1, 2, 3, 4, 5, 6, 7 e 9 com o método de extração de características poligonal do quadrado com 128 medidas e a outra para reconhecer os dígitos 0 e 8 com o método do mapa de bits 256 (figura 8). Figura 8. Estratégia com dois módulos neurais. 5 Avaliação de Desempenho É apresentado neste tópico uma comparação do sistema proposto, que é composto pelas estratégias que foram definidas como as melhores para realizarem o reconhecimento nos dígitos e nas letras com dois softwares demonstrativos adquiridos via download na internet, o primeiro desenvolvido no Brasil, o SIAV2.0 (AUTOMATISA, 2002) e com o SEECAR (HTSOL, 2002) que foi desenvolvimento por uma empresa israelense. O reconhecimento da placa foi executado apenas no terceiro estudo de caso (DETRAN-RJ), com a utilização de um conjunto de dados com 150 imagens que não fizeram parte do treinamento e nem do teste das redes. Este conjunto foi dividido em três subconjuntos com 50 imagens dentro das seguintes classes: fotos boas, normais e ruins. A separação das imagens para compor cada um dos conjuntos foi realizada visualmente e cabe ressaltar que no conjunto de imagens ruins existem exemplares que o próprio ser humano tem dificuldade em reconhecer a licença do veículo. A tabela 4 apresenta os resultados apurados na avaliação dos três conjuntos, discriminando os erros ocorridos na localização, segmentação e reconhecimento. Tabela 4. Resultado da avaliação do reconhecimento da placa. Avaliação Boas Normais Ruins Localização Acerto Erro Segmentação Acerto Erro Reconhecimento Acerto Válidas Erro Geral Acerto (Loc+Seg+Rec) Erro Com base nos dados da tabela 4 pode-se verificar como os processos de localização e de segmentação impactam sobre o processo de reconhecimento, quando estes falham em sua tarefa. O erro ocorrido na localização é propagado para a segmentação, e se neste processo também ocorrer erro, este é acumulado com o erro na localização que, por sua vez é propagado para o reconhecimento, causando com isso uma queda do reconhecimento. Fazendo uma análise apenas nas imagens que chegam para o processo de reconhecimento, vemos que este tem sempre uma taxa de acerto de aproximadamente 90% na placa como um todo. A comparação entre os softwares foi realizada com o uso de um conjunto de 300 imagens aleatórias, que não participaram de nenhum treinamento ou teste do sistema PROPOSTO. Os resultados obtidos nesta comparação estão apresentados na tabela 5 a seguir. Tabela 5. Resultado da comparação entre os sistemas. SISTEMA Acerto % Erro % SIAV , ,33 SEECAR , ,33 PROPOSTO , ,00 6 Conclusão A localização nos estudos de caso do DER-RJ e da CETRIO não foram realizadas de forma automática. Já para o estudo de caso do DETRAN-RJ, foi realizada através do programa de localização desenvolvido, cujo percentual de acerto foi de 98,67%, um resultado considerado muito bom, tendo em vista que o processo ainda se encontra em desenvolvimento. O processo de segmentação foi modificado e melhorado ao longo da pesquisa. Começou com uma taxa de 76,61% no DER-RJ e terminou com 91,82% considerando os sete caracteres de cada placa corretos. O Desempenho final foi bem superior ao alcançado no estudo de caso do DER-RJ e da CETRIO, em virtude da implementação de novas rotinas no algoritmo de segmentação (GUINGO, RODRIGUES & THOMÉ, ), que deram um melhor tratamento a alguns problemas que anteriormente não eram abordados (GUINGO, RODRIGUES & THO- MÉ, ) e da CETRIO (GUINGO, RODRIGUES & THOMÉ, ). Na extração das características foram utilizados os métodos: projeção poligonal com o quadrado 128 e 256, quadrado rotacionado 128, hexágono 128 e 256, o mapa de bits 256, a projeção horizontal 16 e a projeção vertical 16. A aplicação da técnica de Zscore juntamente com a técnica de PCA nos dados de entrada da rede mostrou ser bastante eficiente, tanto na normalização quanto na exclusão dos dados de entrada com pouca significância. No reconhecimento dos dígitos fez-se uso de duas redes neurais, a primeira empregou o método poligonal do quadrado 128 para a extração de características e fez o reconhecimento dos dígitos 1, 2, 3, 4, 5, 6, 7 e 9 e a outra fez a utilização
6 do mapa de bits 256 para reconhecer somente os dígitos 0 e 8. A taxa de reconhecimento dos dígitos foi de 97,60%. Para as letras foi utilizado uma rede com o método de extração de características, o mapa de bits 256 concatenado com projeção vertical 16 e com a projeção horizontal 16. Sua taxa de acerto foi de 96,38%. Na comparação entre os sistemas (PROPOSTO, SIAV2.0 e SEECAR), pôde-se verificar que o sistema de melhor taxa no reconhecimento foi o do DETRAN-RJ abordado neste trabalho. A taxa obtida no reconhecimento foi 40,55% maior que o segundo melhor resultado. JOHNSON, Richard A. and WICHERN, Dean W., Applied Multivariate Statistical Analysis, 3 ed. Prentice-Hall International, Inc., p. il ISBN RODRIGUES, Roberto José, Segmentação e extração de características para reconhecimento automático de caracteres Estudo e propostas. Dissertação (Mestrado em Ciência da Computação) Universidade Federal do Rio de Janeiro, Referências Bibliográficas AUTOMATISA, Empresa Automatisa Ltda. Disponível na internet via Arquivo consultado em BISHOP, C. M., Neural Networks for Pattern Recognition, Oxford University Press, DEMUTH, Howard and BEALE, Mark, Neural Network Toolbox for Use with Matlab: User s Guide Version 3.0, copyright by The MathWorks, Inc. GONZALEZ, Rafael C. and THOMASON Michael G., Syntatic Pattern Recognition: An Introduction, Addison-Wesley Publishing Company, Inc., GUIDE IS MATLAB6.0, Neural Network Toolbox 4.0 Release Notes. Chapter 32. GUINGO, Bruno Clemente, Reconhecimento Automático de Placas de Veículos Automotores. Dissertação (Mestrado em Ciência da Computação) Universidade Federal do Rio de Janeiro, GUINGO, B. C.; RODRIGUES, R. J. and THOMÉ, A. C. G. Automatic Identification for Automotives Vehicles Plates. 3 rd WSEAS - Conference on Neural Networks and Applications NNA'02, Fuzzy Sets and Fuzzy Systems FSFS'02, Evolutionary Computation EC'02, Interlaken Switzerland, Reconhecimento Automático de Placas de Veículos Automotores através de Redes Neurais Artificiais. 2º Congresso Brasileiro de Computação, Itajaí-SC, Técnicas de Segmentação de Imagens, Extração de Características e Reconhecimento de Caracteres de Placas de Veículos. 7º Simpósio de Informática e 2ª Mostra Regional de Software Acadêmico, PUCRS - Uruguaiana-RS, HAYKIN, Simon., Redes Neurais: Princípios e Prática, 2. ed. Porto Alegre: Bookman, HTSOL, Hi-Tech Solutions Inc. Disponível na internet via Arquivo consultado em 2002.
Técnicas de Segmentação de Imagens, Extração de Características e Reconhecimento de Caracteres de Placas de Veículos
Técnicas de Segmentação de Imagens, Extração de Características e Reconhecimento de Caracteres de Placas de Veículos Bruno Clemente Guingo 1 Roberto José Rodrigues 2 Antonio Carlos Gay Thomé 3 Universidade
Leia maisROBUSTEZ NA SEGMENTAÇÃO DE PLACAS VEICULARES EM CONDIÇÕES COMPLEXAS DE AQUISIÇÃO
UNIVERSIDADE PRESBITERIANA MACKENZIE MESTRADO EM ENGENHARIA ELÉTRICA LUIZ ANGELO D AMORE ROBUSTEZ NA SEGMENTAÇÃO DE PLACAS VEICULARES EM CONDIÇÕES COMPLEXAS DE AQUISIÇÃO SÃO PAULO 2010 Livros Grátis http://www.livrosgratis.com.br
Leia maisReconhecimento de Caracteres Manuscritos Utilizando Time de Redes Neurais
Reconhecimento de Caracteres Manuscritos Utilizando Time de Redes Neurais Eugênio Silva 1, Antonio C. G. Thomé 1 1 Instituto de Matemática (IM) Núcleo de Computação Eletrônica (NCE) Universidade Federal
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 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 maisMorfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
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 maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisFaculdade de Talentos Humanos - FACTHUS, Uberaba (MG), Brasil
RECONHECIMENTO DE PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS ARTIFICIAIS Rogerio Bernardes Andrade 1 ; Cristiano Rodrigues Flores Maciel 1 ; Bruno Alves Romero 2 1, 2 Faculdade de Talentos Humanos - FACTHUS,
Leia maisDetecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia maisProcessamento de Imagens Marcia A. S. Bissaco
Engenharia Biomédica Processamento de Imagens Marcia A. S. Bissaco 1 Exemplos filtros Média Mediana Passa_B Passa_A Borda_H Borda_V Sobel_Y Sobel_X Oliveira, Henrique J. Quintino (UMC-SP), 2 Media Mediana
Leia maisRECONHECIMENTO AUTOMÁTICO DE PLACAS DE VEÍCULOS AUTOMOTORES ATRAVÉS DE REDES NEURAIS ARTIFICIAIS
RECONHECIMENTO AUTOMÁTICO DE PLACAS DE VEÍCULOS AUTOMOTORES ATRAVÉS DE REDES NEURAIS ARTIFICIAIS Bruno Clemente Guingo bcguingo@posgrad.nce.ufrj.br Antonio Carlos Gay Thomé thome@nce.ufrj.br Roberto José
Leia maisAutor: Diego Gouvêa Macharete Trally
Autor: Diego Gouvêa Macharete Trally Orientador: José Gabriel R. C. Gomes 1 Introdução Motivação O Processo de Ajuste A Eletrônica do Projeto Processamento de Imagem Controle Resultados d Obtidos Conclusões
Leia maisLocalização de placas veiculares por varredura de bordas verticais Amanda Cristine Damian e Giselle Lopes Ferrari
Localização de placas veiculares por varredura de bordas verticais Amanda Cristine Damian e Giselle Lopes Ferrari UFPR Universidade Federal do Paraná amanda.led@gmail.com ferrari@eletrica.ufpr.br Resumo
Leia maisImplementação de códigos no Matlab para detecção de falhas em cordão de soldas. Adailton Turczen de Melo Andrine M. Varela da Cruz Wallace Griz Ayres
Implementação de códigos no Matlab para detecção de falhas em cordão de soldas Adailton Turczen de Melo Andrine M. Varela da Cruz Wallace Griz Ayres Departamento Acadêmico de Eletrônica (DAELN) - Universidade
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisLOCALIZAÇÃO AUTOMÁTICA DE PLACAS DE VEÍCULOS UTILIZANDO VARIÂNCIA TONAL
LOCALIZAÇÃO AUTOMÁTICA DE PLACAS DE VEÍCULOS UTILIZANDO VARIÂNCIA TONAL Guilherme B. da Cunha 1, Adriano A. Pereira 1, Keiji Yamanaka 1, Edna L. Flores 1, Fábio J. Parreira 1 1 Universidade Federal de
Leia maisUm Estudo das Técnicas de Obtenção de Forma a partir de Estéreo e Luz Estruturada para Engenharia
Um Estudo das Técnicas de Obtenção de Forma a partir de Estéreo e Luz Estruturada para Engenharia Aluno: Gabriel Malizia Orientador: Professor Marcelo Gattass Co-Orientador: Professor Paulo Cezar Carvalho
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 maisVISÃO COMPUTACIONAL PARA A LEITURA DO DISPOSITIVO MOSTRADOR DE INSTRUMENTOS DE MEDIÇÃO
VISÃO COMPUTACIONAL PARA A LEITURA DO DISPOSITIVO MOSTRADOR DE INSTRUMENTOS DE MEDIÇÃO Danilo Alves de Lima 1, Guilherme Augusto Silva Pereira 2, Flávio Henrique de Vasconcelos 3 Departamento de Engenharia
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia mais3 Modelos Flex ıveis 3.1 Active Contour Model
3 Modelos Flexíveis Em Visão Computacional, uma das principais premissas é processar uma imagem com a finalidade de compreendê-la e retirar dela informações úteis. É utilizada em diversas aplicações atualmente,
Leia maisExtração de Características para o Reconhecimento de Letras Manuscritas
Extração de Características para o Reconhecimento de Letras Manuscritas EUGÊNIO SILVA IME - Instituto Militar de Engenharia, DE9 - Departamento de Engenharia de Sistemas Praça Gen. Tibúrcio, 80, Praia
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 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 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 maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Leia maisDetecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando Redes Neurais Artificiais nos canais RGB
Detecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando Redes Neurais Artificiais nos canais RGB Cássio Avelino Adorni cassioaa@ig.com.br Adilson Gonzaga adilson@sel.eesc.usp.br Departamento
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 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 mais3 Simpósio Internacional de Agricultura de Precisão
PROGRAMA COMPUTACIONAL PARA LOCALIZAÇÃO DE PLANTAS DANINHAS UTILIZANDO PROCESSAMENTO DE IMAGENS DIGITAIS Gustavo Finholdt 1, Celso Bandeira de Melo Ribeiro 2, Francisco de Assis de Carvalho Pinto 3 RESUMO:
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 maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
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 maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisClassificação de Folhas por Tamanho e Forma Através de Descritores Geométricos e Análise dos Componentes Principais
Classificação de Folhas por Tamanho e Forma Através de Descritores Geométricos e Análise dos Componentes Principais MARCOS C. DE ANDRADE, LÚCIO C. M. PINTO Centro de Desenvolvimento da Tecnologia Nuclear
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
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 maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
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 maisUniversidade Federal do Rio de Janeiro COPPE. Trabalho de Processamento de Imagens Reconhecimento de Símbolos de Componentes Eletrônicos
Universidade Federal do Rio de Janeiro COPPE Trabalho de Processamento de Imagens Reconhecimento de Símbolos de Componentes Eletrônicos Nome: Fernanda Duarte Vilela Reis de Oliveira Professores: Antonio
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
Leia mais4 Análise de Dados. 4.1.Procedimentos
4 Análise de Dados 4.1.Procedimentos A idéia inicial para a comparação dos dados foi separá-los em series de 28 ensaios, com a mesma concentração, para depois combinar esses ensaios em uma única série.
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 maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisAula 9 Representação e Descrição. Profa. Fátima Nunes AULA 9 / 1. Profa. Fátima L. S. Nunes
Fundamentos de Processamento Gráfico Aula 9 Representação e Descrição Profa. Fátima Nunes AULA 9 / 1 Reconhecimento de padrões AULA 9 / 2 Após a segmentação dar significado aos objetos extraídos da cena.
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 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 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 maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientadores: Dr. Luiz E. S. Oliveira/Dr. Alceu Britto Programa de Pós-Graduação em Informática Departamento de Informática UFPR Neurônio Artificial Redes Neurais - Vetor de Caracteristícas
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 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 maisImplementação e testes de sistema de visão computacional para o reconhecimento de placas de carros.
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 70-75, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Implementação e testes de sistema de visão
Leia maisTópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
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 maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisCAPÍTULO 5 RESULTADOS. São apresentados neste Capítulo os resultados obtidos através do programa Classific, para
CAPÍTULO 5 RESULTADOS São apresentados neste Capítulo os resultados obtidos através do programa Classific, para as imagens coletadas no verão II, período iniciado em 18/01 e finalizado em 01/03 de 1999,
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia maisSoftware para Auxílio à Pré-alfabetização Infantil Baseado em Reconhecimento Inteligente de Caracteres Manuscritos
Software para Auxílio à Pré-alfabetização Infantil Baseado em Reconhecimento Inteligente de Caracteres Manuscritos Peterson Adriano Belan 1, Edilaine Petinari Nery 1, Sidnei Alves de Araújo 1,2 1 Centro
Leia maisDesenvolvimento de um Software para auxiliar o estudo da relação entre análise química e característica visual em plantas medicinais
Desenvolvimento de um Software para auxiliar o estudo da relação entre análise química e característica visual em plantas medicinais Vinícius Leonardo Gadioli da Silva 1,4 Bernardo Antônio Tavares Gomes
Leia maisIF-705 Automação Inteligente Perceptrons de Múltiplas Camadas
IF-705 Automação Inteligente Perceptrons de Múltiplas Camadas Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisProcessamento de Imagens Termais Aplicado à Navegação Autônoma. Wanessa da Silva
Processamento de Imagens Termais Aplicado à Navegação Autônoma Wanessa da Silva Outubro, 2016 Introdução Roteiro Métodos Imagens Utilizadas Resultados Considerações Finais 1. Introdução 2. Métodos 4. Imagens:
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisTransformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Abstract. Jader Teixeira 1, Alex Vinícios Telocken 1 1 Universidade de Cruz Alta (UNICRUZ) jader033139@unicruz.edu.br,
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
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 maisAnálise de Técnicas de Extração de Características para o Reconhecimento de Dígitos Manuscritos
Análise de Técnicas de Extração de Características para o Reconhecimento de Dígitos Manuscritos Rafael M. O. Cruz, George D. C. Cavalcanti e Tsang Ing Ren Centro de Informática Universidade Federal de
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Segmentação
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Segmentação A separação dos pixeis relativos a cada objeto, ou região, é uma etapa fundamental para o sucesso do processo de análise da imagem. Embora
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisTrabalho de Programação 2 Processador CESAR. 1. Descrição Geral. 2. Especificação do Trabalho
1. Descrição Geral UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL Trabalho de Programação 2 Processador CESAR O trabalho para o computador CESAR está baseado no trabalho desenvolvido para o computador RAMSES.
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 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisFundamentos sobre. Universidade Federal do Rio de Janeiro - IM/DCC & NCE. Antonio G. Thomé Sala AEP/1033. Processamento de Imagens
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Fundamentos sobre Processamento de Imagens Antonio G. Thomé thome@nce.ufrj.br Sala AEP/1033 Sumário do Curso Introdução Ambientação com o MatLab Aquisição
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 maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisA instalação do DCR compreende apenas a descompactação do arquivo DCR.zip num diretório no disco. Descompacte o arquivo DCR.zip num novo diretório.
Manual DCR Sumário Apresentação... 1 Instalar o DCR... 1 Ativar o DCR... 1 Treinamento... 2 Entrar no Modo Treinamento... 2 Criar um Conjunto de Entrada... 2 Treinar a RNA... 4 Retreinar a RNA... 5 Testar
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 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 maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
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 maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia maisSISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2. SIG- Eng. Cartográfica Prof. Luciene Delazari
SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2 SIG- Eng. Cartográfica Prof. Luciene Delazari Descrição de uma realidade com algum propósito Modelo MODELAR Termo geral para denotar o processo de construir representações
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia mais11º ENTEC Encontro de Tecnologia: 16 de outubro a 30 de novembro de 2017
A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NO AUXÍLIO NA IDENTIFICAÇÃO DE MELANOMAS Adroaldo Antônio Candido Neto 1 ; Stéfano Schwenck Borges Vale Vita 2 1, 2 Universidade de Uberaba adroaldoneto94@outlook.com;
Leia maisIdentificação de veículos utilizando técnicas de visão computacional
Identificação de veículos utilizando técnicas de visão computacional Eliézer Fazzioni Bourchardt,, Maximiliano Zambonatto Pezzin Curso de Sistemas de Informação Universidade do Contestado (UnC) Rua Victor
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia mais1 Introdução. 2 Especificação
Bacharelado em Ciência da Computação DINF / UFPR CI067 - Oficina de Computação 2. semestre 2012 Prof. Luiz Eduardo S. de Oliveira Prof. Diego Roberto Antunes 29/11/2012 Releases - Histórico: r0 29/11/2012
Leia maisFigura. 5.1 Resposta do LED de 5 mm de diâmetro em função da corrente elétrica aplicada.
56 5 Resultados Neste capítulo serão apresentados os resultados das medidas experimentais feitas no presente trabalho. Para facilitar a compreensão, o texto procura seguir a mesma seqüência que aquela
Leia mais