Romuere Silva, Kelson Aires, Rodrigo Veras, Alcilene Sousa Universidade Federal do Piauí Piauí, Brasil
|
|
- João Lucas Klettenberg Santiago
- 6 Há anos
- Visualizações:
Transcrição
1 ANÁLISE DE MODELOS DE CORES PARA DETECÇÃO DE MOTOCICLISTAS SEM CAPACETE EM IMAGENS Romuere Silva, Kelson Aires, Rodrigo Veras, Alcilene Sousa Universidade Federal do Piauí Piauí, Brasil Abstract Motorcycles are widely used, they are one of the main means of transportation in many countries. The helmet is the main safety equipment of motorcyclists, and its use is mandatory in Brazil, but many motorcyclists do not use it or use it incorrectly. This paper analizes four color models (RGB, HSI, HSV, YCbCr) to be used in feature extraction and image classification. The Local Binary Pattern (LBP)algorithm was used in feature extraction and the algorithm Support Vector Machine (SVM) was used in image classification. The best results were obtained by V band from the HSV color space with an accuracy rate of and Kappa index of Keywords Motorcycle, Helmet, Color model. Resumo Motocicletas são amplamente utilizadas em vários países, sendo este um dos principais meios de transporte. O principal equipamento de segurança do motociclista é o capacete. Apesar de seu uso ser obrigatório muitos motociclistas não o utilizam ou o utilizam de forma errada. Este trabalho tem por objeto fazer uma análise de modelos de cor para ser utilizado na extração de características e posterior classificação de imagens de motociclistas. Foram utilizadas imagens estáticas capturadas em vias públicas. O algoritmo Padrão Binário Local (Local Binary Pattern - LBP) foi utilizado na extração de atributos das imagens. O algoritmo Máquina de Vetor de Suporte (Support Vector Machine - SVM) foi utilizado na classificação das imagens. O melhor resultado foi obtido utilizando a componente V (brilho) do modelo de cores HSV, a acurácia foi de 0,8941 e o índice Kappa foi de 0,7778. Keywords Motociclista, Capacete, Modelos de cor. 1 Introdução As motocicletas são um dos meios de transporte mais utilizados no mundo. As principais vantagens em relação a outros veículos são: o preço baixo e o custo de operação menor. Na última década, verificou-se um aumento no número de acidentes envolvendo motocicletas. Em 2011, de acordo com o Departamento Nacional de Infraestrutura de Transportes (DNIT), o Brasil teve um total de motos envolvidas em acidentes (DNIT, 2011). De acordo com um estudo sobre violência no trânsito (Waiselfisz, 2013) o número de mortes no mesmo ano foi de O principal equipamento de segurança dos motociclistas é o capacete. Embora o uso do capacete seja obrigatório, muitos motociclistas não o utilizam ou fazem uso de forma incorreta. Segundo o Departamento de Transportes dos EUA, em 2011, apenas 66% dos motociclistas utilizaram capacete de acordo com a lei (NHTSA, 2011). Estatísticas dos Centros de Controle e Prevenção de Doenças dos EUA comprovam que o não uso do capacete resulta em maiores taxas de mortalidade no trânsito. Este trabalho tem por objetivo analisar os principais modelos de cores na detecção de motociclistas sem capacete. Para isso, foram utilizadas imagens estáticas de trânsito. Além disso, o algoritmo Padrão Binário Local (Local Binary Pattern - LBP) foi utilizado para extração de atributos nas imagens e o classificador Máquina de Vetor de Suporte (Support Vector Machine - SVM). 1.1 Trabalhos Relacionados Nos últimos anos, diversos trabalhos foram realizados em análise de tráfego em vias públicas, incluindo detecção, classificação e contagem de veículos, e detecção de capacete. A seguir são mostrados alguns trabalhos relacionados à detecção de capacete. Chiu et al. (2007) propuseram um sistema de visão computacional com o objetivo de detectar e rastrear motocicletas parcialmente obstruídas por outro veículo. Nesse trabalho foi considerado que a presença do capacete identifica a presença de uma motocicleta. O sistema parte do pré-suposto que a região do capacete possui forma similar a um círculo. A fim de detectar a presença do capacete, as bordas da imagem são calculadas sobre a possível região do mesmo, ou seja a região onde a motocicleta está. Após isso, é feita uma contagem da quantidade de pontos de borda que são semelhantes a um círculo. Caso essa quantidade seja igual ou maior a um valor pré-definido na calibração do sistema, essa região irá corresponder a um capacete. Caso o sistema detecte um capacete significa que no mesmo local existe uma motocicleta. Na sua fase de calibração, o sistema necessita de alguns parâmetros a serem informados pelo operador do sistema, tais como: raio do capacete, ângulo e altura da câmera. 2540
2 Chiverton (2012) descreveu e testou um sistema de rastreamento e classificação automática de motociclistas com e sem capacete. O sistema utiliza o classificador SVM, que é treinado com os vetores de atributos do descritor Histograma de Orientação dos Gradientes (Histogram of Oriented Gradients - HOG) (Dalal e Triggs, 2005). O descritor HOG é executado com o operador de Sobel (Sobel, 1970) para o cálculo das bordas com uma vizinhança de 3 3 pixels. Para o cálculo do plano de fundo o algoritmo proposto em (Zivkovic, 2004) é utilizado. Na extração dos histogramas são utilizadas fotografias estáticas e quadros de imagem individuais a partir dos dados de vídeo. O método obteve uma uma taxa de acerto total de 83% para classificação de motocicletas e 85% para detecção do capacete. Observa-se no trabalho que a quantidade de imagens na fase de testes é pouca. O trabalho mais recente sobre detecção do uso de capacete foi proposto por Waranusast et al. (2013). Nesse trabalho é feita uma classificação utilizando informações geométricas da região da cabeça e informações de cor. Esses atributos são utilizados pelo classificador KNN para classificar as imagens de pessoas com capacete e sem capacete. Além disso, o sistema faz a contagem de passageiros na motocicleta. Segundo os autores, a fase de contagem de passageiros teve um total de 83,82% de acerto. Na fase de detecção do capacete, a taxa de acerto foi de 89%. Vale destacar que para essa fase as imagens da região da cabeça foram recortadas manualmente. Observou-se que as imagens utilizadas foram capturadas perpendiculares à câmera, ou seja as imagens são das laterais das motocicletas. Isso torna o sistema falho, visto que é impossível capturar a placa do veículo nessa posição. Ao utilizar as imagens dessa forma, a identificação de mais de uma pessoa na motocicleta é facilitada. O motivo disso é que caso as imagens tivessem sido capturadas em outro ângulo provavelmente uma das pessoas na motocicleta iria sobrepor a outra, gerando uma oclusão. 2 Materiais e Métodos Nesta seção é descrita a base de imagens utilizada. Além disso, são descritos os algoritmos utilizados para extração de características das imagens e classificação das imagens. 2.1 Base de Imagens A base de imagens é composta por imagens estáticas. As imagens foram capturadas em uma localidade onde a quantidade de motociclistas sem capacete era equilibrada em relação a quantidade de motociclistas com capacete. Uma câmara de vídeo CCD foi utilizada. A base de imagens está assim distribuída: 151 imagens de motociclistas com-capacete; e 104 imagens de motociclistas sem-capacete. A Figura 1 mostra exemplos de imagens. Figura 1: Exemplo de imagens que compõe a base. 2.2 Sistemas de Cores O objetivo dos modelos de cores é permitir a especificação de cores em um formato padronizado. Um modelo de cores é uma representação n-dimensional, onde cada pixel da imagem é representado por um ponto que, geralmente, possui três coordenadas. RGB: O modelo RGB é baseado em um sistema de coordenadas cartesianas. Esse modelo de cor é formado por três componentes. A primeira componente é a vermelha (Red - R), a segunda é a verde (Green - G) e a terceira é a azul(blue - B). A Figura 2 mostra uma imagem da base de imagens e suas componentes no modelo de cores RGB. (d) Figura 2: Componentes do modelo de cor RGB. Imagem original. Componente vermelha. Componente verde. (d) Componente azul. HSV: O modelo de cor HSV é definido por três componentes: matiz (Hue - H), saturação (Saturation - S) e brilho (Value - V). O matiz determina a cor ou tonalidade. O brilho determina a intensidade percebida (cor mais clara ou mais escura). A saturação determina a pureza da cor. A Figura 3 mostra uma imagem da base de imagens e suas componentes no modelo de cores HSV. 2541
3 Anais do XX Congresso Brasileiro de Automática O descritor LBP original (Ojala et al., 1996) rotula os pixels de uma imagem em nı veis de cinza por limiarizac a o. O valor do limiar e o pixel central da janela de vizinhanc a 3 3. Cada pixel e comparado com o pixel central e o resultado final e considerado um nu mero bina rio. Esse procedimento e feito para todas as janelas escolhidas da imagem. Apo s todas as janelas serem computadas, o vetor de caracterı sticas e montado com a junc a o dos valores obtidos. A Figura 6 ilustra o processo. (d) Figura 3: Componentes do modelo de cor HSV. Imagem original. Componente de matiz. Componente de saturac a o. (d) Componente de brilho. HSI: O modelo HSI permite separar as componentes de matiz (Hue - H), saturac a o (Saturation - S) e intensidade (Intensity - I)da informac a o de cor em uma imagem. A Figura 4 mostra uma imagem da base de imagens e suas componentes no modelo de cores HSI. Figura 6: Exemplo de ca lculo do descritor LBP. Exemplo de janela. Limiarizac a o baseada no pixel central. Padra o calculado a partir do resultado da limiarizac a o. (d) Apo s a limiarizac a o, um histograma da ce lula e calculado, ou seja, as quantidades de 0 e 1 sa o calculadas. As caracterı sticas mais relevantes do descritor LBP sa o a sua tolera ncia a mudanc as de iluminac a o e sua simplicidade computacional. Figura 4: Componentes do modelo de cor HSI. Imagem original. Componente de matiz. Componente de saturac a o. (d) Componente de intensidade. 2.4 Os estudos sobre SVM foram introduzidos por Vapnik (Cortes e Vapnik, 1995). De um modo geral, a SVM faz um mapeamento do espac o de entrada para um espac o de dimensionalidade maior. Em seguida, e calculado um hiperplano de separac a o o timo. O hiperplano de separac a o o timo e escolhido de modo a maximizar a dista ncia de separac a o entre as classes (Haykin, 2001). Diz-se que duas classes sa o linearmente separa veis se existe um hiperplano que separe as mesmas. A Figura 7 mostra duas classes linearmente separa veis e seu hiperplano de separac a o o timo. YCbCr: Os componentes do modelo de cor YCbCr sa o: lumina ncia (Y), cromina ncia da diferenc a azul (diferenc a entre a componente azul e um valor de refere ncia) (Cb) e cromina ncia da diferenc a vermelha (Diferenc a entre a componente vermelha e um valor de refere ncia) (Cr). A Figura 5 mostra uma imagem da base de imagens e suas componentes no modelo de cores YCbCr. Hiperplano de separação ótimo (d) Vetores de Suporte Figura 5: Componentes do modelo de cor YCbCr. Imagem original. Componente de lumina ncia. Cromina ncia da diferenc a azul. (d) Cromina ncia da diferenc a vermelha. 2.3 Ma quina de Vetor de Suporte - SVM Figura 7: Hiperplano de separac a o o timo para classes linearmente separa veis. Padra o Bina rio Local - LBP O descritor Padra o Bina rio Local (Local Binary Pattern - LBP) tem um bom desempenho em diversas aplicac o es, incluindo a classificac a o e segmentac a o de textura, recuperac a o de imagens, e inspec a o de superfı cie (Guo et al., 2010; Suruliandi et al., 2012; Zhao et al., 2012). A SVM e uma te cnica de aprendizagem supervisionada, que possui as fases de treinamento e teste. Na fase de treinamento, atributos e saı das desejadas sa o dadas a fim de projetar os vetores de suporte. Os vetores de suporte sa o utilizados 2542
4 para obter um classificador. Na fase de teste, o classificador é utilizado para encontrar uma saída a partir de um vetor de entrada. Ao utilizar SVM para reconhecimento de padrões, se faz necessário tornar uma função não-linearmente separável em uma função linearmente separável. Para isso, é necessário que seja aumentada a dimensionalidade do problema (Cover, 1965). As funções que aumentam a dimensionalidade do espaço de entrada são chamadas Funções de Kernel. Algumas das principais Funções de Kernel são mostradas na Equação 1. Polinomial: (x T x i + 1) p RBF: exp( 1 2σ 2 x x i 2 ) Perceptron: tanh(β 0 x T x i β1) (1) As funções de Kernel são aplicadas nos vetores de entrada. Ao aplicar uma Função de Kernel em um vetor de entrada de dimensão N, é obtido um novo vetor de dimensão X, onde X é maior que N. Após isso, o cálculo dos vetores de suporte é feito. Com os vetores calculados é possível definir o hiperplano de separação ótimo. Ele estará a uma igual distância (ρ 0 ) dos vetores de suporte de cada classe, como mostrado na Figura 7. Um novo objeto é classificado utilizando o hiperplano ótimo, cada lado do hiperplano representa uma classe diferente. 3 Proposta A Figura 8 mostra o fluxograma do método proposto. A partir de uma imagem é calculada uma região de interesse. O próximo passo é uma série de pré-processamentos. Uma subjanela da região de interesse é calculada. O passo seguinte é onde esse trabalho se concentra, a determinação do canal de cor a ser utilizado para realizar a extração de atributos e posteriormente a classificação. 3.1 Determinação da Região de Interesse - RoI A determinação da Região de Interesse (Region of Interest - RoI) é um importante passo do sistema proposto. Com o uso dessa região, é possível reduzir a área onde a busca será feita. Isso implica em menos processamento e uma maior precisão nos resultados em relação à imagem completa. Como o interesse do sistema proposto é a detecção de motociclistas sem capacete, é necessário que a região da cabeça do motociclista esteja totalmente dentro da RoI. Para a definição da RoI foi utilizada a parte superior da imagem (1/5 da imagem), como mostrado na Figura 9. Tal valor foi escolhido empiricamente, através de testes. h Figura 9: Exemplo de cálculo da RoI. A região delimitada pelo retângulo corresponde à RoI. O parâmetro h é a altura da imagem O tamanho da RoI foi testado em toda a base de imagens. Em todas as imagens de motociclistas a região da cabeça está dentro da RoI selecionada. A Figura 10 mostra algumas RoIs. Figura 10: Exemplos de RoIs computadas a partir de imagens de motociclistas capturados na fase de segmentação de objetos. 3.2 Pré-Processamento e Cálculo da Sub-Janela Antes de calcular o descritor é feito um pré-processamento, que tem como finalidade encontrar uma sub-janela que corresponda à região da cabeça do motociclista. Primeiramente, foi calculada a imagem em níveis de cinza (N) da RoI. Foi utilizado o nível de cinza mais comum na literatura. O mesmo é computado pela Equação 2, N = R G B, (2) onde, R, G e B são as componentes do modelo de cor RGB. Um filtro da média, com vizinhança 5 5, foi aplicado na imagem em tons de cinza para reduzir os ruídos da imagem. Em seguida, o limiar de Otsu (Otsu, 1979) é calculado. Esse limiar é aplicado na imagem em níveis de cinza para obter uma imagem binária (preta e branca). A Figura 11 mostra o resultado desse processamento. É aplicado na imagem binária o algoritmo de Sobel (Sobel, 1970). Esse algoritmo tem como resultado as bordas da imagem. O resultado da aplicação do operador de Sobel pode ser visto na Figura 11(d). Após o pré-processamento, foi utilizada a transformada circular de Hough (circular Hough h/5 2543
5 Região de Interesse Pré- Processamento Determinação da Sub-Janela Canal de Cor Extração de Atributos Classificação Figura 8: Fluxograma do método proposto. transform - (CHT)) para calcular os possíveis círculos na imagem. A CHT foi utilizada pois a região do capacete e da cabeça (motociclista sem capacete) tem forma similar a um círculo. O resultado desse processamento são os possíveis círculos da imagem. Na RoI, formas circulares irão corresponder à região da cabeça ou do capacete do motociclista. A partir dos círculos encontrados, uma busca pelo melhor deles é feita (círculo com mais pontos). A Figura 11(e) mostra o melhor círculo encontrado em uma RoI. O passo seguinte é o cálculo da sub-janela que irá corresponder ao quadrado circunscrito à circunferência encontrada (Figura 11(f)). Essa sub-janela será utilizada na extração de atributos. A Figura 11 mostra os passos para o cálculo da sub-janela. 4 Canal de Cor Após o cálculo das sub-janelas foram testados vários modelos de cores para serem utilizados no cálculo do vetor de atributos da imagem. Essa etapa se mostrou de suma importância, visto que, dependendo do canal de cor e do modelo de cor os resultado mudaram significativamente. Foram testados, neste trabalho, os modelos RGB, HSI, HSV e YCbCr. Cada componente de cada modelo de cor citado, foi utilizado nos testes desse trabalho. 4.1 Extração de Atributos e Classificação Nesta fase foi utilizado o classificador SVM. A tarefa de classificação das imagens consiste em diferenciar as imagens em duas classes: com-capacete e sem-capacete. Para cada sub-janela gerada foi obtido um vetor de atributos utilizando o descritor LBP. 5 Metodologia de Avaliação dos Resultados Para avaliar a classificação foram utilizadas algumas métricas conhecidas na literatura. Nessa seção são mostradas as métricas de avaliação dos resultados utilizadas nesse trabalho. Matriz de Confusão A matriz de confusão é uma tabela que mostra o resultado da classificação, comparando-o com o resultado real. A matriz, nesse trabalho, é composta por 4 valores: Verdadeiro Positivo (VP), Falso Positivo (FP), Falso Negativo (FN) e Verdadeiro Negativo (VN). Tais valores são obtidos a partir do resultado da classificação. Supondo a existência de duas classes hipotéticas: classe X e classe Y, são computados os seguintes valores: VP: número de objetos da classe X classificados como da classe X; FP: número de objetos da classe Y classificados como X; FN: número de objetos da classe X classificados como Y; VN: número de objetos da classe Y classificados como sendo da classe Y. A partir dessas quantidades os valores de Especificidade (E) (Equação 3), Valor Preditivo Negativo (VPN) (Equação 4), Precisão (P) (Equação 5), Recall (R) (Equação 6), Acurácia (A) (Equação 7), F-Measure (FM) (Equação 8) e Índice Kappa (K) (Equação 3) são calculados (Powers, 2007). A = E = V P N = P = R = V N V N + F P V N V N + F N V P V P + F P V P V P + F N V P + V N V P + F P + F N + V N F M = 2 R P R + P (3) (4) (5) (6) (7) (8) 2544
6 e θ 2 = α + β γ 2. (11) onde α = (V P + F N) (V P + F P ), β = (V N + F N) (V N +F P ) e γ = (V P +V N +F P +F N) A avaliação dos classificadores foi realizada através do índice Kappa obtido para cada um deles. O nível de exatidão do índice Kappa foi classificado conforme a Tabela 1, de acordo com o estabelecido por Landis e Kock (J. e G., 1977). (d) Tabela 1: Nível de exatidão de uma classificação, conforme o valor de índice Kappa. Índice Kappa (K) Qualidade K 0.2 Ruim 0.2 K 0.4 Razoável 0.4 K 0.6 Bom 0.6 K 0.8 Muito Boa K 0.8 Excelente (e) (f) Figura 11: Passos para detecção de motociclistas sem capacete. RoI. Nível de cinza. Imagem binária. (d) Bordas calculadas. (e) Melhor círculo encontrado pela CHT, desenhado na RoI. (f) Sub-janela. 5.1 Índice Kappa - K O índice Kappa é utilizado como uma medida apropriada da exatidão por representar inteiramente a matriz de confusão. Ele toma todos os elementos da matriz em consideração, ao invés de apenas aqueles que retratam a quantidade de classificações verdadeiros, o que ocorre quando se calcula a exatidão global da classificação (Rosenfield e Fitzpatrick-lins, 1986). O índice Kappa é um coeficiente de concordância para escalas nominais que mede o relacionamento entre a concordância, além da casualidade, e a discordância esperada (Rosenfield e Fitzpatrick-lins, 1986). O índice Kappa pode ser encontrado com base na Equação 9: onde, θ 1 = K = θ 1 θ 2 1 θ 2, (9) V P + V N V P + V N + F P + F N, (10) 6 Resultados e Discussão O método estatístico k-fold cross-validation (k = 10) foi utilizado para gerar os resultados na fase de classificação. No 10-fold cross-validation, o conjunto de dados originais é aleatoriamente particionado em 10 subconjuntos de dados com o mesmo tamanho. A partir dos 10 subconjuntos, um único subconjunto é escolhido como conjunto de validação para testar o modelo, e os 9 subconjuntos restantes são utilizados como dados de treinamento. O processo de cross-validation é, então, repetido 10 vezes. Cada um dos 10 subconjuntos é utilizado somente uma vez para validação dos dados. É obtida a média dos 10 resultados gerados para produzir uma estimação única. A vantagem desse método é que todos os subconjuntos são utilizados tanto para teste como para treino, e cada subconjunto é utilizado para teste somente uma vez. A seguir são mostrados os resultados obtidos. O SVM foi executado utilizando uma função de kernel linear. O resultado utilizando esse kernel foi melhor quando foram comparados com os kernels polinomial, de base radial e tangente sigmóide. Para o descritor LBP a imagem foi dividida em 9 janelas. Cada janela correspondeu a um histograma dos valores computados, ou seja, ao final obteve-se 9 histogramas. A vizinhança para a computação dos padrões foi de 3 3. A Tabela 2 mostra o resultado da classificação utilizando o método proposto com o canal de cor RGB. Pode-se observar que no canal vermelho os resultados foram melhores. O índice Kappa classificou o resultado como Muito bom (0, 7613) e a acurácia chegou a 0, O canal de cor azul se mostrou inferior em relação aos demais. 2545
7 Tabela 2: Resultados da detecção de capacete com o descritor LBP e o sistema de cores RGB. Componente VP FP VN FN E VPN P R FM K A R ,8173 0,8947 0,8813 0,9338 0,9068 0,7613 0,8863 G ,8077 0,8660 0,8734 0,9139 0,8932 0,7292 0,8706 B ,8173 0,8333 0,8758 0,8874 0,8816 0,7068 0,8588 A Tabela 3 mostra o resultado da classificação utilizando o método proposto com o modelo de cor HSV. Observa-se que o resultado para a componente V (brilho) obteve o melhor resultado entre todos os canais de cor. O índice Kappa foi de 0, 7778 e a acurácia foi de 0, A matriz (H) não se mostrou um bom canal de cor para realizar a extração. Na Tabela 4 tem-se os resultados para o sistema proposto utilizando o modelo de cor HSI. Os resultados desta tabela, em relação à acurácia, se mostram similares ao da Tabela 3. Contudo, pode-se observar que o índice Kappa da componente de intensidade, no modelo HSI, não é similar ao da componente de brilho, no modelo HSV. A componente H (matiz) obteve o pior resultado, em relação ao índice Kappa, dentre todas as componentes testadas (K = 0, 5651). Os resultados utilizando o modelo YCbCr são mostrados na Tabela 5. O melhor resultado para este modelo foi de 0, 7572 (Kappa) e 0, 8824 (acurácia). 7 Conclusões e Trabalhos Futuros Este trabalho mostra os passos para detecção de capacetes a partir de imagens estáticas. Foram utilizados diferentes modelos de cor para obter a imagem que será utilizada pelo descritor LBP e o classificador SVM. O melhor resultado foi obtido utilizando o modelo de cor HSV com a componente V (brilho). O trabalho proposto se mostra válido quando se analisa os resultados obtidos. Observou-se uma grande variação nos resultados, o que mostra que a escolha do canal de cor a ser utilizado é de suma importância neste trabalho. A variação entre os resultados pode ser observada tomando por base a acurácia e o índice Kappa. O pior resultado para o Kappa foi de 0, 5651 e o melhor 0, 7778, isso mostra uma variação de 0, Em relação a acurácia a variação entre o melhor e o pior resultado foi de 0, Dentre os trabalhos futuros está o teste de outros modelos de cor como: YIQ, CMY, CMYK e L*u*v. Além disso, outros descritores de imagens como: SURF, SIFT, HOG e Haar. Os classificadores Perceptron de Múltiplas Camadas, Rede Neural de Base Radial, K-Vizinhos mais Próximos e Floresta Aleatória também serão testados. Referências Chiu, C.-C., Ku, M.-Y. e Chen, H.-T. (2007). Motorcycle detection and tracking system with occlusion segmentation, WIAMIS 07, USA. Chiverton, J. (2012). Helmet presence classification with motorcycle detection and tracking, IET 6(3): Cortes, C. e Vapnik, V. (1995). Support-vector networks, Machine Learning 20: Cover, T. M. (1965). Geometrical and statistical properties of systems of linear inequalities with applications in pattern recognition, IEEE Transactions on Electronic Computers EC-14(3): Dalal, N. e Triggs, B. (2005). Histograms of oriented gradients for human detection, CVPR, pp DNIT (2011). Número de veículos envolvidos por finalidade do veículo, Technical report, Departamento Nacional de Infraestrutura de Transportes, Ministério dos Transportes. Guo, Z., Zhang, L. e Zhang, D. (2010). A completed modeling of local binary pattern operator for texture classification, IEEE Transactions on Image Processing 19(6): Haykin, S. (2001). Neural Networks: A Comprehensive Foundation, 2 edn, Prentice Hall. J., L. e G., K. (1977). The measurement of observer agreement for categorical data., Biometrics 33(1): NHTSA (2011). National highway traffic safety administration. traffic safety facts: Research note motorcycle helmet use in overall results, (April 2012). Ojala, T., Pietikinen, M. e Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions, Pattern Recognition 26(1): Otsu, N. (1979). A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man and Cybernetics 9(1):
8 Tabela 3: Resultados da detecção de capacete com o descritor LBP e o sistema de cores HSV. Componente VP FP VN FN E VPN P R FM K A H ,7212 0,7576 0,8141 0,8411 0,8274 0,5665 0,7922 S ,8462 0,8381 0,8933 0,8874 0,8904 0,7325 0,8706 V ,8269 0,9054 0,8875 0,9404 0,9132 0,7778 0,8941 Tabela 4: Resultados da detecção de capacete com o descritor LBP e o sistema de cores HSI. Componente VP FP VN FN E VPN P R FM K A H ,7115 0,7629 0,8101 0,8477 0,8285 0,5651 0,7922 S ,8365 0,8365 0,8874 0,8874 0,8874 0,7240 0,8667 I ,8077 0,8750 0,8742 0,9205 0,8968 0,7370 0,8745 Tabela 5: Resultados da detecção de capacete com o descritor LBP e o sistema de cores YCbCr. Componente VP FP VN FN E VPN P R FM K A Y ,8077 0,8571 0,8726 0,9073 0,8896 0,7215 0,8667 Cb ,7596 0,7745 0,8366 0,8477 0,8421 0,6091 0,8118 Cr ,8654 0,8491 0,9060 0,8940 0,9000 0,7572 0,8824 Powers, D. M. W. (2007). Evaluation: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation, Technical Report SIE , School of Informatics and Engineering, Flinders University, Adelaide, Australia. Rosenfield, G. H. e Fitzpatrick-lins, K. A. (1986). A coefficient of agreement as a measure of thematic classification accuracy, Photogrammetric Engineering and Remote Sensing 52: Sobel, I. E. (1970). Camara Models and Machine Perception, Ph.d dissertation, Stanford University, Palo Alto, Calif. Suruliandi, A., Meena, K. e Reena Rose, R. (2012). Local binary pattern and its derivatives for face recognition, ICV 6(5): Waiselfisz, J. J. (2013). Mapa da violência 2013: Acidentes de trânsito e motocicleta, Technical report, Centro Brasileiro de Estudos Latino-Americanos. Waranusast, R., Bundon, N., Timtong, V., Tangnoi, C. e Pattanathaburt, P. (2013). Machine vision techniques for motorcycle safety helmet detection, Image and Vision Computing New Zealand (IVCNZ), th International Conference of, pp Zhao, G., Ahonen, T., Matas, J. e Pietikainen, M. (2012). Rotation-invariant image and video description with local binary pattern features, IP 21(4): Zivkovic, Z. (2004). Improved adaptive gaussian mixture model for background subtraction, ICPR 2004, Vol. 2, pp Vol
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 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 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 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 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 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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisIntrodução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira
Análise de Extratores de Características para a Classificação de Tecidos Pulmonares e Não-Pulmonares em Imagens de Tomografia Computadorizada de Alta Resolução Aluna: Aline Dartora Orientador: Prof. Dr.
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 maisTextura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
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 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 maisUNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Leia maisClassificação de Lesões de Pele Utilizando Atributos de Cor e Textura
Classificação de Lesões de Pele Utilizando Atributos de Cor e Textura Nayara H. de Moura¹, Gabriel C. Moura¹, Romuere R. V. e Silva¹, Emerson S. Silva¹, Rodrigo de M. S. Veras² ¹Campus Senador Helvídio
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisExtração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
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 maisSEGMENTAÇÃO, CLASSIFICAÇÃO E DETECÇÃO DE MOTOCICLISTAS SEM CAPACETE
SEGMENTAÇÃO, CLASSIFICAÇÃO E DETECÇÃO DE MOTOCICLISTAS SEM CAPACETE ROMUERE SILVA, KELSON AIRES, THIAGO SANTOS, KALYF ABDALLA, RODRIGO VERAS Universidade Federal do Piauí Departamento de Computação Teresina,
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 mais1. Sistemas de Informação, Universidade Federal do Piauí Picos PI, Brasil
DETECÇÃO AUTOMÁTICA DE LESÕES DE PELE EM IMAGENS DERMATOSCÓPICAS NAYARA H. DE MOURA¹, ROMUERE R. V. E SILVA¹, EMERSON S. SILVA¹, GABRIEL C. MOURA¹, RODRIGO DE M. S. VERAS². 1. Sistemas de Informação, Universidade
Leia mais5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
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 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 maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia maisEXTRAÇÃO DE ATRIBUTOS E CLASSIFICAÇÃO DE LESÕES DE PELE UTILIZANDO COMBINAÇÃO DE COMPONENTES DE MODELOS DE CORES
EXTRAÇÃO DE ATRIBUTOS E CLASSIFICAÇÃO DE LESÕES DE PELE UTILIZANDO COMBINAÇÃO DE COMPONENTES DE MODELOS DE CORES Nayara H. de Moura, Romuere R. V. e Silva, Flávio H. D. Araújo Sistemas de Informação Campus
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
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 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 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 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 maisProcessamento de Imagens Coloridas. Prof. Adilson Gonzaga
Processamento de Imagens Coloridas Prof. Adilson Gonzaga 1 Aparência de um Objeto A aparência de um objeto é o resultado de uma complexa interação da luz incidente sobre este objeto, suas características
Leia maisDesenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea Pedro Henrique Campos Cunha Gondim Orientador: André Ricardo Backes Coorientador: Bruno Augusto Nassif Travençolo
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 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 maisDepartamento de Computação Teresina, Piauí, Brasil
Natal RN, 25 a 28 de outubro de 2015 DETECÇÃO AUTOMÁTICA DO GLAUCOMA POR EXTRAÇÃO DE CARACTERÍSTICAS E CLASSIFICAÇÃO Maíla de Lima Claro, Flávio Henrique Duarte de Araújo, Wallinson de Lima e Silva, Leonardo
Leia maisBoas Maneiras em Aprendizado de Máquinas
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Boas Maneiras em Aprendizado de Máquinas David Menotti www.inf.ufpr.br/menotti/ci171-182 Boas Maneiras Agenda Introdução Métricas
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisDETECÇÃO DO USO DE CAPACETE UTILIZANDO MÁQUINAS DE COMITÊ
DETECÇÃO DO USO DE CAPACETE UTILIZANDO MÁQUINAS DE COMITÊ Francisco Wender P. dos Reis franciscowenderreis@gmail.com Kelson R. T. Aires krtaires@gmail.com Francisco Wermeson P. dos Reis franciscowermeson@gmail.com
Leia mais1. Introdução. Tecnologia do Estado do Ceará. (IFCE) Sobral CE Brasil
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 64-69, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Análise comparativa entre Redes Neurais
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
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 maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
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 maisProposta de um Descritor Híbrido para Aprimoramento da Identificação Automática de Melanoma
XXXVII Congresso da Sociedade Brasileira de Computação Proposta de um Descritor Híbrido para Aprimoramento da Identificação Automática de Melanoma Nayara Moura, Rodrigo Veras, Kelson Aires, Luís Santos,
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 maisThiago Zavaschi Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade
Thiago Zavaschi (zavaschi@ppgia.pucpr.br) Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUC-PR) Conceitos relacionados a classificação
Leia maisProjetos finais. Grupo 3
Projetos finais Grupo 3 Integrantes Laez Barbosa da Fonseca Filho 8586902 laez.filho@usp.br Caetano Mastroianni Dieguez 7210164 caetano.dieguez@usp.br Lais Harumi Fukujima Aguiar 8587142 lais.aguiar.br@ieee.org
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisAdriana da Costa F. Chaves. Máquina de Vetor Suporte (SVM) para Classificação Binária 2
Máquina de Vetor Suporte (SVM) para Classificação Binária Adriana da Costa F. Chaves Conteúdo da Apresentação Introdução Máquinas de Vetor Suporte para Classificação binária Exemplos Conclusão Máquina
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 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 maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
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 mais2 Subtração de fundo
14 2 Subtração de fundo Este capítulo apresenta a subtração de fundo, tarefa para qual foi reservado um grande esforço inicial devido a sua enorme importância para a boa funcionalidade das outras etapas.
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 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 Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Leia maisARTIGO ORIGINAL. Processamento Digital de Imagens Aplicado a Identificação Automática de Placas de Trânsito
DOI: 10.18605/2175-7275/cereus.v10n2p240-251 ARTIGO ORIGINAL Automática de Placas de Trânsito Digital image processing applied to the automatic identification
Leia maisClassificação de Espécies de Pássaros Utilizando Características de Textura
Classificação de Espécies de Pássaros Utilizando Características de Textura Andréia Marini 1, Alessandro L. Koerich 1, Irapuru H. Florido 1 1 Programa de Pós-Graduação em Informática Pontifícia Universidade
Leia maisProcessamento e Análise de Imagem. Aplicações na Imagem Médica
Processamento e Análise de Imagem Aplicações na Imagem Médica António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Tecnologia de Imagem Imagem de Entrada Processamento
Leia maisReconhecimento de Sinais de Trânsito Utilizando Deep Learning
Reconhecimento de Sinais de Trânsito Utilizando Deep Learning Marcos Vinícius Oliveira Sobrinho 1, Matheus Chaves Menezes 1, Chrystian Gustavo Martins Nascimento 1, Geraldo Braz Júnior 2 1 Curso de Ciência
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 3 Processamento de Imagens Coloridas
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 3 Processamento de Imagens Coloridas Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisProcessamento de imagem a cores
A cor é um poderoso descritor que frequentemente simplifica a identificação e extracção de objectos de uma cena Os humanos podem discernir milhares de cores, mas apenas duas dezenas de cinzentos O processamento
Leia maisPROCESSAMENTO DE IMAGENS COLORIDAS. Nielsen Castelo Damasceno
PROCESSAMENTO DE IMAGENS COLORIDAS Nielsen Castelo Damasceno Definições A cor é um poderoso descritor que muitas vezes simplifica a identificação do objeto e sua extração de uma cena. Os seres humanos
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 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 maisUm método automático de segmentação de imagens aplicado à análise do marmoreio da carne em plataforma móvel
Um método automático de segmentação de imagens aplicado à análise do marmoreio da carne em plataforma móvel Gabriel Fillipe Centini Campos 1, Sylvio Barbon Júnior 1 1 Departamento de Computação Universidade
Leia maisMETODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS
METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Marcelo Zaniboni 1, Osvaldo Severino Junior 2 1: Universitário do curso de Ciência da Computação, Faculdade
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.5. Support Vector Machines 2.5. Support Vector Machines (SVM) 2.5.2.
Leia maisReconhecimento e diagnóstico automático de melanoma
Reconhecimento e diagnóstico automático de melanoma Bruno S. Ferreira 1, Paulo V. Vieira 1 1 Universidade Federal do Maranhão(UFMA) Av. dos Portugueses, 1966 - Bacanga, São Luís-MA, 65080-805 Abstract.
Leia maisReconhecimento de Símbolos de LIBRAS
Reconhecimento de Símbolos de LIBRAS Rodrigo do Nascimento Siqueira Departamento de Informática Universidade Federal do Maranhão (UFMA) Av. dos Portugueses, 1966 Bacanga São Luıś MA Brazil rodignasciment@gmail.com(siqueira,
Leia maisMapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
Leia maisCor SCC0251 Processamento de Imagens
Cor SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2012/1 Moacir Ponti Jr. (ICMCUSP) Cor 2012/1 1 / 39 Sumário 1 Introdução
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Introdução
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Introdução Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceito básicos de reconhecimento
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 maisAprendizado de Máquinas. Classificadores Lineares
Universidade Federal do Paraná (UFPR) Departamento de Informática Aprendizado de Máquinas Classificadores Lineares David Menotti, Ph.D. web.inf.ufpr.br/menotti Objetivos Introduzir o conceito de classificação
Leia maisProcessamento de Imagens Coloridas. 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227
Processamento de Imagens Coloridas 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227 Introdução Apesar do processo de percepção e interpretação de cores não ser completamente compreendido,
Leia mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia maisResultados da Segmentação
59 6 Resultados da Segmentação Neste capítulo são avaliados os três algoritmos de binarização abordados no capítulo 4. A avaliação é obtida comparando-se as imagens segmentadas, com as mesmas imagens segmentadas
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisDETECÇÃO DE LINHA DO HORIZONTE EM IMAGENS DIGITAIS HORIZON LINE DETECTION IN DIGITAL IMAGES
DETECÇÃO DE LINHA DO HORIZONTE EM IMAGENS DIGITAIS HORIZON LINE DETECTION IN DIGITAL IMAGES BEUREN, Arlete Teresinha 1 ; FACON, Jacques 2 1 UTFPR, Santa Helena, Paraná, Brasil; 2 Pontifícia Universidade
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 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 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 maisAbstract. 2. Material e Métodos. 1. Introdução
Análise de Desempenho de Classificadores Baseados em Redes Neurais, Máquinas de Vetores de Suporte e Florestas de Caminhos Ótimos para o Reconhecimento de Dígitos Manuscritos Aparecido Nilceu Marana, João
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 maisMétodos de Segmentação de Imagem para Análise da Marcha
Métodos de Segmentação de Imagem para Análise da Marcha Maria João M. Vasconcelos, João Manuel R. S. Tavares maria.vasconcelos@fe.up.pt, tavares@fe.up.pt 3º Congresso Nacional de Biomecânica 11-12 Fevereiro
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 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 maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
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 maisUm Método Automático para o Ajuste de Segmentadores de Imagens Baseados em Informação de Textura e Cor
1/73 Um Método Automático para o Ajuste de Segmentadores de Imagens Baseados em Informação de Textura e Cor Fernando Henrique Bezerra Cardoso Orientador: Herman Martins Gomes Laboratório de Visão Computacional
Leia maisSISTEMA DE EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS EM IMAGENS
SISTEMA DE EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS EM IMAGENS Flávia Gonçalves Fernandes, João Ludovico Maximiano Barbosa, Ana Cláudia Patrocínio Universidade Federal de Uberlândia - UFU Faculdade de Engenharia
Leia maisUma proposta para classificação de equipes em esportes coletivos
Uma proposta para classificação de equipes em esportes coletivos Victor Henrique Bezerra de Lemos 1, Lucas Reis Abreu 2 1 Departamento de Informática Universidade Federal do Maranhão (UFMA) Caixa Postal
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia mais