Detecção de características. Fabíola Alvares R. de Souza Maffra Orientador: Marcelo Gattass
|
|
- Roberto Ferretti Almeida
- 5 Há anos
- Visualizações:
Transcrição
1 Detecção de características faciais utilizando FERNS Fabíola Alvares R. de Souza Maffra Orientador: Marcelo Gattass Dissertação de mestrado 20 de agosto de 2009
2 Agenda Motivação e objetivo Desafios Contribuições Ferns Método proposto Resultados e conclusões Dissertação de mestrado Fabíola Maffra 2
3 Motivação visualização de modelos 3D Realidade aumentada Eye mouse Dissertação de mestrado Fabíola Maffra 3
4 Desafios Pose: A imagem da face depende da posição da face em relação à câmera (frontal, inclinada, perfil, cabeça pra baixo, etc.). Presença ou não de componentes estruturais: Características faciais tais como barba, bigode, cabelo e óculos podem ou não estar presentes. Além disso, a variedade entre esses componentes é bem grande, podendo ter formas, cores e tamanhos diferentes. Dissertação de mestrado Fabíola Maffra 4
5 Desafios Expressões faciais: A aparência da face é diretamente afetada pelas expressões faciais e emoções presentes na face da pessoa. Oclusão: As faces podem estar parcialmente oclusas por objetos ou por outra face. Condições da imagem: As condições de aquisição da imagem podem provocar problemas com a iluminação, podem fornecer imagens tremidas, com pouca resolução, etc. Dissertação de mestrado Fabíola Maffra 5
6 Objetivo Avaliar o potencial do FERNS para detecção de características faciais, em tempo real, em uma seqüência de imagens adquiridas a partir de uma webcam comum. Dissertação de mestrado Fabíola Maffra 6
7 Contribuições Novo método para detecção de características faciais (olhos e narinas) em tempo real, baseado num pipeline modificado dos FERNS. Estudo apurado da aplicabilidade dos FERNS original para detecção de faces Conjunto de vídeos marcados manualmente que podem servir de benchmark para padronização de testes na área. Dissertação de mestrado Fabíola Maffra 7
8 Detecção de características faciais Muitos algoritmos mostram se bastante confiáveis na detecção de faces em imagens com grande quantidade de pessoas e apresentando desempenho em tempo real ou perto disso. Muito ainda precisa ser feito para fornecer uma detecção precisa e detalhada da face e de suas características. Embora existam muitos métodos para localização de características faciais, a maior parte deles é computacionalmente cara, tornando inviáveis aplicações em tempo real. Dissertação de mestrado Fabíola Maffra 8
9 Detecção de características faciais Método baseado na segmentação da cor (para encontrar a região da face). Método baseado na aparência (utiliza aprendizado de máquina para aprender sobre as características a serem detectadas). Dissertação de mestrado Fabíola Maffra 9
10 FERNS Correspondência (matching) entre os pontos característicos (keypoints) extraídos da imagem de treinamento e aqueles extraídos das imagens obtidas em tempo real, de diversos pontos de vista. Matching de um objeto planar Dissertação de mestrado Fabíola Maffra 10
11 Problema de matching Problema de classificação Naïve Bayesian (algoritmo simples, robusto e com menor demanda computacional) Fase de treinamento offline: 1. Extração de keypoints da imagem de treinamento. 2. Geração das diversas vistas dos image patches centradosnoskeypoints. 3. Treinamento do classificador. Dissertação de mestrado Fabíola Maffra 11
12 Deseja se encontrar cˆ i arg maxc P( C i c i patch) Sendo um patch representado por um conjunto de características binárias da imagem temos: Logo, cˆ i arg maxc P( C ci f, f2,..., i O teorema de Bayes fornece: P( C c c arg max P( f, f,..., f C i i 1 N A abordagem Naïve Bayes assume total independência entre as características: f 1 Para levar em conta algumas das dependências existentes entre as características:, Particionar o conjunto de características em M grupos de tamanho S. M FERNS Para cada FERN calcula se a probabilidade conjuntapara as características. K ésimo FERN Dissertação de mestrado Fabíola Maffra 12 f 2,..., ˆi c 1 2 N ci P( f P( f Fk { f ( k,1), f ( k,2),..., f ( k, S )}, k 1... M f N ) ) f P( f N 1, f2,..., f N C ci ) P( f j C ci ) j 1 M 1, f2,..., f N C ci ) P( Fk C ci ) k 1 f k, j), j 1... N ( 1 ), N 300 f 2 M 30 e S 10,..., f P( f 1 C ci, f,..., f N 2 N ) P( C ) N uniforme c i ) Fator de escala (Probabilidade condicional) Função de permutação aleatória
13 Fase de treinamento Os testes comparam a intensidade de dois pixels ao redor do keypoint. Invariante à mudança de variação. Probabilidade à posteriori: Dissertação de mestrado Fabíola Maffra 13
14 Fase de treinamento Dissertação de mestrado Fabíola Maffra 14
15 Fase de treinamento Dissertação de mestrado Fabíola Maffra 15
16 Fase de treinamento Dissertação de mestrado Fabíola Maffra 16
17 Fase de treinamento Dissertação de mestrado Fabíola Maffra 17
18 Fase de treinamento Dissertação de mestrado Fabíola Maffra 18
19 Fase de treinamento Normalizar: P ( f 1, f 2,, f n C c i ) Dissertação de mestrado Fabíola Maffra 19
20 Reconhecimento Dissertação de mestrado Fabíola Maffra 20
21 Método Proposto Fase de treinamento offline permitindo seleção de várias regiões de interesse. Segmentação da face para eliminação de alguns outliers. Clusterização dos keypoints reconhecidos para encontrar as regiões de busca das características da face. Determinação da posição das características da face (OD, OE e narinas). Dissertação de mestrado Fabíola Maffra 21
22 Fase de treinamento Se o objeto possui uma pequena curvatura uniforme os patches ao redor de um keypoint podem ser tratados como localmente planares. Distorções em relação às mudanças de perspectivas podem ser vistas como homografias. Uma única imagem frontal do rosto é suficiente para gerar um conjunto de amostras de possíveis aparências da face tomadas de diversos pontos de vista. Fonte: Özuysal et al. Dissertação de mestrado Fabíola Maffra 22
23 Fase de treinamento Seleção de múltiplas áreas de interesse (roi) para o treinamento. Detecção dos keypoints dentro das áreas de interesse marcadas na imagem de treinamento (em várias escalas). Geração das vistas para cada keypoint detectado (ângulos de rotação restritos ao intervalo [ 45,+45]). rotação e perspectiva tratadas pelo classificador. Treinamento dos FERNS (retornam a probabilidade a posteriori de um patch pertencer a cada uma das classes aprendidas) 30 FERNS, 12 testes por FERN, 4 octaves (robustez em relação às variações de escala). Dissertação de mestrado Fabíola Maffra 23
24 Segmentação de face Eliminação de outiliers. Amostras de cor extraídas da imagem de treinamento. Um pixel i pertence à face se: R G B i i i [ mr R, mr R] [ mg G, mg G] [ mb B, mb B] onde m média e desvio padrão Dissertação de mestrado Fabíola Maffra 24
25 Segmentação de face Encontro os contornos das regiões detectadas pela segmentação. Calcula a área interior de cada um dos contornos encontrados. Pega a região de maior área como sendo a região da face. Não necessita treinar o fundo para fazer sua remoção! Dissertação de mestrado Fabíola Maffra 25
26 Segmentação de face Fecho convexo Menos outliers são eliminados! Dissertação de mestrado Fabíola Maffra 26
27 Reconhecimento de keypoints Dissertação de mestrado Fabíola Maffra 27
28 Clusterização e detecção das regiões das características faciais Problema: Simetria e homogeneidade de certas regiões da face podem acabar gerando outliers. Hipótese: A maior parte dos keypoints reconhecidos se encontra mais concentrada na área de interesse em questão (OD, OE ou narinas). Solução: Agrupar keypoints próximos de forma independente para cada característica em questão e decidir qual dos clusters obtidos melhor representa essa característica. Dissertação de mestrado Fabíola Maffra 28
29 Clusterização e detecção das regiões das características faciais Keypoints das narinas reconhecidos pelo FERNS. Dissertação de mestrado Fabíola Maffra 29
30 Clusterização e detecção das regiões das características faciais Maior cluster Agrupar os keypoints próximos e pegar o cluster de maior tamanho para representar a característica em questão. Cluster mais forte Para cada um dos clusters obtidos soma se a probabilidade de cada um dos seus keypoints e pega o cluster que tem a maior probabilidade para representar a característica em questão. Dissertação de mestrado Fabíola Maffra 30
31 Clusterização Dissertação de mestrado Fabíola Maffra 31
32 Clusterização Dissertação de mestrado Fabíola Maffra 32
33 Clusterização Dissertação de mestrado Fabíola Maffra 33
34 Clusterização Dissertação de mestrado Fabíola Maffra 34
35 Clusterização Dissertação de mestrado Fabíola Maffra 35
36 Clusterização Dissertação de mestrado Fabíola Maffra 36
37 Clusterização Dissertação de mestrado Fabíola Maffra 37
38 Clusterização Dissertação de mestrado Fabíola Maffra 38
39 Clusterização Dissertação de mestrado Fabíola Maffra 39
40 Clusterização Dissertação de mestrado Fabíola Maffra 40
41 Rastreamento baseado nos clusters Inicialização automática utilizando os 10 primeiros quadros do vídeo considerando a face frontal. Como não existem mudanças muito grandes entre dois quadros consecutivos do vídeo podese usar a posição da região do quadro anterior para encontrar a região no quadro atual. Reinicialização do sistema utilizada 10 quadros consecutivos, mas não garante corretude no processo (o ideal é voltar a posição frontal). Dissertação de mestrado Fabíola Maffra 41
42 Detecção das narinas Detecta a região das narinas utilizando um dos métodos de clusterização apresentados. Busca pelas regiões mais escuras dentro da região das narinas (threshold) região bem homogênea. Problemas: Região de cada narina pode ficar dividida. Ruídos na imagem. Filtro de dilatação para unir regiões disjuntas que se encontrem próximas (narinas divididas) Resíduos longe das narinas ficam mais realçados. Narinas representam as duas maiores regiões detectadas após a operação de dilatação (aplicar operação de erosão para excluir regiões que não fazem parte da narina). Dissertação de mestrado Fabíola Maffra 42
43 Detecção das pupilas Grande quantidade de ruído na região de busca das pupilas (provenientes dos cílios e sobrancelhas). Detectar a região mais escura dentro da região de busca (threshold), calcula se a elipse que melhor se ajusta à região mais escura detectada. Considera o centro da elipse como sendo o centro da pupila. Dissertação de mestrado Fabíola Maffra 43
44 Detecção das pupilas Busca no interior da elipse para encontrar a coluna com mais pixels pretos (pois essa passa pelo centro da pupila) coordenada x. A coordenada y é dada pela coordenada y do centro da elipse. Dissertação de mestrado Fabíola Maffra 44
45 Análise experimental Base de dados para testes Vídeos separados em uma seqüência de imagens marcadas manualmente para cálculo de erro. Vídeos sintéticos de uma imagem projetada no plano com uma rotina para gerar movimentos idênticos em diversos vídeos. Vídeos com movimentos de translação, escala, rotação em torno do eixo vertical (yaw) e rotação em torno do eixo longitudinal (roll) simplificação dos movimentos do rosto. Taxa de 30 fps, resolução de 640 x 480 (Quickcam Pro 9000 da Logitech). Dissertação de mestrado Fabíola Maffra 45
46 Textura Taxa de detecções corretas Face 57.7% Face com textura e características faciais 97.7% Face com textura sobre as características faciais 94.1% Código Fonte: Dissertação de mestrado Fabíola Maffra 46
47 Tamanho da região de interesse (Roi) Taxa de detecções corretas Vídeo Tamanho (w x h) Área (pixels) Taxa de detecção (%) ROI x ROI x ROI x ROI 4 48 x ROI 5 60 x ROI 6 35 x Dissertação de mestrado Fabíola Maffra 47
48 Tamanho da região de interesse (Roi) Taxa de detecções corretas Vídeo Tamanho (w x h) Área (pixels) Taxa de detecção (%) ROI x ROI x ROI 3 82 x ROI 4 32 x ROI 5 82 x ROI 6 46 x A detecção das características faciais fica prejudicada, pois essas ocupam uma área de interesse pequena. Dissertação de mestrado Fabíola Maffra 48
49 Assumindo planaridade para faces Exemplo 1 Vídeo Taxa de detecção (%) Exemplo 1 face 15.9 Exemplo 1 face no plano 14.4 Exemplo 2 Exemplo 2 face 35.1 Exemplo 2 face no plano 27.5 Dissertação de mestrado Fabíola Maffra 49
50 Clusterização Cluster mais Erro < 6 pixels (%) Erro < 10 pixels (%) forte Escala Transl. Yaw Roll Escala Transl. Yaw Roll ND Tolerância = 10 NE ODC ODM OEC OEM Erro < 6 pixels (%) Erro < 10 pixels (%) Maior Cluster Escala Transl. Yaw Roll Escala Transl. Yaw Roll ND Tolerância = 10 NE ODC ODM OEC OEM Dissertação de mestrado Fabíola Maffra 50
51 Clusterização ERRO: ND = 1.0, ND = 2.0, OD = 4.2 e OE = 2.2 ERRO: ND = 1.0, ND = 2.0, OD = 5.0 e OE = 5.0 Marcação das características manualmente não é 100% correta. Dissertação de mestrado Fabíola Maffra 51
52 Clusterização Erro < 6 pixels (%) Maior Cluster Escala Transl. Yaw Roll ND Tolerância = 10 NE ODC ODM OEC OEM Erro < 6 pixels (%) Maior Cluster Escala Transl. Yaw Roll ND Tolerância = 15 NE ODC ODM OEC OEM Dissertação de mestrado Fabíola Maffra 52
53 Rastreamento Com Rastreamento Rastreamento Erro < 6 pixels (%) Tolerância = 15 Escala Transl. Yaw Roll ND NE ODC ODM OEC OEM Sem Rastreamento Cluster mais Erro < 6 pixels (%) Tolerância = 15 forte Escala Transl. Yaw Roll ND NE ODC ODM OEC OEM Dissertação de mestrado Fabíola Maffra 53
54 Rastreamento Erro Rastreamento OD Escala Frame Sem Rastreamento Com rastreamento 150 Rastreamento OD Yaw Erro Frame Sem Rastreamento Com Rastreamento Dissertação de mestrado Fabíola Maffra 54
55 Resultados com pessoas diferentes Taxa de detecções corretas (Erro < 6) Vídeo 1 Escala Translação Yaw Roll ND NE ODC ODM OEC OEM Erro médio em pixels Vídeo 1 Escala Translação Yaw Roll ND NE ODC ODM OEC OEM Dissertação de mestrado Fabíola Maffra 55
56 Resultados com pessoas diferentes Taxa de detecções corretas (Erro < 6) Vídeo 1 Escala Translação Yaw Roll ND NE ODC ODM OEC OEM Erro médio em pixels Vídeo 1 Escala Translação Yaw Roll ND NE ODC ODM OEC OEM Dissertação de mestrado Fabíola Maffra 56
57 Outras observações Imagens borradas! Dissertação de mestrado Fabíola Maffra 57
58 Desempenho Linguagem de programação: C++ Intel Core 2 Quad CPU Q6600, 2.4 GHz com 3 GB de RAM (o multi core nao foi explorado). Resolução dos vídeos: 640 x 480. Tempo médio por quadro para tempo real (30fps) é de 33 ms. Vídeo ms Escala Translação Yaw Tempo Real Roll Dissertação de mestrado Fabíola Maffra 58
59 Conclusão O FERNS em sua versão original não funciona para o casa de faces, pois essas não possuem textura suficientes. O FERNS foi capaz de reconhecer determinadas características, mas os ids não foram atribuídos, necessariamente, aos keypoints corretos. Dissertação de mestrado Fabíola Maffra 59
5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia maisFabíola Alvares Rodrigues de Souza Maffra. Detecção de características faciais utilizando FERNS
Fabíola Alvares Rodrigues de Souza Maffra Detecção de características faciais utilizando FERNS Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do título de Mestre pelo
Leia maisRECONHECIMENTO FACIAL 2D
RECONHECIMENTO FACIAL 2D PARA SISTEMAS DE AUTENTICAÇÃO EM DISPOSITIVOS MÓVEIS Luciano Pamplona Sobrinho Orientador: Paulo César Rodacki Gomes ROTEIRO Introdução Objetivos Fundamentação Teórica Conceitos
Leia 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 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 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 maisBrilliant Solutions for a Safe World
AFIS PARA GRANDE ESCALA E IDENTIFICAÇÃO MULTI-BIOMÉTRICA O MegaMatcher foi projetado para desenvolvedores de sistemas AFIS e multi-biométricos para verificação em grande escala. A tecnologia garante alta
Leia mais5 Protótipo e Resultados Obtidos
5 Protótipo e Resultados Obtidos 5.1. Introdução Este capítulo apresenta de forma minuciosa o protótipo desenvolvido durante este trabalho, que é uma ferramenta capaz de realizar o treinamento e a detecção
Leia 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 maisModelos Pontuais de Distribuição em Visão Computacional Estudo, Desenvolvimento e Aplicação
MESTRADO EM ESTATÍSTICA APLICADA E MODELAÇÃO Modelos Pontuais de Distribuição em Visão Computacional Estudo, Desenvolvimento e Aplicação Maria João Medeiros de Vasconcelos Licenciada em Matemática Aplicada
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 maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
Leia 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 maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisProcessamento de Imagens. Segmentação por regiões
Processamento de Imagens Segmentação por regiões Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em
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 maisSegmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo
Segmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo Dissertação de Mestrado Aluno: Bruno Costa Orientador: Herman Gomes
Leia mais4 Detecção de Silhueta
4 Detecção de Silhueta No decorrer deste capítulo é proposto um modelo de detecção da silhueta da mão capaz de lidar com os erros da segmentação e ruídos na sua morfologia. Num primeiro passo são considerados
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 maisTrabalho Final de Processamento de Imagens: Panografia
Trabalho Final de Processamento de Imagens: Panografia 1. Introdução Vítor Silva Sousa 1 1 Escola Politécnica Universidade Federal do Rio de Janeiro (UFRJ) Rio de Janeiro RJ Brasil vitor.silva.sousa@gmail.com
Leia maisSLAM Visual. Fernando Zuher Mohamad Said Cavalcante Orientadora: Profª. Drª. Roseli Romero Mestrado em Computação, ICMC-USP
SLAM Visual Fernando Zuher Mohamad Said Cavalcante Orientadora: Profª. Drª. Roseli Romero Mestrado em Computação, ICMC-USP Divisão da apresentação 1. Introdução O que é SLAM? Classificação adotada 2. Principais
Leia maisDetecção de faces. Marta Villanueva Torres
Detecção de faces Marta Villanueva Torres Introdução ao Processamento de Imagens 2014.1 1. INTRODUÇÃO O objetivo deste trabalho é desenvolver um algoritmo que detecte faces em imagens. Sendo que, atualmente,
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisCAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO
182 CAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO Neste trabalho foi proposta uma metodologia para a automação da resseção espacial de imagens digitais baseada no uso hipóteses
Leia maisBrilliant Solutions for a Safe World
RECONHECIMENTO DE OBJECTIVOS PARA APLICAÇÕES DE VISÃO PARA COMPUTADOR MÓVEIS O SentiSight Embedded foi projetado para desenvolvedores que desejam usar o reconhecimento de objetos com base em visão por
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 maisMORFOLOGIA MATEMÁTICA
MORFOLOGIA MATEMÁTICA Morfologia Na Biologia área que trata com a forma e a estrutura de plantas e animais Processamento de Imagens Ferramenta para extração de componentes de imagens que sejam úteis na
Leia mais4 Resultados. Tabela 4.1: Funções implícitas de teste.
4 Resultados Neste Capítulo serão discutidos os resultados obtidos. Todas as imagens têm realçados os pontos no bordo do domínio e os da silhueta, e as variedades são iluminadas com uma única fonte de
Leia maisEmparelhamento de Objectos Representados em Imagens usando Técnicas de Optimização
Emparelhamento de Objectos Representados em Imagens usando Francisco P. M. Oliveira Mestrado em Métodos Computacionais em Ciências e Engenharia Julho de 2008 Faculdade de Ciências e Faculdade de Engenharia
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 maisMorfologia Matemática em Imagens
Processamento e nálise de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. FMB Departamento de Computação e Matemática (FFCLRP/USP) Principais Tópicos Introdução Morfologia
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia mais6 Resultados Análise de Desempenho
Resultados 6 Resultados Com base em todas as técnicas e teorias estudadas nessa dissertação mais a arquitetura e detalhes de implementação utilizados para gerar a solução do módulo de renderização da pele
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 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 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 mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisDetecção Robusta de Movimento de Câmera em Vídeos por Análise de Fluxo Ótico Ponderado
Detecção Robusta de Movimento de Câmera em Vídeos por Análise de Fluxo Ótico Ponderado Rodrigo Minetto Prof. Dr. Neucimar Jerônimo Leite (Orientador) Prof. Dr. Jorge Stolfi (Co-orientador) Instituto de
Leia maisFazendo máquinas enxergarem com OpenCV. TCHÊLINUX 2017 Felipe Aguiar Corrêa
Fazendo máquinas enxergarem com OpenCV TCHÊLINUX 2017 Felipe Aguiar Corrêa Quem é esse cara aí? UFPEL Ciência da Computação Visão Computacional Rastreamento de Pedestres Visão Computacional Sub-área da
Leia mais3 Técnica Baseada em Treinamento e Cascata de Classificadores
3 Técnica Baseada em Treinamento e Cascata de Classificadores 3.1. Introdução A utilização de algoritmos para a extração de características de objetos e a geração de classificadores em cascata capazes
Leia mais4 Algoritmos de Aprendizado
4 Algoritmos de Aprendizado Este capítulo apresenta os algoritmos utilizados ao longo da dissertação e alguns utilizados como base por eles. Os algoritmos adotados são todos de aprendizado supervisionado.
Leia maisDETECÇÃO E CORREÇÃO AUTOMÁTICA DE OLHOS VERMELHOS EM FOTOGRAFIAS
UNIVERSIDADE FEDERAL DO PARANÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA TE 810 PROCESSAMENTO DIGITAL DE SINAIS DETECÇÃO E CORREÇÃO AUTOMÁTICA DE OLHOS VERMELHOS EM FOTOGRAFIAS Trabalho apresentado
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisReconhecimento de Gestos
Reconhecimento de Gestos Henrique Augusto Richter Tópicos em Visão Computacional Universidade Federal do Paraná Sumário Introdução Utilização Problemas Trabalhos Artigo 1 Artigo 2 Project Soli Introdução
Leia maisAula 4: Morfologia de Imagens
SEL 5886 - VISÃO COMPUTACIONAL Aula 4: Morfologia de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Colaboração: Dr. Bruno R. N. Matheus Morfologia Morfologia matemática: Ferramenta para extração de
Leia maisDetecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 3 de maio de 206 Representação e descrição de regiões Uma
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 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 maisGeração Procedural de Terrenos em GPU
Geração Procedural de Terrenos em GPU Felipe Gomes Sampaio Universidade Federal de Juiz de Fora Departamento de Ciência da Computação Orientadora: Jesuliana Nascimento Ulysses Agenda Introdução GPU Terrenos
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia 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 maisFeature Detector. Prof. Dr. Geraldo Braz Junior
Feature Detector Prof. Dr. Geraldo Braz Junior Problema: Matching 2 Matching 3 Matching Processo de encontrar uma imagem em outra Normalmente usado para encontrar um objeto numa imagem, mas também: Reconhecimento
Leia maisExemplo de aplicação
Exemplo de aplicação Paralaxe O conceito de paralaxe está relacionado com o deslocamento relativo ou aparente dos objetos estacionários, quando um observador em movimento os olha de pontos diferentes.
Leia maisBrilliant Solutions for a Safe World
IDENTIFICAÇÃO DE FACE E RASTREAMENTO DE MOVIMENTO PARA SISTEMAS DE GERENCIAMENTO DE VÍDEO (VMS) SentiVeillance Server é um software de identificação biométrica de faces e rastreamento de movimento pronto
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia 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 maisIntrodução ao Processamento de Imagens
IFSul Eng. Elétrica Processamento de Imagens Digitais Introdução ao Processamento de Imagens Material de apoio organizado por: Glaucius Décio Duarte Atualizado em 18 jul. 2017 Conceitos Processamento digital
Leia 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 maisMelhorando o desempenho do rastreamento de pontos de interesse em imagens através do paralelismo em GPU
Melhorando o desempenho do rastreamento de pontos de interesse em imagens através do paralelismo em GPU Crystian Wendel M. Leão¹, João Marcelo X. N. Teixeira¹, Eduardo S. Albuquerque², Veronica Teichrieb¹,
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
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 maisClassificação. Eduardo Raul Hruschka
Classificação Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada Combinação de Modelos
Leia maisUSO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC
USO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC 1 2 3 Fausta Joaquim Faustino, Álisson Gomes Linhares, John Hebert Da Silva Felix Resumo: O uso das
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados Classicadores Bayesianos. Representação dos Dados. Introdução
Roteiro PCC142 / BCC444 - Mineração de Dados Classicadores Bayesianos Introdução Representação dos Dados Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto
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 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 maisMaurício Pamplona Segundo SEGMENTAÇÃO FACIAL E DETECÇÃO DE CARACTERÍSTICAS FACIAIS EM IMAGENS DE PROFUNDIDADE
Maurício Pamplona Segundo SEGMENTAÇÃO FACIAL E DETECÇÃO DE CARACTERÍSTICAS FACIAIS EM IMAGENS DE PROFUNDIDADE Curitiba - PR, Brasil 18 de março de 2010 Maurício Pamplona Segundo SEGMENTAÇÃO FACIAL E DETECÇÃO
Leia maisIntrodução USP - EESC
Introdução O controle de acesso para prevenir abusos. O roubo de identidade. Interesse crescente no desenvolvimento de sistemas de identificação pessoal confiáveis. Aplicações civil, comercial e financeira.
Leia maisConteúdo da Apresentação
Extração de Regras Fuzzy para Máquina de Vetor Suporte (SVM) para Classificação em Múltiplas Classes Adriana da Costa F. Chaves Conteúdo da Apresentação Motivação Método de Extração de Regras Fuzzy Classificação
Leia maisFerramenta de Reconhecimento de Gestos da Mão
Ferramenta de Reconhecimento de Gestos da Mão Rodrigo Bambineti Acadêmico Dalton Solano dos Reis Orientador Roteiro Introdução Objetivo Motivação Processo Visão computacional: Técnicas Realce Morfologia
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 maisQuadLOD: Uma Estrutura para a Visualização Interativa de Terrenos
QuadLOD: Uma Estrutura para a Visualização Interativa de Terrenos Rodrigo Penteado R. de Toledo Orientador: Marcelo Gattass Co-orientador: Luiz Velho PUC-RIO - TecGraf OBJETIVO Gerar imagem a partir dos
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 maisRespostas do Teste de Analise de Imagens :
Respostas do Teste de Analise de Imagens - 2004: 1Diga com suas palavras o que é: (Valor total da questão: 12) Filtragem passa alta (valor deste item até 0,3) - importante falar que apesar do nome ser
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 maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisACCURATE IRIS LOCALIZATION USING CONTOUR SEGMENTS
ACCURATE IRIS LOCALIZATION USING CONTOUR SEGMENTS Fernanda Maria Sirlene Pio INFORMAÇÕES SOBRE O ARTIGO Pattern Recognition (ICPR): A1 Publicação: 2012 Citações: 1 2 SUMÁRIO 1. Introdução 2. Detalhes técnicos
Leia maisPMR2560 Visão Computacional Detecção de cores e blobs. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Detecção de cores e blobs Prof. Eduardo L. L. Cabral Objetivos Detecção de cores; Detecção de blobs. Detecção de cores Cores são facilmente identificadas nas imagens. Cor a
Leia maisInstituto de Física de São Carlos Física Aplicada - Física Computacional
Instituto de Física de São Carlos Física Aplicada - Física Computacional Avaliação da Qualidade de Placas de Madeira Através de um Sistema de Inferência Nebuloso Baseado em Redes Neurais Adaptativas Celso
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 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 maisAprendizagem Bayesiana
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Aprendizagem Bayesiana David Menotti www.inf.ufpr.br/menotti/ci171-182 Aprendizagem Bayesiana Agenda Introdução Teorema de Bayes
Leia maisProblema: Moldes Como remover uma peça de um molde?
Programação Linear João Comba / Rodrigo Barni Problema: Moldes Como remover uma peça de um molde? Restrições: Molde formado por uma única peça Apenas objetos compostos por poliedros Remover realizando
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 maisSIFT - Scale Invariant Feature Transform
SIFT - Scale Invariant Feature Transform Daniel Pinto Coutinho Prof. Ricardo Marroquim 1 Introdução A detecção de pontos de interesse em uma figura é uma tarefa muito comum no campo de processamento de
Leia maisAplicações de análise de vídeo ao serviço da segurança Duarte Duque
Aplicações de análise de vídeo ao Duarte Duque 1 PROCESSAMENTO E ANÁLISE DE IMAGEM Imagem Processamento Imagem Imagem Análise Dados 2 PROCESSAMENTO DE IMAGEM Antes Depois Melhoramento de imagem obtido
Leia maisT5 Processamento de Imagem e Vídeo
T5 Processamento de Imagem e Vídeo Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Segmentação baseada em regiões 2. Morfologia matemática 3. K-Means 4. Processamento
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia mais4 SIFT (Scale Invariant Feature Transform)
4 SIFT (Scale Invariant Feature Transform) SIFT é um algoritmo de visão computacional publicado por David Lowe, em 1999 (Lowe, 1999) e patenteado nos EUA pela University of British Columbia. SIFT é composto
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Resumos e gráficos de dados Prof. Josuel Kruppa Rogenski 2 o /2017 1 VISÃO GERAL métodos de organização, resumo e obtenção de gráficos; objetivo: compreender o conjunto de dados
Leia maisCriação de mosaico usadando o SURF e o matcher FLANN
Criação de mosaico usadando o SURF e o matcher FLANN Felipe Jordão Pinheiro de Andrade Universidade Federal do Maranhão, São Luis, BRA Abstract. O trabalho propoe uma metodologia para a criação de um mosaico
Leia maisLocal SLAM. Defesa de Dissertação. Mestrado em Informática Lucas Teixeira. Departamento de Informática, PUC-Rio
Local SLAM Defesa de Dissertação Mestrado em Informática Lucas Teixeira Departamento de Informática, PUC-Rio Overview Dehnel Consulting Ltd. Use of Commercial Cyclotrons Cyclotron Components Extraction
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 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 mais