Evaluation of Keypoint Detectors and Descriptors
|
|
- Eugénio de Lacerda Lemos
- 5 Há anos
- Visualizações:
Transcrição
1 Evaluation of Kepoint Detectors and Descriptors Francisco Assis da Silva 1, Maria Stela V. de Paiva 1 Universidade do Oeste Paulista Unoeste/FPP Presidente Prudente/SP, Brasil Escola de Engenharia de São Carlos Universidade de São Paulo USP, São Carlos/SP chico@unoeste.br, mstela@sc.usp.br Almir Olivette Artero, Marco Antonio Piteri Universidade Estadual Paulista Unesp Faculdade de Ciências e Tecnologia FCT Presidente Prudente/SP, Brasil {almir, piteri}@fct.unesp.br Abstract This paper presents a comparative stud using different combinations of kepoint detectors and descriptors, applied in pairs of digital images (Object/Scene) in which the scene images were degraded b: blurring, scale, lighting, rotation, noise and all these degradations at the same time. All combinations were analzed using the detectors: SFT, SURF, FAST, STAR, MSER, GFTT (with Harris), GFTT and ORB; and the descriptors: SFT, SURF, BREF and ORB. The parameters observed in this stud are processing time, number of inliers and generating of homographic matrix capable to accomplish satisfactoril the matching between object and scene images. The results of this stud can be of great importance for the choice of these techniques in applications that require high precision or low processing time, or even treatment of images that have been degraded in a previousl known wa. Kewords object recognition, local features, kepoint detectors; kepoint descriptors.. NTRODUÇÃO A identificação de pontos de interesse em imagens e a sua descrição têm sido usadas em uma grande variedade de aplicações, podendo-se citar: o reconhecimento de objetos [1] [][3][4], a construção de mosaicos de imagens [5], o mapeamento visual [6], a reconstrução 3D [3], a recuperação de imagem [] e a localização de câmera [3]. Por conta disto, ao longo dos últimos anos, surgiram várias propostas para resolver este problema. Em geral, essa tarefa é realizada em dois passos, sendo inicialmente usado um detector de pontos chaves da imagem e, no passo seguinte, usado um descritor, capaz de gerar atributos capazes de descrever os pontos chaves. A inclusão dos algoritmos mais relevantes na biblioteca OpenCV [7] tem facilitado bastante a implementação de sistemas que usam estes recursos. Entretanto, a escolha de um deles nem sempre é uma tarefa simples, por causa da falta de informações a respeito de suas vantagens e desvantagens. Assim, neste artigo, é apresentada uma análise da qualidade de diferentes combinações detector / descritor destes operadores mais conhecidos. Um dos propósitos dos descritores locais invariantes é prover uma representação que permita a correspondência de estruturas locais entre imagens, o que é feito a partir da obtenção de um conjunto de medidas locais que capturam a essência das imagens [4]. Durante os últimos anos, métodos usando descritores locais se tornaram os preferidos em diferentes campos de Visão de Computacional. Mudanças de escala, orientação, pontos de vista, ou distorções como borramentos, alterações de iluminação ou oclusão torna a tarefa de reconhecimento de objetos ainda mais difícil. nvestigações recentes [][4][8][17] sugerem que o uso de descritores locais é um bom caminho a seguir. Descritores locais correspondem à informação que é provida pela área em torno de um conjunto de pontos chave, que são distintos e têm elevado conteúdo de informação. A comparação de dois descritores locais é feita usando uma medida de distância, como a distância Euclidiana, Hamming ou outra [8]. As demais seções deste artigo estão organizadas da seguinte maneira: na Seção são apresentados os principais detectores e descritores de pontos chave; na Seção é apresentado um estudo comparativo, usando estes descritores em imagens que sofreram degradações; por fim, são apresentadas as conclusões e trabalhos futuros.. REVSÃO BBLOGRÁFCA Nessa seção é apresentada uma revisão dos principais algoritmos detectores e descritores de pontos chave, disponíveis na biblioteca de Visão Computacional OpenCV [7]. Os algoritmos investigados neste trabalho são: Detectores e Descritores: SFT, SURF, ORB; Descritor: BREF; Detectores: FAST, STAR, MSER, GFTT (com Harris ou CornerMinEigenVal Autovalores). A. SFT O algoritmo SFT (Scale nvariant Feature Transform), proposto por Lowe [1] consegue identificar e descrever pontos chave em imagens, o que é feito através de um mapeamento com diferentes vistas de um objeto ou cena, resultando em um vetor com 18 valores que descrevem cada ponto chave da imagem. O algoritmo consiste nas seguintes etapas: Detecção de extremos no espaço-escala: os pontos chave são detectados aplicando um filtro em cascata que identifica os candidatos, que são invariantes à escala, usando uma função que procura por descritores estáveis ao longo de diferentes escalas. O espaço-escala é definido com a função L(x,,σ) na Equação 1, com uma imagem de entrada (x,) [9].
2 L(x,,σ) = G(x,,σ) * (x,) (1) onde * é a convolução com a Gaussiana G(x,,σ) na Equação. G( x,, σ ) 1 πσ ( x + )/ σ = e () Para detectar localização de pontos chave estáveis no espaço-escala, Lowe [10] propôs o uso da função de diferença Gaussiana (DoG) no espaço-escala convoluída com a imagem (x,), resultando em D(x,,σ), a qual pode ser calculada a partir de duas escalas próximas separadas por um fator multiplicativo constante k, como na Equação 3. D(x,,σ) = (G(x,,kσ) G(x,,σ)) * (x,) (3) Detecção de extremos locais: a partir de D(x,,σ), Lowe [1] sugere que os máximos e mínimos locais devem ser detectados pela comparação de cada pixel com os seus oito vizinhos na imagem corrente e nove vizinhos nas escalas superior e inferior (6 vizinhos). Atribuição de orientação: a escala do ponto chave é usada para selecionar a imagem suavizada pela Gaussiana L, com a escala mais próxima, de modo que toda a computação seja realizada de modo invariante à escala. O gradiente de magnitude m(x,) é obtido com a Equação 4. m ) = x + (4) onde x = L(x + 1, ) L(x 1, ) e = L(x, + 1) L(x, 1). A orientação θ(x,) é calculada pela Equação 5. θ ) = arctan( / x) (5) Descrição dos pontos chave: calcula um descritor para cada região da imagem local, que é distinta e invariante a variações adicionais, tais como mudanças na iluminação ou ponto de vista 3D. B. SURF SURF (Speeded Up Robust Features Algorithm) [11] é um detector e descritor de pontos chave invariante a rotação e a escala, que é computacionalmente muito rápido. O detector de descritores SURF é baseado na matriz Hessiana. O determinante da matriz Hessiana é usado para determinar a localização e escala do descritor. Dado um ponto p = (x,) na imagem, a matriz Hessiana H(x,σ) em p na escala σ é definida como segue: Lxx σ ) Lx σ ) H σ ) = (6) Lx σ ) L σ ) onde L xx σ ) é a convolução da derivada de segunda ordem da Gaussiana g( σ ) com a imagem no ponto p, e x similarmente para L x σ ) e σ ). A matriz de determinantes Hessianos é escrita como: det H ) = D D (0.9D ) (7) L ( approx xx x Para localizar pontos de interesse sobre escalas, é aplicada uma supressão não máxima em uma vizinhança 3x3x3. O descritor SURF é extraído em duas etapas: a primeira etapa é a atribuição de uma orientação com base nas informações de uma região circular em torno dos pontos de interesse detectados. A orientação é computada usando respostas Haar-wavelet, nas direções x e, que são pesadas com uma Gaussiana (σ = 3.3s) centrada no ponto de interesse a fim de aumentar a robustez às deformações geométricas, e respostas Wavelet em direções d x horizontal e vertical d são adicionadas em cada sub-região. Os valores absolutos d x e d são somados a fim de obter informação sobre a polaridade das alterações da intensidade da imagem. Portanto, cada subregião tem um vetor v de descritor de quatro dimensões. ( d d, d d ) x V,, (8) = x sso resulta em um vetor de descritores para todas as subregiões 4x4 de tamanho 64. C. BREF Binar Robust ndependent Elementar Features (BREF) [1] é um eficiente descritor binário com base em testes de diferença de intensidade, que visa ser eficiente em memória e rápido para calcular e realizar a correspondência. Ao contrário do SFT ou SURF, não calcula uma orientação do ponto chave e, portanto, não é invariante às rotações de imagem. Com base em uma distribuição gaussiana com média µ = 0 e desvio padrão 1 σ = S, um conjunto de n pares de pontos é usado 5 para calcular o teste de intensidade τ em uma região p de tamanho SxS como: 1 if p(x) < p( ), τ (p; x, ) = (9) 0 caso contrário Para construir um descritor BREF, um conjunto de comparações pré-definidas de pixel é realizado. Este teste padrão é um conjunto de n d pares de coordenadas de pixels (x,) que devem ser comparados em cada região da imagem. Um descritor é então definido como uma sequência de bits n d -dimensional: f i 1 n ( p) = τ(p; x d i, i ) (10) 1 i nd D. ORB Baseado no descritor BREF, o descritor ORB [13] tenta cobrir a variância de rotação e escala do BREF. O ORB usa a abordagem FAST-9 como detector. Após a detecção dos descritores em uma pirâmide de escala, todos os pontos chave são classificados em uma linha com base no descritor de cantos de Harris e, somente os N pontos da parte superior são escolhidos. Uma métrica chamada centróide de intensidade C é calculada com m momentos na região: onde: m pq = x, m 10 m01 C =, (11) m00 m 00 p q x ( x, )
3 A orientação de um vetor a partir do centro da região para o centróide de intensidade é dada por: θ = arctan ( m 01, m 10) (1) Usando a orientação θ da região e a correspondente matriz de rotação R θ para rotacionar os descritores da região, então o descritor BREF é aplicado aos descritores rotacionados e registra a sequência binária como descritor ORB. O descritor ORB é muito rápido por causa da natureza binária, além disso, é invariante em relação à rotação e escala. E. FAST O detector de cantos FAST (Features from Accelerated Segment Test) [14] consiste em dois passos. No primeiro, um teste de segmentos é aplicado em cada canto candidato P. Dezesseis pixels em torno de P são considerados nesse teste de segmentos. Sendo que p denota o brilho de P e t um valor limiar configurável, se n pixels contíguos no círculo são todos mais brilhantes do que p + t, ou mais escuros do que p t, o candidato P é definido como um canto. A Fig. 1 ilustra doze pontos de teste de segmentos da detecção de cantos em uma região da imagem. Fig. 1. Doze pontos de teste de segmentos da detecção de cantos usando o FAST [14] (pixels pertencentes ao arco na imagem linha tracejada). É demonstrado que os melhores resultados são obtidos quando n = 9, daí o nome FAST-9 [14]. A ordem para o teste dos pixels vizinhos no círculo é obtida com o algoritmo D3. Como o teste de segmentos produz muitas respostas adjacentes ao redor do ponto de interesse, utiliza-se uma supressão não máxima com uma função de pontuação V, que é definida como: V = max p x p t, p p x t (13) x Sbright x S dark aplicada para remover cantos que têm um canto adjacente com V maior. Por causa de sua eficiência [15], o FAST se tornou um dos mais utilizados em aplicações em tempo real [16][17]. F. STAR O detector STAR é derivado do detector CenSurE (Center Surround Extrema) [18]. Assim como o SURF, o CenSurE é baseado em filtros invariantes à rotação. A resposta do filtro é calculada para sete escalas e cada pixel da imagem. Em contraste com SFT e SURF o tamanho da amostra é constante em cada escala e conduz a uma resolução espacial completa em todas as escalas. Etapas de pós-processamento são feitas usando a supressão não máxima e supressão de linhas. Descritores que se encontram ao longo de uma borda ou linha são detectados devido à matriz Gradiente. G. MSER O detector MSER (Maximall-Stable Extremal Region Extractor) [19] foi projetado para detectar subconjuntos invariantes afins de máximos estáveis de regiões extremas. MSER são detectados por binarização consecutiva em uma imagem, usando um limiar, que é aplicado considerando o valor mínimo e máximo de intensidade na imagem. Em cada passo um conjunto de regiões Φ é calculado por análise de componentes conectados. A resposta do filtro para cada região i é definida como: qi = Φi+ /Φi / Φi (14) onde denota a cardinalidade e i± a região no nésimo limiar inferior ou superior. Os MSER são identificados pelo mínimo local de q. H. GFTT O método GFTT (Good Features To Track Detector) [0] foi projetado para detectar padrões de cantos. A matriz de gradiente G é computada para cada pixel como: Ω x x G = (15) x com o valor de intensidade (x, ) de uma imagem em tons de cinza e derivadas espaciais x, para uma região especificada Ω. A matriz de gradiente é implementada por meio de imagens integrais para, x e x. Devido ao uso de imagens integrais, a complexidade computacional da matriz de gradiente é constante e independe do tamanho de Ω. Um bom descritor pode ser identificado pelo máximo de λ(x, ), o menor autovalor de G. Certamente cantos fortes aparecem nas bordas do objeto, onde múltiplos movimentos são muito prováveis. Em seguida, é aplicada uma supressão não máxima seguida de uma limiarização com q.max(λ(x, )), sendo q a qualidade constante dos cantos.. RANSAC O algoritmo RANSAC (RANdom SAmple Consensus) [1] é um método de estimação robusto projetado para extração dos inliers 1 e outliers do conjunto de pontos chave. Tem sido muito usado para o reconhecimento de objetos [][3], pois permite encontrar correspondências geometricamente consistentes para resolver o problema de junção de pares de imagens, mesmo em condições extremas, ou com algum tipo de outlier. 1 inliers: pontos de dados que se ajustam com um determinado modelo desejado dentro de uma certa tolerância de erro; outliers: pontos de dados que não se ajustam ao modelo correspondente ao objeto desejado, estão fora de uma certa tolerância de erro.
4 Ao contrário das técnicas convencionais que usam grande quantidade de dados para obter uma solução inicial, e em seguida eliminar os outliers, o RANSAC usa um conjunto com um número mínimo de pontos para uma primeira estimativa e continua o processo, aumentando o conjunto de pontos de dados consistentes [1].. EXPERMENTOS Os experimentos apresentados nesta seção consistem na degradação de uma imagem (mudança de iluminação, mudança de escala, rotação, adição de ruído e borramento) e, em seguida, comparar o desempenho das diferentes combinações dos principais detectores e descritores implementados no OpenCV. As combinações avaliadas são todas aquelas possíveis, usando os detectores: SFT, SURF, FAST, STAR, MSER, GFTT (com Harris), GFTT (CornerMinEigenVal Autovalores) e ORB; e os descritores: SFT, SURF, BREF e ORB. Apenas as combinações SFT-ORB e ORB-SFT não foram avaliadas. A máquina usada nos experimentos possui um processador ntel Core i3 M GHz e memória de 4 GB de RAM. Os parâmetros observados no experimento são: TT Tempo de Processamento tempo necessário para processar as duas imagens (Detecção, Descrição, Correspondência e RANSAC em milissegundos); Nn Número de inliers, ou seja, pontos chave com correspondência validadas pelo RANSAC; DM Distância Euclidiana media entre os pontos nliers, obtida após aplicar as transformações necessárias para a correspondência entre imagem original e transformada; QDMH Quantidade de determinações da matriz homográfica, ou seja, cada vez que os pontos chave detectados permitem calcular adequadamente a matriz de transformação entre a imagem original e a imagem transformada. A Fig. apresenta o resultado do detector/descritor SFT SFT na imagem da Lena, após passar por um processo de degradação composto por: borramento (Gaussiana), mudança de escala (50%), rotação (30º), iluminação (escurecimento) e ruído Gaussiano (10%). Observa-se neste caso que foram obtidos 8 inliers, que foram suficientes para a obtenção da matriz homográfica de transformação, pois a imagem original transformada pela matriz homográfica (retângulo verde em ) apresenta um bom encaixe sobre a imagem cena em. Em (c), os círculos pretos indicam as posições dos inliers da imagem degradada, enquanto que os círculos brancos indicam as posições dos inliers da imagem original, após a transformação usando a matriz homográfica. Neste caso, nota-se um bom encaixe entre eles, com uma distância média entre os pontos inliers DM = 0,7443 e um tempo de processamento TT = ms. Fig.. nliers btidos com detector/descritor SFT SFT; a) magem original (objeto); b) magem transformada (cena); c) magem original transformada pela matriz homográfica, destacando as distância entre os pontos original e trasnformado. A Fig. 3 apresenta o resultado do detector/descritor ORB ORB na imagem da Lena, após passar pela mesma degradação anterior. Fig. 3. nliers obtidos com detector/descritor ORB ORB; a) magem original (objeto); b) magem transformada (cena); c) magem original transformada pela matriz homográfica, destacando as distância entre os pontos original e transformado. (c) (c)
5 Neste caso foram obtidos 117 inliers, que propiciaram um resultado totalmente satisfatório para a obtenção da matriz homográfica de transformação, pois a imagem original transformada pela matriz homográfica (retângulo verde em ) apresenta um bom encaixe sobre a imagem cena em. Em (c), os círculos pretos indicam as posições dos inliers da imagem degradada, enquanto que os círculos brancos indicam as posições dos inliers da imagem original, após a transformação usando a matriz homográfica. Novamente, notase um bom encaixe entre eles, com uma distância média entre os pontos inliers DM = 1,93 pixels e tempo de processamento TT = 546 ms. A Fig. 4 apresenta o resultado do detector/descritor SURF SURF na imagem da Lena, após passar pela mesma degradação anterior. tempo de processamento também foi obtida com a combinação ORB ORB (TT=81 ms). Para a imagem que sofreu apenas uma rotação, esta combinação também foi a que apresentou o menor tempo de processamento (TT=359 ms). O menor tempo de processamento obtido com a imagem acrescida de ruído foi obtido com a combinação STAR ORB (TT=17 ms). Os valores em azul indicam que as matrizes homográficas foram obtidas com sucesso nestas duas combinações, significando que as imagens objeto e cena apresentaram correspondência satisfatória. Para a imagem que passou por todas as degradações (borramento, escala, iluminação, rotação e ruído) a combinação que obteve o menor tempo de processamento foi obtido pela combinação STAR ORB (TT=516 ms), porém, não foi capaz de gerar a matriz homográfica adequada para fazer a correspondência das imagens. A combinação que apresentou o menor tempo de processamento e obteve a matriz satisfatória foi ORB ORB (TT=546 ms). TABELA. TEMPOS DE PROCESSAMENTO Fig. 4. nliers obtidos com detector/descritor SURF SURF; a) magem original (objeto); b) magem transformada (cena); c) magem original transformada pela matriz homográfica, destacando as distância entre os pontos original e trasnformado. Neste caso foram obtidos 33 inliers, que não foram suficientes para a obtenção da matriz homográfica de transformação. Portanto, não ocorrendo um encaixe entre eles, embora o tempo de processamento TT=1.388 ms seja razoável. Os tempos de processamento com todas as combinações são apresentados na Tabela. Nota-se que o menor tempo de processamento obtido com a imagem apenas borrada foi alcançado pelas combinações ORB BREF e ORB ORB (detecção usando ORB e descrição usando BREF e ORB) (TT=37 ms). Para a imagem que sofreu apenas a mudança de escala, o menor tempo de processamento foi obtido com a combinação ORB ORB (TT=358 ms). Para a imagem que passou por uma alteração apenas na sua iluminação, a combinação que obteve o menor (c) Borramento Escala luminação Rotação Ruído Todos QDMH SFT SFT SFT SURF SFT BREF SURF SFT SURF SURF SURF BREF SURF ORB FAST SFT FAST SURF FAST BREF FAST ORB STAR SFT STAR SURF STAR BREF STAR ORB MSER SFT MSER SURF MSER BREF MSER ORB GFTT H SFT GFTT H SURF GFTT H BREF GFTT H ORB GFTT SFT GFTT SURF GFTT BREF GFTT ORB ORB SURF ORB BREF ORB ORB As quantidades de inliers obtidas com todas as combinações são apresentadas na Tabela. A maior quantidade de inliers, obtida com a imagem apenas borrada foi alcançada com a combinação GFTT SFT (Nn=465). Entretanto, o tempo de processamento desta combinação foi muito alto (TT= ms). As melhores razões Nn/TT foram obtidas com as combinações ORB BREF (0,7859) e ORB ORB (0,64). Para a imagem que sofreu apenas a mudança de escala, o maior número de inliers foi obtido com a combinação FAST SFT (Nn=40). O tempo de processamento desta combinação foi razoavelmente alto (TT=9.95 ms). A melhor razão Nn/TT foi obtida com a combinação SURF SURF (0,1511). Para a imagem que passou por uma alteração apenas na sua iluminação, a combinação que obteve o maior número de inliers foi FAST SFT (Nn=.68).
6 O tempo de processamento desta combinação também foi razoavelmente alto (TT=1.090 ms). As melhores razões Nn/TT foram obtidas com as combinações ORB BREF (1,4180), ORB ORB (1,3737) e FAST ORB (1,3458). Para a imagem que sofreu apenas uma rotação, a combinação que obteve o maior número de inliers foi ORB ORB (Nn=3), além disso, esta foi a combinação que obteve o menor tempo de processamento (TT=359 ms). O maior número de inliers, obtido com a imagem que teve apenas o acréscimo de ruído, foi alcançado com a combinação FAST SFT (Nn=.498). Entretanto, o tempo de processamento desta combinação foi extremamente alto (o maior de todos). As melhores razões Nn/TT foram obtidas com as combinações ORB BREF (1,041) e ORB ORB (1,1040). Para a imagem que passou por todas as degradações a combinação que obteve o maior número de inliers foi ORB ORB (Nn=117), que é a combinação que obteve o tempo de processamento mais baixo e, que ainda conseguiu obter a matriz homográfica. TABELA. QUANTDADE DE NLERS Borramento Escala luminação Rotação Ruído Todos QDMH SFT SFT SFT SURF SFT BREF SURF SFT SURF SURF SURF BREF SURF ORB FAST SFT FAST SURF FAST BREF FAST ORB STAR SFT STAR SURF STAR BREF STAR ORB MSER SFT MSER SURF MSER BREF MSER ORB GFTT H SFT GFTT H SURF GFTT H BREF GFTT H ORB GFTT SFT GFTT SURF GFTT BREF GFTT ORB ORB SURF ORB BREF ORB ORB CONCLUSÕES Os resultados obtidos neste estudo podem ser de grande importância para a escolha destas técnicas em aplicações que demandam maior precisão ou menor tempo de processamento, ou ainda no tratamento de imagens que sofreram algum tipo de degradação. Neste artigo foi estabelecida a razão Nn/TT como um parâmetro razoável para medir a qualidade de uma solução, entretanto, em trabalhos futuros deverão ser investigadas outras alternativas para esta medida de qualidade. Também deverão ser investigadas as aplicações destas combinações de detectores e descritores em imagens de diferentes naturezas, como: paisagens, desenhos, mapas, entre outros. Entre as combinações avaliadas, apenas SFT SFT e ORB ORB foram capazes de obter os pontos chave que permitiram calcular adequadamente a matriz de transformação entre a imagem original e as seis imagens degradadas. REFERÊNCAS [1] D.G. Lowe, Distinctive image features from scale-invariant kepoints, ntern. Journal of Computer Vision, Vol. 60, No., pp , 004. [] A. Collet, D. Berenson, S. S. Srinivasa and D. Ferguson, Object recognition and full pose registration from a single image for robotic manipulation, n: EEE nternational Conference on Robotics and Automation, CRA'09, pp , 009. [3] T. Okabe and Y. Sato, Object recognition based on photometric alignment using RANSAC, n Proceedings of Computer Societ Conf. on Computer Vision and Pattern Recognition. pp.1-8, 003. [4] K, Grauman and B. Leibe, Visual object recognition: snthesis lectures on artificial intelligence and machine learning, Morgan & Clapool Publishers, 011, 163 p. [5] M. Brown and D. G. Lowe, Automatic panoramic image stitching using invariant features, nternational Journal of Computer Vision, Vol. 74, Nol. 1, pp , 007. [6] S. Se, D. Lowe, and J. Little, Mobile robot localization and mapping with uncertaint using scale-invariant visual landmarks, nternational Journal of Robotic Research, 1: , August 00. [7] G.R. Bradsk, V. Pisarevsk and J. Bouguet, Learning OpenCV: computer vision with the OpenCV librar, Springer, 008. [8] C. Bulla, Local features for object recognition, in nternational Student Conference on Electrical Engineering POSTER '1, (Prague, Czech Republic), Ma 01. [9] T. Lindeberg, Scale-space theor: A basic tool for analzing structures at different scales, Journal of Applied Statistics, 1:4 70, [10] D.G. Lowe, Object recognition from local scale-invariant features. n: ntern. Conf. on Computer Vision, Corfu, Greece, pp , [11] H. Ba, T. Tutelaars, and L.V. Gool, SURF: speeded up robust features, n: 9th European Conf. Computer Vision, pp , 006. [1] M. Calonder, V. Lepetit, C. Strecha, and P. Fua, Brief: binar robust independent elementar features. n Proceedings of the 11th European conference on Computer vision: Part V, ECCV 10, pp , Berlin, Heidelberg, 010. Springer-Verlag. [13] E. Rublee, V. Rabaud, K. Konolige, and G. R. Bradski, ORB: an efficient alternative to SFT or SURF, n D. N. Metaxas, L. Quan, A. Sanfeliu, L. J. V. Gool, editors, CCV, pp EEE, 011. [14] E. Rosten and T. Drummond, Machine learning for high-speed corner detection, n n European Conference on Computer Vision, volume 1, pp [15] E. Rosten, R. Porter, T. Drummond, Faster and better: a machine learning approach to corner detection, Pattern Analsis and Machine ntelligence, EEE Transactions on, Vol. 3, No. 1, pp , 008. [16] G. Klein and D. Murra, Parallel tracking and mapping for small AR Workspaces, n Proc. Sixth EEE and ACM nternational Smposium on Mixed and Augmented Realit (SMAR 07). Nara, Japan, 007. [17] S. Talor, E. Rosten and T. Drummond, Robust feature matching in.3ms, n EEE CVPR Workshop on Feature Detectors and Descriptors: The State Of The Art and Beond URL [18] Agrawal, M., Konolige, K., and Blas, M, Censure: center surround extremas for realtime feature detection and matching, n European Conf. on Computer Vision (ECCV 008), pp , 008. [19] Matas, J., Chum, O., Urban, M., and Pajdla, T, Robust wide baseline stereo from maximall stable extremal regions, n British Machine Vision Conference (BMVC 00), pp , 00. [0] Shi, J. and Tomasi, C, Good features to track, n Computer Vision and Pattern Recognition (CVPR 1994), pp , 1994 [1] M. A. Fischler and R. C. Bolles, Random sample consensus: a paradigm for model fitting with applications to image analsis and automated cartograph, Communications of the ACM, Vol 4, pp , 1981.
Image Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia 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 maisReconhecimento de Instâncias (parte 2)
Reconhecimento de Instâncias (parte 2) Rafael Galvão de Mesquita rgm@cin.ufpe.br Carlos Alexandre Mello cabm@cin.ufpe.br SURF Speeded-Up Robust Features [3] Computer Vision and Image Understanding, 2004
Leia 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 maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
Leia 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 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 maisAnotador automático de placas de publicidade em vídeos esportivos
MAC0499 - Trabalho de Formatura Supervisionado Professor: Carlos Eduardo Ferreira Universidade de São Paulo Instituto de Matemática e Estatística Aluno: Ricardo Augusto Fernandes Orientador: Prof. Dr.
Leia 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 de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC
Detecção de falsas correspondências em pares de imagens estereoscópicas utilizando a transformação projetiva no plano e o algoritmo RANSAC André Caceres Carrilho Mauricio Galo Renato César dos Santos Curitiba,
Leia maisMapeamento de ambientes e processamento visual utilizando Kinect
Mapeamento de ambientes e processamento visual utilizando Kinect Mário Alberto Cecchi Raduan Bolsista PIBIC/UFRJ Orientador: Adriano Joaquim de Oliveira Cruz, PhD Laboratório de Inteligência Computacional
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 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 maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 13 - Transformada de Hough e SIFT Antonio Oliveira Ricardo Marroquim 1 / 41 aula de hoje descritores Transformada de Hough SIFT 2 / 41 transformada de Hough
Leia 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 maisCasamento de padrões em imagens e vídeos usando características de imagens
Casamento de padrões em imagens e vídeos usando características de imagens Kassius Vinicius Sipolati Bezerra DCEL / CEUNES / UFES São Mateus, ES, Brazil Edilson de Aguiar DCEL / CEUNES / UFES São Mateus,
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 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 maisIDENTIFICAÇÃO DE OBJETOS DO FUTEBOL DE ROBÔS UTILIZANDO ALGORITMO DE DESCRIÇÃO DE PONTOS CHAVE
102 IDENTIFICAÇÃO DE OBJETOS DO FUTEBOL DE ROBÔS UTILIZANDO ALGORITMO DE DESCRIÇÃO DE PONTOS CHAVE IDENTIFYING OBJECTS USING ROBOT SOCCER ALGORITHM DESCRIPTION OF KEY POINTS Ricardo da Silva Barros 1,
Leia maisUSO DO DETECTOR DE PONTOS DE INTERESSE SIFT PARA LOCALIZAÇÃO DE ALVOS ARTIFICIAIS DE CONTROLE
IV Simpósio Brasileiro de Geomática SBG17 II Jornadas Lusófonas - Ciências e Tecnologias de Informação Geográfica - CTIG17 Presidente Prudente - SP, 24-26 de julho de 17 p. 341-346 USO DO DETECTOR DE PONTOS
Leia mais2 Trabalhos Relacionados
2 Trabalhos Relacionados Este capítulo apresenta os algoritmos já existentes que são utilizados nesta dissertação para obter pontos homólogos entre duas imagens de um par estéreo. Pode-se classificar essas
Leia maisUniversidade Federal do Rio de Janeiro. Flávio Henrique Schuindt da Silva. Estimativa de Fluxo Ótico com o método de Lukas-Kanade
Universidade Federal do Rio de Janeiro Programa de Engenharia de Sistemas e Computação Introdução ao Processamento de Imagens Flávio Henrique Schuindt da Silva Estimativa de Fluxo Ótico com o método de
Leia 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 maisRelatório sobre os Resultados obtidos através do uso dos algoritmos SIFT e RANSAC para Reconstrução de um Objeto a partir de uma Nuvem de Pontos
Relatório sobre os Resultados obtidos através do uso dos algoritmos SIFT e RANSAC para Reconstrução de um Objeto a partir de uma Nuvem de Pontos Gustavo Moreira PUC-Rio, Departamento de Informática Rua
Leia maisCORRESPONDÊNCIA POR CARACTERÍSTICAS EM IMAGENS PANORÂMICAS TERRESTRES
Presidente Prudente - SP, 24-26 de julho de 2017 p. 258-265 CORRESPONDÊNCIA POR CARACTERÍSTICAS EM IMAGENS PANORÂMICAS TERRESTRES LETÍCIA FERRARI CASTANHEIRO 1 ANTONIO MARIA GARCIA TOMMASELLI 2 MARIANA
Leia maisLocalização de Robôs Móveis por Aparência Visual
Felipe Gustavo Bombardelli Localização de Robôs Móveis por Aparência Visual Curitiba 2014 Felipe Gustavo Bombardelli Localização de Robôs Móveis por Aparência Visual Trabalho de Graduação apresentado
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia 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 maisFace Detection. Image Processing scc moacir ICMC/USP São Carlos, SP, Brazil
Face Detection Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Face Detection 2011 1 / 24 Agenda 1 Detectando faces 2
Leia 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 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 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 maisProposal of a Hybrid Algorithm Based on SURF and ORB
Proposal of a Hybrid Algorithm Based on SURF and ORB Ricardo Ribani 2 Luiz Lino Bertanha de Abreu 1 rribani@hotmail.com lino.bertanha.br@gmail.com 1 FATEC Americana Cleberson Forte 1,2 Mauricio Marengoni
Leia maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia 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 maisMosaico Automático de Imagens Agrícolas através da Transformada SIFT
Mosaico Automático de Imagens Agrícolas através da Transformada SIFT André de Souza Tarallo 1 ; Roberta Vendramini Gonçalves 2 ; Maria Stela Veludo de Paiva 1 ; Lúcio André de Castro Jorge 3 1- Escola
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia 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 maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia 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 maisIdentificação de Produtos por Imagem Utilizando o Algoritmo SURF
Identificação de Produtos por Imagem Utilizando o Algoritmo SURF Um Comparativo Entre Redes Perceptron Multicamadas e Máquinas de Vetor de Suporte Guilherme Defreitas Juraszek, Alexandre Gonçalves Silva
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 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 maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia 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 mais3 Transformação SIFT (Scale Invariant Feature Transform)
3 Transformação SIFT (Scale Invariant Feature Transform) Este capítulo apresenta as seguintes seções: - 3.1 Uma Introdução Sobre Descritores Locais: A técnica SIFT ( Scale Invariant Feature Transform )
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 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 maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisMosaico Automático de Imagens Agrícolas Aéreas
Mosaico Automático de Imagens Agrícolas Aéreas André de Souza Tarallo 1 ; Maria Stela Veludo de Paiva 1 ; Lúcio André de Castro Jorge 2 1 Escola de Engenharia de São Carlos - Universidade de São Paulo
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 11 de novembro de 2016 Fluxo óptico Usado para estimar
Leia maisSIFT (Scale-invariant feature transform), SURF (Speeded up robust features)
SIFT (Scale-invariant feature transform), SURF (Speeded up robust features) Scale- and rotation-invariant interest point detector and descriptor. detector (keypoints) descriptor matching Aplicações: Camera
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 09 - curvatura Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection overview curvatura espaço de escala block matching 2 / 1 curvatura o
Leia maisConstrução de Mosaicos de Imagens Aéreas Agrícolas e Comparação com Outras Metodologias
Construção de Mosaicos de Imagens Aéreas Agrícolas e Comparação com Outras Metodologias André de Souza Tarallo 1, Francisco Assis da Silva 1, Alan Kazuo Hiraga 2, Maria Stela Veludo de Paiva 1, Lúcio André
Leia maisAula 5 - Segmentação de Imagens
Aula 5 - Segmentação de Imagens Parte 1 Prof. Adilson Gonzaga 1 Segmentação Agrupamento de partes de uma imagem em unidades homogêneas relativamente a determinadas características. Segmentação é o processo
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 maisFundamentos da Computação Gráfica
Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno (1322198) Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional
Leia maisOccupancy grid based graph-slam using the distance transform, SURF features and SGD
Occupancy grid based graph-slam using the distance transform, SURF features and SGD Autores: Arturo Gil, Miguel Juliá, Óscar Reinoso Artur Segal Kaim Agenda Introdução Arquitetura Resultados Trabalho futuro
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia 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 maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia mais- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry
PCS - 5689 - lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno:
Leia 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 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 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 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 maisReconstrução 3D baseada em estereoscopia com a utilização de detectores de características
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Reconstrução 3D baseada em estereoscopia com a utilização de detectores de características 3D reconstruction based on stereoscopy utilizing
Leia maisPMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
Leia 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 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 maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia maisKanade-Lucas-Tomasi Tracker
COPPE-UFRJ Kanade-Lucas-Tomasi Tracker Ricardo Marroquim data entrega: pós-graduação: 18/05/2016 graduação: 27/05/2016 1 NOTAÇÕES Uma imagem é definida como uma função f (x, y), x, y Z, onde f (x, y) :
Leia maisAlgoritmo CLIQUE (Clustering In QUEst)
Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research
Leia maisRELATÓRIO TÉCNICO - CIENTÍFICO
UNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA PIBIC : CNPq, CNPq/AF, UFPA, UFPA/AF, PIBIC/INTERIOR,
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisAnálise do Uso de Descritores Locais e Classificadores no Reconhecimento de Cédulas de Real
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 218-223, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Análise do Uso de Descritores Locais
Leia maisExtração dos Pontos Característicos de uma Imagem através do método SIFT. Helder C. R. de Oliveira Orientador: Prof. Marco A.
Extração dos Pontos Característicos de uma Imagem através do método SIFT Helder C. R. de Oliveira Orientador: Prof. Marco A. Piteri Presidente Prudente 2013 Sumário 1 Introdução 1 2 Processamento de Imagens
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 DE SÃO CARLOS UMA ABORDAGEM OTIMIZADA PARA RECONHECIMENTO DE LOGOMARCAS DE VEÍCULOS USANDO SURF
UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO UMA ABORDAGEM OTIMIZADA PARA RECONHECIMENTO DE LOGOMARCAS DE VEÍCULOS USANDO
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 maisIdentificação de objetos móveis com uso de imagens aéreas obtidas por VANT. Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1
Identificação de objetos móveis com uso de imagens aéreas obtidas por VANT Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1 1 Instituto de Estudos Avançados IEAv/DCTA São José
Leia maisTELEVISÃO DIGITAL LEEC 2006/2007
TELEVISÃO DIGITAL LEEC 2006/2007 DETECÇÃO DE CONTORNOS GRUPO 6: Hugo Miguel Rodrigues Gonçalves Dinis Guedes Afonso ee01171 ee01148 Introdução Este trabalho tem como objectivo a implementação de métodos
Leia maisDESENVOLVIMENTO DE SISTEMA PARA GERAÇÃO DE MOSAICO DE IMAGENS VISANDO LOCALIZAÇÃO E NAVEGAÇÃO DE ROBÔS MÓVEIS
DESENVOLVIMENTO DE SISTEMA PARA GERAÇÃO DE MOSAICO DE IMAGENS VISANDO LOCALIZAÇÃO E NAVEGAÇÃO DE ROBÔS MÓVEIS Edson CAVALCANTI Neto (1), Guilherme Costa HOLANDA (1), Antonio Themoteo VARELA (1), André
Leia 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 maisFiltragem linear. jorge s. marques, questão: como remover artefactos?
Filtragem linear questão: como remover artefactos? redução de ruído como reduzir o ruído de uma imagem? ideia: substituir cada piel por uma média Jm,n = m+ k n+ k k + p= m kq= n k Ip,q k= k+ k+ k= filtro
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 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 maisFace Descrip+on with Local Binary Pa6erns: Applica+on to Face Recogni+on JULIANO RAMOS LUANN LUNA
Face Descrip+on with Local Binary Pa6erns: Applica+on to Face Recogni+on JULIANO RAMOS LUANN LUNA Introdução O ar%go visa criar uma abordagem para o problema de reconhecimento de face: i.e.: Dada uma face,
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 05 - sistemas lineares - parte 2 Antonio Oliveira Ricardo Marroquim 1 / 27 laboratório de processamento de imagens tópicos métodos lineares mínimos quadrados equações
Leia maisGEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD
GEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD Introdução A detecção de elipse, de forma robusta e confiável, é uma questão fundamental em processamento de imagens, pois que fornece uma ferramenta útil
Leia maisMapeamento e Reconstrução 3D com a utilização da Estereoscópia e SURF
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Mapeamento e Reconstrução 3D com a utilização da Estereoscópia e SURF Cordeiro, J. N. N. Escola Politécnica de Pernambuco Universidade
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 maisProcessamento de Imagens Marcia A. S. Bissaco
Engenharia Biomédica Processamento de Imagens Marcia A. S. Bissaco 1 Exemplos filtros Média Mediana Passa_B Passa_A Borda_H Borda_V Sobel_Y Sobel_X Oliveira, Henrique J. Quintino (UMC-SP), 2 Media Mediana
Leia maisImplementação do algoritmo SIFT para detecção de objetos em imagens.
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 Implementação
Leia maisSIMPLES: UM DESCRITOR DE CARACTERÍSTICAS LOCAIS RÁPIDO E SIMPLES
SIMPLES: UM DESCRITOR DE CARACTERÍSTICAS LOCAIS RÁPIDO E SIMPLES MARCOS CESAR VOLTOLINI, HAE YONG KIM Dept. Eng. Sistemas Eletrônicos, Escola Politécnica, USP Av. Prof. Luciano Gualberto, trav. 3, 158,
Leia maisEXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq ( )
USP UNIVERSIDADE DE SÃO PAULO EP ESCOLA POLITÉCNICA EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq (2000-2001) LEONARDO
Leia maisRecognition of Vehicle Logos using SURF
Recognition of Vehicle Logos using SURF Cristiano Macedo Universidade Federal de São Carlos Departamento de Computação São Carlos-SP, Brasil cristiano.macedo@dc.ufscar.br Marcio Merino Fernandes Universidade
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 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 mais