Sistema de Reconhecimento de Logotipos
|
|
- Edison Ferrão Coradelli
- 5 Há anos
- Visualizações:
Transcrição
1 Sistema de Reconhecimento de Logotipos Fellipe Duarte, Saulo T. Oliveira Relatório Técnico, Introdução ao Processamento de Imagens Programa de Engenharia de Sistemas e Computação COPPE Universidade Federal do Rio de Janeiro Brazil Resumo O objetivo deste trabalho é o estudo e a aplicação de técnicas de processamento de imagens no problema de reconhecimento de logotipos dentro de imagens. Para tanto, realizamos um estudo de caso de possíveis abordagens para utilizar neste problema e, escolhemos uma dentre todas para basear a nossa implementação. Adaptações e uma análise das dificuldades e dos resultados também se encontram neste trabalho. 1. Proposta O objetivo do nosso trabalho é o reconhecimento de logotipos dentro de imagens. Para tanto, vamos utilizar imagens compostas de logotipos (por exemplo, a Figura 1), como base para nosso estudo. Figura 1: Figura base para reconhecimento de logotipos
2 A idéia é estudar e utilizar algoritmos de processamento de imagens para comparar logotipos de uma base pré-definida de logotipos. A base de logotipos será composta de imagens de logotipos de empresas que serão extraídas do Google images 1. Exemplos de logotipos que queremos encontrar na Figura 1 são as Figura 2, Figura 3, Figura 4 e Figura 5. Figura 2 Figura 3 Figura 4 Figura 5 A seguir apresentaremos as metas que pretendemos cumprir durante a realização do nosso trabalho. Criamos essas metas para avaliar e acompanhar o escopo e a progressão do nosso trabalho. 1. Inicialmente pretendemos fazer um levantamento das abordagens utilizadas para o reconhecimento logotipos e escolheremos uma abordagem para utilizarmos; 2. Aplicaremos a abordagem escolhida listando as dificuldades encontradas e as possíveis soluções para compara duas imagens de logotipos. O resultado desta aplicação é informar se as duas são iguais (e, se possível, o quão iguais elas são 2 ) ou não. 3. Em seguida, expandiremos a aplicação para o reconhecimento de um logotipo e uma imagem com mais de um logotipo; 4. Finalmente, avaliaremos a possibilidade de a aplicação reconhecer logotipos em imagens reais. As metas propostas acima foram estipuladas para serem realizadas durante o intervalo em que a disciplina Introdução ao processamento de imagens (COS 756) durar Uma probabilidade de o quão próximas a duas imagens são.
3 2. Reconhecimento de logotipos O reconhecimento de logotipos pode ser aplicado em vários tipos de aplicações, como, por exemplo, a classificação de documentos (onde o logotipo é utilizado como marca d água) ou reconhecimento e remoção de logotipos em vídeos, como em [1]. Para [2] o problema de reconhecimento de logotipos, pode ser dividido em dois passos básico: Detecção do logotipo Características são extraídas para classificar regiões das imagens como possíveis regiões de um logotipo; Correspondência ( matching ) de logotipo As regiões candidatas, são comparadas com uma base de logotipos para determinar uma identidade para a região; Um exemplo de abordagem de detecção de logotipos está em [3] onde, retângulos são utilizados de forma iterativa para reconhecer uma região candidata a logotipo. Outra proposta para detecção de logotipos é apresentada em [2]. [1] apresenta uma abordagem que utiliza um classificador bayesiano para a detecção da região onde o logotipo se encontra e utiliza a distância de Hausdorff 3 para a Correspondência entre o logotipo e a região escolhida. Uma outra abordagem que atende tanto a detecção quanto a correspondência é encontrada em [4]. O reconhecimento de logotipos é influenciado de acordo com a forma como o logotipo pode ser apresentado na imagem alvo. Existem transformações possíveis nas características dos logotipos que gostaríamos de destacar: Escala Normalmente, o tamanho do logotipo da imagem alvo não corresponde ao tamanho do logotipo na base; Rotação Um logotipo pode ser representado dentro da mesma escala sendo rotacionado por diferentes ângulos em diferentes orientações; Oclusão Em uma imagem real, partes do logotipo podem ser omitidas por outros objetos na cena. 3
4 Um sistema para detecção e correspondência de logotipos é apresentado em [5]. Esta abordagem leva em consideração possíveis variações de escala, rotação e oclusão que podem ocorrer em fotografias naturais. Este sistema segue os seguintes passos para realizar a detecção e o casamento dos logotipos: 1. Detecção de pontos de interesse na imagem do logotipo e na imagem de teste utilizando o detector de Harris-Affine [6]; 2. Representar os pontos de interesse detectados através de descritores SIFT [6][7]; 3. Para cada ponto de interesse em um logotipo procuram-se candidatos a pontos relacionados. A escolha é feita utilizando-se um limiar de descarte entre a distância euclidiana de dois descritores; 4. Uma pontuação de correlação, baseada na idéia de votação da transformada de HOUGH 4, é calculada. Onde, uma Gaussiana é centralizada em cada ponto de interesse da imagem e cada pixel vota na região escolhida para determinar se é o um casamento válido. 3. Abordagem escolhida Escolhemos por adaptar a abordagem apresentada em [5] para a realização do nosso trabalho, visto que, ela consegue lidar com transformações de escala, rotação e oclusão. As etapas para o reconhecimento de logotipos do nosso trabalho são divididas da seguinte forma: 1) Criar a base de descritores SIFT dos pontos de interesse dos logotipos que pretendemos encontrar na imagem; 2) Extrair os descritores SIFT dos pontos de interesse da imagem alvo que vamos analisar; 3) Para cada ponto de interesse de um logotipo: i. Calcular a distância euclidiana entre seus vetores de características e um possível descritor correspondente na imagem alvo; 4
5 ii. iii. iv. Caso esta distância seja maior que o limiar pré-determinado, descartamos a possibilidade de correspondência entre os pontos de interesse; Caso contrário, verificamos se é a menor distância encontrada para o ponto de interesse do logotipo e, caso seja, marcamos os pontos como correlacionados; Realizar os passos i, ii e iii para todos os pontos de interesse da imagem alvo; 4) Para cada logotipo: i. Identificar os pontos de interesses com coordenadas máximas e mínimas com as quais, marcaremos um frame interno que as contém; ii. iii. iv. Identificar o fator de escala dividindo a distância euclidiana entre dois pontos de interesse do logotipo com a distância entre seus pontos correspondentes na imagem alvo; Contabilizar o fator médio de escala - fatormedio - realizando a média aritmética das distâncias calculadas no passo ii; Calcular o deslocamento em x descx e deslocamento em y descy, no logotipo, entre o ponto do frame interno, FI logo, de menor x e y com a origem; v. Identificar os pontos de interesses correlacionados na imagem alvo com os quais, marcaremos outro frame interno, FI imagem, que contém todos os pontos correlacionados; vi. vii. Selecionar o ponto com menores coordenadas x e y de FI imagem e calcular o ponto P E1 de coordenadas (x + descx*fatormedio, y + descy*fatormedio); Calcular os pontos P E2, P E3 e P E4 a partir de P E1 formando o frame extermo da imagem alvo; 3.1. Parametrização Para a execução da nossa estratégia, alguns parâmetros iniciais foram definidos, eles são: Para a execução do SIFT, 8 oitavos, com 4 intervalos e fator de borramento (Sigma) de 0.5 dobrando as dimensões da imagem.
6 Limiar máximo para a distância euclidiana entre os vetores de características de Exemplo prático A Figura 6 e a Figura 7 apresentam os descritores SIFT extraídos do logotipo e da imagem alvo, respectivamente. Figura 6: Descritores SIFT do logotipo Figura 7: Descritores SIFT da imagem alvo Após o passo 3 identificamos a Figura 8 e a Figura 9 que apresentam os pontos de interesse no logotipo que têm pontos de interesse correlacionados na imagem alvo.
7 Figura 8: Pontos de interesse no logotipo que tem correlações Figura 9: Pontos correlacionados da figura alvo Após o passo 4 identificamos a Figura 10 e a Figura 11 onde marcamos um quadro interno que agrupa os pontos de interesse das imagens. Nossa abordagem também marca uma região, quadro externo, candidata a região onde o logotipo se apresenta na imagem. Figura 10: Quadro interno que engloba todos os pontos de interesse do logotipo
8 Figura 11: Quadro interno que engloba todos os pontos de interesse e quadro externo da região candidata a logotipo na imagem alvo 4. Avaliações e Resultados Escolhemos um conjunto de comparações para realizar utilizando o nosso trabalho. Elas são: 1) Comparar a imagem do logotipo com ela mesma; 2) Comparar a imagem do logotipo com outro logotipo diferente; 3) Comparar a imagem do logotipo com uma imagem com vários logotipos, onde, um deles é o logotipo que queremos encontrar (com a mesma escala); 4) Comparar a imagem do logotipo com uma imagem com vários logotipos, onde, um deles é o logotipo que queremos encontrar (em outra escala); 5) Comparar a imagem do logotipo com uma imagem com vários logotipos rotacionada de 90º, onde, um deles é o logotipo que queremos encontrar (com a mesma escala); 6) Comparar a imagem do logotipo com uma imagem real que apresente o logotipo; O objetivo das comparações é o de avaliar em quais casos a abordagem é bem sucedida, em quais casos a abordagem tem que melhorar e em quais casos a abordagem não é útil. Para a realização das comparações escolhemos os logotipos da BMW, da ESSO e da OPENSUSE. Durante as avaliações, medimos os pontos de interesse encontrados nos
9 logotipos, o número de pontos que encontramos correspondentes na imagem alvo, o fator de escala médio que utilizamos para calcular os quadros na imagem alvo e o número de falsos positivos marcados na imagem alvo. Apresentamos estes valores nas Tabela 1, Tabela 2 e Tabela 3. Experimento Correspondentes Pontos de interesse Fator de escala Falsos positivos BMW BMW BMW BMW BMW BMW Tabela 1: Resultado para as comparações no logotipo da BMW Experimento Correspondentes Pontos de interesse Fator de escala Falsos positivos ESSO ESSO ESSO ESSO ESSO ESSO Tabela 2: Resultado para as comparações no logotipo da ESSO Experimento Correspondentes Pontos de interesse Fator de escala Falsos positivos OPENSUSE OPENSUSE OPENSUSE OPENSUSE OPENSUSE OPENSUSE Tabela 3: Resultado para as comparações no logotipo da OPENSUSE 5. Conclusões Podemos observar de acordo com os dados apresentados nas Tabela 1, Tabela 2 e Tabela 3 que: O fator de escala influencia diretamente a precisão dos resultados. Quando o fator de escala aumenta muito, o número de falsos positivos também aumenta; O número de pontos correspondentes encontrados não é o único fator decisivo na hora de encontrar a região onde o logo está na imagem alvo,
10 pois, podem existir falsos positivos dentro deste valor. Por exemplo, ESSO 5 apresenta 5 falsos positivos em 8 pontos correspondentes (31 % dos pontos de interesse) enquanto OPENSUSE 6 apresenta apenas 7 pontos correspondentes (18 % dos pontos de interesse) porém nenhum falso positivo e apresenta um enquadramento bom para uma imagem real (Figura 12); Apesar de a nossa abordagem de enquadramento do logotipo na imagem alvo necessitar de refinamentos, em alguns casos, ela conseguir encontrar regiões que se assemelham muito com a região onde a imagem se encontra. Figura 12 : Enquadramento do logotipo na imagem real 6. Trabalhos futuros Avaliar os resultados para diferentes configurações de limiar de corte de pontos candidatos; Aprimorar a identificação da área candidata; Melhorar a precisão para ângulos de rotação expressivos na imagem; Avaliar a existência de mais de uma área onde o logotipo pode aparecer; Atender transformações de affine e iluminação; Atender oclusão parcial dos logotipos (usando a ideia da transformada de HOUGH); Avaliar resultados utilizando outras medidas para comparar os descritores, como, por exemplo, a distâncias de Haussdorf.
11 7. Referências [1] Yan,,W.Q., Wang, J., Kankanhalli, M.S.: Automatic Video Logo Detection and Removal. Multimedia System 10, (2005). [2] Seiden, S., Dillencourt, M., Irani, S., Borrey, R., Murphy, T., Logo Detection in Document Images, Proc. Int. Conf. Imaging Science, Systems, and Technology, pp , [3] Wang, H., Chen, Y., Logo detection in document images based on boundary extension of feature rectanges, proc. Document Analysis and Recognition, ICDAR '09. 10th International Conference, pp , 2009 [4] Zhu, G., Doerman, D., Automatic Document Logo Detection, proc. Document Analysis and Recognition, ICDAR 2007., pp , 2007 [5] Sanyal, S., Srininvasan, S., LogoSeeker: A System for Detection and Matching Logos in Natural Images, Multimedia computing lab, 2007 [6] K. Mikolajczk, C. Schmid, Scale and affine invariant interest points detectors, proc. International Journal of Computer Vision, pp , [7] Lowe, D. (1999). "Object recognition from local scale-invariant features". Proc. of the International Conference on Computer Vision. 2. pp
Detecção 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 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 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 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 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 maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia 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 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 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 maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
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 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 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 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 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 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 maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisColor Eyes Detector. Duarte Petiz. DCC/FCUP
Color Eyes Detector Duarte Petiz DCC/FCUP up201204625@fc.up.pt Resumo Este relatório descreve a implementação da aplicação desenvolvida Color Eyes Detector bem como mostra os resultados finais da execução
Leia 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 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 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 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 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 maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisRECONHECIMENTO 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 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 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 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 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 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 maisAPLICAÇÃO DA VISÃO COMPUTACIONAL PARA SEGMENTAÇÃO DE OBJETOS EM IMAGENS CAPTURADAS POR EQUIPAMENTOS MÓVEIS.
APLICAÇÃO DA VISÃO COMPUTACIONAL PARA SEGMENTAÇÃO DE OBJETOS EM IMAGENS CAPTURADAS POR EQUIPAMENTOS MÓVEIS. João Marcelo RIBEIRO 1 Heber Rocha MOREIRA 2 Fiama F. S. do AMARAL 3 RESUMO Através da visão
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 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 maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia 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 maisReconhecimento de Tipos de Movimento Humano baseados no método GMM.
Reconhecimento de Tipos de Movimento Humano baseados no método GMM. C.Gonçalves 1 ; L.A.Pereira; J.C.Pizolato, Jr.; A.Gonzaga. Escola de Engenharia de São Carlos-EESC-USP Av. Trab. São-Carlense, 400 CP
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 maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia 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 mais4 as Jornadas Politécnicas de Engenharia
4 as Jornadas Politécnicas de Engenharia Imagens de Faces: Exemplos de Metodologias e Aplicações Fernando Carvalho, João Manuel R. S. Tavares Aplicação Metodologias Modelos Conclusões Trabalho Futuro Introdução:
Leia maisProcessamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Leia 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 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 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 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 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 maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
Leia maisDEFINING METRIC THRESHOLDS FOR SOFTWARE PRODUCT LINES: A COMPARATIVE STUDY
DEFINING METRIC THRESHOLDS FOR SOFTWARE PRODUCT LINES: A COMPARATIVE STUDY APRESENTADO POR: BRUNO LUAN DE SOUSA QUA L I DA DE E MEDIÇÃO DE SOFTWA R E U N I V E R S I DA D E F E D E R A L D E MINAS G E
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia 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 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 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 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 maisIMPLEMENTAÇÃO DE ALGORITMO PARA IDENTIFICAÇÃO DE IMPRESSÕES DIGITAIS
Anais do 12 O Encontro de Iniciação Científica e Pós-Graduação do ITA XII ENCITA / 2006 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 16 a 19 2006 IMPLEMENTAÇÃO DE ALGORITMO
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia 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 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 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 maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia maisUniversidade Católica Dom Bosco
Universidade Católica Dom Bosco Curso de Bacharelado em Engenharia de Computação Comparação entre Técnicas de Reconhecimento de Faces para Controle de Acesso a Computadores Vinícius Assis Saueia da Silva
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 maisUm sistema para extração automática de keyframes a partir de fluxos de vídeo direcionado à reconstrução tridimensional de cenários virtuais
Um sistema para extração automática de keyframes a partir de fluxos de vídeo direcionado à reconstrução tridimensional de cenários virtuais Sérgio Carlos Portari Júnior Orientador: Prof. Dr. Antonio Carlos
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 maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Representação. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Representação David Menotti www.inf.ufpr.br/menotti/ci171-182 Representação Agenda Introdução Extraindo Representações de Imagens
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 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 maisAprendizagem de Máquinas. Extração de Características
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizagem de Máquinas Extração de Características David Menotti, Ph.D. http://web.inf.ufpr.br/menotti 1 Objetivos Entender os
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 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 maisWebMídia Thiago Teixeira Santos 1,2 Carlos Hitoshi Morimoto 2
WebMídia 2003 Estruturação e indexação de vídeo digital Thiago Teixeira Santos 1,2 Carlos Hitoshi Morimoto 2 thsant@ime.usp.br hitoshi@ime.usp.br 1 Instituto de Matemática e Estatística, IME-USP 2 Faculdades
Leia maisVETORES + O - vetor V 2 vetor posição do ponto P 2
Objetivo VETORES Estudar propriedades de vetores e a obtenção de resultantes. Introdução Para localizar um ponto P em uma reta, três elementos são necessários: uma referência R, escolhida arbitrariamente,
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 maisVideo Quality Assessment in Java
Video Quality Assessment in Java Pós-graduação strictu sensu em Ciência da Computação PROCESSAMENTO DE IMAGENS, Prof. Tsang Ing Ren Estêvão Monteiro Ricardo Scholz Junho de 2014 Introdução Fidelidade de
Leia maisRegion Based CNNs. Francisco Calaça Xavier. Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado. Instituto de Informática UFG
Region Based CNNs Francisco Calaça Xavier Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado Instituto de Informática UFG Prof. Anderson Soares Agenda O problema Estado da arte R-CNN
Leia maisCaracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil. Suellen Silva de Almeida David Menotti
Caracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil Suellen Silva de Almeida David Menotti 1 Introdução Grande ocorrência de ataques de pragas nos cultivares
Leia mais5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia 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 Trabalhos relacionados
2 Trabalhos relacionados Há diversas abordagens na literatura para os problemas analisados nesta dissertação. Podemos dividir os trabalhos pesquisados inicialmente entre os que trabalham no domínio comprimido
Leia maisINFORMAÇÕES DO ACADÊMICO PLANO DE TRABALHO. 1. Justificativa
INFORMAÇÕES DO ACADÊMICO Nome: Kleber Padovani de Souza Curso: Engenharia de Computação Semestre: R.A.: Título do plano de trabalho: Extração de atributos da imagem através de momentos de imagem. Nome
Leia maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
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 maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisEstimativa de Posição 3D de Obstáculos para VANTs
Estimativa de Posição 3D de Obstáculos para VANTs Rodolfo Barros Chiaramonte, Kalinka Regina Lucas Jaquie Castelo Branco Institute of Mathematics and Computing Sciences (ICMC) University of São Paulo (USP),
Leia maisUniversidade Católica Dom Bosco
Universidade Católica Dom Bosco Centro de Ciências Exatas e Tecnológicas Curso de Engenharia de Computação Segmentação e Reconhecimento Baseado em Textura: Técnicas e Ferramentas Wagner Beloti Leal Prof.
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 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 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 maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia 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 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 maisApresentação de uma Plataforma Computacional para a Reconstrução e Caracterização da Forma 3D de Objectos
Apresentação de uma Plataforma Computacional para a Reconstrução e Caracterização da Forma 3D de Objectos Teresa Azevedo 1, João Manuel R. S. Tavares 1,2, Mário A. Vaz 1,2 1 Instituto de Engenharia Mecânica
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia mais8 Conclusões e Trabalhos Futuros
8 Conclusões e Trabalhos Futuros A presente dissertação apresentou uma proposta de algoritmo para exploração e mapeamento completa para robôs móveis na seção 6.1. Ao longo da dissertação os componentes
Leia maisImagem f
Imagem integral (ou integral da imagem) Imagem f. 8 3 9 7 1 8 5 2 8 7 3 6 5 2 9 3 s: Integral da imagem f (imagem integral) 8 11 20 27 9 20 34 43 17 35 52 67 22 42 68 86 s(u,v) = f(u,v)+s(u-1,v)+s(u,v-1)-s(u-1,v-1)
Leia maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
Leia 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 maisImplementação de um sistema de validação estatística configurável de dados
Implementação de um sistema de validação estatística configurável de dados Eduardo Dias Filho Supervisores: João Eduardo Ferreira e Pedro Losco Takecian 16 de novembro de 2014 Introdução Table of Contents
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 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 mais