Segmentação de Íris utilizando Bag of Keypoints
|
|
- Dina Leal Nunes
- 5 Há anos
- Visualizações:
Transcrição
1 Segmentação de Íris utilizando Bag of Keypoints Fabio Nascimento Brandão, Prof. Dr. Maurício Marengoni Universidade Presbiteriana Mackenzie Rua da Consolação, 930 São Paulo - SP - Brasil fabio.nb@gmail.com, mmarengoni@mackenzie.br Abstract This paper presents an ongoing research that uses a Bag of Keypoints technique for the iris location in images. The idea is to use SURF points and learn how to identify points inside the iris region based on SURF features. Once the points inside the iris are selected they are used for region growing and grouping, such that the whole iris is segmented at the end. This is the first step performed in human recognition based on iris. The paper presents the basic concepts involved and preliminary results. The technique seems promising and can be easily adapted to different region types. 1. Introdução A biometria é uma área de estudo que utiliza as características físicas e comportamentais das pessoas para o seu reconhecimento. Os sistemas de identificação biométrica atuais estão ficando cada vez mais populares devido às suas características como confiança, velocidade de execução, conforto de utilização e dificuldade de falsificação. [20] Existem diversas características que podem ser utilizadas no reconhecimento de uma pessoa, entre elas estão: impressão digital, voz, modo de andar, face e íris. O reconhecimento através da íris se destaca pela dificuldade de se alterar acidentalmente ou intencionalmente as suas características, já que ela é um órgão protegido dentro do olho humano. Além disso, o padrão da íris se mantém inalterado durante toda a vida de uma pessoa e o seu padrão é único. [7] Qualquer sistema de reconhecimento de íris segue basicamente os mesmos passos: aquisição da imagem, segmentação da íris na imagem, extração das características (isto é, obter os padrões da íris) e comparação das características extraídas com uma base de dados. O passo mais crítico entre os descritos é a segmentação, sendo que a segmentação incorreta da íris pode ocasionar o reconhecimento incorreto de uma pessoa. Os problemas que surgem durante esta etapa são: grande variabilidade do posicionamento da íris na imagem, bem como grande variabilidade do tamanho da íris; presença de oclusões (causadas pelos cabelos, cílios, pálpebras e óculos); borrões na imagem; problemas no foco; reflexos especulares e ângulos de visão oblíquos. [11] Na Figura 1 (a), vemos a imagem original e na Figura 1 (b) vemos a imagem segmentada. Esta imagem possui alguns tipos de ruídos: oclusões causadas pelos cílios e pálpebras e reflexos especulares. Além disso, a segmentação foi feita de maneira incorreta, pois não detectou corretamente a localização da íris e o seu tamanho. Figura 1. Exemplo de segmentação incorreta, com diversos tipos de ruído Os algoritmos geralmente são projetados para aquisição da imagem de forma cooperativa, isto é, o usuário que será reconhecido facilita o processo de captura da imagem de sua íris (ex.: usuário se mantém parado na frente da câmera). Os maiores problemas aparecem quando a aquisição da imagem é feita de forma não cooperativa, onde o usuário tem pouca ou quase nenhuma participação no processo de captura da imagem. Com isso, as imagens capturadas apresentam muitos ruídos, dificultando o processamento da imagem e, conseqüentemente, o reconhecimento da pessoa. [23] 161
2 O algoritmo utilizado na segmentação da íris deve ser rápido e robusto. A robustez está relacionada com a capacidade do algoritmo em lidar com diversos tipos de ruídos, já que o desempenho global do sistema de reconhecimento de íris está diretamente ligado com o desempenho do algoritmo de segmentação (pois é nesta etapa que o algoritmo extrai de maneira eficaz a região da imagem associada exclusivamente com a íris)[15]. A segmentaçao de íris é um problema com um alto grau de complexidade, sendo que, no período de Julho de 2007 à Dezembro de 2008 uma disputa de segmentação de íris chamada NICE.I[1] foi realizada para avaliar o desempenho de diversos algoritmos de segmentaçao de íris enviados pelos participantes. Boa parte das imagens das íris foram tiradas com close-up e em um ambiente com condições normais (onde a pessoa que está sendo fotografada coopera no processode aquisição da imagem, a iluminação utilizada no ambiente é adequada para o tipo de tarefa sendo executada, etc) e, além disso, as íris das imagens poderiam estar obstruídas por qualquer tipo de ruído (ex.: obstrução causada pelos cabelos, cílios, óculos, etc). A base de imagens utilizada no NICE.I foi a UBIRIS.v2, que foi uma nova versão da base de imagens UBIRIS.v1 [17]. Esta base foi feita devido às diversas críticas sobre o realismo dos ruídos das imagens que foram descritos na literatura, sendo que esta base possui mais de imagens. As imagens foram obtidas em um ambiente sem restrição (a uma distância entre 3 e 10 metros, com o indivíduo em movimento e com ondas visíveis [luzes que o olho do ser humano é capaz de ver]), que corresponde a um ambiente mais real. Na Figura 2 podem ser vistos diversos tipos de oclusões e ruídos que podem ocorrer no processo de captura da imagem da íris. A pesquisa apresentada neste trabalho procura responder às seguintes questões: É possível utilizar pontos característicos do tipo SUF para aprender a localizar objetos de interesse do tipo íris? É possível utilizar estes pontos aprendidos e fazer um agrupamento ou crescimento de região para segmentar uma região de interesse? Este trabalho tem como objetivo principal a implementação das técnicas apresentadas para responder as questões levantadas. O trabalho irá utilizar o algoritmo SURF para detectar e descrever os pontos característicos das imagens, que servirá de entrada para a geraçao de um vocabulário e, após estes passos, será treinado um classificador SVM para a localizaçao das íris nas imagens. Com a íris detectada, a técnica de Region Growing será utilizada para que a íris seja segmentada. Serão Figura 2. Exemplos de oclusões e ruídos, onde podem ser vistas oclusões causadas por cílios, pálpebras, óculos e cabelos, reflexos especulares e imagem capturada com ângulo de visão oblíquo apresentados ainda resultados preliminares obtidos nos experimentos já realizados. 2. Revisão Bibliográfica 2.1. Detecção e Representação de Pontos Característicos Existem diversos algoritmos capazes de detectar e representar características de imagens, entre eles podemos citar o SIFT e o SURF [26]. Basicamente o algoritmo SIFT procura pontos de interesse na imagem e os representa através de um conjunto de valores numéricos que não levam em conta as mudanças na escala, iluminação e outras transformações geométricas. Estes pontos são chamados de pontos característicos, ou pontos invariantes. O SIFT[14] tem sido utilizado para o reconhecimento de objetos em ambientes onde podem existir oclusões parciais [18], localização de robôs e mapeamento de lugares [21], fotos panorâmicas, modelagem 3D, rastreamento, reconhecimento de gestos humanos, entre outros. A idéia do algoritmo SURF é semelhante à do SIFT, porém o SURF é um algoritmo de menor complexidade. De acordo com seus autores o algoritmo SURF é mais rápido e mais robusto em relação a transformações geométricas do que o SIFT [4]. 162
3 2.2. Dicionário de Pontos Característicos No artigo de G. Csurka et al. [10] foi proposta uma nova metodologia de categorização visual chamada Dicionário de Pontos Característicos, ou "Bag of Keypoints". Esta nova metodologia é baseada em uma técnica de categorização de texto chamada "Bag of Words" [25]. A idéia de se adaptar técnicas de categorização de texto na área de visão computacional não é nova, Zhu et al [28] investigaram a quantização vetorial de pequenas imagens quadradas, que foram chamadas de blocos chaves. Foi mostrado que a quantização vetorial produz mais resultados semânticos que os métodos baseados na análise de cores e texturas. O método descrito no artigo de G. Csurka [10] possui quatro passos fundamentais: Detecção e descrição de trechos da imagem Atribuição de descritores de trechos aos grupos pré-determinados (vocabulário) através de um algoritmo de quantização vetorial Construir um conjunto de Keypoints, que sumariza o número de trechos associados aos grupos Aplicar um classificador de múltiplas classes, considerando o Bag of Keypoints como um vetor de características, determinando em quais categorias a imagem deve ser classificada Os descritores obtidos no primeiro passo devem ser invariantes às condições que são irrelevantes para a tarefa de categorização (transformações nas imagens, como por exemplo a rotação e a translação, e também variações de iluminação e oclusões parciais) mas rico o suficiente em informações que discriminem a categoria na qual o trecho analisado pertence. O segundo passo deve conter um vocabulário do tamanho ideal para distinguir mudanças relevantes nas partes das imagens e não distinguir mudanças irrelevantes que podem ocorrer nas imagens como por exemplo ruídos. O objetivo principal deste algoritmo é utilizar um vocabulário (ou conjunto de características) que tenha um bom desempenho de categorização em um determinado conjunto de dados de treinamento. Os passos envolvidos no treinamento são: Detectar e descrever os trechos da imagem de um conjunto de imagens de treinamento Construir um conjunto de vocabulários: cada um sendo o centro de um grupo, em relação aos descritores Extração dos bags of words desses vocabulários Treinamento dos classificadores de múltiplas classes (por ex.: SVM) usando os bags of words como vetores de entrada Seleção do vocabulário e classificador com o melhor desempenho Os resultados do trabalho de G. Csurka [10] mostraram que essa nova técnica se mostrou eficaz já que ela possui robustez diante de imagens que possuam um fundo complexo, e obteve um alto desempenho na categorização sem explorar as informações geométricas contidas nas imagens. No trabalho realizado por D. Filliat [13] a técnica Bag of Keypoints foi utilizada no desenvolvimento de um sistema de localização e aprendizagem de mapas feito por robô. De acordo com o artigo esta técnica se mostrou confiável para reconhecer em que ambiente o robô estava após um curto período de tempo e, além disso, a técnica se mostrou estável após um longo tempo de uso Classificador SVM O SVM (support vector machine ou support vector network) [9] é uma máquina de aprendizagem para problemas de classificação entre dois grupos. O algoritmo funciona mapeando um vetor de entrada definido em um espaço de muitas dimensões, onde é criada uma superfície para separar os vetores em dois grupos. Através de técnicas de classificação binária o SVM pode ser utilizado como um classificador de multi-classes [12] Segmentação A segmentação é o processo de divisão de uma imagem em grupos de pixels que simplificam a representação da imagem, facilitando assim a sua análise. A segmentação geralmente é utilizada como um pré processamento na localização de objetos e contornos (linhas, curvas ou outras formas geométricas) em imagens. Na figura 3 são exibidas diversas segmentações de íris, com baixa taxa de erro na área segmentada, obtidas no NICE.I. Figura 3. Exemplo de segmentações com baixas taxas de erro no NICE.I [1] 163
4 Existem diversas aplicações onde a segmentação de imagem é utilizada como um pré processamento,tais como: Imagens médicas Localização de tumores ou outras patologias [8] Medição de volume de tecidos Cirurgia feita por computadores Diagnósticos Estudo da estrutura anatômica Localização de objetos em imagens de satélites (estradas, florestas, etc.) [22] Reconhecimento de face [2], impressão digital [6], íris [3] Diversas técnicas têm sido utilizadas no processo de segmentação de imagens já que não há uma solução única ou geral para o problema de segmentação e, geralmente várias técnicas de filtragem e binarização são combinadas para resolver, de maneira eficaz, um problema específico. Entre as técnicas mais utilizadas estão: clusterização [5], técnicas baseadas em histograma [24], detecção de arestas [19], crescimento de região [16], particionamento de grafos [27] e watershed [19]. A técnica que será utilizada neste trabalho é a de crescimento de região, pois ela é extremamente simples de implementar. O princípio básico desta técnica é colocar uma ou mais sementes em uma imagem e fazer com que elas "cresçam" de forma a agrupar pixels com alguma característica homogênea, criando assim uma ou mais regiões na imagem. Estas sementes são escolhidas com algum critério, como por exemplo, o valor de intensidade do pixel em uma imagem em nível de cinza ou até mesmo a posição de um pixel em uma imagem. [16] Após a escolha das sementes, o conjunto de pixels ao redor de cada semente é analisado de acordo com um critério de vizinhança (geralmente 4 ou 8) para ver ser estes pixels pertencem ou não à região. Com isso, ocorre o crescimento da região até que todas as regiões da imagem não cresçam mais. As vantagens desta técnica são: separação correta de regiões que possuam as mesmas propriedades e simplicidade, pois ela se baseia na comparação de pixels com as regiões formadas. Ruídos na imagem e alta variação na intensidade podem resultar em buracos no resultado da imagem, o que é uma das principais desvantagens desta técnica. Um exemplo de segmentação de imagem pode ser vista na Figura Metodologia Proposta As imagens que foram utilizadas para os testes e treinamento dos algoritmos enviados ao NICE.I serão utilizadas no processo de aprendizagem e validação do Figura 4. Crescimento de região utilizando 10 sementes colocadas nos pixels com níveis mais próximos ao branco algoritmo proposto. Os algoritmos enviados ao NICE.I devem processar a imagem de um olho e retornar uma imagem de mesma dimensão, onde os pixels pretos representam as regiões da íris como pode ser visto na Figura 5. Figura 5. Exemplo da segmentação desejada A taxa de erro da classificação do algoritmo para a imagem I i é dada pela proporção dos pixels classificados incorretamente sobre a quantidade de pixels de toda a imagem como pode ser visto na equação 1. E i = 1 O(c,r ) C(c,r ) (1) c r c r Onde O(c,r ) e C(c,r ) são respectivamente os pixels da saída do algoritmo e os pixels da imagem esperada. A taxa de erro da classificação E do algoritmo é a média dos erros E i das imagens de entrada como pode ser visto na equação 2. E = 1 E i (2) n i O valor E está limitado no intervalo entre 0e1efoi utilizado no NICE.I para classificar o desempenho dos algoritmos enviado à disputa. Neste contexto, 1 e 0 significam respectivamente o pior e o melhor resultado. A segunda medida de erro utilizada se destina a compensar a desproporção entre os pixels que representam a íris e os pixels que não representam íris nas imagens. 164
5 Essa taxa de erro para a imagem E i é dada através da média das taxas entre os falsos positivos (FP) e os falsos negativos (FN) e é representada pela equação 3. FP + FN E i = (3) 2 Similarmente à taxa de erro E 1, a taxa de erro E 2 é calculada através da média dos erros E i das imagens de entrada. As taxas de erro E obtidas pelos vencedores do NICE.I ficaram entre 0,0131 e 0,0305. O primeiro passo do treinamento do algoritmo consiste em aplicar o algoritmo de detecção e representação de features SURF para obter os pontos de interesse das imagens. Esses pontos serão utilizados para criar o vocabulário do algoritmo Bag of Keypoints. Esse vocabulário é formado através da clusterização dos pontos através do algoritmo k-means. Neste projeto foram gerados 50 grupos de pontos que pertencem à íris e 50 grupos de pontos que não pertencem à íris. Com o vocabulário formado basta construir o Bag of Keypoints das regiões das imagens (regiões obtidas através do particionamento da imagem em grids de 20x15). O Bag of Keypoints de cada grid consiste em um vetor do tamanho do vocabulário, onde cada posição desse vetor é a quantidade de pontos da grid que mais se parecem com a keyword relacionada. As Bag of Keypoints obtidas são então utilizadas como entrada do treinamento do classificador SVM. O processo de treinamento do algoritmo pode ser representado pela Figura 6. Figura 6. Processo de treinamento do algoritmo O processo para a segmentação da íris consiste em separar a imagem em grids, obter o Bag of Keypoints de cada grid e verificar com o classificador SVM treinado se a grid possui ou não uma íris. Se a grid possuir íris, o ponto dessa grid que mais se parecer com um dos 50 pontos do vocabulário de íris é utilizado como entrada para o algoritmo de crescimento de região. Este processo pode ser representado pela Figura 7. Figura 7. Processo de segmentaçao do algoritmo O treinamento da técnica proposta no artigo utiliza 100 imagens de testes do NICE.I, enquanto a validação utiliza aproximadamente 400 imagens. Essas imagens foram fornecidas pelo NICE.I e, para cada imagem de teste existe uma imagem com a máscara onde a íris está posicionada. Essa máscara foi gerada pelos organizadores do NICE.I manualmente e são consideradas como a segmentação correta da íris. 4. Resultados Até o momento de escrita deste artigo todo o processo de extração de features das imagens, geração do vocabulário, criação da Bag of Keypoints, treinamento do classificador e busca de áreas na imagem que possuim íris já foi implementada. O algoritmo de crescimento de região ainda não foi implementado, portanto não temos o resultado da eficácia da técnica como um todo. O processo de busca de grids na imagem que possuem íris está com uma taxa de erro de aproximadamente 37%, sendo que o processo não está conseguindo encontrar íris em pelo menos 0.5% das imagens de validação. 5. Conclusões A técnica de Bag of Keypoints se mostra muito boa para classificar diferentes tipos de imagens. Neste artigo a utilização dela para encontrar a íris em regiões das imagens se mostra promissora, mas por algum motivo os resultados esperados não estão aparecendo. O próximo passo é verificar o motivo pelo qual a classificação das regiões entre região com íris ou sem íris está sendo feita de forma incorreta. Após isto devemos implementar algum tipo de escolha de ponto dentro da região classificada como íris para que este ponto seja 165
6 utilizado como uma semente no algoritmo de crescimento de região. Referências [1] Nice.i - noisy iris challenge evaluation, part i - [2] B. B. Amor, M. Ardabilian, and L. Chen. Enhancing 3d face recognition by mimics segmentation. Intelligent Systems Design and Applications, International Conference on, 3: , [3] G. Annapoorani, R. Krishnamoorthi, and P. G. Jeya. Accurate and fast iris segmentation, [4] H. Bay, A. Ess, T. Tuytelaars, and L. V. Gool. Speededup robust features (surf). Computer Vision and Image Understanding, 110(3): , Similarity Matching in Computer Vision and Multimedia. [5] A. M. Bensaid, L. O. Hall, J. C. Bezdek, and L. P. Clarke. Partially supervised clustering for image segmentation. 29(5): , May [6] S. Bernard, N. Boujemaa, D. Vitale, and C. Bricot. Fingerprint segmentation using the phase of multiscale gabor wavelets, [7] Y. Chen, M. Adjouadi, C. Han, J. Wang, A. Barreto, N. Rishe, and J. Andrian. A highly accurate and computationally efficient approach for unconstrained iris segmentation. Image and Vision Computing, 28(2): , [8] M. C. Clark, L. O. Hall, D. B. Goldgof, R. Velthuizen, F. Reed, and M. S. Silbiger. Automatic tumor segmentation using knowledge-based techniques. IEEE Transactions on Medical Imaging, 17: , [9] C. Cortes and V. Vapnik. Support-vector networks. Machine Learning, 20: , /A: [10] G. Csurka, C. R. Dance, L. Fan, J. Willamowski, and C. Bray. Visual categorization with bags of keypoints. In In Workshop on Statistical Learning in Computer Vision, ECCV, pages 1 22, [11] R. Donida Labati and F. Scotti. Noisy iris segmentation with boundary regularization and reflections removal. Image and Vision Computing, 28(2): , [12] K.-B. Duan and S. S. Keerthi. Which is the best multiclass svm method? an empirical study. In N. C. Oza, R. Polikar, J. Kittler, and F. Roli, editors, Multiple Classifier Systems, volume 3541 of Lecture Notes in Computer Science, pages Springer Berlin / Heidelberg, [13] D. Filliat. A visual bag of words method for interactive qualitative localization and mapping. In Proceedings of the International Conference on Robotics and Automation (ICRA), [14] D. G. Lowe. Object Recognition from Local Scale-Invariant Features. Computer Vision, IEEE International Conference on, 2: vol.2, August [15] M. A. Luengo-Oroz, E. Faure, and J. Angulo. Robust iris segmentation on uncalibrated noisy images using mathematical morphology. Image and Vision Computing, 28(2): , [16] M. Mancas, B. Gosselin, and B. Macq. Segmentation using a region-growing thresholding. In Proceedings of the SPIE 5672 (2005) , pages [17] H. Proenca and L. Alexandre. UBIRIS: A noisy iris image database. In 13th International Conference on Image Analysis and Processing - ICIAP 2005, volume LNCS 3617, pages , Cagliari, Italy, September Springer. [18] A. Ramisa, S. Vasudevan, D. Aldavert, R. Toledo, and R. Lopez de Mantaras. Evaluation of the sift object recognition method in mobile robots. In Proceeding of the 2009 conference on Artificial Intelligence Research and Development: Proceedings of the 12th International Conference of the Catalan Association for Artificial Intelligence, pages 9 18, Amsterdam, The Netherlands, The Netherlands, IOS Press. [19] N. Salman. Image segmentation based on watershed and edge detection techniques. Int. Arab J. Inf. Technol., 3(2): , [20] W. Sankowski, K. Grabowski, M. Napieralska, M. Zubert, and A. Napieralski. Reliable algorithm for iris segmentation in eye image. Image and Vision Computing, 28(2): , [21] S. Se, D. Lowe, and J. Little. Mobile robot localization and mapping with uncertainty using scale-invariant visual landmarks. International Journal of Robotics Research, 21: , [22] J. Senthilnath, M. Rajeshwari, and S. Omkar. Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method. Journal of the Indian Society of Remote Sensing, 37: , /s [23] T. Tan, Z. He, and Z. Sun. Efficient and robust segmentation of noisy iris images for non-cooperative iris recognition. Image and Vision Computing, 28(2): , [24] O. J. Tobias and R. Seara. Image segmentation by histogram thresholding using fuzzy sets. IEEE Transactions on Image Processing, 11(12): , [25] S. Tong and D. Koller. Support Vector Machine Active Learning with Applications to Text Classification. In P. Langley, editor, Proceedings of ICML-00, 17th International Conference on Machine Learning, pages Morgan Kaufmann Publishers, San Francisco, US, [26] C. Valgren and A. J. Lilienthal. SIFT, SURF and seasons: Long-term outdoor localization using local features. In Proceedings of the European Conference on Mobile Robots (ECMR), pages , September [27] S. X. Yu, R. Gross, and J. Shi. Concurrent object recognition and segmentation by graph partitioning. In in NIPS, pages MIT Press, [28] L. Zhu, A. Rao, and A. Zhang. Theory of keyblock-based image retrieval. ACM Trans. Inf. Syst, 20: ,
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisRECONHECIMENTO DE ÍRIS EM AMBIENTES NÃO COOPERATIVOS UTILIZANDO WAVELETS E GABOR 2D
RECONHECIMENTO DE ÍRIS EM AMBIENTES NÃO COOPERATIVOS UTILIZANDO WAVELETS E GABOR 2D Fernanda Maria Sirlene Pio SUMÁRIO 1. Introdução 2. Trabalhos relacionados 3. Metodologia 1. Segmentação 2. Normalização
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 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 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 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 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 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 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 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 maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisAPLICAÇÃO DE UM NOVO MÉTODO DE AMOSTRAGEM DE PIXELS PARA AUMENTAR A CONFIABILIDADE DE SISTEMAS DE RECONHECIMENTO DE ÍRIS
APLICAÇÃO DE UM NOVO MÉTODO DE AMOSTRAGEM DE PIXELS PARA AUMENTAR A CONFIABILIDADE DE SISTEMAS DE RECONHECIMENTO DE ÍRIS Milena B. P. Carneiro, Antônio C. P. Veiga, Edna L. Flores, Gilberto A. Carrijo
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 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 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 maisBiometria Multimodalidade Íris + Face. Luiz Antonio Zanlorensi Junior
Biometria Multimodalidade Íris + Face Luiz Antonio Zanlorensi Junior Sumário Introdução Fusionamento Artigo 1 Seleção de características Multimodal Problemas Base de dados Artigo 2 Unimodal + Multimodal
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 maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia 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 maisReconhecimento e diagnóstico automático de melanoma
Reconhecimento e diagnóstico automático de melanoma Bruno S. Ferreira 1, Paulo V. Vieira 1 1 Universidade Federal do Maranhão(UFMA) Av. dos Portugueses, 1966 - Bacanga, São Luís-MA, 65080-805 Abstract.
Leia 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 maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Leia 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 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 maisCursos da Escola de Engenharias e Ciências Exatas - UnP
Cursos da Escola de Engenharias e Ciências Exatas - UnP Professor Nielsen Castelo Damasceno E-mail: nielsen.castelo@unp.br Web: http://ncdd.com.br Sala Virtual Disciplina Visão Computacional (CH Total
Leia maisPCS 5869 INTELIGÊNCIA ARTIFICIAL
PCS 5869 INTELIGÊNCIA ARTIFICIAL 1º Quadrimestre de 2016 Rodolfo Valiente Romero Seminário PCS-5743I Artigo http://dx.doi.org/10.1016/j.engappai.2014.08.015 A learning-based thresholding method customizable
Leia maisTópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
Leia 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 maisReconhecimento de linguagem de sinais: aplicação em LIBRAS
Reconhecimento de linguagem de sinais: aplicação em LIBRAS Ruberth A. A. Barros 1, Aitan V. Pontes 1, João D. S. Almeida 1 1 Núcleo de Computação Aplicada Universidade Federal Maranhão (UFMA) Caixa Postal
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 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 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 maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia maisExtração de 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia 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 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 maisUm sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV
Um sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV Rodrigo Mendes Garcês 1, Geraldo Braz Júnior 2 1 Laboratório de métodos de otimização e robótica Universidade Federal do
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 maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisMecanismos de Detecção de Objetos Selective Search
Mecanismos de Detecção de Objetos Selective Search Visão Computacional Prof. Geraldo Braz Junior Contém material das notas de aula do CS131, CS229 CS231B Objetivo Como detectar instancias de objeto? 2
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 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 maisSegmentação de Impressões Digitais Baseada em Abertura Top-Hat
Segmentação de Impressões Digitais Baseada em Abertura Top-Hat Gustavo de Sá 1, Pascual Figueroa 1, and Roberto Lotufo 2 1 Griaule Tecnologia, r. Bernardo Sayão 100, sala 209, 13083-866, Campinas, SP,
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 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 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 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 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 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 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 maisClassificação da Qualidade de Vias Urbanas baseado em Sensoriamento Participativo
II WORKSHOP DE COMPUTAÇÃO URBANA Classificação da Qualidade de Vias Urbanas baseado em Sensoriamento Participativo Davidson Nunes Amanda Fagundes Vinícius F. S. Mota Departamento de Informática Agenda
Leia maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Introdução
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Introdução Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceito básicos de reconhecimento
Leia 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 maisT6.1 Reconhecimento de Padrões
T6.1 Reconhecimento de Padrões Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Introdução ao reconhecimento de padrões 2. Representação do conhecimento 3. Reconhecimento
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 maisACCURATE IRIS LOCALIZATION USING CONTOUR SEGMENTS
ACCURATE IRIS LOCALIZATION USING CONTOUR SEGMENTS Fernanda Maria Sirlene Pio INFORMAÇÕES SOBRE O ARTIGO Pattern Recognition (ICPR): A1 Publicação: 2012 Citações: 1 2 SUMÁRIO 1. Introdução 2. Detalhes técnicos
Leia maisClassificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
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 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 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 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 maisProcessamento e Análise de Imagem. Aplicações na Imagem Médica
Processamento e Análise de Imagem Aplicações na Imagem Médica António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Tecnologia de Imagem Imagem de Entrada Processamento
Leia mais10º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2016 Campinas, São Paulo ISBN
Um Estudo de Descritores e Classificadores para Reconhecimento de Bagas de Café Pedro Henrique Ferreira Stringhini 1 ; Thiago Teixeira Santos 2 Nº 16605 RESUMO Métodos de reconhecimento de frutos baseados
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia 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 maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
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 maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia 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 mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia maisAutenticação de fingerprints
Autenticação de fingerprints Pedro Ribeiro Mendes Júnior, Antonio Carlos de Nazaré Júnior, David Menotti Departamento de Computação Universidade Federal de Ouro Preto pedrormjunior@gmail.com, acnazare@gmail.com,
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 de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia 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 maisUNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Aluno: Larissa Lages de Oliveira (llo@cin.ufpe.br) Orientador: Daniel Carvalho da Cunha (dcunha@cin.ufpe.br)
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia 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 maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisReconhecimento Facial 3D utilizando o Simulated Annealing com as Medidas Surface Interpenetration Measure e M-Estimator Sample Consensus
Reconhecimento Facial 3D utilizando o Simulated Annealing com as Medidas Surface Interpenetration Measure e M-Estimator Sample Consensus Dissertação de Mestrado em Informática Sídnei Augusto Drovetto Jr.
Leia maisRELATÓRIO DE PROGRESSO
FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO RELATÓRIO DE PROGRESSO QUALITY ASSESSMENT IN IRIS RECOGNITION FOR MOBILE APPLICATIONS ANA RUTE CAETANO LOURO EE08206@FE.UP.PT MESTRADO INTEGRADO EM ENGENHARIA
Leia maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
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 mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
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 maisDETECÇÃO DE LINHA DO HORIZONTE EM IMAGENS DIGITAIS HORIZON LINE DETECTION IN DIGITAL IMAGES
DETECÇÃO DE LINHA DO HORIZONTE EM IMAGENS DIGITAIS HORIZON LINE DETECTION IN DIGITAL IMAGES BEUREN, Arlete Teresinha 1 ; FACON, Jacques 2 1 UTFPR, Santa Helena, Paraná, Brasil; 2 Pontifícia Universidade
Leia maisEstudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
Leia maisProcessamento de Imagens. Segmentação por regiões
Processamento de Imagens Segmentação por regiões Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em
Leia 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 maisAprendizado por imitação usando Redes Neurais
Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Aprendizado por imitação usando Redes Neurais Aluna: Valéria de Carvalho Santos Profª. Dra. Roseli A. F. Romero 2 Sumário Introdução
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisInvestigando grids irregulares para localização outdoor em ambientes urbanos
Universidade Federal de Pernambuco Centro de Informática Curso de Engenharia da Computação Investigando grids irregulares para localização outdoor em ambientes urbanos Gustavo Pimentel Bittencourt Professor
Leia maisUm método automático de segmentação de imagens aplicado à análise do marmoreio da carne em plataforma móvel
Um método automático de segmentação de imagens aplicado à análise do marmoreio da carne em plataforma móvel Gabriel Fillipe Centini Campos 1, Sylvio Barbon Júnior 1 1 Departamento de Computação Universidade
Leia mais