APLICAÇÃO DIDÁTICA DO FILTRO DE KALMAN USANDO UMA CÂMERA DIGITAL
|
|
- Manoel Bacelar Arruda
- 6 Há anos
- Visualizações:
Transcrição
1 APLICAÇÃO DIDÁTICA DO FILTRO DE KALMAN USANDO UMA CÂMERA DIGITAL Fernando da Luz Francisco Gilmar Barreto Universidade Estadual de Campinas Faculdade de Engenharia Elétrica e de Computação Av. Albert Einstein Campinas São Paulo CEP Resumo: Este artigo sugere um experimento para laboratório com o objetivo de fortalecer aprendizado do Filtro de Kalman. O objetivo é gravar a trajetória de uma pequena esfera lançada manualmente num certo ângulo para que a mesma realize um movimento balístico; após toda modelagem é realizada pelo aluno usando conceitos básicos de física geralmente aprendidos no primeiro ano de graduação e por último, o modelo desenvolvido é colocado no espaço de estados para então ser aplicado o Filtro de Kalman, para reproduzir a trajetória experimental. Além de simples de realizar e de não precisar de equipamentos sofisticados, o experimento requer todos os passos sejam realizados: preparação do experimento, coleta de dados, adequação do modelo para uma forma mais adequada para o propósito e por último a aplicação do Filtro de Kalman. Para auxiliar com a análise dos resultados e com o que é esperado durante sua execução, o experimento sugerido foi realizado e seus resultados também estão contidos no artigo. Palavras-chave: Filtro de Kalman, Rastreamento, Ensino de Engenharia. 1. INTRODUÇÃO Em 1960 Rudolf Emil Kalman publicou seu famoso trabalho "A New Approach to Linear Filtering and Prediction Problems" enquanto trabalhava no Research Institute for Advanced Studies, motivado principalmente pela corrida espacial, que até então era liderada pela União Soviética que já havia conseguido colocar em órbita o primeiro satélite artificial e já tinha testes avançadas para voos tripulados (GREWAL & ANDREWS, 2010.) O Filtro de Kalman é um algoritmo que produz estimativas do estado de um sistema usando medidas ruidosas observadas ao longo do tempo. Ele opera recursivamente, ou seja, só precisa da medida no instante atual e do cálculo do estado do instante anterior. Além disso, nem sempre é possível ou desejável medir algumas variáveis de interesse para um determinado fim (e.g. controle) e o filtro de Kalman pode ser usado para inferir essas
2 variáveis através de medidas indiretas. O filtro também pode ser usado para prever o comportamento de sistemas que não são controlados pelo homem, como por exemplo o movimento de corpos celestes. Dentre os motivos que tornaram o filtro tão popular nesses mais de 50 anos de existência estão: - Facilidade em implementação em computadores digitais devido à sua recursividade. - Pode ser utilizado sem conhecer exatamente o funcionamento interno do filtro. - Utiliza representação no espaço de estados. O Filtro de Kalman pode ser aplicado nas mais diversas áreas do conhecimento, incluindo medicina, agricultura, ciências sociais, computação e etc. Com tal poder e inúmeras aplicações, o Filtro de Kalman é um dos temas mais recorrentes no ensino de Engenharia, que serve como tema deste trabalho, com o objetivo de unir a teoria com o aspecto prático, solidificando o aprendizado. O experimento sugerido aqui para ilustrar o Filtro de Kalman é o rastreamento de uma esfera lançada manualmente em um movimento balístico, gravado por uma câmera digital comum, presente em vários aparelhos eletrônicos como, por exemplo, a de celular. 2. O FILTRO DE KALMAN O Filtro de Kalman trata com o problema de estimar um estado x de um sistema dinâmico, linear, estocástico e discreto modelado no espaço de estados por: (t + 1) = (t) + (t) u (t) + (t) (t) = (t) + (t) (1) onde u (t) R m é o vetor de entradas, x R n é o vetor de estados, y R p é o vetor de saídas, w R n é o vetor ruído da planta e v R p é o vetor de ruído na observação (saída). Os ruídos w e v tem distribuição de probabilidade Gaussiana, com média zero e matrizes de covariância Q=cov(x,x) R mxm e R=cov(y,y) R pxp, respectivamente. O Filtro de Kalman geralmente é apresentado em duas fases: predição e atualização. A fase de predição usa a estimativa do estado no tempo anterior t-1 para obter uma estimativa do estado no tempo atual t, não incluindo ainda a informação vinda do estado atual. Já na fase de atualização a estimativa da fase de predição é combinada com a observação atual para melhorar a estimativa do estado. A Figura 1 ilustra a transição das fases e as equações pertinentes a cada uma:
3 Figura 1 Filtro de Kalman - Fases: Predição e Atualização onde (+1 é a estimativa ótima (no sentido de mínimos quadrados) de um vetor 1 dada as informações até o instante t; é a estimativa do vetor, que vem da fase anterior; K f (t) é o ganho do Filtro de Kalman, que serve para ponderar a informação nova adicionada através do processoo de inovação e(t); as matrizes A(t), B(t), C( (t), Q(t), P(t) são as matrizes do modelo de espaço de estados já definidas anteriormente. Para mais detalhes sobre o Filtro de Kalman, fica comoo sugestão (KATAYAMA, 2005) e (GIBBS, 2011). 3. RASTREAMENTO DE UM OBJETO - MOVIMENTO BALÍSTICO Antes de iniciar a aplicação em si, é preciso refletir sobre se é adequado aplicar o Filtro de Kalman em problemas de rastreamento. Considere um radar que leva cerca de 10 segundos para completar uma volta em torno de seu próprio eixo. A Figura 2 mostra um plano para um certo angulo em dois instantes diferentes; t 1 que detecta dois aviões com as suas respectivas distâncias até o radar a 1 e b 1 e, de forma semelhante, no instante t 2 o radar detecta dois aviões distantes de a 2 e b 2. Uma das questões é se os dois aviões detectados em t 1 são os mesmos detectados em t 2. Outra pergunta que alguém poderia fazer é se houve mudança na ordenação deles, por exemplo o avião B no segundo instante possivelmente pode ter tomado a frente em relação ao avião A, sendo que um erro desse tipo arruinaria a velocidade estimada dos dois aviões. As respostas para essas questões são importantes, por exemplo, para o controle de aviação civil poder gerenciar o espaço aéreo a fim de evitar colisões (BROOKNER, 1998). Predições via filtro de Kalman são usadas em rastreamento para prover uma consistência entre os objetos rastreados em dois instantes diferentes, ou seja, resgata o caráter contínuo do movimento mesmo que a detecção seja feita em tempo discreto Metodologia Em nosso experimento foi gravado um vídeo da trajetória de uma esfera com cerca de 4 cm de diâmetro arremessada manualmente com um certo ângulo, de modo que a trajetória se comporte comoo um movimento balístico. Para registrar o experimento foi
4 utilizada uma câmera digital capaz de capturar imagens com 1920x1080 pixels de resolução e 30 quadros por segundo, direcionada à um fundo de cor clara de tal forma que capturasse a imagem da esfera quando está já estava em movimento. A Figura 3 ilustra um quadro da gravação em que a esfera estava em seu ponto mais alto. A falta de nitidez da Figura 3 é devido ao fato de que a camera utilizada não é adequada para imagens em movimento, no entanto o Filtro de Kalman lida bem com esse problema, como veremos adiante. Figura 2 Posições dos aviões em diferentes instantes. Figura 3 - A esfera no ponto mais alto da trajetória
5 3.2. Processamento do vídeo Dada a natureza discreta do filtro de Kalman, é preciso converter o vídeo para uma sequência de imagens. Para tal fim, neste exemplo foi utilizado o software livre Ffmpeg, resultando em 28 quadros. Depois é preciso encontrar alguma forma de medir a posição do objeto em cada imagem. Uma das formas possíveis de se medir essa posição é usar uma técnica chamada de Limiar Preto/Branco (ou binarização) em 50%, ou seja, uma vez que a imagem foi convertida para uma escala de cinza, todos os pixels com valor maior ou igual a 127 foram redefinidos com o valor 255 (branco) e os pixels com valor menos que 127 foram redefinidos com o valor 0 (preto)(szeliski, 2010). A Figura 4 mostra o resultado dessa manipulação Modelagem do movimento Figura 4 - Limiar aplicado à Figura 3 O movimento da esfera foi modelado usando equações da cinemática que relacionam posição, velocidade, aceleração e tempo. A modelagem fica muito mais simples analisando o movimento balístico separadamente em dois eixos, x e y, conforme a Figura 5. Cabe notar que essas equações são válidas se desprezarmos o efeito do ar e considerarmos a esfera como um objeto pontual, mas que mesmo assim formam um bom modelo para o propósito deste trabalho pois as velocidades envolvidas são baixas suficientes para que o arrasto devido ao ar e efeitos de rotação não alterem de forma significativa o movimento.
6 Figura 5 - Decomposição nos eixos x e y do movimento balístico As equações de posiçãoo e velocidade para x e y são respectivamente: 0!0!!0 0!0 1 2 # $!!0 # onde x(t) é a posição no eixo x no instante t, y(t) é a posição no eixo y no instante t, x 0 é a posição inicial no eixo x, y 0 é a posição inicial no eixo y, V 0x é a velocidade inicial no eixo x, V 0y é a velocidade inicial no eixo y e g é a aceleração da gravidade. Como o Filtro de Kalman é discreto e recursivo reescrevemos as equações anteriores como: 1! 1%!! 1 1! 1% 1 2 #%$!! 1 #% que podem ser escritas na forma matricial x t x t1 Vx t y t Vy t Vx t1 %t Vx t1 0 ( 0 ( ' y t1 Vy t1%t ' 1 ' 2 #%$ Vy t1 & # % & ''
7 Adequado a equação matricial anterior ao modelo no espaço de estados dado pela Equação (1) temos: -Vetor de estados: -Matriz A: () Vx (t) () = y (t) Vy (t) -Matriz B: -Matriz C: -Vetor de entradas 1 % ) = % * = = (,() = 1 ' 2 #%$ # % & '' 3.4. Implementação do Filtro de Kalman As condições iniciais, posição e velocidade, podem ser obtidas dos primeiros quadro do vídeo de forma aproximada, de tal forma que a matriz de covariância do erro de estimação P seja escrita com os valores da sua diagonal próximos de 1 dada a certeza de uma boa estimativa inicial, (0)=
8 /(0)= Além disso as matrizes Q e R foram escolhidas respectivamente como: (0)= (0)= Com a definição das matrizes, a implementação pode ser realizada e o programa ser escrito conforme o código a seguir: Iteracoes = 28; %Alterar para o número de quadros capturados x_atual = x0 ; %x0 é a primeiro par de coordenadas x e y P_atual = P; x_salvo = zeros(4,28) ; for i=1:iteracoes, x_pred = A * x_atual + B * U; P_pred = A * P_atual * A + Q; e=[ Y(i,1) ; Y(i,2) ; Y(i,3) ; Y(i,4) ] C * x_pred; %Y é a matriz que contém os dados medidos S = C * P_pred*C + R; K = P_pred * C * inv(s) ; x_atual = x_pred + K * e ; x_salvo( :, i ) = x_atual ; P_atual = (eye(4) - K*C) * P_pred ; end Observe que é preciso respeitar a ordem nos vetores de estado, no caso seria: posição no eixo x, velocidade no eixo x, posição no eixo y e velocidade no eixo y. A velocidade pode ser estimada usando o valor anterior, assumindo velocidade constante entre um instante e outro (que é uma boa aproximação considerando o curto intervalo de tempo entre as amostras) Resultado esperado É esperado que o resultado seja próximo ao que obtido no exemplo feito para ilustrar esse trabalho. A Figura 6 ilustra a imagem com a esfera em seu ponto mais alto, a medida e a estimativa do filtro de Kalman.
9 Para comparação, a Figura 7 mostra o gráfico do movimento da esfera montado com os dados coletados, já a Figura 8 mostra o resultado da aplicação do filtro. Houve uma nítida melhora no gráfico do movimento depois do filtro. Na Figura 7 é possível ver na ascenção e no topo da trajetória incoerências no movimento, causadas principalmente pelo ruído na imagem capturada e pelo método de detecção do objeto (limiar). Essa incoerência na trajetória foi filtrada graças à equação da fase de previsão, que só permite, por exemplo, movimentos no horizontal da esquerda para a direita. Figura 6 - Medida e estimativa do Filtro de Kalman
10 Figura 7 - Gráfico do Movimento balístico antes do Filtro (em pixels) Figura 8 - Gráfico do Movimento balístico depois do Filtro (em pixels)
11 4. CONSIDERAÇÕES FINAIS O desenvolvimento deste trabalho teve como objetivo sugerir um experimento de fácil execução e que envolvesse todas as etapas da aplicação do Filtro de Kalman, indo desde a modelagem do sistema alvo até a aplicação do algoritmo no computador. Atividades dessa natureza tem grande validade educacional, incentivando o aluno à preparar o experimento e superar adversidades durante a execução. REFERÊNCIAS BIBLIOGRÁFICAS BROOKNER, E. Tracking and Kalman Filtering Made Easy. John Wiley & Sons, Inc., KATAYAMA, T. Subspace Methods for System Identification. Springer, GIBBS, Bruce P. Advanced Kalman Filtering, Least-Squares and Modeling: A Practical Handbook. Wiley, GREWAL, Mohinder S; ANDREWS, Angus P. Applications of Kalman Filtering in Aerospace 1960 to the Present. IEEE Control Systems Magazine, SZELISKI, Richard. Computer Vision: Algorithms and Applications. Springer, DIDACTIC APPLICATION OF THE KALMAN FILTER USING A DIGITAL CAMERA Abstract: This paper suggests a laboratory experiment with the objective of consolidate the learning of Kalman Filter. The assignment is to record the trajectory of a small sphere launched with a certain angle in order to let it do a ballistic movement. Hereafter all the modelling is made by the student using basic concepts that is usually learned in the first year of the undergraduate level. Then, the model is set in the state space form so that the Kalman Filter can be applied. Besides being simples to execute and the fact of no sophisticated equipment is required, the student have to do all the steps of the experiment: the preparation itself, data collecting, model adequation to the required purpose and finally the application of the Kalman Filter. To help with the analysis of the results and with what we expect during the execution, the suggested experiment was made and its results is also contained in this paper. Key-words: Kalman Filter, Tracking, Enginnering Teaching.
Rastreamento de objeto e estimativa de movimento
Hiroito Watanabe Rastreamento de objeto e estimativa de movimento Brasil 2015 Hiroito Watanabe Rastreamento de objeto e estimativa de movimento Relatório do trabalho 2 da disciplina de Processamento Digital
MP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 1: Introdução Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
MP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 7: Filtro de Kalman Estendido Discreto Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
7. Controlo Adaptativo
1 7. Controlo Adaptativo Objectivo: Mostrar como é possível integrar os blocos anteriormente estudados de identificação de sistemas e projecto de controladores para obter controladores adaptativos. 2 Motivação
INSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS VI. NAVEGAÇÃO Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
MP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 5: Aspectos Computacionais do Filtro de Kalman Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
MouseCam: 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
Renderização de pessoas em movimento a partir de vídeos. Ricardo Juliano Mesquita Silva Oda Supervisor: Carlos Hitoshi Morimoto
Renderização de pessoas em movimento a partir de vídeos Ricardo Juliano Mesquita Silva Oda Supervisor: Carlos Hitoshi Morimoto Trabalho de conclusão de curso IME - USP - 2011 Renderização Rendering is
RASTREAMENTO E PREDIÇÃO DE MOVIMENTO UTILIZANDO FILTRO DE KALMAN
RASREAMENO E REDIÇÃO DE MOVIMENO UILIZANDO FILRO DE KALMAN Ramon de Freitas Elias Campos, Renato de Sousa Gomide, Marcus Fraga Vieira rograma de ós-gradução em Engenharia Elétrica e da Computação da Universidade
Filtro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento
Filtro de Kalman Teoria e Aplicação para Iniciantes Prof. Dr. Marco Antonio Leonel Caetano M&V Consultoria e Treinamento www.mudancasabruptas.com.br A História da Filtragem de Sinais 930 940 960 Filtro
Universidade 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
IMPLEMENTAÇÃO DE SISTEMA DE ATITUDE EM DSP
Anais do 15 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 21 2009. IMPLEMENTAÇÃO DE SISTEMA
Processamento 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
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
PMR2560 ELEMENTOS DE ROBÓTICA 2016 TRABALHO DE VISÃO COMPUTACIONAL CALIBRAÇÃO DE CÂMERAS E VISÃO ESTÉREO
PMR2560 ELEMENTOS DE ROBÓTICA 2016 TRABALHO DE VISÃO COMPUTACIONAL CALIBRAÇÃO DE CÂMERAS E VISÃO ESTÉREO Esse trabalho consiste de três partes. Na primeira parte do trabalho você vai calibrar duas câmeras
APLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO
APLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO André TEIXEIRA DE AQUINO; André LUIZ CARNEIRO DE ARAÚJO (1) Instituto Federal de Educação, Ciência e Tecnologia do Ceará,
SEMINÁRIO 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/
Apêndice ao Roteiro do Experimento Força de Atrito Variável
Apêndice ao Roteiro do Experimento Força de Atrito Variável I. Definição dos sinais na Equação de Movimento Nas figuras abaixo, o referencial xoy foi escolhido da mesma maneira que no Roteiro da Parte
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Abstract. Jader Teixeira 1, Alex Vinícios Telocken 1 1 Universidade de Cruz Alta (UNICRUZ) jader033139@unicruz.edu.br,
4 O Filtro de Kalman
4 O Filtro de Kalman O filtro de Kalman se caracteriza como uma ferramenta estatística eficiente de estimação, pois minimiza o erro quadrático. Sua aplicação é feita quando o modelo está descrito na forma
T4 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
Rodrigo Pereira David. Técnica de Estimação de Canal Utilizando Símbolos Pilotos em Sistemas OFDM. Dissertação de Mestrado
Rodrigo Pereira David Técnica de Estimação de Canal Utilizando Símbolos Pilotos em Sistemas OFDM Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de Mestre pelo
Implementação do Filtro de Kalman Estendido
UNIVERSIDADE FEDERAL DA GRANDE DOURADOS UFGD FACULDADE DE CIÊNCIAS EXATAS E TECNOLOGIA FACET DISCIPLINA: Tópicos em Robótica Móvel PROFESSORA: Drª Valguima Odakura ACADÊMICOS: Aline Izida e Diogo Fernando
Processamento de Imagens Termais Aplicado à Navegação Autônoma. Wanessa da Silva
Processamento de Imagens Termais Aplicado à Navegação Autônoma Wanessa da Silva Outubro, 2016 Introdução Roteiro Métodos Imagens Utilizadas Resultados Considerações Finais 1. Introdução 2. Métodos 4. Imagens:
Este capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação.
6 Simulações Este capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação. 6.1. Descrição da Simulação Visando validar o equacionamento desenvolvido no Capítulo
4 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:
Processamento Digital de Sinais em Bioengenharia (PDSB) Engenharia Biomédica Apresentação
Processamento Digital de Sinais em Bioengenharia (PDSB) Engenharia Biomédica Apresentação João Miguel Sanches jmrs@ist.utl.pt www.isr.ist.utl.pt/~jmrs Tel: +351 21 8418 195 (Ext: 2195 / 5184) Department
Tratamento da Imagem Transformações (cont.)
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/33 Transformações Geométricas 3 Transformações Geométricas
p.1/48 Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, Belo Horizonte, MG, Brasil
p1/48 Capítulo 4 - Métodos ão Paramétricos Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av Antônio Carlos 27, elo Horizonte, MG, rasil p2/48 Introdução Os métodos
EN3604 FILTRAGEM ADAPTATIVA
EN3604 FILTRAGEM ADAPTATIVA Introdução Filtros adaptativos, os quais têm como meta transformar os sinais portadores de informação em versões limpas ou melhoradas, ajustam suas características de acordo
Processamento 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
Tracking de movimentos usando marcadores circulares
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO - COPPE INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS Tracking de movimentos usando marcadores circulares Jéssica de Abreu DRE:114069619 Junho de 2014 1 INTRODUÇÃO Com a
REFINAMENTOS DE MEDIDAS DE GPS DE POSIÇÃO DE UM VEÍCULO USANDO MEDIDAS DE SISTEMA DE NAVEGAÇÃO INERCIAL
REFINAMENTOS DE MEDIDAS DE GPS DE POSIÇÃO DE UM VEÍCULO USANDO MEDIDAS DE SISTEMA DE NAVEGAÇÃO INERCIAL Alessandro Gonçalves Adinolfi alessandroadinolfi@anacgovbr Agência Nacional de Aviação Civil - ANAC
RASTREAMENTO DE JOGADORES DE FUTEBOL EM SEQUÊNCIAS DE IMAGENS
UNIVERSIDADE DE SÃO PAULO RODRIGO DIAS ARNAUT RASTREAMENTO DE JOGADORES DE FUTEBOL EM SEQUÊNCIAS DE IMAGENS São Paulo 29 RODRIGO DIAS ARNAUT RASTREAMENTO DE JOGADORES DE FUTEBOL EM SEQUÊNCIAS DE IMAGENS
Congresso de Inovação, Ciência e Tecnologia do IFSP ANÁLISE E RECONHECIMENTO DE IMAGEM APLICADA AO ENSINO DE CINEMÁTICA
Congresso de Inovação, Ciência e Tecnologia do IFSP - 2016 ANÁLISE E RECONHECIMENTO DE IMAGEM APLICADA AO ENSINO DE CINEMÁTICA BRUNO A. CARDOSO1, ANA C. S. SILVA2, GUSTAVO V. ATZINGEN3, 1 Graduando em
Determinação 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
Fundamentos 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
RELATÓRIO DE PRÁTICA EXPERIMENTAL FIS Física Experimental II OS PÊNDULOS SIMPLES E FÍSICO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE FÍSICA RELATÓRIO DE PRÁTICA EXPERIMENTAL FIS01260 - Física Experimental II OS PÊNDULOS SIMPLES E FÍSICO Porto Alegre, 09 de Abril de 2015. Nome: Vítor
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Transformações Geométricas
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Transformações Geométricas .(x,y, P).(x,y, P) Imagem fonte Imagem transformada Deve-se notar que, como uma imagem digital é representada por uma matriz
Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Dentre a grande variedade de sistemas que podem ser modelados e para os quais a simulação pode ser aplicada com proveito, uma classe
4 Análise de Dados. 4.1.Procedimentos
4 Análise de Dados 4.1.Procedimentos A idéia inicial para a comparação dos dados foi separá-los em series de 28 ensaios, com a mesma concentração, para depois combinar esses ensaios em uma única série.
Análise de séries temporais. Prof. Thaís C O Fonseca DME - UFRJ
Análise de séries temporais Prof. Thaís C O Fonseca DME - UFRJ Conteúdo do curso Parte 1: Problemas e objetivos, conceitos básicos, processos estocásticos, estacionariedade, autocorrelação e correlação
Processamento de Imagem. A Imagem digital Professora Sheila Cáceres
Processamento de Imagem A Imagem digital Professora Sheila Cáceres Visão Humana Processamento de Imagens 2 Semelhança entre o sistema visual humano e uma câmera fotográfica Várias semelhanças podem ser
5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
Estudo do Movimento Amortecido de um Sistema Massa-Mola
Projeto de Métodos Estatísticos em Física Experimental: Estudo do Movimento Amortecido de um Sistema Massa-Mola Alexandre dos Santos Silva 8068098 Lucas Carrazzoni Mirabella 8083151 Luan Delarion 8604404
Lançamento Balístico
Lançamento Balístico O estudo de sistemas, principalmente, sistemas naturais, trouxe grandes desafios para a ciência. Em um primeiro momento, o desafio era a representação desses sistemas por meio de modelagem.
7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS
7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS 7.1. Conclusões Neste trabalho foi estudado o problema da dinâmica da atenuação aplicado a dados resultantes de 28 anos-sítio, sendo 7 de enlaces via satélite
3 Técnicas de medição do escoamento
Técnicas de medição do escoamento 28 3 Técnicas de medição do escoamento O conhecimento do campo de velocidade de fluidos em movimento é fundamental para o entendimento dos mecanismos básicos que governam
5 Exemplos e testes 5.1 Exemplos de uso da Biblioteca Simula ao de um radar rodovi ario de monitoramento de velocidade automotiva
5 Exemplos e testes Com o objetivo de experimentar a aplicação deste trabalho em simulações de radares, foram desenvolvidos exemplos de simulações de cenários realistas. Cinco simulações foram experimentadas:
FILTROS 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
Halliday & Resnick Fundamentos de Física
Halliday & Resnick Fundamentos de Física Mecânica Volume 1 www.grupogen.com.br http://gen-io.grupogen.com.br O GEN Grupo Editorial Nacional reúne as editoras Guanabara Koogan, Santos, Roca, AC Farmacêutica,
FAP151-Fundamentos de Mecânica. Maio de 2009
FP11-Fundamentos de Mecânica. Maio de 9 7ª Lista de Exercícios. Movimento em duas e três dimensões. Lançamento de Projétil. Nos problemas que envolvem movimentos próximos à superfície da Terra e o valor
6 Implementação do Modelo e do Filtro de Kalman
6 Implementação do Modelo e do Filtro de Kalman A seguir são descritos os passos seguidos para a implementação do modelo proposto em SCHWARTZ E SMITH (2000). São descritas as séries de contratos futuros
Lego NXT: Navegação e Localização com sensores de distância baseados em infra-vermelhos utilizando um Extended Kalman Filter
Lego NXT: Navegação e Localização com sensores de distância baseados em infra-vermelhos utilizando um Extended Kalman Filter Miguel Pinto Sistemas Robóticos Autónomos 1 Resumo LegoFeup Localização Cenários
Física I VS 18/07/2015
Física I VS 18/07/2015 NOME MATRÍCULA TURMA PROF. Lembrete: 20 questões de múltipla escolha. Cada questão vale 0,5 ponto Utilize: g = 9,80 m/s 2, exceto se houver alguma indicação em contrário. Nota 1.
P2 MECÂNICA NEWTONIANA A (FIS 1025) 28/10/2011. Questão Valor Grau Revisão. -As respostas sem justificativas ou cálculos não serão computadas.
P2 MECÂNICA NEWTONIANA A (FIS 1025) 28/10/2011 Nome: respostas Assinatura: Matrícula: Turma: Questão Valor Grau Revisão 1 a 3,0 2 a 2,5 3 a 3,0 Total 8,5 -As respostas sem justificativas ou cálculos não
RECONHECIMENTO 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
Processamento Digital de Imagens Aula 04
exatasfepi.com.br Processamento Digital de Imagens Aula 04 André Luís Duarte A sabedoria oferece proteção, como o faz o dinheiro, mas a vantagem do conhecimento é esta: a sabedoria preserva a vida de quem
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Processamento e Análise de Imagens
Processamento e Análise de Imagens Prof. Moacir Ponti www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2017/1 Moacir Ponti Jr. (ICMCUSP) Processamento e Análise de Imagens
INSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS IV. ESTIMAÇÃO ÓTIMA Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Universidade Federal do Rio de Janeiro Instituto de Física Lista de Revisão Física 1. prof. Daniel Kroff e Daniela Szilard 20 de junho de 2015
Universidade Federal do Rio de Janeiro Instituto de Física Lista de Revisão Física 1 prof. Daniel Kroff e Daniela Szilard 20 de junho de 2015 OBS: Quando necessário, considere como dados a aceleração da
Estudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Processamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e de Imagens Sensoriamento Remoto 2 Introdução Espectro Eletromagnético
Processamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
Processamento de Sinais Multimídia
Processamento de Sinais Multimídia Introdução Mylène Christine Queiroz de Farias Departamento de Ciência da Computação Universidade de Brasília (UnB) Brasília, DF 70910-900 mylene@unb.br 15 de Março de
Noções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
Processamento 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
5 Equacionamento do Filtro de Kalman
5 Equacionamento do Filtro de Kalman As implementações do filtro de Kalman para a fusão do GPS com o sensor inercial são classificadas na literatura principalmente como: acopladas, utilizando como informação
Bacharelado Engenharia Civil
Bacharelado Engenharia Civil Física Geral e Experimental I Prof.a: Érica Muniz 1 Período Lançamentos Movimento Circular Uniforme Movimento de Projéteis Vamos considerar a seguir, um caso especial de movimento
Seguimento do Corpo Humano com Modelos Articulados Bidimensionais
Seguimento do Corpo Humano com Modelos Articulados Bidimensionais Rui M. Jesus, Arnaldo J. Abrantes e Jorge S. Marques 2 Instituto Superior de Engenharia de Lisboa, Rua Conselheiro Emídio Navarro, nº,
4 Movimento em Duas ou Três Dimensões
4 Movimento em Duas ou Três Dimensões https://www.walldevil.com/cars-highways-long-exposure-motion-blur-night-time-traffic-lights-signs-wallpaper-35907/ 4-1 Posição e Deslocamento Metas de aprendizado
Computação Gráfica. Prof. MSc André Yoshimi Kusumoto
Computação Gráfica Prof. MSc André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Primitivas gráficas em duas dimensões Matrizes em Computação Gráfica Todas as transformações geométricas podem ser representadas
Estimação de Componentes Harmônicos de Sistemas Elétricos de Potência por meio do Algoritmo de Seleção Clonal
Estimação de Componentes Harmônicos de Sistemas Elétricos de Potência por meio do Algoritmo de Seleção Clonal Luanna Holanda de Siqueira Aluna Marcus Lemos Orientador
TRABALHO EXTRA CLASSE CINEMÁTICA
FCM0221 Física Geral para Químicos TRABALHO EXTRA CLASSE CINEMÁTICA NOTA:... Grupo:... Constituição do Grupo Nome:... Número USP:... Função:... Nome:... Número USP:... Função:... Nome:... Número USP:...
Integração de Dados Visuais e Inerciais Para o Equilíbrio de Um Robô Humanóide
Integração de Dados Visuais e Inerciais Para o Equilíbrio de Um Robô Humanóide Orientador: Professor Vítor Santos Coorientador: Professor Filipe Silva João Carlos Pimentel Fidalgo Peixoto 00 Universidade
Fusão de Dados de Múltiplos Sensores para Estimação do Nível da Interface Óleo/Água em Processos de Separação
Fusão de Dados de Múltiplos Sensores para Estimação do Nível da Interface Óleo/Água em Processos de Separação Lucas B. Oliveira 1, Oscar A. Sotomayor 2 (1) Departamento de Engenharia Elétrica, Universidade
Filtragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha
Filtragem As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que dependem do nível de cinza de um determinado "pixel" e do valor dos níveis de cinza dos "pixels" vizinhos, na imagem
LANÇAMENTO OBLÍQUO No lançamento oblíquo, o objeto é lançado com uma dada velocidade inicial que forma um ângulo θ (compreendido entre 0º e 90º) com a horizontal e descreve uma trajetória parabólica.
6 Aplicações Detalhes da Implementação
6 Aplicações Neste trabalho, é importante implementar aplicações de interação em tempo real para que seja possível avaliar a aplicabilidade das técnicas de Visão Computacional descritas ao longo dos capítulos
Processamento 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
7 Experimentos. Figura 2 Sensor Inercial (Xsens) Figura 3 Sensor GPS (Garmin) Figura 1 Robô Ambiental Híbrido
7 Experimentos Foram realizados dois experimentos distintos com o sensor GPS da marca Garmin e o sensor inercial da marca Xsens, Fig. 83 e 84 respectivamente: Na floresta amazônica, onde os sensores foram
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 Tel: ()-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP -
3 Simpósio Internacional de Agricultura de Precisão
PROGRAMA COMPUTACIONAL PARA LOCALIZAÇÃO DE PLANTAS DANINHAS UTILIZANDO PROCESSAMENTO DE IMAGENS DIGITAIS Gustavo Finholdt 1, Celso Bandeira de Melo Ribeiro 2, Francisco de Assis de Carvalho Pinto 3 RESUMO:
Figura 4.2: Matriz Curricular
Figura 4.2: Matriz Curricular 3660 Fundamentos de Matemática e Estatística Física Eletrônica Algoritmos e Programação Arquitetura de Computadores Metodologias e Técnicas de Computação Engenharia e Sistemas
Introdução. Introdução. Introdução. Introdução. Introdução. Introdução à Robótica Robótica Móvel Localização. Principais questões na Robótica
à Robótica Robótica Móvel Localização Prof. Douglas G. Macharet douglas.macharet@dcc.ufmg.br Principais questões na Robótica Onde estou? (localização) Aonde vou? (objetivo) Como vou? (planejamento)? à
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA. Utilizando JAVA. TCC - Monografia
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA TCC - Monografia Wanderson Câmara dos Santos Orientador : Prof. Dr. Luiz Felipe de Queiroz Silveira 1 Departamento
III Encontro de Iniciação Científica e Tecnológica III EnICT ISSN: IFSP Câmpus Araraquara 19 e 20 de Setembro de 2018
III Encontro de Iniciação Científica e Tecnológica III EnICT ISSN: 2526-6772 IFSP Câmpus Araraquara 19 e 20 de Setembro de 2018 Filtro de Kalman aplicado a fusão sensorial com modelo tridimensional para
Modelação, Identificação e Controlo Digital 2003/04 Segundo Exame
Lic. Em Engª Electrotécnica e de Computadores Modelação, Identificação e Controlo Digital 003/04 Segundo Exame 4 de Fevereiro de 004, 9 horas - sala E5 Quotação: P-4, P-4, P3-4, P4-3, P5-3, P6-. P Considere
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 70-000 Tel: (7)-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP
4 Implementação e Resultados
4 Implementação e Resultados A dissertação teve dois produtos como resultado da sua implementação. O primeiro foi um programa para calibração das câmeras e o segundo foi um plugin para o dispositivo óptico