Iris Movements: The Best State to Dynamic Biometric Recognition Process
|
|
- Domingos Vieira Esteves
- 6 Há anos
- Visualizações:
Transcrição
1 Iris Movements: The Best State to Dynamic Biometric Recognition Process C. R. Bernadelli, Student Member, IEEE, P. R. da Silva and A. C. P. Veiga Abstract Substantially, biometric recognition systems that use the information on iris texture employ approximate models. They minimize the problems associated with iris dilation and contraction. This article demonstrates quantitatively that iris movements may lead to significant differences between the enrolment images from a database and the test image. In order to clarify this assumption two experiments were performed and the results indicate that the system performs better when the dilation rate is smaller. Unlike what was expected, images with greater dilation rate do not cause the worst system performance. Lastly, images with intermediate dilation rate brought the system to present the worst outcome. N Keywords Biometrics, EER, Iris Dynamics. I. INTRODUÇÃO O processo de reconhecimento biométrico, a dinâmica da íris tem várias consequências. A pressão no tecido da íris, durante seu movimento, pode fazer com que algumas pequenas regiões se dobrem por baixo de outras. Isso significa que pequenas partes do padrão podem desaparecer enquanto outras partes podem, da mesma forma aparecer. Assim, nenhum modelo de deformação será capaz de representar essa transformação [1]. Outro problema gerado pelo movimento da íris é o aumento da falsa rejeição, em condições extremas, entre códigos correspondentes. Nesse caso, a textura da íris, sob forte compressão, produz uma imagem normalizada com muitas diferenças da imagem normalizada em condições normais [1, 2]. Dessa forma, as regiões não afetadas ou menos afetadas pelos movimentos da íris devem fornecer informações suficientes para o processo de reconhecimento. Boa parte dos métodos de reconhecimento de íris assume o modelo proposto por Daugman [3], denominado Homogeneous Rubber Sheet, o qual projeta linearmente a região anular da íris em uma região retangular fixa. Esse modelo, segundo Daugman, proporciona a geração de códigos de íris que são invariantes sob distorções elásticas não afins. Entretanto, Wyatt [4] explica que o modelo Homogeneous Rubber Sheet não representa a verdadeira deformação do tecido da íris e conclui em seu trabalho que um modelo não linear é mais adequado. Resultados experimentais comprovam C. R. Bernadelli, Universidade Federal do Triângulo Mineiro (UFTM), Uberaba, Minas Gerais, Brasil, bernadelli@eletrica.uftm.edu.br P. R, da Silva, Universidade Federal de Uberlândia (UFU), Uberlândia, Minas Gerais, Brasil, paulo_ricardo.exe@hotmail.com A. C. P. Veiga, Universidade Federal de Uberlândia (UFU), Uberlândia, Minas Gerais, Brasil, acpveiga@ufu.br que o método de Wyatt torna o sistema de reconhecimento mais robusto contra estímulos externos, como a variação da iluminação. Por sua vez, Wei et al. [5] propõe em seu trabalho um algoritmo para modelar a deformação não linear da íris através de uma deformação linear mais um desvio aditivo, calculado por uma função Gaussiana. Embora alguns trabalhos tenham alcançados taxas de reconhecimento próxima a zero, utilizando imagens de alta resolução, adquiridas a partir de ambientes controlados com nenhuma variação de iluminação e distância olhos-câmera, ainda existem muitos desafios no reconhecimento da íris em qualquer cenário real [6]. Assim, este artigo investiga de forma quantitativa a influência dos movimentos da íris no processo de reconhecimento por meio da taxa de erro igual (Error Equal Rate - EER) e da decidibilidade (d ). Além disso, este trabalho determina o estado da íris com a informação discriminatória mais estável e que produz a melhor taxa de reconhecimento. O artigo está organizado da seguinte forma: A próxima Seção faz uma introdução sobre o processo de normalização da imagem da íris e a Seção III faz uma introdução sobre a etapa de extração de características da imagem normalizada. A Seção IV descreve os experimentos realizados e os resultados obtidos. Finalmente, a Seção V conclui o trabalho. II. NORMALIZAÇÃO E O MODELO HOMOGENEOUS RUBBER SHEET Boa parte dos estudos em biometria da íris e dos sistemas de reconhecimento propostos utilizam a normalização para produzir imagens com dimensões constantes [5]. Dentre os métodos de normalização mais utilizados está o modelo Homogeneous Rubber Sheet, proposto por Daugman [3]. Para este modelo, o sistema assume que as características utilizadas no processo de reconhecimento estão na mesma posição espacial, inclusive para imagens sob diferentes condições de iluminação, rotação e distância da câmera. Como o próprio nome diz, o modelo Homogeneous Rubber Sheet considera a região da íris como se esta fosse um anel de borracha. Assim, os pontos da mesma íris, em instantes diferentes, localizados na direção radial, entre a borda da pupila e a borda da íris, podem sofrer deslocamentos proporcionais à variação do raio da pupila e da íris, nesta mesma direção [3]. O método utiliza coordenadas polares adimensionais, conforme mostra a Fig. 1 e a Fig. 2.
2 Figura 1. Representação retangular da região da Iris proposta por John Daugman. intraclasse ocorre quando códigos da mesma íris são comparados, enquanto que a comparação interclasse ocorre quando códigos de irises diferentes são comparados. Para esses dois casos, a métrica deve retornar uma faixa de valores distintos e separados para que a decisão de aceitar ou rejeitar a comparação tenha alto grau de confiabilidade [11, 12]. Daugman utilizou uma versão 2D do filtro de Gabor para codificar a informação contida na textura da íris. Um filtro de Gabor 2D sobre o domínio (x, y) da imagem é representado pela Eq. (1)., (1) onde (, ) especifica a posição na imagem, (α, β) especifica a largura e o comprimento eficaz e (, ) especifica a modulação que possui frequência espacial dada pela Eq. (2). (2) Figura 2. Esboço do processo de normalização com resolução radial igual a 10 pixels e resolução angular igual a 40 pixels. Basicamente, esta normalização consiste em remanejar a região da íris, passando de coordenadas cartesianas (x, y) para coordenas polares adimensionais (ρ, θ), onde ρ pertence ao intervalo [0, 1] e θ representa um ângulo no intervalo [0, 2π]. No entanto, alguns pesquisadores notaram que a dilatação da íris afeta a qualidade da correspondência entre as imagens de um mesmo olho e que, apesar de uma boa aproximação, o modelo Homogeneous Rubber Sheet não descreve o verdadeiro movimento da íris por se tratar de um movimento não linear [1, 5, 7]. Dessa forma, é necessário modelar a deformação da íris para, então aplicar a normalização não linear. Vários modelos de deformação não linear da íris foram propostos [1, 2, 8]. Há ainda alguns trabalhos que evitam os tradicionais processos de normalização. Por exemplo, Birgale et. al. [9] propõe a utilização de diferentes máscaras para filtrar as informações contidas na íris e compara seu método com o proposto por Daugman. Li e Xie [10] propõe um método baseado na extração parcial da informação contida na íris. Eles utilizam imagens isométricas, consideram a posição do centro da pupila e o tamanho do raio da íris fixos para coletar pontos equidistantes. III. CODIFICAÇÃO E COMPARAÇÃO A análise da textura da íris é a área mais popular da pesquisa em reconhecimento biométrico. Basicamente, a maioria dos trabalhos utilizam algum tipo de filtro para produzir uma representação binária da íris, chamado de código da íris ou então geram um vetor com características da íris representadas por números reais. Para aumentar a precisão apenas as características mais significativas devem ser codificadas e comparadas [11]. A comparação é feita utilizando uma métrica capaz de medir o grau de similaridade entre os códigos. A comparação Entretanto, conforme descrito por Libor Masek [13], o filtro de Gabor possui algumas limitações. Sempre que a largura de faixa do filtro de Gabor for maior do que uma oitava, a componente de simetria par irá possuir uma componente DC devido à sobreposição das caudas das gaussianas. Uma alternativa para resolver esse problema é o filtro Log-Gabor. Neste caso, a Gaussiana é representada em uma escala logarítmica e assim, é possível obter uma componente DC igual a zero para qualquer que seja a largura de faixa utilizada. A resposta em frequência do filtro Log-Gabor é obtida pela Eq. (3). onde é a frequência central e σ fornece a largura de faixa do filtro. Diversas métricas podem ser utilizadas para comparação sendo que as mais populares são a distância de Hamming (HD), a distância euclidiana ponderada e a correlação normalizada. Vários trabalhos utilizam a distância de Hamming, por exemplo, os de John Daugman [12], de Vatsa et al. [14] e de Li Ma et al. [15]. A distância de Hamming fornece uma medida da quantidade de bits que são comuns entre dois templates. Ela é definida como a soma dos bits discordantes ao longo do número total de bits N, conforme Eq. (4). (3) (4) onde e são os bits dos dois padrões e é a operação de ou exclusivo. Se dois padrões de bits são completamente independentes, tais como modelos gerados a partir de diferentes irises, a distância de Hamming entre os dois padrões deve ser igual a 0,5. Isso ocorre porque a independência entre os dois padrões
3 de bits é totalmente aleatória, com 50% de chance para qualquer bit 0 ou 1. Portanto, metade dos bits vão concordar e metade vão discordar entre os dois padrões. Se dois padrões são derivados das mesmas írises, a distância de Hamming entre eles será próximo de 0, uma vez que eles são altamente correlacionados e os bits devem concordar entre os dois códigos de íris [12, 13]. A distância euclidiana ponderada pode ser utilizada quando os templates são compostos de valores inteiros. Ela fornece a medida de similaridade de um conjunto de valores provenientes de dois templates. Esta técnica foi empregada por Zhu et al. [16]. Já a correlação normalizada foi utilizada como métrica para comparação de dois templates por Wildes et al. [8] e por Kim et al [17]. IV. EXPERIMENTOS A Fig. 3 mostra o diagrama de blocos do sistema construído para a realização dos experimentos. O sistema é baseado na proposta realizada por Libor Masek [13]. Figura 3. Diagrama de blocos do sistema desenvolvido para realização dos experimentos. A ação de cada etapa é descrita a seguir: Segmentação da íris: Utiliza a transformada circular de Hough (TCH) para localizar e segmentar a região da íris na imagem do olho. O ponto máximo no espaço de Hough corresponde ás coordenadas do centro e ao raio do melhor círculo encontrado no mapa de bordas da imagem. Normalização da íris: Utiliza o modelo Homogeneous Rubber Sheet para gerar uma imagem com dimensões constantes de 20X240 pixels. Extração de Características: Utiliza filtro Log-Gabor. Código da íris: Utiliza código binário para representar a fase da saída do filtro para cada ponto da imagem normalizada. Comparação: Utiliza a distância de Hamming para comparar os códigos gerados. O grande objetivo de um sistema de reconhecimento de íris é ser capaz de obter uma boa separação entre as distribuições geradas a partir de comparações intraclasse e interclasse. O sistema é mais confiável quanto mais separados os dois casos estiverem, uma vez que a sobreposição entre as distribuições provoca taxas de erro. Um parâmetro chamado decidibilidade [12] mede a separação entre as distribuições, independente do limiar adotado para decisão, levando em consideração a média e o desvio padrão de cada uma. Sendo e as médias e e os desvios padrões das duas distribuições, a decidibilidade é dada pela Eq. (5). A performance de qualquer sistema de biometria pode ser calibrada pelo seu valor de decidibilidade. Quanto maior a decidibilidade, maior a separação entre as distribuições intraclasse e interclasse e consequentemente, maior a precisão no reconhecimento. Outra ferramenta que pode ser utilizada para indicar o desempenho do sistema de biometria em um cenário de verificação é a curva ROC (Receiver Operating Characteristic). A curva ROC é construída em termos da Taxa de Falsa Rejeição (FRR), apresentada no eixo Y da ROC, que indica a probabilidade de um indivíduo apto ser considerado impostor e, portanto, ser recusado pelo sistema e pela Taxa de Falsa Aceitação, apresentada no eixo X da ROC, que indica a probabilidade de um impostor ser aceito pelo sistema. A taxa de erro igual (EER), único número frequentemente citado a partir da curva ROC, representa o valor onde a FRR é igual à FRA. Quanto menor for a EER maior será a capacidade do sistema em classificar corretamente uma amostra. O software desenvolvido neste trabalho gera a distribuição dos códigos correspondentes (match) e dos códigos não correspondentes (non-match), ou seja, ele gera o histograma das distâncias de Hamming intraclasse e interclasse, determina a EER e a decidibilidade para um determinado conjunto de imagens. Para testar o desempenho do sistema desenvolvido utilizouse imagens do conjunto de imagens CASIA-Iris-Lamp e 608 imagens do conjunto de imagens CASIA-IrisV1. As imagens utilizadas de cada conjunto foram confrontadas com todas as demais imagens de cada conjunto. A base de dados CASIA-Iris-Lamp é formada por imagens com resolução de 640X480 pixels, obtidas de 411 indivíduos diferentes e divididas em 819 classes. Durante o processo de aquisição do conjunto CASIA-Iris- Lamp, uma lâmpada intermitente próxima ao indivíduo é responsável pelo Pupil Light Reflex (PLR). O objetivo do PLR é adaptar o sistema visual à iluminação ambiente e, dessa forma, foi o responsável por introduzir maior variação intraclasse, ou seja, deformações elásticas na textura da íris devido à contração e dilatação da pupila sob diferentes condições de iluminação [18]. O conjunto de imagens da base CASIA-IrisV1 contém 756 imagens de 108 olhos (7 imagens de cada olho), capturadas em duas sessões e com resolução de 320X280 pixels. Neste conjunto a região da pupila foi substituída por uma região circular de intensidade constante para mascarar o efeito da reflexão especular da iluminação infravermelha - NIR. Dessa forma, a detecção da borda interna da íris fica mais fácil e com mínimo ou nenhum efeito em outros componentes do sistema de reconhecimento de íris. (5)
4 Daugman determina que a proporção esperada de bits concordantes entre os códigos de duas irises diferentes seja de HD = 0,5. Contudo, pode-se reduzir este valor para HD = 0,45 devido à correção no alinhamento dos códigos [13]. Em seu trabalho a média das distâncias de Hamming para a distribuição match foi de 0,110 e a média das distâncias de Hamming para a distribuição non-match foi de 0,458. A decidibilidade foi de 7,3 [12]. Conforme mostra a Fig. 4, a média da distribuição match do conjunto Casia-IrisV1 é de 0,29. Além disso, 100% destas amostras possuem HD menor que 0,45 (nenhum falso negativo). Por sua vez, a média da distribuição non-match é de 0,47 e 19,24% destas amostras possuem HD menor que 0,45 (falso positivo). Aqui a decidibilidade foi de 5,19. Nesse caso, a decidibilidade foi de 4,76, que corresponde a uma degradação de aproximadamente 8% em relação ao conjunto Casia-IrisV1. Os resultados alcançados sugerem de forma notória que o conjunto CASIA-IRIS-Lamp é mais sujeito a erros, conforme mostra a Fig. 6, possivelmente por apresentar maior variabilidade devido ao movimento do tecido da íris. Figura 6. Receiver Operating Characteristic ROC para CASIA-Iris V1 e CASIA-IRIS-Lamp. Figura 4. Distribuições das distâncias de Hamming para o conjunto Casia- IrisV1. O histograma da esquerda representa a distribuição intraclasse (match). O histograma da direita representa da distribuição interclasse (nonmatch). Para o conjunto Casia-IRIS-Lamp a média da distribuição match na Fig. 5 é de 0,27. Além disso, 1,60% destas amostras possuem HD maior ou igual a 0,45 (falso negativo). Por sua vez, a média da distribuição non-match é de 0,47 e 20,98% destas amostras possuem HD menor que 0,45 (falso positivo). Figura 5. Distribuições das distâncias de Hamming para o conjunto Casia- IRIS-Lamp. O histograma da esquerda representa a distribuição intraclasse (match). O histograma da direita representa da distribuição interclasse (nonmatch). Dessa forma, há claros indícios que o espaçamento temporal entre as imagens a serem comparadas deve ser levado em conta e que, ao contrário do que Daugman diz em [3], o modelo Homogeneous Rubber Sheet não é capaz de eliminar os problemas causados pela contração e dilatação do tecido da íris. Para determinar a taxa de dilatação D, o raio da pupila foi dividido pelo raio da íris. Dessa forma, como raio da pupila é sempre menor que o raio da íris, a relação de dilatação deve ser sempre um número entre 0 e 1. Considerando agora o intervalo da taxa de dilatação (D) do conjunto CASIA-IRIS-Lamp, dividido empiricamente em três faixas iguais, obtém-se os seguintes subconjuntos de imagens: Subconjunto 1 que engloba as imagens com pupilas menores ou com pupilas contraídas, onde as taxas de dilatação são menores que 0,36, ou seja, 0,36. Subconjunto 2 que engloba as imagens com pupilas de tamanho intermediário, com taxas de dilatação entre 0,36 e 0,52, ou seja, 0,36 0,52. Subconjunto 3 que engloba as imagens com pupilas maiores ou dilatadas, onde as taxas de dilatação são maiores que 0,52, ou seja, 0,52. A Fig. 7 mostra a distribuição das distâncias de Hamming para o subconjunto 1. Neste caso, a média das distribuições correspondentes foi de 0,26 com desvio padrão de 0,0512. Para as distribuições não correspondentes do mesmo subconjunto a média foi de 0,47 com desvio padrão de 0,0161 e a decidibilidade encontrada foi 5,53.
5 Para o subconjunto 3 a média das distribuições correspondentes foi de 0,25 com desvio padrão de 0,0519. Para as distribuições não correspondentes do mesmo subconjunto a média foi de 0,46 com desvio padrão de 0,0228 e a decidibilidade encontrada foi 5,24, conforme mostra a Fig. 9. As curvas ROC da Fig. 10 mostra as taxas de erro igual (EER) para os três subconjuntos. Para o subconjunto 1 a taxa de erro igual (EER) foi de 0,98, para o subconjunto 2 a taxa de erro igual (EER) foi de 1,76 e para o subconjunto 3 a taxa de erro igual (EER) foi de 1,55. Figura 7. Distribuição das distâncias de Hamming para as imagens do subconjunto 1. O subconjunto 1 é formado pelas imagens da base Casia-IRIS- Lamp que apresentam taxa de dilatação menor que 0,36. A Fig. 8 mostra a distribuição das distâncias de Hamming para o subconjunto 2. Neste caso, a média das distribuições correspondentes foi de 0,27 com desvio padrão de 0,0562. Para as distribuições não correspondentes do mesmo subconjunto a média foi de 0,47 com desvio padrão de 0,0185 e a decidibilidade encontrada foi 4,78. Figura 10. ROC para os três intervalos de taxa de dilatação. Figura 8. Distribuição das distâncias de Hamming para as imagens do subconjunto 2. O subconjunto 2 é formado pelas imagens da base Casia-IRIS- Lamp que apresentam taxa de dilatação entre 0,36 e 0,52. Figura 9. Distribuição das distâncias de Hamming para as imagens do subconjunto 3. O subconjunto 3 é formado pelas imagens da base Casia-IRIS- Lamp que apresentam taxa de dilatação maior que 0,52. V. CONCLUSÃO Considerando os experimentos realizados, há uma clara indicação que, para imagens com a taxa de dilatação intermediária, entre 0,36 e 0,52, a decidibilidade diminui, deteriorando a resposta do sistema. Para imagens com taxa de dilatação menor que 0,36 e maior que 0,52 as decidibilidades se aproximam. Para o primeiro caso a decidibilidade é de 5,53 e para o segundo caso a decidibiliade é de 5,25, uma diferença de apenas 5%. Esse fato evidencia a influência da variação no tamanho da íris no desempenho do sistema de reconhecimento. Uma possível justificativa para o resultado acima pode ser encontrada no fato de que imagens com baixa taxa de dilatação possuem íris com área maior e, portanto, os pontos amostrados para formar o template possuem características mais discriminantes, pois estão mais afastados entre si. Pelo mesmo raciocínio, imagens com maior taxa de dilatação possuem menor área de íris, porém as estruturas da íris estão mais comprimidas formando uma textura com grande quantidade bordas e cantos que representam características mais discriminantes. Por outro lado, imagens com taxa de dilatação intermediária apresentam uma textura com baixa frequência e poucas características devido ao menor espaçamento entre os pontos amostrados. Dessa forma, os códigos da íris gerados a partir dessas imagens apresentam poucos bits significativos, aumentando a intersecção das distribuições match e non-match no ambiente de decisão e diminuindo a decidibilidade.
6 De forma clara, as curvas ROC dos três conjuntos que foram separados pela taxa de dilatação, seguem a mesma tendência das distribuições de HD. Como dito anteriormente, quanto menor a EER maior é a capacidade do sistema em decidir corretamente a qual classe a amostra pertence. Assim, verifica-se que o subconjunto com menor taxa de dilatação apresenta a menor EER, 0,98, enquanto que o subconjunto com taxa de dilatação intermediária apresenta a maior EER, 1,76, apontando a influência dos movimentos da íris no processo de reconhecimento. Como trabalhos futuros, recomenda-se a utilização de outros bancos de imagens com variações intraclasse e o estudo e comparação de métodos de extração de características que possam diminuir a decidibilidade em sistemas de reconhecimento dinâmico. AGRADECIMENTOS Os autores agradecem à Fundação de Amparo à Pesquisa do Estado de Minas Gerais - FAPEMIG, pelo apoio financeiro ao projeto aprovado referente ao edital 01/2012. REFERÊNCIAS [1] J. Thornton, M. Savvides, and B. V. K. Kumar, A Bayesian Approach to Deformed Pattern Matching of Iris Images, IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, no. 4, pp , Apr [2] J.-Z. Huang, T.-N. Tan, L. Ma, and Y.-H. Wang, Phase Correlation Based Iris Image Registration Model, J. Comput. Sci. Technol., vol. 20, no. 3, pp , May [3] J. G. Daugman, High confidence visual recognition of persons by a test of statistical independence, IEEE Trans. Pattern Anal. Mach. Intell., vol. 15, no. 11, pp , [4] H. J. Wyatt, A minimum-wear-and-tear meshwork for the iris, Vision Res., vol. 40, no. 16, pp , Jul [5] Z. Wei, T. Tan, and Z. Sun, Nonlinear Iris Deformation Correction Based on Gaussian Model, in Advances in Biometrics, Berlin, Heidelberg: Springer Berlin Heidelberg, 2007, pp [6] F. Albert Santos, F. Augusto Faria, and L. Aparecido Villas, Iris Recognition Based on Local Binary Descriptors, IEEE Lat. Am. Trans., vol. 13, no. 8, pp , Aug [7] K. Hollingsworth, K. W. Bowyer, and P. J. Flynn, Pupil dilation degrades iris biometric performance, Comput. Vis. Image Underst., vol. 113, no. 1, pp , [8] R. P. Wildes, Iris recognition: an emerging biometric technology, Proc. IEEE, vol. 85, no. 9, pp , [9] L. Birgale and M. Kokare, Iris recognition without iris normalization, J. Comput. Sci., vol. 6, no. 9, pp , [10] X. Li and M. Xie, A novel algorithm of human iris recognition, Isc Int. Symp. Commun. Inf. Technol. 2005, Proc., vol. I, pp , [11] K. W. Bowyer, K. Hollingsworth, and P. J. Flynn, Image understanding for iris biometrics: A survey, Comput. Vis. Image Underst., vol. 110, no. 2, pp , May [12] J. Daugman, How Iris Recognition Works, in The Essential Guide to Image Processing, vol. 14, no. 1, 2009, pp [13] L. Masek, Recognition of human iris patterns for biometric identification, Univerity West. Aust., [14] M. Vatsa, R. Singh, and A. Noore, Reducing the False Rejection Rate of Iris Recognition Using Textural and Topological Features, Int. J. Signal Process., vol. 2, no. 2, pp , [15] L. Ma, T. Tan, Y. Wang, and D. Zhang, Efficient iris recognition by characterizing key local variations, IEEE Trans. Image Process., vol. 13, no. 6, pp , [16] Y. Z. Y. Zhu, T. T. T. Tan, and Y. W. Y. Wang, Biometric personal identification based on iris patterns, Proc. 15th Int. Conf. Pattern Recognition. ICPR-2000, vol. 2, no , pp , [17] J. Kim, S. Cho, J. Choi, and R. J. M. Ii, Iris Recognition Using Wavelet Features, J. VLSI Signal Process., vol. 38, pp , [18] C. R. M. B. P. and A. C. P. V. Bernadelli, Influence of source light in clinical parameters of pupillary Cycle, IEEE Latin America Transactions, pp , Cláriton Rodrigues Bernadelli nasceu na cidade de Araporã - MG, Brasil. Recebeu o título de Mestre em engenharia elétrica em 2003 pela Universidade Federal de Uberlândia. Atualmente é aluno de doutorado em processamento digital de sinais pela mesma universidade e trabalha como professor na Universidade Federal do Triângulo Mineiro. Seus interesses em pesquisa incluem processamento digital de imagens, processamento digital de sinais e comunicações digitais. Paulo Ricardo da Silva nasceu em Araxá - MG, Brasil. Graduado em Engenharia Elétrica pela Universidade Federal do Triângulo Mineiro UFTM, está completando seu mestrado em Engenharia Elétrica na área de Eletrônica de Potência na Universidade Federal de Uberlândia UFU, onde atualmente faz parte do Grupo de Pesquisa em Eletrônica de Potência (NUPEP). Seus interesses em pesquisa incluem processamento digital de sinais, processamento digital de imagens, desenvolvimento e concepção de topologias de conversores, eletrônica de potência, correção de fator de potência e implementação de do controle digital baseada em DSP. Antônio Cláudio Paschoarelli Veiga nasceu em Salvador BA, Brasil. Formado em engenharia elétrica pela Universidade de São Paulo em Recebeu o título de mestre em engenharia elétrica pela Universidade Federal de Uberlândia em 1998 e o título de Doutor pela Universidade de Campinas em Atualmente é professor de engenharia elétrica na Universidade Federal de Uberlândia. Seus interesses em pesquisa incluem processamento digital de imagens, processamento digital de sinais e comunicações digitais.
RECONHECIMENTO 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 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 maisBiometria: Processamento de Imagem para Reconhecimento de Padrões na Íris
Biometria: Processamento de Imagem para Reconhecimento de Padrões na Íris Biometria Impressões Digitais Íris Rosto Voz Gestos Etc. João Maltez e Leandro do Vale, 2005 Diapositivo 2 Utilização Geral Identificação/Verificação
Leia maisUma aplicação de algoritmos genéticos para melhorar a confiabilidade de um sistema de reconhecimento de íris
Uma aplicação de algoritmos genéticos para melhorar a confiabilidade de um sistema de reconhecimento de íris Milena Bueno Pereira, Antônio Cláudio Paschoarelli Veiga, Faculdade de Engenharia Elétrica (FEELT)
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 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 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 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 maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
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 mais2 Cenário Atual Visão Geral
2 Cenário Atual 2.1. Visão Geral Esta seção apresenta de maneira simples e sucinta as principais técnicas propostas na literatura científica sobre sistemas de identificação através da íris. A literatura
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 Sirlene Pio UFOP sirlenepg@gmail.com Fernanda Maria Ribeiro UFOP fernandamaria si@yahoo.com.br Abstract Ainda há muitas
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 maisUtilização de Pupilometria Dinâmica para Identificação Pessoal Baseada em Reflexos Humanos
Utilização de Pupilometria Dinâmica para Identificação Pessoal Baseada em Reflexos Humanos Vitor Yano, Alessandro Zimmer, Giselle Ferrari Universidade Federal do Paraná Departamento de Engenharia Elétrica
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 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 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 maisBrilliant Solutions for a Safe World
TESTES DE CONFIABILIDADE A confiabilidade da identificação é importante para sistemas de grande escala. O SDK MegaMatcher inclui um algoritmo mesclado para identificação rápida e confiável usando vários
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 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 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 maisESRIC EXTRACÇÃO, SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS A PARTIR DO CENTRO DA PUPILA
CMNE/CILAMCE 2007 Porto, 13 a 15 de Junho, 2007 APMTAC, Portugal 2007 ESRIC EXTRACÇÃO, SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS A PARTIR DO CENTRO DA PUPILA Edno José Bozoli Junior 1*, Osvaldo Severino Junior
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 maisReconhecimento de Faces Utilizando Análise de Componentes Principais e a Transformada Census
Reconhecimento de Faces Utilizando Análise de Componentes Principais e a Transformada Census Ícaro Ribeiro, Giovani Chiachia, Aparecido Nilceu Marana Universidade Estadual Paulista - UNESP (Campus de Bauru)
Leia maisReconhecimento de Íris utilizando Algoritmos Genéticos e Amostragem não Uniforme
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Reconhecimento de Íris utilizando Algoritmos Genéticos e Amostragem não Uniforme Milena Bueno Pereira
Leia maisEstudo 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
Leia maisAUTENTICAÇÃO DE IMPRESSÕES DIGITAIS
AUTENTICAÇÃO DE IMPRESSÕES DIGITAIS Felipe Negreiros Pedrosa- IC Aluno de graduação do curso de Eng. de Computação do Instituto Tecnológico de Aeronáutica Bolsista PIBIC-CNPQ; Brasil; e-mail: felipe.pedrosa@gmail.com
Leia maisFiltros de Gabor Da Teoria à Aplicação
Filtros de Gabor Da Teoria à Aplicação Ricardo J. Ferrari, Ph.D. rferrari@icmc.usp.br Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo São Carlos, Brasil Introdução Sumário Sistema
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 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 maisPalavras-chave: Biometria, íris, padrões, sinal, processamento, identificação, assinatura, normalização, codificação, leitura.
Biometria: Processamento de Imagem para Reconhecimento de Padrões na Íris por: João Maltez e Leandro do Vale Sumário D escreve-se de forma sucinta o processo mais comum para geração de templates(assinaturas)
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 maisUm método robusto de segmentação de imagem de íris
Um método robusto de segmentação de imagem de íris Daniel Felix de Brito e Lee Luan Ling Resumo: Este artigo apresenta um método robusto para localização rápida da pupila, íris e das pálpebras. O método
Leia mais3 Sistema Proposto Descrição do Sistema
3 Sistema Proposto Este capítulo apresenta em detalhes os elementos de hardware e software que compõem o protótipo do sistema de reconhecimento de íris construído neste trabalho. 3.1. Descrição do Sistema
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 maisAula 9 Representação e Descrição. Profa. Fátima Nunes AULA 9 / 1. Profa. Fátima L. S. Nunes
Fundamentos de Processamento Gráfico Aula 9 Representação e Descrição Profa. Fátima Nunes AULA 9 / 1 Reconhecimento de padrões AULA 9 / 2 Após a segmentação dar significado aos objetos extraídos da cena.
Leia 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 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 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 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 maisLip Recognition. Victor Mocelin
Lip Recognition Victor Mocelin Sumário 1. Introdução do problema 2. Por que usar os lábios? 3. Dificuldades 4. Artigos relacionados 5. Referências 2 Introdução do problema Entradas Credencial Imagem dos
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 mais14/05/2014. Tratamento de Incertezas TIC Aula 12. Conteúdo Propagação de Incertezas. Incerteza Propagação de incertezas de primeira ordem
Tratamento de Incertezas TIC-00.76 Aula 2 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/204./tic-00.76 Tópicos
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 maisRespostas do Teste de Analise de Imagens :
Respostas do Teste de Analise de Imagens - 2004: 1Diga com suas palavras o que é: (Valor total da questão: 12) Filtragem passa alta (valor deste item até 0,3) - importante falar que apesar do nome ser
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisSistema Adaptativo de Reconhecimento Biométrico por Impressão Digital
Sistema Adaptativo de Reconhecimento Biométrico por Impressão Digital Fernanda Baumgarten Ribeiro do Val e Priscila Ribeiro Marcelino Orientador: João José Neto Introdução Identificação biométrica, em
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 maisBiometric iris classification when the eye s pupil reacts to light
Biometric iris classification when the eye s pupil reacts to light Jones Mendonça de Souza Department of Electrical and Computer Engineering EESC/USP - University of Sao Paulo São Carlos, SP - Brazil Email:
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 / 40 Descritores baseados em textura Local Activity
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 maisEdmundo Daniel Hoyle Delgado
COPPE/UFRJ RECONHECIMENTO DE ÍRIS USANDO TRANSFORMADA WAVELET E ZERO-CROSSING Edmundo Daniel Hoyle Delgado Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia Elétrica, COPPE,
Leia maisEET-61 Introdução a Teoria da Informação
EET-61 Introdução a Teoria da Informação Aula 3- Codificação de Canal October 24, 2018 1 Introdução Em muitas situações, a mensagem a ser transmitida por um sistema de comunicações é uma sequência de bits.
Leia maisO processo de filtragem de sinais pode ser realizado digitalmente, na forma esquematizada pelo diagrama apresentado a seguir:
Sistemas e Sinais O processo de filtragem de sinais pode ser realizado digitalmente, na forma esquematizada pelo diagrama apresentado a seguir: 1 Sistemas e Sinais O bloco conversor A/D converte o sinal
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 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 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 maisExtração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
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 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 maisAnalysis of iris texture under pupil contraction/dilation for biometric recognition
Analysis of iris texture under pupil contraction/dilation for biometric recognition Jones Mendonça de Souza, Raissa Tavares Vieira, Adilson Gonzaga Departamento de Engenharia Elétrica e de Computação,
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 maisUm Estudo das Técnicas de Obtenção de Forma a partir de Estéreo e Luz Estruturada para Engenharia
Um Estudo das Técnicas de Obtenção de Forma a partir de Estéreo e Luz Estruturada para Engenharia Aluno: Gabriel Malizia Orientador: Professor Marcelo Gattass Co-Orientador: Professor Paulo Cezar Carvalho
Leia maisUNIVERSIDADE ESTADUAL PAULISTA. Júlio de Mesquita Filho
UNIVERSIDADE ESTADUAL PAULISTA Júlio de Mesquita Filho Pós-Gradução em Ciência da Computação Jonathan Gustavo Rogéri Reconhecimento de pessoas por meio da região interna da íris UNESP 2011 Jonathan Gustavo
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 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 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 maisImage Descriptors: texture
Image Descriptors: texture 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: texture 2011 1 / 28 Agenda
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 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 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 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 maisAula 3- Codificação de Canal. October 18, 2017
ELE-32 Introdução a Comunicações Aula 3- Codificação de Canal October 18, 2017 1 Introdução Em muitas situações, a mensagem a ser transmitida por um sistema de comunicações é uma sequência de bits. Entretanto,
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 maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia 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 maisPortugal, Porto Junho 2007
Portugal, Porto - 13. 15 Junho 2007 ESRIC EXTRACÇÃO, SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS A PARTIR DO CENTRO DA PUPILA Edno José Bozoli Junior1, Osvaldo S. Junior e João Manuel R. S. Tavares IMES / FAFICA
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 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 maisUTILIZAÇÃO DE PUPILOMETRIA DINÂMICA PARA IDENTIFICAÇÃO PESSOAL BASEADA EM REFLEXOS HUMANOS
Learning and Nonlinear Models (L&NLM) Journal of the Brazilian Neural Network Society, Vol. 9, Iss., pp. 1-19, 11 UTILIZAÇÃO DE PUPILOMETRIA DINÂMICA PARA IDENTIFICAÇÃO PESSOAL BASEADA EM REFLEXOS HUMANOS
Leia maisHand vascular vein. Universidade Federal do Paraná Tópicos em Visão Computacional Prof. David Menotti Anderson T. S. Igarashi
Hand vascular vein Universidade Federal do Paraná Tópicos em Visão Computacional Prof. David Menotti Anderson T. S. Igarashi Agenda Introdução Uso Vantagens Aquisição das imagens FIR e NIR Histórico Trabalhos
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 maisHalliday & 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,
Leia maisIntrodução a Local Binary Patterns (LBP) Prof. Dr. Geraldo Braz Junior
Introdução a Local Binary Patterns (LBP) Prof. Dr. Geraldo Braz Junior Local Binary Pattern (LBP) Proposto como uma maneira eficiente e simples de descrever textura E pode ser u
Leia maisReconhecimento de Sinus Frontais Utilizando a Transformada Imagem-Floresta Diferencial e o Contexto da Forma
Reconhecimento de Sinus Frontais Utilizando a Transformada Imagem-Floresta Diferencial e o Contexto da Forma 1 Juan Rogelio Falguera, 2 Fernanda P. S. Falguera, 3 Aparecido Nilceu Marana UNESP Faculdade
Leia maisBiometria Multimodal: Íris e Olhos
Biometria Multimodal: Íris e Olhos Cides Bezerra Tópicos em Visão Computacional Docente: David Menotti Departamento de Informática Universidade Federal do Paraná Sumário Introdução; Trabalhos Relacionados;
Leia maisTransmissão em Banda de Base
GUIA DO 2 O TRABALHO DE LABORATÓRIO DE SISTEMAS DE COMUNICAÇÕES Transmissão em Banda de Base Ano Lectivo de 2015/16 Introdução Neste trabalho analisam-se alguns aspectos da transmissão em banda de base
Leia maisUtilização das transformadas wavelets na detecção de características em um sinal de ECG
Utilização das transformadas wavelets na detecção de características em um sinal de ECG Orientador: Prof. Dr. Aldo Artur Belardi Departamento: Engenharia Elétrica Candidato: Gabriel Diego Porfirio N FEI:.206.062-9
Leia maisCARACTERÍSTICAS DE IMAGENS: PONTOS E SUPERFÍCIES
CARACTERÍSTICAS DE IMAGENS: PONTOS E SUPERFÍCIES O que são? CARACTERÍSTICAS DE IMAGENS (Image Features) o Propriedades Globais de uma imagem, ou de parte dela (característica global). Por exemplo: Médias
Leia maisIMPLEMENTAÇÃO 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
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 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 mais3 Estimação e Compensação de movimento na codificação de vídeo
Estimação e Compensação de movimento na codificação de vídeo 36 3 Estimação e Compensação de movimento na codificação de vídeo O objetivo do modelo temporal (que engloba as fases de estimação e compensação
Leia maisConstrução de uma ferramenta voltada à medicina preventiva para
Construção de uma ferramenta voltada à medicina preventiva para diagnosticar casos de estrabismo Israel Damásio Medeiros Acadêmico Paulo César Rodacki Gomes - Orientador Roteiro Introdução Fundamentação
Leia maisUNIVERSIDADE 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
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 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 maisCOMPRESSÃO DE SINAIS DE ELETROMIOGRAFIA
Universidade de Brasília UnB Faculdade de Tecnologia FT Departamento de Engenharia Elétrica ENE COMPRESSÃO DE SINAIS DE ELETROMIOGRAFIA Marcus Vinícius Chaffim Costa 1, Alexandre Zaghetto 2, Pedro de Azevedo
Leia maisProcessamento Digital de Imagens. Análise de Imagens
Processamento Digital de Imagens Análise de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações eduardo@smt.ufrj.br Sergio L.
Leia mais