Identification and Tracking of People Using Digital Images Captured from Video Cameras
|
|
- Estela da Conceição Marroquim
- 6 Há anos
- Visualizações:
Transcrição
1 Identification and Tracking of People Using Digital Images Captured from Video Cameras Lucas do Vale Manuel, Francisco Assis da Silva, Danillo Roberto Pereira Universidade do Oeste Paulista Unoeste/FIPP Presidente Prudente/SP, Brasil {chico, Almir Olivette Artero, Marco Antonio Piteri, Universidade Estadual Paulista Unesp/FCT Presidente Prudente/SP, Brasil {almir, Abstract The use of computational vision plays an important role for security purposes, nowadays it is largely used and, day by day, is earning new resources due to the technological progress. The majority of current security systems are based in a monitoring where the analysis is made by the user's interpretation. To improve this process, it has been proposed models of analysis and recognition of personal characteristics, like height, skin tone, facial recognition, among others, in order to provide the search for recognitions more efficient. In this work, there are used different algorithms like HOG and SVM for identification and tracking of people, color spaces RGB, HSV and YCrCb, that are combined and used for the identification and extraction of characteristics like the type and color of clothes of each person for monitoring along the video. Keywords HOG; SVM; tracking people; color space; skin detection I. INTRODUÇÃO O rastreamento de pessoas em locais públicos é uma tarefa complexa e apresenta muitos desafios para a área da visão computacional, como: invariância quanto a mudanças de iluminação do ambiente; tolerância às diferenças de velocidades das pessoas; forma adequada para tratar a oclusão entre pessoas; capacidade de identificar mudanças bruscas na trajetória e, por fim, a necessidade de distinguir pessoas, mesmo quando observada uma grande semelhança entre elas. Aplicações para o rastreamento de jogadores de futebol, por exemplo, enfrentam problemas com a iluminação artificial e fatores climáticos em estádios sem cobertura [11]. Nos sistemas de monitoramentos convencionais, feito por pessoas, a tarefa de observar um monitor por horas representa uma tarefa repetitiva e cansativa, que torna difícil manter a atenção, exclusiva, por muito tempo e, geralmente, resulta em uma grande quantidade de erros [6]. Entretanto, na maioria das vezes, o monitoramento ainda é realizado por seres humanos, isso ainda ocorre pelo fato de não existir um monitoramento eletrônico totalmente eficiente. Apesar das dificuldades encontradas para a identificação e rastreamento de pessoas, segundo Amaral e Tozzi [1], o aumento do poder de processamento dos computadores têm motivado o uso de câmeras de monitoramento para tarefas de identificação e rastreamento de pessoas. Entretanto, como a tarefa é bastante complexa, não se espera que uma única técnica seja capaz de resolver o problema por completo. De fato, a maior esperança está na combinação de várias técnicas, de modo a se obter uma configuração mais robusta. Assim, este trabalho propõe, uma combinação de várias técnicas de processamento digital de imagens e visão computacional, para compor um sistema de identificação e rastreamento de pessoas, que auxilie a área de segurança. A metodologia proposta busca resolver o problema de identificar uma pessoa em um ambiente público, rastrear essa pessoa em sua trajetória, e, para que isso possa ser realizado, acrescenta ao processo o uso de características de roupas e de pele dessa pessoa. As demais seções deste trabalho estão organizadas da seguinte maneira: a Seção II apresenta alguns trabalhos relacionados ao tema abordado; a Seção III apresenta os conceitos para a construção do HOG (Histogram of Oriented Gradient); a Seção IV apresenta a metodologia utilizada para a realização deste trabalho; a Seção V exibe os experimentos realizados e os resultados obtidos com a pesquisa; na Seção VI são apresentadas as conclusões finais, assim, como algumas propostas de trabalhos futuros. II. TRABALHOS RELACIONADOS No trabalho de Suliman et al. [10] foi desenvolvido um sistema de rastreamento de pessoas em vídeos de segurança, com o intuito de prover uma identificação precisa de pessoas em imagens, que apresenta um bom desempenho nos processos de identificação e rastreamento. No desenvolvimento do trabalho foi utilizado o método do fluxo óptico Horn e Schunk [4] para a identificação de movimentos nas imagens, além do filtro de Kalman [5], para detectar e rastrear as pessoas presentes nos frames. Nos experimentos, os autores utilizaram um vídeo com resolução de 240 x 320 pixels e concluíram que não era possível se obter os dois resultados esperados ao mesmo tempo (uma boa identificação com um bom desempenho), pois uma boa identificação torna-se custosa computacionalmente e, o bom desempenho acarreta em uma identificação comprometida. Dalal e Triggs [3] definiram, através de experimentos, a combinação de SVM (Support Vector Machine) com o algoritmo HOG (Histogram of Oriented Gradient) para a identificação e rastreamento de pessoas. O SVM por ser um algoritmo de aprendizagem supervisionada, foi utilizado para o treinamento na identificação de uma pessoa e, combinando com o HOG, também permitiu o rastreamento. Nos 316
2 experimentos foram utilizados os bancos de imagens MIT e INRIA, totalizando mais de imagens para treino e testes. O trabalho de Sousa [8] propõe um sistema para dispositivos móveis da plataforma Android, que processa localmente as imagens, para identificar faixas de pedestres e pessoas, de modo a prover auxílio na locomoção segura de deficientes visuais pelas ruas da cidade. Foi utilizado o espaço de cor YUV para um melhor funcionamento em ambientes noturnos. Nesta proposta, a imagem é convertida em escalas de cinza para encontrar as faixas de pedestres e, em seguida, são identificadas as pessoas que passam nessas faixas. No desenvolvimento do sistema, o autor também utilizou o algoritmo HOG, juntamente com o algoritmo SVM. Nos experimentos, foram utilizadas imagens com resoluções de 480 x 640 e 240 x 320 e, dos 64 cenários avaliados, foram identificados 55 deles. Truzzi et al. [11] apresenta uma solução para a detecção e rastreamento de pessoas, caminhando ou correndo, que utiliza vídeos capturados por câmeras com posicionamento fixo. O principal objetivo desta proposta é prover a identificação e o rastreamento de pessoas, independente da distância e da velocidade de deslocamento. Para isto, os autores utilizaram a subtração de fundo para identificar as pessoas presentes nas imagens e o filtro de Kalman para o rastreamento. Amaral e Tozzi [1] propõem um modelo para detectar e rastrear pessoas ao longo de um vídeo. A idéia se baseia no tratamento das oclusões das pessoas, através de separações das cabeças, sendo utilizada a subtração do fundo para localizar as pessoas presentes nas imagens, um algoritmo de identificação de cabeças para corrigir os problemas de oclusão e o filtro de Kalman para o rastreamento. III. HISTOGRAM ORIENTED GRADIENTS (HOG) O uso de histogramas de gradientes orientados (HOG) tem sido comum na detecção e extração de características de uma imagem, podendo ser combinado com outros algoritmos para a classificação destas características obtidas, sendo comum o uso do SVM. As etapas para a obtenção do HOG são: Normalização Gama, Cálculo do Gradiente da imagem, Construção do Histograma, Normalização dos Blocos e o Detector de Janelas. A. Normalização Gama Esta etapa é responsável pelo aumento do contraste das imagens em tons de cinza, no espaço de cor RGB ou no espaço de cor LAB. Com este ajuste inicial das imagens, espera-se obter um pequeno ganho de desempenho. B. Cálculo do Gradiente da imagem Nessa fase é realizado o cálculo do gradiente de cada pixel. Dalal e Triggs [3] mostraram que o gradiente pode ser calculado através das derivadas de cada pixel (Eq. 1), na vertical D y, subtraindo o valor do pixel inferior i,j+1 do valor do pixel superior i,j 1 e, na horizontal D x, subtraindo o valor do pixel a esquerda i 1,j do valor do pixel a direita i+1,j. Com esses dois valores torna-se possível encontrar a magnitude do pixel (Eq. 2) e a sua orientação (Eq. 3). i, j 1 i 1, j i 1, j i, j 1 Derivada do pixel D x = i 1, j i + 1, j D y = i, j + 1 i, j 1 (1) f = D x 2 + D y 2 (2) θ = tan 1 ( D y D x ) (3) O cálculo do gradiente é realizado em toda a imagem, porém, ela pode ser dividida em células com dimensão de 8 x 8 pixels, de modo que cada célula precisa de um vetor para armazenar os 64 pares de valores correspondentes ao cálculo do gradiente (magnitude e direção). C. Construção do Histograma É construído um histograma para cada célula, a partir do vetor resultado de 64 posições. Para cada par de valores do vetor é calculado o ângulo de orientação do gradiente do pixel usando a Eq. 3. Os ângulos dos pixels são distribuídos nos bins do histograma (Fig. 1) [3]. HOG Fig. 1. Exemplo de Histograma com as orientações. Um histograma é representado por nove barras (bins), e pertence a um faixa de 0 a 180 graus (o intervalo entre cada barra é de 20 graus). Para a atribuição de valores em cada barra é considerado o valor do ângulo calculado para cada pixel. Esse valor é dividido proporcionalmente à faixa de valor em que seu ângulo se enquadra. D. Normalização dos Blocos Os blocos são uma parcela da imagem compostas por quatro células cada, os blocos servem para mapear a imagem e através deles normalizar e varrer toda a imagem a procura de pessoas a serem identificadas. Na Fig. 2 é mostrado como é representado um bloco. 317
3 Carrega Treinamento Início Abre Vídeo Exibe frame Fim Fig. 2. Exemplo de um bloco em escalas de cinza. Dalal e Triggs [3] utilizaram em seus experimentos diferentes alternativas para normalização dos blocos a fim de comparar o desempenho de cada uma delas. As alternativas utilizadas consistem na L1-norm (Eq. 4), L1-sqrt (Eq. 5) e L2- norm (Eq. 6). f = f = f = v ( v 1 + e) v ( v 1 + e) v (4) (5) v e 2 (6) A normalização dos blocos é feita de forma a sobrepor 50% de outro bloco, sendo que cada bloco tem a sua normalização calculada separadamente. E. Detector de Janelas Criado todos os blocos, deverá ser construída a janela de detecção HOG. A janela HOG tem o tamanho de 64 por 128 pixels e, é gerada a partir da junção de todos os blocos (2x2 células), células (8x8 pixels) e histogramas (9 bins por histograma) [3]. O detector de janela possibilita a varredura da imagem em um determinado sentido. O deslocamento segue da esquerda para a direita e da parte superior para parte inferior da imagem, buscando encontrar todas as pessoas possíveis nela. No trabalho de Dalal e Triggs [3] foi proposto um modelo para a construção do HOG contendo as seguintes fases: Normalização Gama, Cálculo do Gradiente da imagem, Construção do Histograma, Normalização dos Blocos, Detector de Janelas e Classificação SVM. Segundo Sousa [8], o método HOG é muito usado para o reconhecimento de pedestres e obtenção de suas características. O autor também afirma que o algoritmo SIFT e outros algoritmos podem ser utilizados para extrair as características da imagem, porém, o algoritmo HOG se difere dos demais, porque leva em consideração a imagem como um todo, enquanto que os demais algoritmos utilizam como base, pontos específicos para a extração de características. IV. METODOLOGIA PROPOSTA A metodologia proposta neste trabalho é apresentada na Fig. 3. S S Aplica detecção de Pessoas Terminou o Vídeo? Obtém frame e N Carrega características Apenas uma vez Selecionou alguém? N Seleciona retângulos próximos a região selecionada Desenha retângulo no frame Atualiza posição da região Associa características ao retângulo Identifica pessoa por características Fig. 3. Metodologia proposta para a identificação, reconhecimento e rastreamento de pessoas. A Fig. 3 descreve, passo a passo, o funcionamento dos processos de identificação e rastreamento das pessoas nos quadros do vídeo. Inicialmente, é carregado o arquivo de treinamento disponível com a biblioteca de Visão Computacional OpenCV. O arquivo de treinamento é composto por um conjunto de elementos. As posições iniciais são utilizadas em conjunto com posições presentes na janela de detecção, e o último valor é utilizado para classificação da imagem juntamente com o hit_threshold = 2 (valor utilizado no limite de verificação definido como padrão no OpenCV) utilizado para estipular um intervalo válido de classificação. As posições presentes na janela de detecção são equivalentes aos bins de uma imagem de 68 x 128 pixels. Em uma imagem com essa dimensão tem-se 7 blocos na horizontal e 15 blocos na vertical, totalizando 105 blocos. Como cada bloco contêm 4 células, tem-se 420 células, e cada célula contêm 9 bins, totalizando as posições presentes na janela de detecção. A classificação é feita após o vídeo ser carregado, sendo inicialmente realizada a somatória dos bins da janela com o vetor de treinamento e, caso o valor resultante esteja no intervalo determinado, a imagem é classificada como positiva, ou seja, possui uma pessoa nela. Um exemplo de como é feita a classificação é apresentado na Fig
4 construção dos histogramas, normalização dos blocos, detector de janelas e por fim, sua classificação utilizando o SVM. Todos esses passos estão descritos na Seção III. Com a identificação das pessoas na imagem, obtêm-se as posições dos retângulos que pertencem às pessoas e, em seguida, é realizada a seleção dos retângulos próximos à região selecionada, minimizando o trabalho de verificar todos os retângulos presentes no frame. Essa seleção é feita a partir da variável de controle da posição selecionada e, a partir dela, verifica-se a existência de retângulos próximos a essa área (Fig. 6). Fig. 4. Exemplo da somatória do arquivo de treinamento com a janela de detecção. Em seguida, deve ser verificado se o valor da somatória permanece no intervalo para casos positivos, através da seguinte condição: -6, hit_threshold > Somatória AND -6, hit_threshold < Somatória Com o arquivo de treinamento carregado, o sistema desenvolvido para identificação e rastreamento de pessoas inicia sua execução, até que o vídeo termine. A cada ciclo, obtém-se um novo frame do vídeo para ser tratado, porém para melhorar o desempenho, deve ser utilizado, para a análise, apenas um a cada cinco frames. A cada frame analisado é verificado se ocorre a seleção de algum local da imagem, o que pode ser feito através de variáveis de controle. A Fig. 5 mostra a execução do sistema com a detecção de duas pessoas. Fig. 6. Exemplo de seleção de retângulos. Após a seleção dos retângulos desejados, cada um deles terá sua extração e verificação feita separadamente. Para o processo de extração e verificação das características, é necessária uma preparação das imagens, para poderem ser utilizadas. O primeiro passo para essa preparação é a identificação da pele humana, que é feita utilizando o método proposto por See et al. [7]. Este método realiza uma varredura em cada pixel da imagem e, para uma melhor robustez, verifica nos três espaços de cores, RGB, HSV e YCbCr os intervalos válidos que representam a pele humana. O pixel que é aprovado pela verificação de todos os filtros é mantido na imagem e, os pixels não aprovados tem sua cor trocada para preto. Para verificação do intervalo nos três espaços de cores são utilizadas as seguintes condições: HSV H > 230 or H < 25 YCrCb Cr <= x Cb + 20 AND Cr >= x Cb AND Cr >= x Cb AND Cr <= x Cb AND Cr <= x Cb Fig. 5. Frame do vídeo com duas pessoas detectadas. Ao selecionar uma das pessoas presentes na Fig. 5, são registradas as seguintes características pertencentes à pessoa: tipo da roupa superior (manga curta ou manga longa), cor da roupa superior, tipo da roupa inferior (calça ou bermuda) e cor da roupa inferior. No processo seguinte a imagem precisa passar por diversos passos na tentativa de identificar pessoas presentes nela. Para a identificação de pessoas é utilizada a normalização gama, cálculo do gradiente da imagem, RGB ((R > 95) AND (G > 40) AND (B > 20) AND (max{r,g,b} min{r,g,b} > 15) AND ( R G > 15) AND (R > G) AND (R > B)) OR ((R > 220) AND (G > 210) AND (B > 170) AND ( R - G <= 15) AND (R > B) AND (G > B)) No final da varredura da imagem, apenas os pixels que representem a cor da pele permanecem na imagem, enquanto que os demais são pintados de preto, como mostra a Fig
5 imagens binárias). Ao aplicar o algoritmo Border Following, obtêm-se os conjuntos de vértices de cada região detectada. Cada conjunto contém as posições dos vértices das bordas necessárias para representar os membros da pessoa detectada: cabeça, braços e pernas (Fig. 10). Fig. 7. Exemplo do resultado de identificação de pele humana utilizando os espaços de cores RGB, HSV e YCbCr. Com a imagem contendo apenas regiões com pixels próximos à tonalidade da pele humana, inicia-se uma varredura em busca dos pixels que pertencem ao intervalo desejado (pixels das regiões de pele) para trocá-los pela cor branca. Em seguida é utilizado o algoritmo de Canny [2] para detecção de contornos da imagem. Os pixels que não representam a borda são eliminados (Fig. 8). É feita novamente uma varredura na imagem, pixel-a-pixel, verificando se eles representam o limite da borda e, eliminando os pixels indesejados. Fig. 8. Exemplo de varredura na imagem, em que são mantidos apenas a linha dada por B, representando o limite da borda. Por fim, são verificados os pixels restantes para classificálos como bordas e não bordas, através dos limites de thresholding máximo e mínimo. Finalizando assim os passos de preparação da imagem. Os resultados são ilustrados na Fig. 9. Fig. 10. Resultado indicando cinco conjuntos diferentes de vértices. A partir das posições de cada conjunto de vértices, calculase a dimensão da área que a borda abrange. Estes conjuntos são utilizados para se verificar a qual região eles pertencem: parte inferior ou superior da imagem. Para indicar qual tipo de roupa que a pessoa está usando, faz-se necessário saber a área de cada conjunto. O cálculo da área dos conjuntos das bordas é feito através do teorema de Green [9], que utiliza a seguinte equação para o cálculo desta área: A = xdy = ydx C C = 1 2 (xdy ydx) (10) C Calculada a área da imagem, é possível estimar qual é o tipo de roupa utilizada pela pessoa. Dependendo do tamanho, a peça de roupa será classificada como curta ou longa, calça ou short. A próxima característica extraída é a cor das roupas, o que é feito usando o modelo de cores HSV. Nesta etapa são extraídos dois pixels da imagem em posições fixas, um dos pixels representa a cor da peça superior da pessoa e o outro a peça inferior. Os valores do canal H (Hue) dos dois pixels são armazenados em um vetor de características. Exemplo desse processo é mostrado na Fig. 11. (a) (b) (c) Fig. 9. Exemplo do resultado dos métodos (a) detecção de pele, (b) região de pele substituída pela cor branca e (c) aplicação do algoritmo Canny. Em seguida é possível extrair a característica de tipo de roupa, que é realizada, inicialmente, utilizando o algoritmo Border Following (algoritmo para extração de bordas em Fig. 11. Exemplo extração de cores das peças de roupas. As características das regiões de interesse (tipos e cores da roupa superior e inferior) são utilizadas para rastrear a pessoa selecionada na Fig. 6. O retângulo que envolve a pessoa 320
6 selecionada é atualizado frame a frame, indicando seu deslocamento durante a execução do vídeo. A Fig. 12 mostra um frame contendo duas pessoas envolvidas por retângulos, um na cor vermelha (pessoa selecionada de interesse) e o outro na cor verde. Fig. 12. Exemplo de frame mostrando a pessoa selecionada (retângulo na cor vermelha) durante o decorrer do vídeo. V. EXPERIMENTOS REALIZADOS Nos experimentos, foi usado um vídeo com as seguintes propriedades: 15 segundos de duração, 25 frames por segundo e resolução de 240 x 320 pixels ( watch?v=8ymerr_zwqs&feature=youtu.be). Durante os experimentos foram utilizadas duas variáveis configuráveis para testar o desempenho do algoritmo. As variáveis utilizadas foram: Quantidade válida de características, que determina a quantidade mínima de características para a identificação de uma pessoa, as características analisadas são tipo e cor da roupa superior e inferior, e ajuste de posição, que determina a área a ser verificada. Neste perímetro procura-se encontrar pessoas nas proximidades da última detecção para o seu reconhecimento. Para diminuir o tempo de processamento nos experimentos, foram usados apenas um a cada cinco frames do vídeo, sendo obtidos os resultados apresentados a seguir. TABELA I. RESULTADOS DE IDENTIFICAÇÃO. Identificações Acertos (%) Esperadas Obtidas ,025 TABELA II. RESULTADOS DE RECONHECIMENTO. Esperados Frames 78 Reconhecimento 78 Acertos (%) 100 Média (%) 100 TABELA III. RESULTADOS DE RECONHECIMENTO, AJUSTE POSIÇÃO = 10. Obtidas com ajuste posição = 10 Características >= 2 Frames 78 Reconhecimento Médio 70,32 Acerto Médio (%) 90,16 TABELA IV. RESULTADOS DE RECONHECIMENTO, AJUSTE POSIÇÃO = 5. Obtidas com ajuste posição = 5 Características >= 2 Frames 78 Reconhecimento Médio 72,66 Acerto Médio (%) 93,15 VI. CONSIDERAÇÕES FINAIS Esse trabalho foi motivado pela dificuldade que usuários de circuito fechado de segurança têm em visualizar diversos ambientes monitorados por câmeras. A ausência de um sistema que os auxiliem na área da segurança é algo que vem ganhando importância a cada dia. Nesta proposta, diferentes algoritmos são utilizados para a identificação e o rastreamento de pessoas a partir da extração de suas características. Os resultados obtidos nos testes foram considerados satisfatórios. Como trabalho futuros, pode-se utilizar como base a mesma metodologia proposta, e a partir dela aplicar o reconhecimento para um circuito de câmeras, entretanto, seria necessário implementar a otimização da metodologia, utilizando a GPU, como forma de acelerar o processamento. REFERÊNCIAS [1] W. Amaral, C.L. Tozzi. Tracking People through occlusions using a Head Detection Method. In: IX Workshop de Visão Computacional (WVC 2013). Anais... Rio de Janeiro/RJ: FGV, [2] J.A. Canny. Computational Approach to Edge Detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 8, No. 6, pp , [3] N. Dalal, B. Triggs. Histograms of Oriented Gradients for Human Detection. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2005). Proceedings, [4] B.K.P. Horn, B.G. Schunck. Determining optical flow, Artificial Intelligence, vol 17, pp , [5] R.E. Kalman. A New Approach to Linear Filtering and Prediction Problems, Transaction of the ASME - Journal of Basic Engineering, pp , March [6] A.L.B. Rosa, D.S. Reis, P.C.R. Gomes, M.E. Stivanello. Sistema de Rastreamento de objetos através de Múltiplas Câmeras. In: XXI Seminário de Computação (SEMINCO 2012). Anais... Blumenau/SC: FURB, 2012, pp [7] J. See, K.C. Wei, A. B. Rahman, N. Anwar. RGB-H-CbCr Skin Model for Human Face Detection. In: MMU International Symposium on Information and Communication Technologies (M2USIC 2006). Proceedings Malaysi, [8] K.A. Sousa. O. Uso de Visão Computacional em dispositivos móveis para Auxílio à travessia de pedestres com Deficiência Visual. In Programa de Pós-Graduação Em Engenharia Elétrica (PPGEE 2013). Anais... São Paulo/SP: Universidade Presbiteriana Mackenzie, [9] J. Stewart. Multivariable Calculus, Belmont: Books/Cole, Disponível em: < K1LyXtlFDbkC&printsec=frontcover&hl=pt-BR&source=gbs_ge_ summary_r&cad=0#v=onepage&q&f=false>. Acesso em: 30 abr [10] C. Suliman; C. Cruceru, F. Moldoveanu. Kalman Filter Based Tracking in an Video Surveillance System. In: 10th International Conference on Development and Application Systems (DAS 2010). Proceedings Suceava/Romania: Universitatea Stean cel Mare Suceava, pp [11] F. Truzzi, N. Werneck, A. Costa. Rastreamento de Pessoas em Sequências de Imagens Capturadas por uma Câmera Estática. In: V Workshop de Visão Computacional (WVC 2010). Anais... Presidente Prudente/SP: Unesp, 2010, pp
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisIDENTIFICAÇÃO E RASTREAMENTO DE PESSOAS POR MEIO DE IMAGENS DIGITAIS CAPTURADAS A PARTIR DE CÂMERAS DE VIDEO
22 IDENTIFICAÇÃO E RASTREAMENTO DE PESSOAS POR MEIO DE IMAGENS DIGITAIS CAPTURADAS A PARTIR DE CÂMERAS DE VIDEO IDENTIFICATION AND TRACKING PEOPLE BY MEANS OF DIGITAL IMAGES CAPTURED FROM VIDEO CAMERAS
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia mais10º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2016 Campinas, São Paulo ISBN
Um Estudo de Descritores e Classificadores para Reconhecimento de Bagas de Café Pedro Henrique Ferreira Stringhini 1 ; Thiago Teixeira Santos 2 Nº 16605 RESUMO Métodos de reconhecimento de frutos baseados
Leia 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 maisUniversidade Federal do Rio de Janeiro. Flávio Henrique Schuindt da Silva. Estimativa de Fluxo Ótico com o método de Lukas-Kanade
Universidade Federal do Rio de Janeiro Programa de Engenharia de Sistemas e Computação Introdução ao Processamento de Imagens Flávio Henrique Schuindt da Silva Estimativa de Fluxo Ótico com o método de
Leia maisMétodos de Segmentação de Imagem para Análise da Marcha
Métodos de Segmentação de Imagem para Análise da Marcha Maria João M. Vasconcelos, João Manuel R. S. Tavares maria.vasconcelos@fe.up.pt, tavares@fe.up.pt 3º Congresso Nacional de Biomecânica 11-12 Fevereiro
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisIDENTIFICAÇÃO DE 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 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 maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisRastreamento 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
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 maisSISTEMA DE ANÁLISE DE VÍDEO EM TEMPO REAL NA DETECÇÃO DE PADRÕES DE MOVIMENTO
SISTEMA DE ANÁLISE DE VÍDEO EM TEMPO REAL NA DETECÇÃO DE PADRÕES DE MOVIMENTO Davi Alberto Sala, Adriane Parraga e Letícia Vieira Guimarães Universidade Estadual do Rio Grande do Sul RESUMO Uma das seções
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 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 maisUma proposta para classificação de equipes em esportes coletivos
Uma proposta para classificação de equipes em esportes coletivos Victor Henrique Bezerra de Lemos 1, Lucas Reis Abreu 2 1 Departamento de Informática Universidade Federal do Maranhão (UFMA) Caixa Postal
Leia maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia 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 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 maisRenderização 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
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 mais6 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
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia 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 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 maisDetecção de faces. Marta Villanueva Torres
Detecção de faces Marta Villanueva Torres Introdução ao Processamento de Imagens 2014.1 1. INTRODUÇÃO O objetivo deste trabalho é desenvolver um algoritmo que detecte faces em imagens. Sendo que, atualmente,
Leia maisSISTEMA DE RECONHECIMENTO BASEADO EM RANDOM FOREST PARA CARACTERES DE CAPTCHAS. Ademir Rafael Marques Guedes, Victor Luiz Guimarães
SISTEMA DE RECONHECIMENTO BASEADO EM RANDOM FOREST PARA CARACTERES DE CAPTCHAS Ademir Rafael Marques Guedes, Victor Luiz Guimarães Universidade Federal de Ouro Preto(UFOP) Departamento de Computação ABSTRACT
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 maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisDetecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia 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 maisDETECÇÃO DE CORES DE SOLUÇÕES QUÍMICAS PARA PESSOAS COM NENHUMA OU BAIXA VISÃO UTILIZANDO OPENCV
DETECÇÃO DE CORES DE SOLUÇÕES QUÍMICAS PARA PESSOAS COM NENHUMA OU BAIXA VISÃO UTILIZANDO OPENCV Autor (1) Jéssica Fernandes Alves; Orientador (4) Suzete Élida Nóbrega Correia (1) Instituto Federal de
Leia maisReconhecimento de linguagem de sinais: aplicação em LIBRAS
Reconhecimento de linguagem de sinais: aplicação em LIBRAS Ruberth A. A. Barros 1, Aitan V. Pontes 1, João D. S. Almeida 1 1 Núcleo de Computação Aplicada Universidade Federal Maranhão (UFMA) Caixa Postal
Leia maisSimulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
Leia maisColor Eyes Detector. Duarte Petiz. DCC/FCUP
Color Eyes Detector Duarte Petiz DCC/FCUP up201204625@fc.up.pt Resumo Este relatório descreve a implementação da aplicação desenvolvida Color Eyes Detector bem como mostra os resultados finais da execução
Leia maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia maisFazendo máquinas enxergarem com OpenCV. TCHÊLINUX 2017 Felipe Aguiar Corrêa
Fazendo máquinas enxergarem com OpenCV TCHÊLINUX 2017 Felipe Aguiar Corrêa Quem é esse cara aí? UFPEL Ciência da Computação Visão Computacional Rastreamento de Pedestres Visão Computacional Sub-área da
Leia maisReconhecimento de Símbolos de LIBRAS
Reconhecimento de Símbolos de LIBRAS Rodrigo do Nascimento Siqueira Departamento de Informática Universidade Federal do Maranhão (UFMA) Av. dos Portugueses, 1966 Bacanga São Luıś MA Brazil rodignasciment@gmail.com(siqueira,
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia 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 maisDermanostic: um método para normalização da iluminação em imagens de lesões cutâneas
Departamento de Sistemas e Computação FURB Curso de Ciência da Computação Trabalho de Conclusão de Curso 2016/2 Dermanostic: um método para normalização da iluminação em imagens de lesões cutâneas Acadêmico:
Leia maisMETODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS
METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Marcelo Zaniboni 1, Osvaldo Severino Junior 2 1: Universitário do curso de Ciência da Computação, Faculdade
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 maisPSI2651 PROCESSAMENTO, ANÁLISE E SÍNTESE DE IMAGENS. 1 o período de 2005 LISTA DE EXERCÍCIOS
PSI PROCESSAMENTO, ANÁLISE E SÍNTESE DE IMAGENS o período de LISTA DE EXERCÍCIOS ) Considerando imagens do tipo da figura abaixo. Descreva um procedimento que identifique quantas células com furo e quantas
Leia maisVISÃO COMPUTACIONAL PARA A LEITURA DO DISPOSITIVO MOSTRADOR DE INSTRUMENTOS DE MEDIÇÃO
VISÃO COMPUTACIONAL PARA A LEITURA DO DISPOSITIVO MOSTRADOR DE INSTRUMENTOS DE MEDIÇÃO Danilo Alves de Lima 1, Guilherme Augusto Silva Pereira 2, Flávio Henrique de Vasconcelos 3 Departamento de Engenharia
Leia maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
Leia maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisObject Tracking. Fernando Medeiros Dufour Ciência da Computação - UFPR Tópicos em Visão Computacional
Object Tracking Fernando Medeiros Dufour Ciência da Computação - UFPR Tópicos em Visão Computacional Índice 1. Introdução a. Problema b. Aplicações c. Dificuldades d. Datasets 2. Redes Neurais Convolucionais
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 maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisFace Detection: New methods based on skin detection
Face Detection: New methods based on skin detection Marcelo Urbano Pereira Centro de Matemática, Computação e Cognição Universidade Federal do ABC Santo André, Brasil. marcelo.urbano@ufabc.edu.br Fernando
Leia mais3 Técnica Baseada em Treinamento e Cascata de Classificadores
3 Técnica Baseada em Treinamento e Cascata de Classificadores 3.1. Introdução A utilização de algoritmos para a extração de características de objetos e a geração de classificadores em cascata capazes
Leia maisUniversidade Católica Dom Bosco
Universidade Católica Dom Bosco Curso de Bacharelado em Engenharia de Computação Comparação entre Técnicas de Reconhecimento de Faces para Controle de Acesso a Computadores Vinícius Assis Saueia da Silva
Leia mais11º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2017 Campinas, São Paulo ISBN
DETECÇÃO DE FRUTOS EM CAMPO POR APRENDIZADO DE MÁQUINA Andreza Aparecida dos Santos¹; Thiago Teixeira Santos 2 Nº 17603 RESUMO Métodos de reconhecimento de frutos utilizando diferentes descritores e classificadores
Leia mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia 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 IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisRegion Based CNNs. Francisco Calaça Xavier. Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado. Instituto de Informática UFG
Region Based CNNs Francisco Calaça Xavier Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado Instituto de Informática UFG Prof. Anderson Soares Agenda O problema Estado da arte R-CNN
Leia 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 maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia 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 Tipos de Movimento Humano baseados no método GMM.
Reconhecimento de Tipos de Movimento Humano baseados no método GMM. C.Gonçalves 1 ; L.A.Pereira; J.C.Pizolato, Jr.; A.Gonzaga. Escola de Engenharia de São Carlos-EESC-USP Av. Trab. São-Carlense, 400 CP
Leia mais4 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.
Leia maisSegmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo
Segmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo Dissertação de Mestrado Aluno: Bruno Costa Orientador: Herman Gomes
Leia maisProcessamento de Imagem. Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres
Processamento de Imagem Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres Relacionamentos básicos entre elementos de uma imagem Vizinhança Conectividade Adjacência
Leia maisMorfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
Leia maisSISTEMA PARA EXTRAÇÃO DE CARACTERÍSTICAS VISUAIS DE IMAGENS DE MADEIRA DE PINUS
SISTEMA PARA EXTRAÇÃO DE CARACTERÍSTICAS VISUAIS DE IMAGENS DE MADEIRA DE PINUS Camila Piacitelli 1, Osvaldo Cesar Pinheiro de Almeida 2 1 Informática para Negócios, Faculdade de Tecnologia, Botucatu,
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisMetodologia Híbrida para Detecção de Pessoas em Vídeos
Metodologia Híbrida para Detecção de Pessoas em Vídeos Hugo Alberto Perlin Instituto Federal do Paraná - Campus Paranaguá hugo.perlin@ifpr.edu.br Heitor Silvério Lopes CPGEI - Universidade Tecnológica
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisAPLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisAQUISIÇÃO E REALCE EM IMAGENS UTILIZANDO JAVA COM AUXILIO DO OPENCV
AQUISIÇÃO E REALCE EM IMAGENS UTILIZANDO JAVA COM AUXILIO DO OPENCV Rafael Aquino 1 Fabio Gomes 2 Ciência da Computação ciências exatas e tecnológicas ISSN IMPRESSO 1980-1777 ISSN ELETRÔNICO 2316-3135
Leia maisExtração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Leia maisUma proposta para classificação de equipes em esportes coletivos
Uma proposta para classificação de equipes em esportes coletivos Lucas Reis Abreu 1, Victor Henrique Bezerra de Lemos 2 Geraldo Braz Junior 2 1 Universidade Federal do Maranhão - UFMA 2 Núcleo de Computação
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 maisTrabalho Final de Processamento de Imagens: Panografia
Trabalho Final de Processamento de Imagens: Panografia 1. Introdução Vítor Silva Sousa 1 1 Escola Politécnica Universidade Federal do Rio de Janeiro (UFRJ) Rio de Janeiro RJ Brasil vitor.silva.sousa@gmail.com
Leia mais5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia 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 maisRealce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
Leia maisAVALIAÇÃO DA PRECISÃO DO SENSOR KINECT PARA MEDIDAS DE DISTÂNCIA
AVALIAÇÃO DA PRECISÃO DO SENSOR KINECT PARA MEDIDAS DE DISTÂNCIA Paulo R. S. Custódio 1, Gustavo C. Silva 2, Helosman V. Figueiredo 3 1,3 Universidade do Vale do Paraíba, paulo55866@gmail.com 2 PROBES
Leia maisTE073 PDS II Programa de Graduação em Engenharia Elétrica
TE073 PDS II Programa de Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Segmentação Os algoritmos
Leia mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Leia maisPROCESSAMENTO DE IMAGENS DIGITAIS PARA VISÃO ROBÓTICA. Digital Image Processing for Robotic Vision
PROCESSAMENTO DE IMAGENS DIGITAIS PARA VISÃO ROBÓTICA Digital Image Processing for Robotic Vision Luiz Ferreira MENEZES Jr. Faculdade de Jaguariúna Resumo: Este trabalho descreve quatro métodos para converter
Leia maisRECONHECIMENTO DE OBJETOS COLORIDOS E MÃOS USANDO CORES E FORMAS
RECONHECIMENTO DE OBJETOS USANDO CORES E FORMAS 1 RECONHECIMENTO DE OBJETOS COLORIDOS E MÃOS USANDO CORES E FORMAS Victor Hugo Masutani 1, Almir Olivette Artero, Leandro Luiz de Almeida 1,3, Francisco
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 maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisKanade-Lucas-Tomasi Tracker
COPPE-UFRJ Kanade-Lucas-Tomasi Tracker Ricardo Marroquim data entrega: pós-graduação: 18/05/2016 graduação: 27/05/2016 1 NOTAÇÕES Uma imagem é definida como uma função f (x, y), x, y Z, onde f (x, y) :
Leia maisTracking 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
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 maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia mais- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry
PCS - 5689 - lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno:
Leia maisProcessamento de Imagens Coloridas. Prof. Adilson Gonzaga
Processamento de Imagens Coloridas Prof. Adilson Gonzaga 1 Aparência de um Objeto A aparência de um objeto é o resultado de uma complexa interação da luz incidente sobre este objeto, suas características
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 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 mais