A Associação de Técnicas Matemáticas para o Reconhecimento de Faces Humanas
|
|
- Thomaz Mangueira Gesser
- 6 Há anos
- Visualizações:
Transcrição
1 ISS A Associação de écnicas Matemáticas para o Reconhecimento de Faces Humanas Junior Leal do rado Instituto Federal de Sergipe Departamento de Matemática , Aracau/SE rprado2@yahoo.com.br André Luiz ogueira Instituto Federal de Sergipe - Departamento de Física , Lagarto/SE andreln27@yahoo.com Resumo: este artigo, apresentamos um método para o reconhecimento de faces combinando a ransformada de Haar, Análise de Discriminantes Lineares (LDA), Análise de Componentes rincipais (CA) e o Agrupamento Fuzzy. O método proposto é dividido basicamente em três etapas, onde a primeira utiliza a ransformada de Haar para etração de características das faces. Como resultado, temos quatro subimagens. A segunda etapa consiste na aplicação da LDA ou CA nas imagens obtidas anteriormente. a última etapa, é aplicado o Agrupamento Fuzzy que determinará os protótipos (centros) de cada classe que serão utilizados na classificação. Os resultados eperimentais feitos utilizando-se imagens da base Esse revelam que o classificador que utiliza a LDA é superior ao classificador que utiliza a CA. alavras-chave: ransformada de Haar, CA, LDA, Agrupamento Fuzzy, reconhecimento de faces.. IRODUÇÃO O reconhecimento de faces humanas é uma subárea do reconhecimento de padrões, que vem recebendo uma atenção especial devido as suas aplicações comerciais, de segurança e militares. Uma imagem de q p piels pode ser representada por um vetor em um espaço de dimensão qp. Esta dimensão pode ser muito alta comprometendo a robustez e a velocidade do reconhecimento. Um modo comum para resolver este problema é utilizar uma técnica para redução de dimensão. Dentre as técnicas eistentes, as mais populares são a Análise de Componentes rincipais (CA) e a Análise de Discriminantes Lineares (LDA). A CA proeta os dados originais em um subespaço de dimensão reduzida, preservando a maior parte da informação original. Já a LDA agrupa imagens de uma mesma classe e separa imagens de classes diferentes. o entanto, outra abordagem vem sendo empregada no reconhecimento de faces humanas envolvendo a ransformada de Haar. os trabalhos iniciais a ransformada de Haar era aplicada na compressão, redução de ruído e detecção de características de imagens. Atualmente, ela tem sido utilizada em conunto com a CA e LDA para etração de características visando o reconhecimento de faces humanas. Recentemente, no reconhecimento de padrões, vem sendo utilizada a análise de Agrupamentos Fuzzy, cuo obetivo é classificar os dados de acordo com a similaridade entre eles e organizá-los em grupos. Diante de uma revisão bibliográfica recentemente realizada foi constatado que a união destas abordagens supracitadas em um único algoritmo, visando o reconhecimento de faces humanas, ainda não foi muito eplorada. Comprova-se este fato devido a uma reduzida quantidade de publicações no meio científico que utilizam estas técnicas integradas como meio de reconhecimento de faces humanas. este ínterim, o presente artigo vem contribuir com alguns passos nesta direção e evidenciar a superioridade da LDA sobre a CA, mesmo quando estas técnicas são aplicadas em conunto com outras ferramentas no processamento de imagens. 2. FUDAMEAÇÃO EÓRICA 2. CA 533
2 ISS A Análise de Componentes rincipais (CA) é usada para determinar um subespaço, cuos vetores da base correspondem à direção de máima variância no espaço original, conforme [], [5], [7] e [8]. Uma imagem de piels pode ser associada a vetor de dimensão. A CA é capaz de transformar um espaço de dimensão M em um espaço de dimensão (M>>), preservando a maior parte dos dados originais. O algoritmo da CA é descrito a seguir. A base de vetores da CA é calculada a partir de um conunto I, de imagens de treinamento. rimeiramente, as matrizes associadas às imagens são concatenadas formando um vetor. Após, se calcula a média desse conunto e subtrai a média de cada um dos vetores de I, obtendo I, I 2,..., I n. Estes vetores são arranados em uma matriz X, sendo um vetor por coluna X I, I,..., I ] () [ 2 n onde, M=XX é a matriz de covariância do conunto de treinamento. Os componentes principais são calculados resolvendo a equação: R ( XX ) R (2) onde é a matriz diagonal de autovalores e R é a matriz dos autovetores. O autovetor associado ao maior autovalor indica a característica de maior variância; o autovetor associado ao segundo maior autovalor é ortogonal ao primeiro e, assim sucessivamente. Apenas autovetores associados aos maiores autovalores, são usados para definir o subespaço (CA). 2.2 LDA Dentre as técnicas de reconhecimento de padrões eistentes nesta área científica, temos a Análise de Discriminantes Lineares (LDA) que maimiza o raio de variância entre as classes e minimiza a variância entre elementos de uma mesma classe, de acordo com [2] e [8]. Depois de concatenar cada uma das matrizes associadas às imagens, o primeiro passo para se aplicar a técnica a um conunto dados, é calcular a média e matriz de covariância de cada classe: W i i i i A seguir, calcula-se a média e a matriz de covariância levando em conta todos os dados: i, i (4) W i i i a equação (4), é o número de vetores do conunto de treinamento e na equação (3) é o número de vetores da classe, então (5) onde i i A LDA é definida como uma função linear que maimiza a seguinte função critério arg ma (6) W W O numerador da equação (6) representa a covariância de todos os vetores transformados no espaço de características. Já o denominador representa a covariância média das classes. Desta forma, a LDA maimiza a distância entre as classes e minimiza a distância entre vetores de uma i (7) (3) 534
3 ISS mesma classe. A matriz que maimiza a função critério, definida anteriormente, é constituída dos autovetores associados aos maiores autovalores da matriz W. 2.3 RASFORMADA DE HAAR De acordo com [4] e [6], a ransformada Wavelet (W) é uma poderosa ferramenta na resolução de problemas das ciências e engenharia. Entre eles podemos destacar: redução de ruído em sinais de áudio e imagens, compressão de sinais, detecção de obetos e reconhecimento de imagens. A ransformada de Haar (H) é a Wavelet mais simples, conforme [9]. A ransformada de Haar bidimensional pode ser eecutada se a imagem tem um número par de linhas e colunas. O primeiro nível da ransformada de Haar de uma imagem (8) é descrito por dois passos: º ) A H unidimensional é aplicada em cada linha de f, resultando em uma nova imagem; 2º) a imagem produzida no primeiro passo é aplicada a H unidimensional em cada coluna. Após a aplicação da H bidimensional, obtém-se um conunto de coeficientes. ara obter esses coeficientes de maneira computacionalmente rápida e eficiente utiliza-se o algoritmo evidenciado na figura. Os algoritmos da H possuem uma estrutura de bancos de filtros em diferentes escalas, que decompõem um sinal em diferentes bandas para análise. Dada uma imagem de resolução, ela é inicialmente filtrada na direção das linhas por dois filtros, um passa-alta (H) e outro passa-baia (L). As imagens obtidas são subamostradas na direção das colunas, resultando em imagens L (passa-baia) e H (passa-alta) com resolução. Em seguida, realiza-se a filtragem na direção das colunas das imagens L e H, resultando em quatro subimagens, que serão subamostradas na direção das linhas, obtendo assim uma imagem com resolução a figura, apresentamos o diagrama do algoritmo da decomposição da H bidimensional. Observa-se que, no caso bidimensional, eistem três tipos de coeficientes. O LH é obtido após a aplicação do filtro L nas linhas e H nas colunas contendo, portanto, detalhes na direção vertical. De maneira análoga, HL contém detalhes na direção horizontal, enquanto HH contém detalhes tanto na direção vertical como na horizontal e, finalmente, LL é uma aproimação da imagem original. Figura - Diagrama do algoritmo da decomposição da ransformada de Haar 535
4 ISS Conforme o diagrama da figura, temos os seguintes resultados após decomposição da H: LL (passa-baia/passa-baia) que corresponde à banda passa-baia em ambas as direções; LH (passa-baia/passa-alta) que corresponde à banda passa-baia na direção vertical e passaalta na direção horizontal; HL (passa-alta/passa-baia) que corresponde à banda passa-alta na direção vertical e passabaia na direção horizontal e; HH (passa-alta/passa-alta) que corresponde à banda passa-alta em ambas as direções. Uma vez aplicada a H em uma imagem, por eemplo, a figura 2, tem-se como resultado três imagens detalhes (HL, LH e HH) e uma imagem aproimação (LL), conforme apresentado na figura 3. Aplicando-se a H na imagem LL, obtêm-se três imagens detalhes HL, LH, HH e uma imagem aproimação LL, como evidenciado na figura 4. Aplicando-se a H em LL, obtém-se HL2, LH2, HH2, LL2 e assim sucessivamente. Figura 2 - Imagem original Figura 3 - H da imagem Figura 4 H da imagem 2.4 AGRUAMEO FUZZY O agrupamento é uma técnica de classificação não supervisionada de padrões (dados) em grupos (clusters). Intuitivamente, padrões semelhantes devem estar no mesmo grupo e padrões distintos devem estar em grupos diferentes. O algoritmo c-means é utilizado para determinar agrupamentos e seus centros, conforme [2] e [3]. A relação entre o dado e o agrupamento (centros) é feita através de um grau de pertinência que pode variar no intervalo [0,], onde 0 indica eclusão total desse dado do agrupamento e indica inclusão total do dado no agrupamento. Quanto mais próimo do centro o dado estiver, maior será seu grau de pertinência. Os dados são classificados minimizando uma função obetivo baseada em uma norma e nos centros dos agrupamentos. A função obetivo é uma soma ponderada dos erros quadráticos entre os grupos, definida por: (9) sendo que,, onde (0) é o conunto dos centros dos agrupamentos e () Se, então podem minimizar apenas, quando e (3) (2) onde e. 3. ALGORIMO ROOSO este artigo, o algoritmo proposto para reconhecimento de faces humanas baseado em ransformada de Haar, LDA ou CA e agrupamento fuzzy divide-se em dois estágios: o estágio de treinamento e o estágio de teste. A seguir, evidenciaremos cada um destes estágios. 536
5 ISS Estágio de reinamento A primeira etapa do algoritmo consiste em aplicar a H nas imagens do conunto de treinamento, conforme apresentado na figura 5. Após a aplicação da transformada, obtemos quatro subimagens: HH, HL, LH e LL. a próima etapa, utilizamos somente a imagem aproimação (LL), pois é a única que apresenta características globais da imagem original, o que pode ser observado nas tabelas e 2, onde tem-se o desempenho do algoritmo utilizando as demais imagens. a tabela tem-se a taa de reconhecimento com o algoritmo proposto utilizando a CA, enquanto que na tabela 2 tem-se os resultados obtidos com a LDA. A finalidade desta primeira etapa do algoritmo é reduzir a quantidade de dados a serem processados, pois uma imagem de resolução 2828, após a aplicação da H pode ser representada como, por eemplo, uma imagem de a segunda etapa, depois de concatenar cada uma das matrizes associadas às imagens geradas na etapa anterior, temos um vetor correspondente, no qual aplicamos a LDA ou CA, obtendo um subespaço de dimensão reduzida. Os vetores correspondentes ao conunto de treinamento são então proetados no subespaço LDA ou CA. O obetivo neste momento é proetar a imagem obtida anteriormente em um subespaço que além de preservar as principais características da imagem, maimiza a sua distância no novo espaço (CA), enquanto que a LDA maimiza a distância entre as classes e minimiza a distância entre imagens de uma mesma classe. a terceira etapa, o algoritmo c-means é aplicado no subespaço LDA ou CA, para determinar os centros de cada grupo e a função de pertinência associada a cada um dos vetores do subespaço. Aplicamos esta etapa do algoritmo tendo em vista que pode ocorrer uma sobreposição das classes após aplicação da CA e LDA. 3.2 Estágio de este A primeira etapa do algoritmo consiste em aplicar a H na imagem a ser submetida ao reconhecimento, obtendo a subimagem aproimação que será utilizada na próima etapa, conforme apresentado na figura 6. Já na segunda etapa, a subimagem é concatenada e proetada no subespaço gerado pela LDA ou CA. a terceira etapa o algoritmo calcula o grau de pertinência de cada subimagem em relação aos agrupamentos utilizando a equação (3). a última etapa, a classe a qual pertence à imagem teste é determinada pelo maior grau de pertinência entre os agrupamentos. Figura 5 - Estágio de treinamento Figura 6 - Estágio de teste 537
6 ISS RESULADOS EXERIMEAIS O algoritmo proposto foi implementado no software MALAB e testado em um notebook Sony Vaio entium Dual Core de 2GHz e com 3G de memória RAM. Foram realizados testes utilizando-se 2640 (BD) imagens da base Esse, divididas em 32 classes, com 20 imagens cada base. o algoritmo proposto, para cada imagem submetida ao reconhecimento, é calculado o grau de pertinência da imagem em relação a cada um dos agrupamentos. esta tarefa temos sucesso se a imagem submetida ao reconhecimento e a imagem recuperada forem do mesmo indivíduo. Caso contrário, o reconhecimento de face falhou. Os resultados na tarefa de reconhecimento de faces humanas foram obtidos selecionando alguns parâmetros, como a dimensão do subespaço gerado pela LDA ou CA (d), a resolução da imagem obtida após aplicação da ransformada de Haar (r), o número de centros de cada agrupamento (c) e o número de imagens do conunto de treinamento (C). Os gráficos abaio apresentam os resultados obtidos aplicando o algoritmo proposto na base BD, utilizando somente a subimagem aproimação. a figura 8, temos o gráfico da taa de reconhecimento versus a dimensão utilizando-se os parâmetros d= , r=88, c=2 e C=0. de Haar+LDA+AGRU. Figura 8 - Desempenho do algoritmo proposto a figura 9, temos o gráfico da taa de reconhecimento versus a dimensão com os parâmetros d=5-0, r=44, c=2 e C=0, salientando que estes parâmetros foram utilizados para gerar os resultados evidenciados nas tabelas e 2.. de Haar+LDA+AGRU. Figura 9 - Desempenho do algoritmo proposto Subimagens Dimensão LL LH HL HH 5 96,4% 93,2% 92,7% 90,3% 0 96,9% 95% 94,3% 93,% abela : Desempenho das subimagens Subimagens Dimensão LL LH HL HH 5 99,9% 99,8% 99,6% 98,6% 0 99,9% 99,6% 99,8% 98,4% abela 2: Desempenho das subimagens 538
7 ISS COSIDERAÇÕES FIAIS O reconhecimento de padrões é dividido em três partes: aquisição dos dados, etração de características e tomada de decisão. ara etração de características o algoritmo proposto utiliza a decomposição através da ransformada de Haar e a CA ou LDA. a tomada de decisão utilizamos a função de pertinência obtida a partir do algoritmo c-means fuzzy. Foi realizada uma comparação dos dois algoritmos, onde a principal diferença entre eles é que um utiliza a CA e o outro a LDA. Constamos que o algoritmo ao utilizar a LDA possui um desempenho superior ao da CA dado que a LDA minimiza a distância entre elementos de uma mesma classe e a função de pertinência da equação (3) é definida sobre uma distância. A superioridade da LDA sobre a CA pode ser visualizada no desempenho do algoritmo evidenciado nas figuras 8 e 9. O algoritmo que utiliza a LDA apresenta um desempenho superior ao da CA independente da subimagem escolhida para o reconhecimento de face humana, conforme pode ser observado nas tabelas e 2. Além disso, a subimagem com o melhor desempenho nos testes realizados é a imagem de aproimação (LL). Os resultados aqui apresentados instigam maiores eplorações no desenvolvimento específico do tema. Vislumbra-se enquanto proposta futura, a comparação destes resultados obtidos com o desempenho de um novo algoritmo baseado na ICA. Outra proposta será a aplicação do algoritmo em cada uma das imagens detalhes obtidas após aplicação da H e efetuar a fusão dos classificadores associados a cada uma dessas imagens, e finalmente, inserir uma etapa de pré-processamento responsável pela normalização, etração do fundo e redução do ruído, visando-se com isso um aumento do desempenho do algoritmo. REFERÊCIAS [] BAEK, K.; BARLE, M. S.; DRAER, B. A. Recognizing Face with CA and ICA. Computer Vision and Image Understanding, n.9, pp 5-37, [2] BEZDEK, J.C. attern Recognition with Fuzzy Obective Function Algorithms. ew York: lenum ress, 98. [3] BEZDEK, J.C.; DU, J.C. Optimal Fuzzy artitions: A heuristic for estimating the parameters in a miture of normal distributions. IEEE ransactions on Computers, pp , 975. [4] CHA, A. K.; GOSWAMI, J. C. Fundamentals do Wavelets: heory, Algorithms and Applications, 2. ed. ew Jersey: John Wiley & Sons Inc, 20. [5] CHOI, H.; KIM, K.; OH, S. Facial Feature Etraction Using CA and Wavelet Multi-Resolution Image. roceedings of the 6 th IEEE International Conference on Automatic Face and Gesture Recognition, [6] DAI, D. Q.; FEG, G. C.; YUE,. C. Wavelet based CA for Human Face Recognition. Department of Computing Studies, Hong Kong Baptist University, Hong Kong, 998. [7] FUKUAGA, K. Introduction to Statistical attern Recognition, 2. ed. San Diego: Academic ress, 990. [8] KAK, A.; MARÍEZ, A. M. CA versus LDA. IEEE ransactions on attern Analysis and Machine Intelligence, vol. 23, n. 2, pp , 200. [9] WALER, J. S. A rimer on Wavelets and heir Scientific Applications. Chapman & Hall/CRC,
André Luiz Nogueira, Junior Leal do Prado Instituto Federal de Sergipe Lagarto, Sergipe, Brasil Instituto Federal de Sergipe Aracaju, Sergipe, Brasil
UTILIZAÇÃO DA TRANSFORMADA WAVELET COMPLEXA, AGRUPAMENTO E INTEGRAL FUZZY NO RECONHECIMENTO DE FACES HUMANAS André Luiz Nogueira, Junior Leal do Prado Instituto Federal de Sergipe Lagarto, Sergipe, Brasil
Leia maisFACE RECOGNITION USING COMPLEX WAVELET TRANSFORM, CLUSTERING AND FUZZY INTEGRAL
FACE RECOGNITION USING COMPLEX WAVELET TRANSFORM, CLUSTERING AND FUZZY INTEGRAL André Luiz Nogueira Instituto Federal de Sergipe Lagarto, Sergipe Email: andreln27@yahoo.com Junior Leal do Prado Instituto
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia 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 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 maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisIdentificação de Órgãos Foliares utilizando as Wavelets de Daubechies
Identificação de Órgãos Foliares utilizando as Wavelets de Daubechies Alexander Scaranti, Ronaldo Bernardi e Rodrigo de Oliveira Plotze Instituto de Ciências Exatas e Tecnologia - Universidade Paulista
Leia maisPRÁTICA 8. A Distância Euclidiana entre dois vetores n-dimensionais x e y é definida como o escalar: d = norm(x y)
PRÁTICA 8 1) Medidas de Distância. A Distância Euclidiana entre dois vetores n-dimensionais e y é definida como o escalar: d 1 2 2 [( y ) + + ( y ) ] 2 e (, y) = y = y = 1 1 L n n esta epressão é a Norma
Leia maisFusão de imagens de Sensoriamento Remoto utilizando a Transformada Wavelet Haar
Fusão de imagens de Sensoriamento Remoto utilizando a Transformada Wavelet Haar Osny Ferreira da Silva 1 Giovanni Araujo Boggione 1 Leila Maria Garcia Fonseca 2 1 Centro Federal de Educação Tecnológica
Leia maisAvaliação de características para o reconhecimento de faces por meio de Wavelets
Avaliação de características para o reconhecimento de faces por meio de Wavelets Leandro L. G. Oliveira Leandroluis@inf.ufg.br Instituto de Informática - UFG Eduardo S. de Albuquerque eduardo@inf.ufg.br
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisE-Faces - Um classificador capaz de analisar imagens e classificá-las como faces ou não faces utilizando o método Eigenfaces
E-Faces - Um classificador capaz de analisar imagens e classificá-las como faces ou não faces utilizando o método Eigenfaces Éder Augusto Penharbel, Erdiane L. G. Wutzke, Murilo dos S. Silva, Reinaldo
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
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 maisCompressão Auto-Adaptativas de Imagens Coloridas
Compressão Auto-Adaptativas de Imagens Coloridas José Alfredo Ferreira Costa, Adrião Duarte Dória eto. Universidade Federal do Rio Grande do orte, UFR Caixa Postal 1524 - Campus Universitário Lagoa ova
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
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 maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
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 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 maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 0.º Ano Versão Nome: N.º Turma: Apresente o seu raciocínio de forma clara, indicando todos os cálculos que tiver de efetuar e todas as justificações necessárias. Quando,
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 maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisProcessamento de Imagem. Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres
Processamento de Imagem Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres Lembrando Filtragem Correlação A correlação e a convolução sãos dois conceitos relacionados a filtragem.
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 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 maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão Nome: N.º Turma: Apresente o seu raciocínio de forma clara, indicando todos os cálculos que tiver de efetuar e todas as justificações necessárias. Quando,
Leia mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
Leia 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 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 maisA Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining
A Tarefa de Clusterização por meio do Método de Lógica Fuzzy no Processo de Data Mining José Márcio Cassettari Junior, Merisandra Côrtes de Mattos 2, Priscyla Waleska Targino de Azevedo Simões 2, Cristian
Leia maisProcessamento de Imagem. Filtragem no Domínio Espacial Professora Sheila Cáceres
Processamento de Imagem Filtragem no Domínio Espacial Professora Sheila Cáceres Filtragem A filtragem de imagens pode ser realizada no domínio do espaço e da frequência Operadores de filtragem são classificados
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
Leia maisAcadêmicos: Cassiano Cesar Casagrande Claudir Galesky Junior Rafael Voltolini
JPEG2000 Acadêmicos: Cassiano Cesar Casagrande Claudir Galesky Junior Rafael Voltolini Compressão JPEG2000 A codificação pode ser dividida em três partes principais: Pré-processamento Processamento principal
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 maisAnálise de Correspondência em acessos de pimenta
Análise de Correspondência em acessos de pimenta Bruno Caetano Vidigal 1 Paulo Roberto Cecon 2. 1 Introdução A Análise de Correspondência (AC) é uma das diversas técnicas de análise multivariada desenvolvida
Leia maisCOMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 04. rabalho apresentado no CMAC-Sul, Curitiba-PR, 04. COMPARAÇÃO DE ÉCNICAS DE CONROLE APLICADAS A UM SISEMA
Leia maisReconhecimento facial utilizando Fisherfaces. Disciplina: Reconhecimento de padrões Professor: André Tavares da Silva Mestrando: Márcio Koch
Reconhecimento facial utilizando Fisherfaces Disciplina: Reconhecimento de padrões Professor: André Tavares da Silva Mestrando: Márcio Koch Márcio Koch, maio 2014 Pauta Apresentação Analise das Componentes
Leia mais4 Modelagem Numérica. 4.1 Método das Diferenças Finitas
4 Modelagem Numérica Para se obter a solução numérica das equações diferenciais que regem o processo de absorção de CO 2,desenvolvido no capitulo anterior, estas precisam ser transformadas em sistemas
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisTransformadas Wavelets: Teoria e Aplicações em Análise de Imagens Digitais
Transformadas Wavelets: Teoria e Aplicações em Análise de Imagens Digitais Ricardo Dutra da Silva Rodrigo Minetto Orientador: Hélio Pedrini Departamento de Informática - UFPR ricardo@pet.inf.ufpr.br rodrigo@pet.inf.ufpr.br
Leia maisRESUMO. sísmica empilhada. SEMBLANCE
Determinação Automática das Velocidades de Empilhamento Para Obtenção da Seção Sísmica Zero- Offset Marcelo Santana de Souza* e Milton J. Porsani, CPGG/UFBA e INCT-GP/CNPq RESUMO A análise de velocidades
Leia maisNovo método para normalização da iluminação em imagens de face
Novo método para normalização da iluminação em imagens de face Michelle M. Mendonça 1, Juliana G. Denipote, Ricardo A. S. Fernandes 3, Maria Stela V. Paiva 4, Escola de Engenharia de São Carlos EESC. Universidade
Leia mais8. Sistema Não Linear
Sistema para verificação Lógica do Controlo Dezembro 3 8. Sistema Não Linear Verificamos no capitulo anterior que o principio do máimo, resulta eficaz para determinar o conjunto dos estados atingíveis
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
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 maisMétodo de Eliminação de Fourier-Motzkin
ERMAC 200: I ENCONTRO REGIONAL DE MATEMÁTICA APLICADA E COMPUTACIONAL - 3 de Novembro de 200, São João del-rei, MG; pg 258-26 258 Método de Eliminação de Fourier-Motzkin André Rodrigues Monticeli, Cristiano
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 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 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 mais3 Identificação de Locutor Usando Técnicas de Múltiplos Classificadores em Sub-bandas Com Pesos Não-Uniformes
3 Identificação de Locutor Usando Técnicas de Múltiplos Classificadores em Sub-bandas Com Pesos Não-Uniformes Neste capítulo, é apresentada uma nova proposta de combinação de múltiplos classificadores
Leia maisRECONHECIMENTO DE ÍRIS EM AMBIENTES NÃO COOPERATIVOS UTILIZANDO WAVELETS E GABOR 2D
RECONHECIMENTO DE ÍRIS EM AMBIENTES NÃO COOPERATIVOS UTILIZANDO WAVELETS E GABOR 2D Fernanda Maria Sirlene Pio SUMÁRIO 1. Introdução 2. Trabalhos relacionados 3. Metodologia 1. Segmentação 2. Normalização
Leia 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 maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisRECONHECIMENTO FACIAL 2D
RECONHECIMENTO FACIAL 2D PARA SISTEMAS DE AUTENTICAÇÃO EM DISPOSITIVOS MÓVEIS Luciano Pamplona Sobrinho Orientador: Paulo César Rodacki Gomes ROTEIRO Introdução Objetivos Fundamentação Teórica Conceitos
Leia maisLição de Processamento Digital de Sinais. Operação de Zooming em Processamento de Imagem. Rui Jesus
Lição de Processamento Digital de Sinais Operação de Zooming em Processamento de Imagem Rui Jesus ISEL, Julho 22 .INTRODUÇÂO. Enquadramento Esta lição destina-se aos alunos da disciplina de Processamento
Leia maisClusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel
19 a 21 de mar o de 2010 157 Clusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel José Márcio Cassettari Junior 1, Merisandra Côrtes de Mattos 1, João Manuel M. De Carlo 1, Priscyla
Leia maisAjuste de Curvas. Diogo Pinheiro Fernandes Pedrosa. Universidade Federal do Rio Grande do Norte Centro de Tecnologia.
Ajuste de Curvas Diogo Pinheiro Fernandes Pedrosa Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Engenharia de Computação e Automação http://wwwdcaufrnbr/ 1 Introdução
Leia maisANÁLISE DISCRIMINANTE. Análise discriminante. Função discriminante. Análise de agrupamentos e Análise das componentes principais
Análise de agrupamentos e Análise das componentes principais Ambas as análises são técnicas de redução de dados. ANÁLISE DISCRIMINANTE Objetivo da análise de agrupamentos é formar grupos, reduzindo o número
Leia maisProcessamento de Imagem. Compressão de Imagens Professora Sheila Cáceres
Processamento de Imagem Compressão de Imagens Professora Sheila Cáceres Porque comprimir? Técnicas de compressão surgiram para reduzir o espaço requerido para armazenamento e o tempo necessário para transmissão
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia mais4 ANÁLISE DE DADOS. Erro do balanço iônico (%) = Σ cátions - Σ ânions x 100 Σ (cátions + ânions) (1)
ANÁLISE DE DADOS 4 ANÁLISE DE DADOS A definição das características das águas subterrânea baseou-se nas análises químicas e físico-químicas e na utilização de métodos estatísticos, como a estatística multivariada
Leia maisProblemas de Otimização
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Problemas de Otimização
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisIntrodução ao Reconhecimento de Padrões e aplicações em problemas de Bioinformática
ao Reconhecimento de Padrões e aplicações em problemas de Bioinformática fabricio@utfpr.edu.br UTFPR-CP Grupo de Pesquisa em Bioinformática e Reconhecimento de Padrões bioinfo-cp@utfpr.edu.br Curso de
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS/PCA ou ACP
Procedimento para a determinação de novas variáveis (componentes) que expliquem a maior variabilidade possível existente em uma matriz de dados multidimensionais. ANÁLISE DE COMPONENTES PRINCIPAIS/PCA
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 maisÁLGEBRA LINEAR. Valores Próprios (Autovalores) e Vetores Próprios (Autovetores) Prof. Susie C. Keller
ÁLGEBRA LINEAR Valores Próprios (Autovalores) e Vetores Próprios (Autovetores) Prof. Susie C. Keller Autovalores e Autovetores de um Operador Linear Seja T:V V um operador linear. Um vetor v V, v 0, é
Leia maisArquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano. Desenvolvimento de Aplicações Paralelas
Arquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano Desenvolvimento de Aplicações Paralelas (gec.di.uminho.pt/lesi/ap10203/aula06aplicaçõespar.pdf) João Luís Ferreira Sobral Departamento
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisEXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR. QUESTÃO 1: Indique as afirmativas verdadeiras.
EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR QUESTÃO 1: Indique as afirmativas verdadeiras. ( ) O número Pi não pode ser representado de forma exata em sistemas numéricos de
Leia maisSílvio A. Abrantes. Uns pequenos truques que facilitam alguns cálculos de Códigos e Teoria da Informação
Sílvio A. Abrantes Livro de receitas. Receitas?! Uns pequenos truques que facilitam alguns cálculos de Códigos e Teoria da Informação Abril 00 Codificação aritmética: Representação binária de números reais
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
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 maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisProcessamento Digital de Imagem
Processamento Digital de Imagem Transformadas Ronaldo de Freitas Zampolo Laboratório de Processamento de Sinais LaPS Instituto de Tecnologia ITEC Universidade Federal do Pará UFPA Setembro de 2009 RFZampolo
Leia maisFiltros Digitais. Filtros básicos, parâmetros no domínio do tempo e frequência, classificação de filtros
Filtros Digitais Filtros básicos, parâmetros no domínio do tempo e frequência, classificação de filtros Filtros são usados basicamente para dois propósitos: Separação de sinais combinados; Restauração
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 maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia maisÁlgebra Linear Aplicada à Compressão de Imagens. Universidade de Lisboa Instituto Superior Técnico. Mestrado em Engenharia Aeroespacial
Álgebra Linear Aplicada à Compressão de Imagens Universidade de Lisboa Instituto Superior Técnico Uma Breve Introdução Mestrado em Engenharia Aeroespacial Marília Matos Nº 80889 2014/2015 - Professor Paulo
Leia mais3 Visualização de TetraQuads
3 Visualização de TetraQuads No capítulo anterior vimos como é definido uma malha de TetraQuads. Iremos agora descobrir como visualizar essa malha utilizando uma adaptação do algoritmo de ra casting para
Leia maisEste capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação.
6 Simulações Este capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação. 6.1. Descrição da Simulação Visando validar o equacionamento desenvolvido no Capítulo
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 maisPLANO DE ENSINO MÉTODOS ESTATÍSTICOS II. 1) IDENTIFICAÇÃO Disciplina: Método Estatístico II Código da Disciplina:
PLANO DE ENSINO MÉTODOS ESTATÍSTICOS II 1) IDENTIFICAÇÃO Disciplina: Método Estatístico II Código da Disciplina: 9071008 Carga Horária: 40 horas/aula Período Letivo: Professor(a): Édila Cristina de Souza
Leia maisUFAM - Engenharia Elétrica
UFAM - Engenharia Elétrica RECONHECIMENTO DE PADRÕES UTILIZANDO FILTROS DE CORRELAÇÃO COM ANÁLISE DE COMPONENTES PRINCIPAIS Waldir Sabino da Silva Júnior Monografia de Graduação apresentada à Coordenação
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 11.1 Gabarito 1) Seja A : R 3 R 3 uma transformação linear cuja matriz na base canônica é 4 [A] = 4. 4 (a) Determine todos os autovalores de A. (b) Determine, se possível, uma forma
Leia maisAutovalores e Autovetores
Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos
Leia maisSISTEMA DE EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS EM IMAGENS
SISTEMA DE EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS EM IMAGENS Flávia Gonçalves Fernandes, João Ludovico Maximiano Barbosa, Ana Cláudia Patrocínio Universidade Federal de Uberlândia - UFU Faculdade de Engenharia
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 mais