FACE RECOGNITION USING COMPLEX WAVELET TRANSFORM, CLUSTERING AND FUZZY INTEGRAL
|
|
- Luca Arantes Melgaço
- 6 Há anos
- Visualizações:
Transcrição
1 FACE RECOGNITION USING COMPLEX WAVELET TRANSFORM, CLUSTERING AND FUZZY INTEGRAL André Luiz Nogueira Instituto Federal de Sergipe Lagarto, Sergipe Junior Leal do Prado Instituto Federal de Sergipe Aracaju, Sergipe Resumo Face recognition is a problem of verification or identification of a face from an image. In identification, an input face is compared with faces from a database, which purpose is to identify the input face. In this article, the proposed algorithm is compared with other technique based on a complex wavelet transform. The proposed method is basically divided into four steps. The first uses a Complex Wavelet Transform for feature extraction of faces. The second step is the application of PCA to images obtained previously. Next Fuzzy Clustering is applied that determines the prototypes of each class. Finally, the last step is to use a Fuzzy Integral responsible for the fusion of classifiers. The experimental results were made using the Yale and Essex databases and show that the proposed algorithm is superior in performance compared to other technique. I. INTRODUÇÃO O reconhecimento de faces é uma subárea do reconhecimento de padrões, que vem recebendo uma atenção especial devido a suas aplicações comerciais, de segurança e militares. Os métodos para o reconhecimento de faces [15] dividemse basicamente em três categorias: 1) métodos baseados em características (locais); 2) métodos holísticos (globais); 3) métodos híbridos (utilizam as duas abordagem anteriores). Os métodos baseados em características, primeiro processam a face para identificar e depois extrair características faciais como olhos, nariz, boca, etc. Em seguida, calculam relações geométricas entre estes pontos, reduzindo a face de entrada a um vetor com características geométricas. Algoritmos baseados em características podem ser invariantes ao tamanho, orientação e/ou iluminacção, entretanto existem desvantagens como a detecção automática de características e escolha de quais características são importantes. Os métodos holísticos descrevem as faces utilizando características globais, ou seja, sem tentar localizar pontos individuais. Estas técnicas utilizam análise estatística, redes neurais e transformações lineares ou não. Tem como vantagem utilizarem toda face, sem destruir nenhuma informação processando exclusivamente determinados pontos. Entretanto esses métodos são sensíveis a variação de posição, escala, etc, o que restringe seu uso às imagens obtidas em ambientes controlados. A combinação dos métodos baseados em características e holísticos dá origem aos métodos híbridos. O algoritmo proposto é um método híbrido, pois combina um método baseado em característica, a Transformada Wavelet Complexa e um método holístico ou estatístico, a PCA. Uma imagem de q p pixels pode ser representada por um vetor em um espaço de dimensão qp. Essa dimensão pode ser muito alta comprometendo a robustez e a velocidade do reconhecimento. Um modo comum para resolver esse problema é utilizar técnicas para redução e seleção de características. Uma das mais populares é a Análise de Componentes Principais [2], [11]. A PCA projeta os dados originais em um subespaço de dimensão reduzida, preservando a maior parte da informação original. Além da PCA, outra abordagem vem sendo empregada no reconhecimento de faces envolve a Transformada Wavelet [8], [9], [11]. Nos trabalhos iniciais, a Transformada Wavelet era aplicada na compressão, redução de ruído e detecção de características de imagens. Recentemente, foi proposta a Transformada Wavelet Complexa de árvore dupla (TWC-AD) que supera a Transformada Wavelet (real), pois é aproximadamente invariante a deslocamentos e apresenta um desempenho superior na detecção de bordas de imagens [4], [5]. No reconhecimento de padrões, outra técnica utilizada a Análise de Agrupamentos Fuzzy [6], [7], cujo objetivo é classificar os dados de acordo com a similaridade entre eles e organizá-los em grupos. Considerando as diferentes performances dos classificadores, é desejável que sua fusão produza classificadores com desempenhos melhores do que aqueles obtidos utilizando os classificadores individualmente. Baseado em [10], a Integral Fuzzy pode ser usada para fusão de classificadores. O algoritmo proposto utiliza para extração de características das imagens a TWC e a PCA, já para a classificação as técnicas empregadas são Agrupamento Fuzzy e Integral Fuzzy. Diante de uma revisão bibliográfica recentemente realizada, foi constatado que a fusão dessas abordagens supracitadas em um único algoritmo, visando ao reconhecimento de faces, X Workshop de Visão Computacional - WVC
2 ainda não foi muito explorada. Comprova-se esse fato devido a uma reduzida quantidade de publicações no meio científico que utilizam essas técnicas integradas. Nesse ínterim, o presente artigo vem contribuir com alguns passos, nesta direção, e evidenciar a superioridade do algoritmo proposto quando comparada ao método apresentado em [3]. Nas próximas seções são apresentadas as ferramentas utilizadas no algoritmo proposto neste artigo. A. PCA A Análise de Componentes Principais [1], [2], [11] é usada para determinar um subespaço, cujos vetores da base correspondem à direção de máxima variância no espaço original. A PCA é capaz de transformar um espaço de dimensão M em um espaço de dimensão N (M >> N), preservando a maior parte dos dados originais. O algoritmo PCA é descrito a seguir. A base de vetores PCA é calculada a partir de um conjunto I, de imagens de treinamento. Primeiramente, as linhas das matrizes associadas às imagens são concatenadas formando um vetor e, feito isso, calcula-se a média desse conjunto. A seguir, subtrai-se a média de cada um dos vetores de I, obtendo I 1, I 2,..., I n. Esses vetores são arranjados em uma matriz X, um vetor por coluna. gráfico da Figura 2, tem-se uma oscilação o que dificulta a localização de singularidades. Todavia, quando aplicamos a mesma função à TWC e geramos um gráfico com a magnitude dos coeficientes Wavelets, temos o gráfico da Figura 3, cujo ponto de singularidade é bem mais fácil de ser determinado, já que o gráfico não apresenta oscilações. Na Figura 4, os dois primeiros gráficos são da mesma função: um deslocado em relação ao outro. Os dois últimos gráficos da Figura 4 foram obtidos aplicando a TWR aos dois primeiros gráficos. Pode ser observado que os dois últimos gráficos da Figura 4 são diferentes, ou seja, representações diferentes para a mesma função, o que não é desejável quando se está trabalhando com reconhecimento de padrões. Os dois gráficos da Figura 5, foram obtidos aplicando a TWC aos dois primeiros gráficos da figura 4. Nesse caso, observa-se que os gráficos são praticamente os mesmos, logo, um pequeno deslocamento não pertuba a representação do sinal após a aplicação da Transformada. X = [I 1, I 2,..., I n ]. (1) onde, M = XX T a matriz de covariância do conjunto de treinamento. Os componentes principais são calculados resolvendo a equação: R T (XX T )R = Λ. (2) onde Λ, 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. Os autovalores são ordenados e apenas N autovetores associados aos maiores autovalores são usados para definir o subespaço (PCA) que, consequentemente, terá dimensão N. No algoritmo proposto, a PCA é executada nas subimagens obtidas após a aplicação da TWC. B. Transformada Wavelet Complexa A Transformada Wavelet Real [11], [13] 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 objetos e reconhecimento de imagens. A TWR é sensível a oscilações e não é invariante a deslocamentos. A Transformada Wavelet Complexa [4], [5] surge como uma alternativa que supera a TWR, já que é menos sensível a oscilações e é aproximadamente invariante a deslocamentos. Na Figura 2, tem-se coeficientes obtidos após a aplicação da TWR na função apresentada na Figura 1. Nota-se que no Figura 1. Sinal Original Figura 2. Sinal obtido após aplicação da TWR Figura 3. Sinal obtido após aplicação da TWC X Workshop de Visão Computacional - WVC
3 Figura 5. Sinais obtidos após aplicação da TWC Uma abordagem para implementar a TWC é a chamada TWC de árvore dupla (TWC-AD) que emprega duas Transformadas Wavelets Discretas Reais (TWDR). A primeira determina a parte real e, a segunda, a parte imaginária da TWC-AD, ou seja, ψ(t) = ψ h (t) + jψ g (t), j 2 = 1. A TWC-AD-2D é caracterizada por seis Wavelets: ψ 1 (x, y) = φ(x)ψ(y) ψ 2 (x, y) = ψ(x)ψ(y) ψ 3 (x, y) = ψ(x)φ(y) ψ 4 (x, y) = ψ(x) φ(y) ψ 5 (x, y) = ψ(x)φ(y) ψ 6 (x, y) = φ(x) ψ(y) (3) onde ψ(x) = ψ h (x) + jψ g (x) e φ(x) = φ h (x) + jφ g (x) são funções Wavelet e escala em uma dimensão. Cada nível da Transformada está associada a oito subimagens, duas subimagens aproximações e seis subimagens detalhes, cujos coeficientes são correspondentes aos ângulos -75, -45,-15,75,45,15 conforme pode ser observado na Figura 7. Figura 4. Sinais Original (Originais), transladado e sinais obtidos após aplicação da TWR Figura 6. Imagem Original X Workshop de Visão Computacional - WVC
4 µ ik = ( c j=1 1 x k v i 2 A x k v j 2 A ) 1 m 1 (7) Figura 7. Subimagens obtidas após aplicação da TWC A TWC foi utilizada neste trabalho com objetivo de reduzir efeitos indesejáveis causados por variação de iluminação, o que poderia comprometer o reconhecimento. Outra característica importante é sua seletividade direcional que permite a detecção de bordas em diferentes resoluções. C. Agrupamento 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 [6], [7] é utilizado para determinar agrupamentos e seus centros. A relação entre o dado e o agrupamento (centros) é feita através de um grau de pertinência que pode variar em [0, 1], em que 0 indica exclusão total desse dado do agrupamento e 1 indica inclusão total do dado no agrupamento. Quanto mais próximo do(s) centro(s) o dado estiver, maior será seu grau de pertinência. Os dados X = {x k k = 1,...n} são classificados minimizando uma função objetivo baseada em uma norma e nos centros dos agrupamentos. A função objetivo é uma soma ponderada dos erros quadráticos entre os grupos que é definida por n c J m (X, U, V ) = µ m ik x k v i 2 A (4) sendo que 1 m, onde k=1 i=1 V = {v 1, v 2,..., v c }, v i R n (5) é o conjunto dos centros dos agrupamentos e U = (µ ik ) é uma matriz em que cada elemento µ ik representa o grau de pertinência de x k no agrupamento i. Se x k v i 2 A > 0 i, k então U, V podem minimizar J m apenas quando m > 1 e v i = n (µ ik ) m x k k=1, 1 i c, (6) n (µ ik ) m k=1 1 i c e 1 k n. O algoritmo c-means foi utilizado para se determinar os centros de cada classe (ou grupo) que, posteriormente, foram usados no cálculo da função de pertinência µ ik. D. Integral Fuzzy Integrais Fuzzy [10], [12] são funcionais não-lineares definidos com relação a uma Medida Fuzzy. Um conjunto de funções: g : P (Y ) [0, 1] (8) (P (Y ) denota a família de todos os subconjuntos de Y ) é chamado uma Medida Fuzzy se as seguintes condições forem satisfeitas: 1) g( ) = 0, g(y ) = 1; 2) g(a) g(b), A B, A, B P (Y ); 3) lim g(a i ) = g( lim A i ). i i se {A i } i=1 é uma sequência de conjuntos mensuráveis, uma Medida g λ Fuzzy satisfaz a propriedade adicional: g(a B) = g(a) + g(b) + λg(a)g(b) para todo A, B Y, A B = e para algum λ > 1. O valor de λ pode ser determinado a partir da condição g(λ) = 1, resolvendo g λ (Y ) = 1 ( n ) (1 + λg i ) 1, λ 0 λ i=1 onde λ ( 1, ) e g i é o valor da função densidade. O cálculo da Integral Fuzzy com relação à Medida g λ -Fuzzy com os valores da função densidade g i. Estes valores podem ser interpretados como grau de importância de cada um dos classificadores. De acordo com [10], a Integral Fuzzy da função h calculada sobre Y com relação Medida Fuzzy g é definida por: h(y) g(.) = sup α [0,1] [min[α, g({y h(y) α})]]. (9) Y Quando os valores de h(.) são ordenados em uma sequência decrescente, a Integral Fuzzy de Sugeno é calculada como segue abaixo: h(y) g(.) = max n i=1[min(h(y i ), g(a i ))]. (10) Y onde A i = {y 1,..., y n } denota um subconjunto de elementos do universo de discurso. Os valores de g(a i ) assumidos pela Medida Fuzzy sobre o subconjunto de elementos correspondentes é determinado por: 1) g(a 1 ) = g({y 1 }) = g 1 2) g(a i ) = g i + g(a i 1 ) + λg i g(a i 1 ), 1 i n. X Workshop de Visão Computacional - WVC
5 A equação (10) não verifica a propriedade de extensão da Integral de Lebesgue, isto é, quando a medida é aditiva a expressão acima não retorna à integral no sentido de Lebesgue. Para contornar isso, [14] propuseram a chamada Integral de Choquet calculada da seguinte maneira: n h(y)dg(.) = [h(y i ) h(y i+1 )]g(a i )h(y n+1 ). (11) Y i=1 onde A i = {y 1,..., y n } denota um subconjunto de elementos do universo de discurso. No algoritmo proposto, os valores h(y ik ) da classe k no classificador i são calculados da seguinte forma: h(y ik ) = µ ij C k (µ ij )/N k. (12) B. Estágio 2: Teste Figura 8. Estágio 1 Os valores de g i foram obtidos a partir de g i = w ip i i p i (13) onde p i denota a taxa de reconhecimento de cada classificador para um conjunto de treinamento, os valores w 1, w 2,..., w 6 são pesos associados a cada classificador e foram obtidos experimentalmente. Após a escolha da imagem que será submetida ao reconhecimento, aplica-se a TWC, obtendo-se seis subimagens T 1, T 2,..., T 6. Cada subimagem é projetada no subespaço correspondente, isto é, T 1 é projetada em S1, T 2 em S2 e assim sucessivamente. O algoritmo c-means fornece a função de pertinência associada ao vetor em cada uma das classes e em cada subespaço. A Integral Fuzzy é responsável pela fusão das funções de pertinência. Na Figura 9 tem-se o diagrama do estágio 2. A seguir é descrito o algoritmo proposto em dois estágios. II. ALGORITMO PROPOSTO O algoritmo proposto para Reconhecimento de Faces Humanas baseado na TWC, PCA, Agrupamento Fuzzy e Integral Fuzzy divide-se em dois estágios: A. Estágio 1: Treinamento Primeiro são selecionadas C imagens de cada classe (pessoa) e, se a base de imagens possui k classes, são selecionadas Ck imagens. A cada imagem selecionada é aplicada TWC, obtendo-se seis subimagens I1, I2,..., I6. Seja CI1 o conjunto as subimagens I1, CI2 o conjunto das subimagens I2 e assim por diante. Depois de concatenar cada uma das linhas das matrizes associadas às subimagens obtidas na etapa anterior, é aplicada a PCA a cada um dos conjuntos CI1,..., CI6, obtendo-se os subespaços S1, S2,..., S6. Na última etapa, o algoritmo c-means é aplicado a cada um dos subespaços gerados anteriormente, obtendo-se os centros de cada grupo. Figura 9. Estágio 2 A seguir, temos o diagrama do algoritmo apresentado em [3]. X Workshop de Visão Computacional - WVC
6 Tabelas 3 e 4 temos d = 10, 20, 30, 40, r = 64 64, c = 2 e C = 3, 4, 5. Tabela. 1.Taxa de Reconhecimento do Algoritmo Proposto Figura 10. Diagrama do Algoritmo TWC+PCA III. RESULTADOS EXPERIMENTAIS O algoritmo proposto foi implementado utilizando-se o software Matlab 7.6 (R2008a)@, em um notebook LG, Intel Core i5, com 4G de memria RAM. Foram realizados testes utilizando-se 165 imagens da base Yale (divididas em 15 classes, com 11 imagens cada classe) e 1320 imagens da base Essex (divididas em 132 classes, com 10 imagens cada classe). Na Figura 11, tem-se uma amostra da base Yale e na Figura 12, uma amostra das imagens da base Essex. As imagens das duas bases foram redimensionadas para a resolução ,1 % 76,1 % 73,3 % 10 81,6 % 84,7 % 81,9 % 15 77,5 % 81,9 % 86,6 % Tabela. 2.Taxa de Reconhecimento do Algoritmo TWC+PCA 5 68,3 % 61,9 % 66,6 % 10 72,5 % 74,2 % 78,8 % 15 76,6 % 79 % 82,2 % Tabela. 3.Taxa de Reconhecimento do Algoritmo Proposto 10 78,3 % 84,7 % 83,3 % 20 79,1 % 87,6 % 91,1 % 30 82,5 % 90,4 % 93,3 % 40 86,6 % 90,4 % 94,4 % Figura 11. Base de imagens Yale Tabela. 4.Taxa de Reconhecimento do Algoritmo TWC+PCA Figura 12. Base de imagens Essex No algoritmo proposto, para cada imagem submetida ao reconhecimento, primeiro é aplicada a TWC, que gera as subimagens que serão projetadas no subespaço PCA; e para cada vetor, no subespaço PCA, é calculado o grau de pertinência em relação aos agrupamentos. Por fim, é realizada a fusão dos classificadores. Haverá sucesso se a imagem submetida ao reconhecimento e a imagem recuperada forem do mesmo indivíduo. Caso contrário, o reconhecimento terá falhado. Os resultados na tarefa de Reconhecimento de Faces Humanas foram obtidos selecionando alguns parâmetros como a dimensão do subespaço gerado pela PCA (d), a resolução da imagem obtida após aplicação da Transformada Wavelet (r), o número de centros de cada agrupamento (c) e o número de imagens do conjunto de treinamento (C). O algoritmo proposto é comparado com o algoritmo apresentado na Figura 10, nos dois algoritmos a distância utilizada foi a euclidiana. Nas Tabelas, 1 e 2 os parâmetros utilizados foram d = 5, 10, 15, r = 32 32, c = 2, C = 3, 4, 5 e, dessa forma foram submetidas ao reconhecimento 8, 7, 6 imagens. Já nas 10 73,3 % 74,2 % 78,8 % 20 78,3 % 84,7 % 84,4 % % 86,6 % 84,4 % % 86,6 % 84,4 % Os resultados apresentados nas Tabelas 5 e 6 foram obtidos utilizando a base de imagens Essex, com resoluo 16 16, c=2, d=10,20,30,40,50, C=3,4,5. Tabela. 5.Taxa de Reconhecimento do Algoritmo Proposto 10 97,6 % 98,4 % 98,4 % 20 98,3 % 99,2 % 99,2 % 30 98,9 % 99,2 % 99,2 % 40 98,9 % 99,2 % 99,2 % 50 98,9 % 99,1 % 99,2 % Tabela. 6.Taxa de Reconhecimento do Algoritmo TWC+PCA X Workshop de Visão Computacional - WVC
7 10 90,5 % 89,8 % 91,3 % % 94 % 95 % 30 93,9 % 94,8 % 94,5 % % 94,3 % 95,6 % 50 94,4 % 95,2 % 95,1 % [14] T. Murofushi, M. Sugeno, Measures and the Choquet Integral as an integral with respect to a Fuzzy Measure, Fuzzy Sets Syst., , [15] W. Zhao, R. Chellappa, P.J. Phillips, and A. Rosenfeld, Face Recognition: A Lit- erature Survey, ACM Computing Suverys, , IV. CONCLUSÃO O reconhecimento de faces humanas é dividido em três partes: aquisição dos dados, extração de características e tomada de decisão. Para extração de características, o algoritmo proposto utiliza a decomposição da imagem através da TWC, que permite descrever cada uma das faces em seis direções e a PCA, reponsável pela redução da dimensão dos dados obtidos após a aplicação da TWC. Já na tomada de decisão utiliza a função de pertinência obtida a partir do algoritmo c- means Fuzzy, que determina os representantes de cada classe, de forma que a distância entre os elementos de uma mesma classe e seus representantes seja minimizada. A integral fuzzy é responsável pela fusão dos classificadores. Em todos os testes realizados independente da base utilizada Yale ou Essex, da resolução da imagem (16 16, ou 64 64), da dimensão do subespaço PCA (5,10,15 ou 10,20,30,40,50) e do conjunto de treinamento (3,4,5). O algoritmo proposto superou o algoritmo apresentado em [3]. REFERÊNCIAS [1] A. M. Martinez and A. C. Kak, PCA versus LDA, IEEE Transactions on Pattern Analysis and Machine Intelligence, , [2] B. A. Draper, K. Baek, M. Stewart and J. R. Bevedge, Recognition faces with PCA and ICA, Computer Vision and Image Understanding, , [3] B. Dharmendar, B. K. Naveen, M. Sunitha and K. Sunanda, Dual Tree Complex Wavelet Transform for Face Recognition Using PCA Algorithm, International Journal of Research and Computational Technology, 58-70, [4] C. C. Liu and D. Q. Dai, Face Recognition Using Dual-Tree Complex Wavelet Features, IEEE Transactions on Image Processing, , [5] I. W. Selesnick, R. G. Baraniuk and N. G. Kingsbury, The Dual-Tree Complex Wavelet Transform, IEEE Signal Processing Magazine, , [6] J. C. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, 1-13, [7] J. C. Bedzdek and J. C. Dunn, Optimal Fuzzy Partitions: A heuristic for estimating the parameters in a mixture of normal distributions, IEEE Transactions on Computers, , [8] J. C. Goswami and A. K. Chan, Fundamentals of Wavelets: Theory, Algorithms and Applications, Wiley, [9] J. L. Water, A Primer on Wavelets and Their Scientific Applications, Chapman e Hall/CRC, [10] K. C. Kwak and W. Pedrycz, Face Recognition Using Fuzzy Integral and Wavelet Decomoposition Method, IEEE Tansaction on Systems, , [11] K. Kim, S. Y. Oh and H.C. Choi, Facial Feature Extraction Using PCA and Wavelet Multi-Resolution Image, Proceedings of the 6th IEEE International Conference on Automatic Face and Gesture Recognition, , [12] M. Grabisch, T, Murofushi and M. Sugeno, Fuzzy Measures and Integrals: Theory and Applications, Phy-Verlag, [13] P. C. Yuen, D. Q. Dai and G. C. Feng, Wavelet based PCA for Human Face Recognition, Image Analysis and Interpretation,IEEE Southwest Symposium, , X Workshop de Visão Computacional - WVC
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 maisA Associação de Técnicas Matemáticas para o Reconhecimento de Faces Humanas
ISS 984-828 A Associação de écnicas Matemáticas para o Reconhecimento de Faces Humanas Junior Leal do rado Instituto Federal de Sergipe Departamento de Matemática 49055-260, Aracau/SE E-mail: rprado2@yahoo.com.br
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 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 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 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 maisExtração e Comparação de Características Locais e Globais para o Reconhecimento Automático de Imagens de Faces
Extração e Comparação de Características Locais e Globais para o Reconhecimento Automático de Imagens de Faces Vagner do Amaral e Carlos Eduardo Thomaz Centro Universitário da FEI Av. Humberto de Alencar
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia maisMétodo de classificação não supervisionada por empilhamento no espaço de atributos. Adauto Pereira Ramos Costa Ana Lúcia Bezerra Candeias
Método de classificação não supervisionada por empilhamento no espaço de atributos Adauto Pereira Ramos Costa Ana Lúcia Bezerra Candeias Universidade Federal de Pernambuco - UFPE/CTG/DECART Caixa Postal
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 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 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 maisNoções de Álgebra Linear
Noções de Álgebra Linear 1. Espaços vetoriais lineares 1.1. Coordenadas 2. Operadores lineares 3. Subespaços fundamentais 4. Espaços normados 5. Espaços métricos 6. Espaços de Banach 7. Espaços de Hilbert
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 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 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 maisAutovalores e Autovetores
Autovalores e Autovetores Maria Luísa B. de Oliveira SME0300 Cálculo Numérico 24 de novembro de 2010 Introdução Objetivo: Dada matriz A, n n, determinar todos os vetores v que sejam paralelos a Av. Introdução
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 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 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 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 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 maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia 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 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 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 maisClassificação de Texturas Invariante a Rotação Usando Matriz de Co-ocorrência
Classificação de Texturas Invariante a Rotação Usando Matriz de Co-ocorrência Rodrigo Hajime Ito, Hae Yong Kim, Walter Jaimes Salcedo Dept. Eng. Sistemas Eletrônicos, Escola Politécnica Universidade de
Leia maisReconhecimento de Faces Utilizando Análise de Componentes Principais e a Transformada Census
Reconhecimento de Faces Utilizando Análise de Componentes Principais e a Transformada Census Ícaro Ribeiro, Giovani Chiachia, Aparecido Nilceu Marana Universidade Estadual Paulista - UNESP (Campus de Bauru)
Leia maisMETODOLOGIAS PARA IDENTIFICAÇÃO DE FACES EM IMAGENS: INTRODUÇÃO E EXEMPLOS DE RESULTADOS
Congreso de Métodos Numéricos en Ingeniería 2005 Granada, 4 a 7 de Julio, 2005 SEMNI, España 2005 METODOLOGIAS PARA IDENTIFICAÇÃO DE FACES EM IMAGENS: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Fernando Jorge
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 maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisÁlgebra Linear Teoria de Matrizes
Álgebra Linear Teoria de Matrizes 1. Sistemas Lineares 1.1. Coordenadas em espaços lineares: independência linear, base, dimensão, singularidade, combinação linear 1.2. Espaço imagem (colunas) - Espaço
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisAnálise de Técnicas de Extração de Características para o Reconhecimento de Dígitos Manuscritos
Análise de Técnicas de Extração de Características para o Reconhecimento de Dígitos Manuscritos Rafael M. O. Cruz, George D. C. Cavalcanti e Tsang Ing Ren Centro de Informática Universidade Federal de
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 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 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 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 maisA procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP
A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP Lúcia Sousa Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Viseu Fernanda Sousa Faculdade de Engenharia
Leia maisRepresentação compacta de face para reconhecimento sob oclusão
Representação compacta de face para reconhecimento sob oclusão Eucassio Gonçalves Lima Júnior 1, Ricardo de Andrade Lira Rabêlo 1, Cornelia Janayna Pereira Passarinho 1, Luis Henrique Silva 1 1 Universidade
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 maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia 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 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 maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Leia mais3 Sistemas Neuro-Fuzzy Hierárquicos
3 Sistemas Neuro-Fuzzy Hierárquicos 3. Introdução Sistemas neuro-fuzzy (SNF) são sistemas híbridos que combinam as vantagens das redes neurais, no que se refere ao aprendizado, com o poder de interpretação
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Leia maisEmparelhamento de Objectos Representados em Imagens usando Técnicas de Optimização
Emparelhamento de Objectos Representados em Imagens usando Francisco P. M. Oliveira Mestrado em Métodos Computacionais em Ciências e Engenharia Julho de 2008 Faculdade de Ciências e Faculdade de Engenharia
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 maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia maisANÁLISE ESTATÍSTICA NO RECONHECIMENTO AUTOMÁTICO DE FACES UTILIZANDO PCA EIGENFACES
ANÁLISE ESTATÍSTICA NO RECONHECIMENTO AUTOMÁTICO DE FACES UTILIZANDO PCA EIGENFACES ISSN: 1984-3151 STATISTICAL ANALYSIS IN AUTOMATIC FACE RECOGNITION USING PCA EIGENFACES Hudson Rodrigues Saldanha de
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 10 Modelos Preditivos - Árvore de Decisão 2 de 20 Aula 10 - Árvore de
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 maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA ELÉTRICA PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA RECONHECIMENTO DE FACE UTILIZANDO TRANSFORMADA DISCRETA DO COSSENO BIDIMENSIONAL, ANÁLISE DE COMPONENTES
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 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 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 maisMaldição da dimensionalidade
EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS Maldição da dimensionalidade 2 Maldição da dimensionalidade (ou Curse of dimensionality) Termo que se refere a vários fenômenos que surgem na análise de dados em espaços
Leia maisRevisão de Álgebra Linear
Introdução: Revisão de Álgebra Linear Antonio Elias Fabris Instituto de Matemática e Estatística Universidade de São Paulo Map 2121 Aplicações de Álgebra Linear Antonio Elias Fabris (IME-USP) Revisão de
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisRECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E 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 maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
Leia 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 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 maisProfessora: Cira Souza Pitombo. Disciplina: Aplicações de técnicas de análise de dados
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA MESTRADO EM ENGENHARIA AMBIENTAL E URBANA Apresentação do Curso Introdução Professora: Cira Souza Pitombo Disciplina: Aplicações de técnicas de análise
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 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 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 maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
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 maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisCSE-020 Revisão de Métodos Matemáticos para Engenharia
CSE-020 Revisão de Métodos Matemáticos para Engenharia Engenharia e Tecnologia Espaciais ETE Engenharia e Gerenciamento de Sistemas Espaciais L.F.Perondi Engenharia e Tecnologia Espaciais ETE Engenharia
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
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 maisAnálise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações
Análise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações Diogo de Carvalho Bezerra Universidade Federal de Pernambuco Núcleo de Gestão e-mail:dicbezerra@hotmail.com SOBREA Sociedade
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 maisBiometria Multimodalidade Íris + Face. Luiz Antonio Zanlorensi Junior
Biometria Multimodalidade Íris + Face Luiz Antonio Zanlorensi Junior Sumário Introdução Fusionamento Artigo 1 Seleção de características Multimodal Problemas Base de dados Artigo 2 Unimodal + Multimodal
Leia maisAprendizado de Máquina
Aprendizado de Máquina Template Matching Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net October 25, 2012 Luiz S. Oliveira (UFPR) Aprendizado
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 AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisIntrodução ao Reconhecimento. Prof. Dr. Geraldo Braz Junior
Introdução ao Reconhecimento Prof. Dr. Geraldo Braz Junior O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos Vários 4 Pergunta:
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia mais