TRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS
|
|
- Thiago Fortunato Mirandela
- 5 Há anos
- Visualizações:
Transcrição
1 TRANSFORMADA WAVELET, AGRUPAMENTO FUZZY, LDA E ICA APLICADOS NO RECONHECIMENTO DE FACES HUMANAS Junior Leal do Prado Instituto Federal de Sergipe Av. Gentil Tavares da Mota, Getúlio Vargas Aracaju/SE - CEP: jrprado2@yahoo.com.br André Luiz Nogueira Instituto Federal de Sergipe Rodovia Lourival Batista, s/n Lagarto/SE, CEP: andreln27@yahoo.com Resumo This article presents a method for face recognition combining Wavelet Transforms, Linear Discriminant Analysis (LDA), Independent Components Analysis (ICA), and fuzzy clustering. The proposed method is divided, basically, into three stages, where the first utilizes Wavelet Transforms (HAAR/DAUBECHIES) for the extraction of face characteristics. As a result, we have an approximation of the original image. The second stage consists of the application of LDA or ICA to the images that were previously obtained. In the last stage, fuzzy clustering is applied that will determine the prototypes of each class that will be utilized in classification. The experimental results, demonstrated using images from the Stirling database, reveal that the classifier utilizing LDA is superior to the one utilizing ICA. 1. 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. Uma imagem de q p pixels 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 utilização técnicas para redução e seleção de características. As técnicas mais populares são a análise de componentes principais (PCA) e a análise de discriminantes lineares (LDA). Na seleção de características é bastante utilizada a análise de componentes independentes (ICA). A PCA projeta 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. A ICA nada mais é que uma transformação linear que expressa um conjunto de variáveis aleatórias como combinação linear de variáveis estatisticamente independentes. Uma outra abordagem que vem sendo empregada no reconhecimento de faces é a transformada Wavelet. Nos trabalhos iniciais a transformada Wavelet era aplicada na compressão, redução de ruído e detecção de características de imagens. Ultimamente, ela tem sido utilizada em conjunto com as técnicas descritas acima para extração de características visando o reconhecimento de faces. Neste contexto de reconhecimento de padrões, a análise de agrupamentos fuzzy vem sendo muito utilizada com o objetivo de classificar os dados de acordo com a similaridade entre eles e organizá-los em grupos. Diante de uma revisão bibliográfica realizada foi constatado que a fusão destas abordagens supracitadas em um único algoritmo, visando o reconhecimento de faces, ainda não foi muito explorada. Neste ínterim, o presente artigo vem contribuir com alguns passos nesta direção e evidenciar a superioridade da LDA sobre a ICA para a finalidade proposta, mesmo quando estas técnicas são aplicadas em conjunto com outras ferramentas no processamento de imagens. Neste trabalho a PCA foi utilizada como uma etapa de pré-processamento antes da aplicação das técnicas ICA e LDA. 2. PCA A Análise de Componentes Principais - PCA é usada para determinar um subespaço, cujos vetores da base correspondem a direção de máxima variância no espaço original, conforme [1], [5] e [7]. Uma imagem de q p pixels pode ser associada a vetor de dimensão qp. 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.
2 A base de vetores PCA é calculada a partir de um conjunto I, de imagens de treinamento. Primeiramente, as matrizes associadas às imagens são concatenadas formando um vetor, 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. Estes vetores são arranjados em uma matriz X, um vetor por coluna X = [I 1, I 2,..., I n ] (1) onde, M = XX T é a matriz de covariância do conjunto de treinamento. Os componentes principais são calculados resolvendo a equação: R T (XX T )R = Λ (2) sendo Λ 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 N autovetores associados aos maiores autovalores, são usados para definir o subespaço PCA. 3. LDA Dentre as técnicas de seleção de características, tem-se a Análise de Discriminantes Lineares - LDA que, segundo [7], maximiza o raio de variância entre as classes e minimiza a variância entre elementos de uma mesma classe. Depois de concatenar cada uma das matrizes associadas às imagens, o primeiro passo para se aplicar a técnica a um conjunto dados, é calcular a média e matriz de covariância de cada classe: x j = 1 N j x i, W j = 1 N j (x i x j )(x i x j ) T. (3) N j N j A seguir, calcula-se a média e a matriz de covariância levando-se em conta todos os dados: x = 1 N N x i, W = 1 N N (x i x)(x i x) T. (4) Na equação (4), N é o número de vetores do conjunto de treinamento e na equação (3) N j é o número de vetores da classe j, então N = J N i (5) A LDA é definida como uma função linear que maximiza a seguinte função critério onde 4. ICA θ = arg max θt P T θ P θ T P W θ P T = 1 N (6) J N j W j (7) j=1 De acordo com [1], a Análise de Componentes Independentes - ICA quando aplicada a um conjunto de dados produz componentes independentes que constituem a base do subespaço no qual as imagens serão representadas. A técnica pode ser resumida da seguinte forma: S = [S 1,..., S M ] T é um vetor aleatório com M componentes estatisticamente independentes. Aplicando a transformação linear A em S (considerando A uma matriz N M) obtémse o vetor X, que é dado por: X = AS (8) Para simplificar consideraremos M = N, cada componente X i é dado por: X i = M a ij S j, i = 1,..., M (9) j=1 Se a i = [a i1,..., a im ] é o vetor que contém elementos os elementos da i-ésima linha da matriz A, o vetor X i é o resultado do produto X i = a T i S (10) A análise de componentes independentes consiste na estimativa da matriz A e o vetor S. Analiticamente, a ICA consiste na estimativa de uma transformação W que quando aplicada em X, produz componentes estatisticamente independentes: Ŝ = W X = W AS. (11) 5. Transformada Wavelet A Transformada Wavelet (TW) é uma poderosa ferramenta na análise de imagens, conforme [4], [5], [6] e [8]. Os algoritmos da transformada Wavelet possuem uma estrutura de bancos de filtros em diferentes escalas, que decompõem um sinal em várias bandas para análise. Nesse caso, dada uma imagem de resolução N N, ela é inicialmente filtrada (na direção das linhas) por 2 filtros, um
3 passa alta (P-A) e outro passa baixa (P-B). As imagens obtidas são subamostradas na direção das colunas, obtendo assim imagens L (passa-baixa) e H (passa-alta) N N/2. 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. Na figura 1 tem-se o diagrama do algoritmo da decomposição da TW bidimensional. Observa-se que, no caso bidimensional existem três tipos de coeficientes Wavelets. O LH é obtido após a aplicação do filtro P-B nas linhas e P-A 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 aproximação da imagem original. Figura 3. decomposição da imagem, após a primeira aplicação da TW. Figura 4. decomposição da imagem, após a segunda aplicação da TW. 6. Agrupamento Fuzzy Figura 1. diagrama do algoritmo da decomposição da TW Uma vez aplicada a TW a uma imagem (figura 2), temse como resultado três imagens detalhes (HL, LH e HH) e uma imagem aproximação (LL) (figura 3) sendo que todas possuem a resolução de N/2xN/2. Aplicando-se à TW na imagem LL, obtêm-se três imagens detalhes HL1, LH1, HH1 e uma imagem aproximação LL1 (figura 4). Aplicando-se à TW em LL1, obtêm-se HL2, LH2, HH2, LL2 e assim sucessivamente. 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, segundo [2] e [3], 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], onde 0 indica exclusão total desse dado do agrupamento e 1 indica inclusão total do dado no agrupamento. Quanto mais próximo do centro 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 J m (X, U, V ) = n k=1 sendo que, 1 m, onde c u m ik x k v i 2 A (12) V = {v 1, v 2,..., v c }, v i IR n (13) é o conjunto dos centros dos agrupamentos e D 2 ika = x k v i 2 A = (x k v i ) t (x k v i ). (14) Se x k v i A > 0, i, k, então U e V podem minimizar J m apenas, quando m > 1 e Figura 2. imagem original v i = n k=1 (µ ik) m x k n k=1 (µ ik) m, 1 i c (15)
4 µ ik = c j=1 ( 1 ) 1 x k v i 2 m 1 A x k v j 2 A (16) onde 1 i c e 1 k n. 7. Algoritmo Proposto O algoritmo para reconhecimento de faces humanas baseado em transformada Wavelet, LDA ou ICA e agrupamento fuzzy divide-se em dois estágios: 7.1. Estágio 1 - Treinamento A primeira etapa do algoritmo consiste em aplicar a transformada Wavelet nas imagens do conjunto de treinamento. Após a aplicação da transformada, obtêm-se quatro subimagens, sendo utilizada para a próxima etapa somente a imagem aproximação, pois é a única que apresenta características globais da imagem original. A finalidade desta primeira etapa do algoritmo é reduzir a quantidade de dados a serem processados, pois uma imagem de resolução 128x128, após a aplicação da transformada Wavelet pode ser representada como, por exemplo, uma imagem de 64x Estágio 2 - Teste Figura 5. estágio 1 A primeira etapa do algoritmo consiste em aplicar a transformada Wavelet na imagem a ser submetida ao reconhecimento, obtendo a subimagem aproximação que será utilizada na próxima etapa. Já na segunda etapa, a subimagem aproximação é concatenada e projetada no subespaço gerado pela PCA e depois no subespaço ICA ou LDA. Na terceira etapa o algoritmo calcula o grau de pertinência de cada subimagem em relação aos agrupamentos utilizando a equação 16. Na última etapa, a classe a qual pertence à imagem teste é determinada pelo maior grau de pertinência entre os agrupamentos. Na segunda etapa, depois de concatenar cada uma das matrizes associadas às imagens geradas na etapa anterior, tem-se um vetor correspondente, no qual aplica-se a PCA depois a ICA ou LDA, obtendo-se um subespaço de dimensão reduzida. Os vetores correspondentes ao conjunto de treinamento são então projetados no subespaço LDA ou ICA. Na terceira etapa, o algoritmo c-means é aplicado no subespaço ICA ou LDA, para determinar os centros de cada grupo e a função de pertinência associada a cada um dos vetores do subespaço. Figura 6. estágio 2
5 8. Resultados Experimentais O algoritmo proposto foi implementado utilizando-se o software Matlab e testado em um notebook Sony Vaio, Pentium Dual Core de 2GHz, com 3G de memória RAM. Foram realizados testes utilizando-se 504 (BD) imagens da base Stirling, divididas em 28 classes, com 18 imagens cada base. Na figura 7 tem-se uma amostra da base BD. Figura 9. transformada Wavelet de Daubechies 4, ICA x LDA Figura 7. base BD Os testes foram realizados utilizandos utilizando as transformadas Wavelets de Haar, db4 e db6. As transformadas db4 e db6 são representantes da transformada de Daubechies. No algoritmo proposto, para cada imagem submetida ao reconhecimento, é calculado o grau de pertinência da imagem em relação a cada um dos agrupamentos. 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 ICA ou LDA (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). Os gráficos abaixo apresentam os resultados obtidos, no estágio de teste do algoritmo proposto, utilizando-se a base BD. Na figura 8, tem-se o gráfico da taxa de reconhecimento versus a dimensão (d=10-80), r=32x32, c=2 e C=10. Alterando apenas a transformada Wavelet (db4 e db6), obtemse os gráficos a correspondentes as figuras 9 e 10. Figura 8. transformada Wavelet de Haar, ICA x LDA Figura 10. transformada Wavelet de Daubechies 6, ICA x LDA 9. 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 através da transformada Wavelet e a ICA ou LDA. Já na tomada de decisão utiliza-se a função de pertinência obtida a partir do algoritmo c-means fuzzy. Comparamos os dois algoritmos, onde a principal diferença entre eles é que um utiliza a ICA e o outro a LDA. Concluímos que, independente da transformada Wavelet utilizada no reconhecimento de faces humanas, ou seja, a transformada de Haar, db4 e db6, todos os testes realizados demonstram que o algoritmo que utiliza a LDA é sempre superior ao que utiliza a ICA, de acordo com os gráficos das figuras 8, 9 e 10. Referências [1] BAEK, K.; BARTLETT, M. S.; DRAPER, B. A. Recognizing Face with PCA and ICA. Computer Vision and Image Understanding, n.91, pp , [2] BEZDEK, J.C. Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum Press, [3] BEZDEK, J.C.; DUNN, J.C. Optimal Fuzzy Partitions: A heuristic for estimating the parameters in a mixture of normal distributions. IEEE Transactions on Computers, pp , [4] CHAN, A. K.; GOSWAMI, J. C. Fundamentals do Wavelets: Theory, Algorithms and Applications, 2. ed. New Jersey: John Wiley e Sons Inc, 2011.
6 [5] CHOI, H.; KIM, K.; OH, S. Facial Feature Extraction Using PCA and Wavelet Multi-Resolution Image. Proceedings of the 6th IEEE International Conference on Automatic Face and Gesture Recognition, [6] DAI, D. Q.; FENG, G. C.; YUEN, P. C. Wavelet based PCA for Human Face Recognition. Department of Computing Studies, Hong Kong Baptist University, Hong Kong, [7] KAK, A.; MARTÍNEZ, A. M. PCA versus LDA. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, n. 2, pp , [8] WALTER, J. S. A Primer on Wavelets and Their Scientific Applications. Chapman e Hall/CRC, 1999.
A 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 maisAndré 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 maisAuto-Fusão na Recuperação de Imagens Baseadas em Conteúdo.
Auto-Fusão na Recuperação de Imagens Baseadas em Conteúdo. Severino Jr, Osvaldo IMES - FAFICA osvaldo@fafica.br Gonzaga, Adilson Escola de Engenharia de São Carlos - USP adilson@sc.usp.br Resumo Neste
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
Leia 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 maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
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 maisAnálise de Componentes Principais (PCA)
Análise de Componentes Principais (PCA) Lailson B. Moraes, George D. C. Cavalcanti {lbm4,gdcc}@cin.ufpe.br Roteiro Introdução Características Definição Algoritmo Exemplo Aplicações Vantagens e Desvantagens
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 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 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 maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 27.1 Gabarito 1) Considere a base η de R 3 η = {(1, 1, 1); (1,, 1); (2, 1, )} (1.a) Determine a matriz de mudança de coordenadas da base canônica para a base η. (1.b) Considere o
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 maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia 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 maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
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 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 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 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 maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia 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 maisAVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO GUSTAVO TADEU ZANIBONI 1 LUCIANO VIEIRA DUTRA 1 1 INPE - Instituto
Leia maisIDENTIFICAÇÃO DE TECIDO COM ATEROSCLEROSE PELO MÉTODO DE ANALISE DO COMPONENTE PRINCIPAL. Thiago Siqueira Pinto, Landulfo Silveira Junior
IDENTIFICAÇÃO DE TECIDO COM ATEROSCLEROSE PELO MÉTODO DE ANALISE DO COMPONENTE PRINCIPAL Thiago Siqueira Pinto, Landulfo Silveira Junior Laboratório de Espectroscopia Biomolecular/IP&D, UNIVAP, Av: Shishima
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 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 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 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 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 formas. Uberlândia 17/05/2013 IDENTIFICAÇÃO
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 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 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 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 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 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 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 maisP4 de Álgebra Linear I de junho de 2005 Gabarito
P4 de Álgebra Linear I 25.1 15 de junho de 25 Gabarito 1) Considere os pontos A = (1,, 1), B = (2, 2, 4), e C = (1, 2, 3). (1.a) Determine o ponto médio M do segmento AB. (1.b) Determine a equação cartesiana
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 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 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 maisUma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means
Uma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means Rogério R. de Vargas, Benjamín R. C. Bedregal, Departamento de Matemática Aplicada e Informática, DIMAp, UFRN 59072-970, Natal,
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 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 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 maisTeorema da Triangularização de Schur e Diagonalização de Matrizes Normais
Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 16 de novembro
Leia mais3. Departamento de Matemática, Universidade Estadual Paulista - UNESP Caixa postal 56, , Ilha Solteira, SP Brasil
INSERÇÃO E EXTRAÇÃO DE MARCA D ÁGUA EM IMAGENS DIGITAIS NO DOMÍNIO WAVELET JAQUELINE F. SILVA 1, MARCO APARECIDO Q. DUARTE, FRANCISCO VILLARREAL ALVARADO 3 1. Laboratório de Sistemas Inteligentes, Departamento
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 maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
Leia 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 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 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 maisG3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo APRESENTAÇÃO Métodos Multivariados: São métodos (ferramentas analíticas) utilizados na transformação de dados (várias medidas
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 5: Aspectos Computacionais do Filtro de Kalman Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
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 maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisGAAL - Exame Especial - 12/julho/2013. Questão 1: Considere os pontos A = (1, 2, 3), B = (2, 3, 1), C = (3, 1, 2) e D = (2, 2, 1).
GAAL - Exame Especial - /julho/3 SOLUÇÕES Questão : Considere os pontos A = (,, 3), B = (, 3, ), C = (3,, ) e D = (,, ) (a) Chame de α o plano que passa pelos pontos A, B e C e de β o plano que passa pelos
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 maisUniversidade Federal do Rio de Janeiro. Flávio Henrique Schuindt da Silva. Estimativa de Fluxo Ótico com o método de Lukas-Kanade
Universidade Federal do Rio de Janeiro Programa de Engenharia de Sistemas e Computação Introdução ao Processamento de Imagens Flávio Henrique Schuindt da Silva Estimativa de Fluxo Ótico com o método de
Leia 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 maisEstudo Comparativo de Transformadas Wavelets para Descrição de Texturas
Estudo Comparativo de Transformadas Wavelets para Descrição de Texturas Ricardo Dutra da Silva Hélio Pedrini Instituto de Computação - Universidade Estadual de Campinas Campinas, SP, Brasil, 13084-971
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 maisSISTEMAS LINEARES PROF. EDÉZIO
SOLUÇÕES NUMÉRICAS DE SISTEMAS LINEARES PROF. EDÉZIO Considere o sistema de n equações e n incógnitas: onde E : a x + a x +... + a n x n = b E : a x + a x +... + a n x n = b. =. () E n : a n x + a n x
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
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 maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisAnálise Modal no Domínio do Tempo. SSI Stochastic Subspace Identification
Análise Modal no Domínio do Tempo SSI Stochastic Subspace Identification Stochastic Subspace Identification VAN OVERSCHEE, P., 1995, Subspace Identification: Theory, Implementation, Application, PhD thesis,
Leia mais4 Estado da Arte do Kernel PCA
4 Estado da Arte do Kernel PCA Conforme apresentado no Capítulo 1, o Kernel PCA é uma técnica promissora para auxiliar no processo de ajuste de histórico, devido a sua capacidade de extrair parte da estatística
Leia maisReconhecimento de Padrões. Principal Component Analysis (PCA) Análise dos Componentes Principais
Universidade Federal de Ouro Preto (UFOP) Programa de Pós-Graduação em Ciência da Computação (PPGCC) Reconhecimento de Padrões Principal Component Analysis (PCA) Análise dos Componentes Principais David
Leia maisAntonio Elias Fabris. Map 2210 Aplicações de Álgebra Linear
Fatoração QR Antonio Elias Fabris Instituto de Matemática e Estatística Universidade de São Paulo Map 2210 Aplicações de Álgebra Linear Antonio Elias Fabris (IME-USP) QR 1 / 13 Projetores Um projetor é
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Segmentação. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Segmentação Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos básicos de segmentação
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 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 maisZeros de Polinômios. 1 Resultados Básicos. Iguer Luis Domini dos Santos 1, Geraldo Nunes Silva 2
Zeros de Polinômios Iguer Luis Domini dos Santos, Geraldo Nunes Silva 2 DCCE/IBILCE/UNESP, São José do Rio Preto, SP, Brazil, iguerluis@hotmail.com 2 DCCE/IBILCE/UNESP, São José do Rio Preto, SP,Brazil,
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
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 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 maisAlgoritmo CLIQUE (Clustering In QUEst)
Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research
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 maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões PCA. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões PCA Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos de PCA e suas aplicações
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia 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 maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
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 maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Classificação. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificação David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Redução de Dimensionalidade Principal Component Analysis (PCA)
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
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 maisCONTROLE ESTATÍSTICO DO PROCESSO: ABORDAGEM MULTIVARIADA PARA MEDIDAS INDIVIDUAIS
CONTROLE ESTATÍSTICO DO PROCESSO: ABORDAGEM MULTIVARIADA PARA MEDIDAS INDIVIDUAIS Liane Werner Departamento de Estatística / UFRGS Av. Bento Gonçalves, 9500 - Porto Alegre -RS E-mail: WERNER@MAT.UFRGS.BR
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 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 maisANÁLISE MULTILINEAR DISCRIMINANTE DE FORMAS FRONTAIS DE IMAGENS 2D DE FACE
ANÁLISE MULTILINEAR DISCRIMINANTE DE FORMAS FRONTAIS DE IMAGENS 2D DE FACE Eliana Zacchi Tenorio, Carlos Eduardo Thomaz Centro Universitário da FEI Av. Humberto de Alencar Castelo Branco, 3972 - Assunção
Leia maisReconhecimento Facial 3D utilizando o Simulated Annealing com as Medidas Surface Interpenetration Measure e M-Estimator Sample Consensus
Reconhecimento Facial 3D utilizando o Simulated Annealing com as Medidas Surface Interpenetration Measure e M-Estimator Sample Consensus Dissertação de Mestrado em Informática Sídnei Augusto Drovetto Jr.
Leia maisReconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy
Reconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy Pedro Henrique S. Coutinho, Thiago P. das Chagas, Fábio da C. Cruz DCET - UESC Ilhéus, Bahia, Brasil Emails:
Leia maisESRIC EXTRACÇÃO, SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS A PARTIR DO CENTRO DA PUPILA
CMNE/CILAMCE 2007 Porto, 13 a 15 de Junho, 2007 APMTAC, Portugal 2007 ESRIC EXTRACÇÃO, SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS A PARTIR DO CENTRO DA PUPILA Edno José Bozoli Junior 1*, Osvaldo Severino Junior
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Processamento de sinais em Sistemas
Leia maisGAAL - Terceira Prova - 15/junho/2013. Questão 1: Analise se a afirmação abaixo é falsa ou verdadeira:
GAAL - Terceira Prova - /junho/3 SOLUÇÕES Questão : Analise se a afirmação abaio é falsa ou verdadeira: [ A matriz A é diagonalizável SOLUÇÃO: Sabemos que uma matriz n n é diagonalizável se ela possuir
Leia mais