Tópicos em Visão Computacional e Reconhecimento de Padrões Dr. Hemerson Pistori Grupo de Pesquisa em Engenharia e Computação – GPEC Universidade Católica.

Apresentação em tema: "Tópicos em Visão Computacional e Reconhecimento de Padrões Dr. Hemerson Pistori Grupo de Pesquisa em Engenharia e Computação – GPEC Universidade Católica."— Transcrição da apresentação:

1 Tópicos em Visão Computacional e Reconhecimento de Padrões Dr. Hemerson Pistori Grupo de Pesquisa em Engenharia e Computação – GPEC Universidade Católica Dom Bosco - UCDB

2 Sumário Visão geral e áreas correlatas Aplicações (desenvolvidas pelo GPEC) Arquitetura de de um sistema de visão computacional Tópicos em Visão Computacional Tópicos em Reconhecimento de Padrões Demonstração Conclusão

3 Visão Geral Inteligência Artificial Processamento Digital de Imagens Visão Computacional (VC) Aprendizagem Automática Computação Gráfica Reconheciment o de Padrões (RP) RP: Identificação ou classificação de “objetos” ou “coisas” (Faces, expressões, voz, sons, bases, comportamento, textos, etc) VC: Interpretação e reação a partir de imagens (Filmes, fotos, imagens de satélite, raio-x, tomografia, etc)

4 Classificação de Couro Bovino www.gpec.ucdb.br/dtcouro Grupon Fora do Grupon D1 - 200cm 2 D2 - 173cm 2 D3 - 15cm 2 D4 - 87cm 2 fazenda frigorífico curtume

5 Identificação de Comportamento Animal www.gpec.ucdb.br/topolino

6 Interação Homem-Máquina www.gpec.ucdb.br/sigus

7 Monitoramento de Bioensaios http://www.vims.edu/pfiesteria/ Patten et Alli (UNR e Verdia Inc.)

8 Arquitetura de Sistema de VC CapturaPré-processamentoSegmentaçãoRastreamento Extração Atrib.Seleção Atrib. Aprendizagem Classificação F.1 F.2 F.2 > 3.6 [0.2 0.1 40 30 0.2] Vertical

9 Tópicos em Visão Computacional Espaços de Cores e Histogramas Pré-processamento Segmentação Atributos de Textura Atributos de Forma Vetores de Atributos e Espaço Vetorial

10 Imagens Coloridas RGB HSB imagej

11 Imagens e Funções Bidimensionais SurfacePlo t

12 Histogramas Color Inspector 3D Álgebra – Espaços Vetoriais

13 Pré-Processamento

14 Gradiente – Cálculo Diferencial - Variação

15 Segmentação Wetblue leather defects Artemis counting

16 Atributos baseados em Textura Images and results from Mikaël Rousson, Thomas Brox and Rachid Deriche (INRIA)

17 Atributos Baseados em Forma Image Moments  = 88 o v1v1 v2v2 v2v2 v1v1 v3v3 v4v4 v4v4 v3v3  = 38 o Excentricidade – Razão Invariância à Rotação, Translação e Escala A B B B

18 Vetores de Atributos e Espaços Vetoriais x = [230 221 222 353 4 90 0.12 0.5]' Red Green Blue Hue Sat. Value Freq45 o Freq.90 o x = [0.2 430 0.4 0.2...]' Excen. Perimeter Curv.Hist.0-10 Curv.Hist.40-50....

19 Rastreamento – Filtros Preditivos Assuntos Relacionados: Modelos de Markov Ocultos, Campos Aleatórios de Markov, Redes Bayesianas, Filtros de Kalman, Filtros de Partículas, etc Modelos de Observação + Modelos de Dinâmica Observação + Previsão Contínuo X Discreto, Paramétrico X Não-Paramétrico, Linear X Não Linear

20 Métodos de Monte-Carlo Exemplo: Calculando Pi - Dardos Total que atinge quadrado Total que atinge semi-círculo

21 Tópicos em Reconhecimento de Padrões Abordagem da Aprendizagem Estatística Estimação de Máxima Verossimilhança Modelos Paramétricos X Não-Paramétricos Modelos de Mistura de Gaussianas Métodos Iterativos para Estimação de Modelos Redução de Dimensionalidade – PCA e FLDA

22 Aprendizagem Estatística  1 : Carrapatos  2 : Estrias  3 : Mosca  1 : Horiz.  2 : Vert. Problema de Classificação em 3 Classes2 Classes  j : Classe j x : Vetor de atributos p(  j | x) : Prob. a posteriori de  j p(x |  j ) : Verossimilhança of  j p(  j ) : Prob. a priori de  j p(x) : Prob. de x (evidência) Decisão Bayesiana

23 Aprendizagem de Modelos Gaussianos p(x |  1 ) p(x |  2 ) p(x |  1 ) Estimativa de Máxima Verossimilhança

24 Modelos Paramétricos X Não Paramétricos

25 Mistura de Modelos Gaussianos

26 Métodos Iterativos de Estimação E.M. - Expectation-Maximization

27 Redução de Dimensão - PCA v v é um autovetor associado ao maior autovalor da matriz de variância e covariância dos pontos

28 Redução de Dimensão - FLDA

29 Informações Adicionais www2.acad.ucdb.br/pistori